Data Science, финансы и доброта.

1. Машинное обучение и финансы

Machine Learning - подмножество науки о данных (Data Science) и более глобальной области – Artificial Intelligence.

ML использует различные статистические модели, чтобы снискать озарение, опираясь на накопленную информацию, и сделать необходимые прогнозы или выводы.

Курс Data Science от SF Education: http://bit.ly/2CEL845

Самое интересное в методах ML это то, что машина учится на собственном опыте, точно также, как мы с Вами. Проще говоря, для решения задачи с помощью методов машинного обучения необходимо выбрать некоторую модель и «накормить» ее данными. Затем модель автоматически будет корректировать свои параметры для улучшения результатов. Чем больше информации Вы дадите системе, тем точнее будет ее работа.

Примечание. Вообще-то, это не совсем так. Не во всех алгоритмах Machine Learning происходит обучение, но доля таких методов очень велика!

Именно поэтому алгоритмы машинного обучения очень популярны в финансовой индустрии: финансовый сектор может предоставить петабайты информации о транзакциях, клиентах, счетах, денежных переводах и так далее. А главное, результат обработки этой информации есть где применить, и финансовые компании (банки, инвестиционные фонды и проч.) активно это делают!

Какие возможности может дать ML финансовым учреждениям?

- Автоматизация процессов

Многие последовательные действия сотрудников можно автоматизировать, тем самым повысив производительность. Это позволяет компаниям оптимизировать затраты, улучшать качество обслуживания клиентов и расширять спектр услуг.

Примеры технологий:

· Chatbots

· Call-центр

· Автоматизация делопроизводства.

- Безопасность

Алгоритмы машинного обучения отлично подходят для выявления мошенничества.

Например, банки используют эту технологию для мониторинга транзакций в режиме реального времени. Алгоритм проверяет каждое действие, предпринимаемое владельцем карты, и оценивает, является ли попытка действия характерной для данного конкретного пользователя. Если система идентифицирует подозрительное поведение учетной записи, то она может запросить у пользователя дополнительную идентификацию для подтверждения транзакций. Такой подход позволяет не просто обнаружить неправомерные действия, но и предотвратить мошенничество.

- Алгоритмический трейдинг

Машинное обучение помогает принимать более взвешенные решения. Математическая модель отслеживает новости и результаты торгов в режиме реального времени и выявляет закономерности, которые могут заставить цены акций повышаться или понижаться. Возможность анализировать одновременно множество источников информации и «смотреть» на данные в связке делает алгоритмы ML незаменимым инструментом для игроков биржи.

2. Погружение в аналитику

Давайте немного глубже погрузимся в мир аналитики и поподробнее посмотрим на методы и алгоритмы, которые не просто можно, а нужно применять для Ваших компаний. И чем скорее, тем лучше!

А/В тестирование

A / B-тестирование или сплит-тестирование – это особый метод сравнения двух версий какого-то эксперимента за определенный период времени. Это может быть интерфейс сайта, различные варианты акции, сравнение рекламных кампаний, UI веб-приложений – все что угодно.

Сравниваются два варианта (A и B). Они схожи по смыслу, но имеют некие отличия, которые могут повлиять на поведение и решение пользователей. Например, у Вас есть действующий сайт компании, и Вы решаете, что нужно бы его обновить для привлечения большей аудитории. Вариант А – версия, которая есть сейчас, а версия B имеет аспект, который был изменен (например, добавили уведомление о получении скидки на услуги компании после прохождения небольшого теста).

В итоге, одни пользователи будут видеть исходную версию (А), а другие – измененную (В). Через некоторый промежуток времени (срок проведения тестирования зависит от многих факторов, например, от конверсии, посещаемости и предмета тестирования) можно сравнить результаты и определить, влияют ли внесенные изменения на количество заказов или нет. Анализ можно основывать на данных, полученных с помощью сервисов веб-статистики – это удобно.

После того, как вы узнаете, был ли ваш тест успешным или нет, вы можете интегрировать выигрышную версию и перейти к следующему тесту уже с другими параметрами анализа.

А/В тестирование является очень мощным способом анализа маркетинга и в финансовой отрасли в том числе: тематические строки электронных писем, заголовки, копия сайта, призывы к действию, формы, графика, реклама и так далее. Финансовая индустрия не одними денежными потоками жива – целые отделы аналитиков, дизайнеров, программистов и маркетологов трудятся на успех и процветание своих компаний. Поэтому A/B тестирование точно найдет применение и в Вашей работе тоже!

Основные преимущества А/В тестирования заключаются в его эффективности и невысокой стоимости эксперимента. Если, конечно, Ваш сайт посещает не 3 человека в день, да и те – боты Гугла… Основные цели, которые позволяет достичь A/B-тест в финансовом маркетинге (да и любом другом):

· Увеличение конверсии. В основном это связано с ростом доли посетителей сайта (можно подсчитывать тех, кто заполняют контактную форму сайта или подписываются на рассылку новостей компании); с увеличением заказов (при предоставлении скидки за подписку, например) и так далее.

· Снижение отказов. A / B-тест позволяет понять, почему посетители не переходят дальше начальной страницы или куда заходят чаще всего.

