从持续同调到强化学习及其在零售银行中的应用

零售银行服务是现代经济增长的支柱之一。然而，现代社会中客户习惯的演变以及近期促进竞争的欧洲法规意味着零售银行在未来几年将面临严峻挑战，危及其业务。它们现在面临一个不可能的折衷：在最大化其超连接客户满意度的同时避免任何违约风险并符合监管。因此，先进新颖的研究概念是获得竞争优势的重要改变者。在此背景下，我们在本论文中研究了弥合持续同调、神经网络、推荐引擎与强化学习之间鸿沟的不同概念，旨在提升零售银行服务质量。我们的贡献有三方面。首先，我们强调如何通过生成模型与持续同调生成人工数据来克服金融数据不足。然后，我们展示如何在多维中执行准确的金融推荐。最后，我们强调一种无模型的强化学习方法，基于客户聚合金融交易确定资金管理的最优策略。我们从知名机构提取的实验数据集未损害客户隐私与机密，支持了我们的贡献。本工作中，我们提供了零售银行研究项目的动机，描述了用于提升金融服务质量的理论，并对每个所提研究场景从定量与定性上评估了我们的方法。