AI在FinTech金融科技领域最新现状及趋势分析

前言:

自从2016年AlphaGo横空出世后，AI人工智能成为业界的热门话题, 并且在风投领域, FinTech甚至各个传统行业都掀起一场革新浪潮。本文希望简单研究下AI在FinTech金融科技领域的最新现状及趋势分析.

先明确一些领域概念, 以方便下文称述.

金融业务, 广义的金融科技业务包含了零售, 消费, 信贷, 风控, 支付, 客服, 投研, 投顾(机器人)等细分领域; 而在投行领域则又扩展为投资, 交易, 资产管理, 财富管理, 量化投资等.

FinTech (金融科技), 广义上主要是指的新兴技术如通过大数据、云计算、区块链、人工智能等与金融业的结合, 以及2017年各大央行又提出的RegTech (监管科技) - 利用最新的科技手段来服务于监管和合规.

AI in FinTech (人工智能金融), 则主要是通过以人工智能核心技术, 包括机器学习、知识图谱、NLP自然语言处理、计算机视觉(如人脸识别)等作为主要驱动力，为金融行业的各参与主体、各业务环节赋能，突出AI技术对于金融行业的产品创新、流程再造、服务升级的重要作用。

实际上, AI人工智能并非新鲜事物, 早在上世纪60-70年代已经提出, 在巅峰1997年的时候, IBM的深蓝人工智能并行计算电脑拥有32核, 每秒钟计算2亿步, 而随后在有点停滞不前; 而之所以在近几年突飞猛进, 则得益于信息技术的基础应用大幅提升, 以大数据云计算为主. 一个为AI提供了海量学习数据, 一个为其大幅计算提供了可能 (而区块链则主攻分布式信息加密), 有了这二者助力, AI的发展可谓高跑开到了正确的道路, 各路大神只要踩足油门即可!

行业及具体业务领域来看, 人工智能金融的组合, 从使用场景最为直接的风控与零售银行业务开始突破, 扩展到券商的智能投顾, 以及投行与券商自营部门的人工智能交易等, 总体来看, 整个行业的技术与创新发展仍处于早期阶段.

具体可以细分的领域, 包括信贷, 区块链, 监管, 个人金融, 支付, 保险, 资本市场, 财富管理, 外汇兑换, 抵押等.

背景介绍
应用场景
FinTech对金融行业的影响
AI在投行的应用
AI & FinTech 2019最新趋势
总结

1. 背景介绍

机器学习(ML):

深度学习作为机器学习的子类, 通过分层结构之间的传递数据学习特征, 对各类金融数据具有良好的适用性, 目前的长短期记忆神经网络, 卷积神经网路, 深度置信网络, 栈式自编码神经网路等算法在股票市场预测, 风险评估和预警等相关应用.

自然语言处理 (NLP):

在自然语言处理技术中, 自动分词可以将金融报表中的格式化语句进行拆分, 通过词性标注为每个词赋予词法标记, 然后结合语句分析针对进行标注的词组进行内在逻辑研究, 进而对研报进行自动化读取与生成工作.

知识图谱: (Knowledge Map)

在反欺诈领域中, 对信息的一致性进行验证, 提前识别出欺诈行为; 在营销环节中, 可以链接多个数据源, 形成对用户群体的完整描述及画像, 帮助客户经理制定出具有针对性的营销策略; 在投资研究中, 可以从公司广告, 年报, 新闻等文本数据中抽取关键信息, 辅助分析师, 投资经理作出更深层次的分析和决策.

计算机视觉: (AI Computer Vision)

主要应用在身份验证 , 移动支付等领域. 在身份验证方面, 通过前端设备的人脸捕捉与证件信息提取, 及人脸关键点检测, 人脸特征提取并与云端服务器数据进行信息对比; 在移动支付方面, 则通过人脸识别和行为数据调用相应算法, 进行更为快捷安全的支付.

机器人流程自动化 (Robotic Process Automation):

RPA是模拟人的操作程序, 自动化执行人力日常工作的理念.

RPA是AI人工智能与传统的流程自动化结合而成的创新方法, 旨在通过AI来更加智能的指导流程自动化, 比如Autopilot自动驾驶.

特点

软件: 用于企业自动化;
模拟: 允许配置模拟人的行为;
系统交互: 可以与其它系统通信;
重复执行: 可以重复执行;
准确: 不会犯人为错误;
成本: 成本比人工低很多;

RPA其实也并非新鲜事物, 比如最原始的RPA是的Office宏, 可以录制Excel宏操作, 重复执行. 比如, 有些银行的古老服务器上, 运行着一些自动化程序, 可以定时自动打开Excel进行数据录入, 计算, 生成报表等等.

当然, 与AI结合的RPA又包含了:

流程自动化: 如不同行业的财务, 销售, 人事, 市场等流程, 提供专业自动化实施服务及终端RPA机器人解决方案;

数据自动化: 提供数据采集, 数据预处理, 数据自动分析, 数据批量录入, 迁移等解决方案, 帮助企业挖掘数据价值;

运维自动化: 提供ChatOps运维, 提供7*24的系统监控与运维服务, 及时处理所有服务请求, 实现企业高效的运维;

测试自动化: 提供完善的测试自动化TestOps流程, 较低人力测试成本, 提高交付质量;

据称, 引入了RPA的企业, 在3-8个月内就会会带来40%以上的ROI回报.

2. 应用场景

AI目前的行业应用及业务方向较为集中, 其中又以金融领域为核心:

上图为国内恒生电子的一个金融领域的AI布局, 不过基本涵盖了典型的场景. 我们简单介绍几个最为常用的.

智能风控:

运用多种AI技术提升风控效率与精度

风险作为金融业尤其是个人零售银行的固有特性, 与金融业务相伴而生, 如存贷款业务; 风控是传统金融机构面临的核心问题.

智能风控则引入人工智能等新型技术, 快速发展, 在信贷, 反欺诈, 异常交易检测等领域得到广泛应用.

以近几年火热的P2P或者普惠金融举例, 抛开具体业务形态不谈, 大多数信贷流程在引入热工智能及大数据后, 整个信贷审批流程秒杀传统金融. 在传统金融机构, 一个信贷审批流程中包含了欺诈和信用风险评估, 其申请流程繁琐, 审批时间较长; 而通过人工智能, 系统可以从多维海量数据中深度挖掘关键信息, 找出借款人与其它实体之间的关联, 从贷前, 贷中, 贷后各个环节提升了风险识别精准程度, 智能催收可以代替40%-50%的人力, 同时AI使整个小贷审批时效从过去几天到几周缩短到当日甚至3-5分钟, 大大提升客户体验.

比如P2P的鼻祖Lending Club, 平台依靠智能信审模型及背后的海量信用大数据 (美国的信用评价体系) 动态定制个人利率, 并在借款/还款过程中重新动态计算信用评级.

国内信贷行业, 蚂蚁的小贷和征信还是不错的, 当然其背后有着强大的支付宝和阿里的海量交易数据支持, 这是它天然的优势.

智能支付:

以生物识别(人脸识别)技术为载体, 提供多元化消费场景

智能支付作为一个线上, 线下的有效连接, , 在网购以及手机app的洪潮已经涌现的各种支付手段, 如手机支付, 扫码支付, NFC近场支付已经相对成熟,应用场景广泛. 比如国内的支付宝和微信支付, 国外则包括Apple Pay和Square等, Square甚至在它的App中开通了比特币支付功能.

另外, 近期新兴的人脸识别, 指纹识别, 虹膜识别, 声纹识别等生物载体智能支付逐渐兴起, 科技公司及商户提供了多样化的场景和方案, 以刷脸尤为流行, 以及无停顿, 无操作的支付体验, 如停车收费, 超市购物, 休闲娱乐等已然走入了我们的生活角落.

智能投研:

快速处理分析海量数据提供分析效率

国内的资产管理市场发展迅猛, 同时也对投资研究, 资产管理等金融服务的效率与质量有较高要求.

智能投研以数据为基础, 根据算法逻辑, 利用人工智能技术自动获取投资信息, 进行数据处理, 量化分析, 生成研究报告撰写及风险提示, 辅助分析师, 投资人, 以及高级投资经理等专业人员.

智能投研可以在海量信息中提取知识, 分析文本报告, 信息搜索, 收集并构建研究报告知识图谱体系.

智能投顾:

个人智能理财顾问, 提升服务贵宾服务体验

智能投顾的概念始于2010年兴起的机器人投顾 (Robo-Advisor) 技术, 大概2014年才进入中国市场, 渐渐为市场及公众熟知并接受.

智能投顾, 可以按照个人投资期限, 风险偏好, 回报预期等维度, 运用人工智能相关技术形成个性化的资产配置方案, 并推送增值服务, 在降低传统财富管理费用的同时, 更贴近个人需求. 当然, 投顾的核心也需要良好的金融算法平台及技术体系支持.

3. FinTech对金融行业的影响

过去5-10年, 新兴技术大有大举挑战传统金融的趋势, 更有把其称谓倒过来叫TechFin, 意为用技术革新金融之意, 以下我们侧重目前热门FinTech的技术对金融行业的影响.

