前些天“互聯(lián)網(wǎng)+金融”可謂是火花四濺，四大行分別牽手BATJ，建行&阿里、農(nóng)行&百度、工行&京東、中行&騰訊，這年頭好像不擁抱互聯(lián)網(wǎng)科技巨頭就不是新時代的銀行了一樣。四大行齊發(fā)力金融科技，給這個今年本來就很熱的領(lǐng)域又添了一把火，徹底燒到了我們每個人身邊。今天帶大家聊一聊金融科技的落地應(yīng)用，以及它給我們的生活帶來的改變。
1、征信：通過大數(shù)據(jù)技術(shù)多維度獲取數(shù)據(jù)，并建模評估，可以實現(xiàn)智能征信評估和審批。難點在于各個企業(yè)數(shù)據(jù)源暫未打通，且信用體系覆蓋率低，評分系統(tǒng)不健全。
國內(nèi)的個人小額信貸普及率遠遠低于美國等發(fā)達國家，大量沒有信用卡的藍領(lǐng)人群的需求沒有得到滿足。
實際上，基于大數(shù)據(jù)和人工智能技術(shù)，完全可以實現(xiàn)智能征信和審批。通過多渠道獲取多維度的數(shù)據(jù)，包括通話記錄、短信信息、購買歷史、電商數(shù)據(jù)，以及社交網(wǎng)絡(luò)上的留存信息等，可以提取出上百種變量，進入到大數(shù)據(jù)模型，對個人信用進行評估。對于缺少抵押和擔保的中小企業(yè)，也可以通過大數(shù)據(jù)征信解決他們的融資困難問題。
這塊美國已經(jīng)做得非常先進，他們有完善的個人信用評分體系FICO和三大征信機構(gòu)的數(shù)據(jù)模型。中國相對要落后得多，信用體系覆蓋率低，評分系統(tǒng)不健全，有很多創(chuàng)新企業(yè)在這塊發(fā)力。他們都在通過自己渠道資源獲得數(shù)據(jù)，構(gòu)建分析模型，不同平臺間完全沒有互通?，F(xiàn)在業(yè)界也在呼吁打通數(shù)據(jù)源，這樣中國的征信體系才能大踏步地前進，只能說期待這一天的到來吧。
2、風控：信貸業(yè)務(wù)中貸款人信息真?zhèn)闻袛啵约斑€款意愿和還款能力評估。
所有金融業(yè)務(wù)中最重要的環(huán)節(jié)都是風險控制。以信貸為例，貸前有兩個步驟非常關(guān)鍵，第一識別貸款人信息的真實性，第二識別貸款人的還款意愿和還款能力，貸中通過監(jiān)控貸款人的行為數(shù)據(jù)及時發(fā)現(xiàn)異常，貸后通過反饋數(shù)據(jù)補充信用評分。無論是消費貸還是現(xiàn)金貸，利用數(shù)據(jù)積累和大數(shù)據(jù)技術(shù)建立有效的智能化風控體系，是一個平臺的核心能力，直接決定著平臺能否持續(xù)地運營下去。
3、反欺詐：通過技術(shù)手段（人臉識別、聲紋識別、指紋識別、虹膜識別、光學識別等）判斷注冊金融用戶真實性，利用機器學習防止垃圾注冊、盜卡盜刷、虛假交易、惡意刷單、惡意套現(xiàn)、營銷作弊薅羊毛等。
金融安全是維護金融秩序穩(wěn)固的基石，任何一個金融平臺都會投入大力氣在這上面。有別于虛擬的社交網(wǎng)絡(luò)，對于一個注冊的金融用戶，首先要驗證他身份的真實性，這里面用到的技術(shù)包括人臉識別、聲紋識別、指紋識別、虹膜識別、光學識別(OCR)等等。支付寶研發(fā)了OCR系統(tǒng)用于身份證校驗，同時內(nèi)嵌了face++的人臉識別和活體檢測技術(shù)提供刷臉驗證服務(wù)。在這些方面，人工智能確實比人更加優(yōu)秀，不僅識別時間縮短到了1秒，而且識別錯誤率大幅降低。
除了身份驗證以外，人工智能在網(wǎng)絡(luò)反欺詐方面也發(fā)揮著巨大的威力，比如防止垃圾注冊、盜卡盜刷、虛假交易、惡意刷單、惡意套現(xiàn)、營銷作弊薅羊毛等等，這里面用到了大量的智能數(shù)據(jù)分析和機器學習技術(shù)，國內(nèi)同盾科技在這方面做得非常好。以前通過專家系統(tǒng)把網(wǎng)絡(luò)安全管理員掌握的知識和規(guī)則程序化，交給機器去執(zhí)行識別欺詐，現(xiàn)在有了機器學習技術(shù)，機器可以自主地從海量實時并發(fā)的交易數(shù)據(jù)中學習，進化的周期更短，發(fā)現(xiàn)異常的速度更快。
4、差異化定價：為差異化定價產(chǎn)品提供數(shù)據(jù)支持，例如差異化車險、天貓運費險等。
過去的金融體系是統(tǒng)一定價，有了大數(shù)據(jù)和人工智能以后，可以根據(jù)每個用戶的情況差異化定價。比如很多做車聯(lián)網(wǎng)產(chǎn)品的創(chuàng)業(yè)公司，收集了車主的駕駛行為數(shù)據(jù)以后，和保險公司合作推出差異化車險，對駕駛習慣良好的車主給予一定保費上的優(yōu)惠。如今個性化保費的時代已經(jīng)到來，天貓的運費險就是一個典型的案例。
5、精準營銷&智能客服：精準營銷降低金融有效客戶甄別成本；智能客服解決常見金融咨詢80%重復(fù)性問題。
金融平臺和互聯(lián)網(wǎng)平臺最大的不同之處在于互聯(lián)網(wǎng)平臺有網(wǎng)絡(luò)效應(yīng)，用戶規(guī)模越大，獲客成本越低，但是金融有效客戶的甄別和獲取成本不會降低。技術(shù)可以幫助解決這個問題，通過用戶畫像和大數(shù)據(jù)模型可以找到精準用戶，實現(xiàn)精準營銷。
再有就是金融客服。金融咨詢中有80%的常見問題都是重復(fù)性的，而且在一個限定領(lǐng)域內(nèi)，還能得到快速反饋，成為自然語言理解和對話機器人最快落地的場景。通過對話可以發(fā)掘用戶的需求，解釋和推薦產(chǎn)品，還能帶來銷售轉(zhuǎn)化。
6、投資決策輔助&投資機會識別：主要在前期的數(shù)據(jù)收集以及預(yù)處理，對信息的基礎(chǔ)分析和初步預(yù)測。
其實人工智能在證券和投資研究上可以給予很多幫助，第一收集和處理數(shù)據(jù)，第二分析和預(yù)測結(jié)果。面對信息爆炸和過載，人要想從海量數(shù)據(jù)中找出相關(guān)性是很困難的，機器可以讓這件事情變得更容易。機器學習算法可以通過自主學習尋找信息和資產(chǎn)價格的相關(guān)性，自然語言處理技術(shù)可以理解新聞、政策文件、社交媒體中的文本信息，尋找市場變化的內(nèi)在規(guī)律。同時通過知識圖譜的建模方式，人們可以把行業(yè)規(guī)則、投資關(guān)系等常識賦予計算機，幫助機器排除干擾，更好地結(jié)構(gòu)化信息。
（1）自動報告生成
投資和投行行業(yè)中有大量固定格式文檔的撰寫工作，試想如果把收集到的資料直接輸入給機器，機器就會自動生成圖表和報告，我們只需要做組織、修改、復(fù)核的工作就可以了，那該多好！