· Увеличить объем трафика. Путем последовательного тестирования с поэтапным внесением изменений можно создать продукт, полностью отвечающий всем требованиям клиентов. Это увеличит лояльность старых пользователей и привлечет новых.

· Увеличение прибыли. Привлечение новых клиентов обеспечит приток дополнительной прибыли.

Data Mining

Если переводить словосочетание Data Mining дословно, то “раскопка данных”. Часто можно встретить синоним “интеллектуальный анализ данных”.

Data Mining – набор методов выявления закономерностей и шаблонов в больших и несвязанным между собой (на первый взгляд) наборах данных. Это, пожалуй, одна из основных прелестей Data Science: найденные закономерности часто неочевидны. Представьте себе ощущение, когда ты раскопал какую-то крутую штуку, о которой знаешь только ты, и это знание принесет компании несметное богатство… Блаженство, не иначе…

Методы Data Mining основываются на разработках таких наук, как прикладная статистика, распознавание образов, искусственный интеллект, теории баз данных и так далее. Такое многообразие инструментария делает “интеллектуальный анализ данных” многогранным инструментом, используемым в различных областях.

Наиболее широкий набор алгоритмов и методов используется в области исследования финансовых рынков. В него входят различные методы прогноза динамики цен и выбора оптимальной структуры инвестиционного портфеля, основанных на различных эмпирических моделях динамики рынка.

Проверка гипотез

Проверка гипотезы - это математическая модель для проверки некого утверждения, некой идеи или гипотезы. Расчеты выполняются для случайных выборок, чтобы получить максимально объективную информацию о характеристиках всей совокупности. Конечно, на практике не получается использовать совсем случайные выборки, но стараются планировать эксперимент так, чтобы минимизировать «предвзятость». Простой пример: если мы будем опрашивать 70-летних мужчин, любят ли кататься на скейтах, а потом сделаем громкое заявление, что «На скейтах никто не катается теперь!» - будем ли мы правы? Конечно нет, потому что наша выборка была слишком узкой для данного опроса.

Примечание. Если среди читателей есть 70-ти летние мужчины на скейте – не принимайте близко к сердцу!

Итак, как это работает?

Мы можем задаваться самыми разными вопросами и искать на них ответы с помощью проверки гипотез. Были бы исходные данные для расчетов… Например: верно ли, что акции компании X растут в цене в среднем более чем на 7% за какой-то период?

Существуют разные методологии для проверки гипотез, но в основе лежат два основных шага:

Шаг 1: Определить нулевую и альтернативную гипотезы

Основная гипотеза – та, которую Вы заведомо считаете верной. Ее еще называют нулевой гипотезой H0.

Альтернативной гипотезой H1 называется гипотеза, противоречащая H0. Для нашего примера:

H0: акции компании X растут в цене в среднем более чем на 7% за какой-то период

H1: акции компании X растут в цене в среднем менее чем на 7% за какой-то период

Шаг 2: Вычисление статистики критерия и вычисление p-value

После постановки задачи исходные данные используются для вычисления статистики критерия. Эта величина как бы «отражает» исходные данные против нулевой гипотезы. Таким образом, по ее значению можно делать выводы о верности нулевой гипотезы.

Всем стандартным статистикам отвечают уже известные из теории распределения вероятностей. Рассчитанное нами значение статистики сопоставляется с нужным распределением для получения так называемого p-value.

Говоря простым языком, p-value – вероятность отвергнуть гипотезу H0, если она окажется верна. Чтобы было наглядно: при постановке задачи мы определяем критическую область (на рисунке – заштрихованная часть). Это те «хвосты» распределения, где наша основная гипотеза будет отвергнута. Расчет p-value, как раз и выдает площадь таких «хвостов». В большинстве компьютерных программ это уже давно делается автоматически, и Вам не придется с этим возиться.

На практике уровень значимости обычно берется 5%, т.е. вероятность отклонить основную гипотезу, если она будет верна – 5%. В финансовом моделировании ситуация такая же.

Далее все просто – если полученное значение p-value мало – нулевая гипотеза отвергается (мы попали в ситуацию, когда реальные данные как бы «говорят против» нашей нулевой гипотезы); если велико – не отвергается. После этого шага можно либо продолжать формулировать гипотезу (в нашем примере: проверим, может акции компании X растут в среднем более чем на 3% за период?), либо закончить исследование.

Заключение

Мы лишь поверхностно рассмотрели некоторые моменты такой интересной сферы как аналитика и Data Science, связав их с финансовым сектором. На самом деле, все это намного интересней и глубже – если Вы хотите этим заниматься, то Вас впереди ждет еще целый мир, полный интересных открытий и достижений! Каждый день Вы будете узнавать что-то новое и получать от этого неподдельное удовольствие. Наверно, Вы сможете назвать себя настоящим Data Scientist-ом, когда с утра вместе с чашкой кофе или вечером перед сном Вы будете не листать ленту новостей, а читать, что новенького произошло за день в профессиональном комьюнити: какое исследование провел тот парень из Google, какие изменения внесли в Вашу любимую библиотеку или какой конкурс запустили на Kaggle. Data Science – любовь. А Data Science + финансы… ну, это уже совсем серьезно…

Источник: m.vk.com

Комментарии: