人工智能(AI)被用于金融服务业，以实现流程的自动化、增强和优化;做出更准确的预测;并能自主地从经验中学习。
金融领域的人工智能包括机器学习、深度学习、自然语言处理、图形算法、进化学习等技术。您可以使用MATLAB应用这些技术®．
机器学习方法分为无监督学习、监督学习或强化学习:
- 无监督学习用于使用集群对未标记的历史数据集进行分组和查找数据中的模式。例如，投资者使用聚类分析来构建多样化的投资组合。
- 监督式学习当您有历史输入和标记输出时很有用。它推断出一个可以预测未来产出的函数，并分为两类:分类和回归。分类识别一个新观测值所属的离散标签，如贸易或不贸易，而回归用于预测一个连续值，如价格或工资。
深度学习是机器学习的一个子集，利用神经网络，用于机器学习问题，同时在神经网络架构内进行特征提取和预测。这种方法消除了在开发预测模型之前进行特征提取的需要。此外，深度学习需要大量的历史训练数据集来建立一个鲁棒性和准确性的预测模型。例如，神经网络模型可以捕捉石油价格分布中的非线性，如波动性。
强化学习通过生成所需的数据，帮助缓解这一挑战。它通过反复模拟(通过试验和错误)来实现这一点，并为良好的结果设置奖励结构。它的目的是学习一种“行为”，而不是尽可能精确地拟合一个模型。强化学习的目标是训练模型采取行动或做出决策，以最大化累积回报。一个金融应用是培训一名代理人对欧洲看涨期权合约进行套期保值，从而节省交易成本。
自然语言处理是金融领域的另一项人工智能技术，它利用算法从自然语言的文本数据表示中检索关键数据。它的关键应用是文本生成、文本分类、情感分析和主题建模。
情感分析是自然语言处理的一种应用，通过对新闻的分析和社交媒体的监控来构建金融市场的情感测度，从而驱动实时交易决策。其他应用包括评估交易对手的信用风险和分析调查以了解客户满意或不满意的原因。
金融领域的人工智能从业者经常使用图表对涉及复杂相互关系的数据结构进行可视化表示。图是由可以加权的节点和边组成的。由于数据以一种智能的方式连接，一个应用程序是通过识别相关资产来构建一个多样化的投资组合。
受生物进化的启发，金融领域的人工智能使用进化或遗传算法来开发新的预测技术和复杂的交易系统。迭代过程包括交叉、变异和选择以获得满意的收敛水平，从而随着时间的推移获得更好的交易参数。
想了解更多关于金融领域的人工智能，请看统计和机器学习工具箱™，强化学习工具箱™,深度学习工具箱™,文本分析工具箱™,全局优化工具箱．