（2）金融搜索引擎
人工智能還可以應(yīng)用在金融搜索引擎中，分析不同事件間的相關(guān)性，比如蘋果發(fā)布iphone8會影響哪些公司的股價，也可以幫我們聚合信息進行對比縱覽，這方面美國的Kensho做得非常好，已經(jīng)被高盛收購了，據(jù)說要替代80%投資分析師的工作，相比之下國內(nèi)要落后很多。
（3）投資機會識別
數(shù)據(jù)挖掘領(lǐng)域有一個經(jīng)典案例，就是美國沃爾瑪超市發(fā)現(xiàn)尿布和啤酒放在一起賣會增加銷量。大數(shù)據(jù)可以幫助我們發(fā)現(xiàn)看似毫不相關(guān)的事件間的關(guān)聯(lián)性，應(yīng)用在投資領(lǐng)域也可以有同樣的效果。
7、量化投資：反向價值錯配獲取短期收益。（存在悖論且依賴強專業(yè)能力）
西蒙斯是美國量化基金之王，他的文藝復(fù)興科技公司管理的基金取得了年化35%的收益率，遠超巴菲特和索羅斯。量化投資是以數(shù)學和統(tǒng)計模型為依據(jù)，發(fā)現(xiàn)市場上的價格偏差，獲取超額收益的投資方法?，F(xiàn)在這個方向上有一些創(chuàng)業(yè)公司提供策略超市，供普通投資者選購。
不過這里面存在幾個明顯的悖論：首先很多量化策略是尋找價值錯配博取短期收益的，時間一長策略就會失效，再有就是在一個“零和博弈”中，池子里的錢是有限的，你賺的錢就是別人賠的錢，一個策略用的人越多，利潤空間就會被攤得越薄。
8、智能投顧：私人銀行服務(wù)在線化，智能化，平民化。難點在于Copy to China 模式產(chǎn)生的新平臺缺乏用戶教育。可以嘗試先To B 的方式利用已有用戶數(shù)據(jù)，完善算法模型，逐步提高數(shù)據(jù)提供方的技術(shù)能力與服務(wù)水平。
如果說量化投資以博取短期超額收益為目的，那么智能投顧則是在各市場和各大資產(chǎn)類別之間構(gòu)建投資組合，分散風險，追求長期收益。富人階層有私人銀行來服務(wù)他們，由專業(yè)的理財顧問根據(jù)他們的需求提供個性化的資產(chǎn)配置，門檻高、費率高。智能投顧實際上就是把私人銀行的服務(wù)在線化、智能化了，以很低的費率服務(wù)更廣泛的受眾，惠及普通老百姓。
智能投顧在美國已經(jīng)被廣泛使用，但是在中國接受度卻不高，為什么這種Copy to China的模式失效了呢？必須承認中國的市場情況和美國還是有很大不同的。美國有養(yǎng)老金入市制度，美國人會用智能投顧幫他們把養(yǎng)老賬戶里的錢分配好，美國股市過去100年一直是整體上漲的，美國有非常多的結(jié)構(gòu)化ETF產(chǎn)品，都獲得了不錯的收益。
To C的智能投顧平臺獲客確實非常難，用戶教育還沒有完成，新平臺也還沒有建立起信任，智能投顧瞄準的是長期投資，短期內(nèi)業(yè)績表現(xiàn)平平，完全沒有辦法吸引流量。于是很多To C的智能投顧平臺紛紛轉(zhuǎn)型去做To B業(yè)務(wù)了，為金融機構(gòu)提供智能投資系統(tǒng)，專心研究技術(shù)，不再碰銷售。金融機構(gòu)擁有C端的流量，同時也有提升自己服務(wù)能力的迫切需求，做To B可以獲取到用戶數(shù)據(jù)，同時完善和提升自己的算法模型，也算是一條“曲線救國”的路。
