从技术角度来看，目前人工智能领域所使用的主要技术就是深度网络，同时辅以某些传统机器学习方法以及预处理技术。
在笔者看来，深度学习在金融领域的应用中最具优势的一点便是特征的自主选择，例如：
金融证券行业易受到各种事件的影响，比如最近几天美国航母将在靠近朝鲜的海域进行巡航，而且极有可能发生类似对叙利亚那样的巡航导弹攻击，这可能对中国、东亚甚至是全世界产生某些影响，如：处于对海运安全的考虑，从上海以北港口出口到美国的产品可能会在其它区域寻找替代者，这就有可能使得东南亚和印度流入更多的投资等。
但是，这些事件本身发生的概率有多大，而且即使是发生了袭击甚至是战争，此类事件对经济与金融的影响又有多大？目前大多是分析师根据自己的经验得出一个主观的判断；即使是使用量化的方法进行分析，一般也是分析师从自己的角度出发，选择某些特征并猜测一个影响的权重进行分析。
如果使用深度学习辅以类似于知识图谱的技术，先将各种对金融产生过重大影响的事件使用知识图谱的方式表示出来，然后通过深度网络自动的去进行特征选择，调整参数、权重，这样的到的结果可能会更加准确、客观；甚至会分析出更多我们未曾预料到的影响。
类似技术可以很容易的应用到趋势分析、智能投顾等领域。
其次，还可通过社交数据来分析对资产的影响：
人都有从众心里，因此在投资过程中易于收到周围环境的影响。循环神经网络已经在自然语言处理领域被广泛加以应用，并且取得了巨大的成功。借助于此类技术，可以更加准确的把握舆情，再将根据舆情提取出可能影响到金融态势的事件，结合前面提及的分析方法，以更加准确的把握各种世态，从而为用户提供更好的服务。
同时，还可以考虑将前面提及的两种方法相结合，应用于客户服务、自动问答等。
再者，可是利用机器学习、人工智能技术为更多的用户提供服务：
一般情况下，金融机构更倾向于中高净值人群。但是实际中，众多的高净值人群更倾向于通过私人银行来进行理财，一旦固定下来，其它机构很难再获得这部分人群的青睐。相比较来看，处于长尾位置的众多潜在的小微投资者如新兴中产阶级更值得金融机构去获取。这部分人的特点是：人均资产相对较低，但是由于人员数量众多，在自动交易已经成熟的今天，如何获得此类用户的垂青也是值得重视的。
对于此类潜在客户，可以通过历史数据，对其进行聚类，然后对各聚簇内用户进行分析，定制出相应的产品进行推送。类似于招商银行目前的“朝朝盈”等。
此外，对于金融欺诈，深度学习也可能会起到一定的作用。我们可以使用传统的分类与聚类技术来对用户数据进行分析，但是可能会错误识别一些新近出现的欺诈方式，而深度学习技术有可能在这方面起到更好的作用。
关注“格物课堂”微信公众号，获取更多免费活动信息