AI在金融业的影响:

当然, 在金融领域里面, 首当其冲的是其IT部门了, 涉及系统, 流程自动化等. 另外, 可以看到AI在金融领域的其它部门如财务, 市场营销, 客服, 销售等方面也越来越多的应用与尝试.

具体业务领域细分及其影响来说:

粗略来分, AI在金融业的影响分为:

自动化 : 包括了流程自动RPA, 语义识别, NLP等.
智能分析及决策: 数据挖掘, 市场趋势分析, 趋势预测
新业务模型: 新业务模型, 智能投研, 智能投顾, AI Trading等;

上图简述了AI在4大金融领域的影响, 银行业, 保险业, 资本市场等.

区块链 Blockchain:

提到FinTech, 似乎不得不提及Blockchain及加密货币, 作为这几年大火的风口和热点.

区块链, 作为分布式记账 (Distributed Ledger Technology, DLT)平台的核心技术, 其起源于比特币, 作为比特币的底层技术, 本质上是一个去中心化的数据库; 通过去中心化和去信任的方式集体维护一个可靠数据库的技术方案;

区块链被认为在金融, 征信, 物联网, 经贸结算, 资产管理等领域具有广泛应用场景;

目前区块链的主要应用场景:

金融领域, 如非实时交易等;
SCM供应链管理;
保险理赔;
资产数字化;
鉴证证明;
物流链;

对了, 今天最新消息, FB入局加密市场了:

Libra:

Cloud:

面对Cloud-based的与日俱增的需求, 更多云服务商同时提供了SaaS via Cloud.

比如AWS和后来成功转型的微软云帝国, 以及国内的阿里云等.

如上图微软提供的云上AI三件套, AI服务, AI基础设施和AI工具, 基本把用户对于AI的应用涵盖, 基本上客户所需的就是微软云所想的:

智能服务Cognitive Service (Vision, Speech, Language, Knowledge)
Bot Framework (Email, Facebook, Skype etc.)
Machine Learning
AI on Data (Data Lake, SQL Server etc.)
AI Compute (Spark, DSVM - Data Service VM etc.)
AI Tools (ML, TensorFlow, Caffe, PyCharm etc.)

另外微软云与开源软件的结合也促成了后OS时代的新微软帝国.

比如微软的这个Bot Framework, 基本上涵盖了所有热门聊天工具, Web Chat, Email, Facebook, Skype, Slack... 居然没有 WeChat ?

Bot:

Bloomberg基于AI和机器学习智能分析用户的问答, 客户可以提出金融问题, 如某只股票的报价等, 如果AI高于某一确信区间 (95%) 则会直接反馈, 模式类似Apple的Siri; 否则则会返回给客户的可能答案, 客户可以再人工判断, 进一步交互.

Kensho, 号称金融领域的Google, 旗下的一款名为Warren的分析软件可以自动抓取金融财经新闻, 甚至热门Tittwer新闻, 依赖大数据和机器学习, 并进行汇总, 极大提高金融研究效率. 比如, 如果客户想了解在接下来的苹果新品发布会前三周的亚马逊的股价变化情况, Kensho则会自动抓取相关新闻和数据并汇总结果. 在2018年4月, Kensho已经被标普全球5.5亿美金收购.

国内FinTech:

国内的阿里巴巴, 蚂蚁金服, 腾讯, 微众银行, 京东等分别与国内的各个银行合作布局金融, 如建设银行, 工商银行等, 在FinTech, 零售银行, 消费金融, 企业信贷, 校园生态, 资产管理, 电商物流等全方位合作.

2017年, 蚂蚁金服推出了余额宝, 成为世界最大的货币市场基金; 腾讯也紧随其后, 逐步成为全牌照互联网金融帝国, 开始布局保险, 基金等; 同时也大举投资初创公司, 如富途牛牛, 可以交易中国香港和美国股票.

监管RegTech:

2017年, 央行首次明确提出RegTech, FinTech容易形成金融风险与技术风险叠加, 从而进一步导致系统性风险. 而以人工智能为核心的RegTech更能识别此类风险.

RegTech, 监管科技的本质就是利用最新的科技手段来服务于监管和合规, 是从FinTech世界扩展出来的细分领域.

银行也以开始对RegTech的公司进行投资, 从识别和背景检查软件, 到区块链和贸易监控等.

4. AI在投行的应用

这股趋势不仅在硅谷的Start up公司兴起, 甚至深深影响到了华尔街的大行, 花旗(Citigroup), 高盛(Goldman Sachs), 摩根大通(JPMorgan)则走在了前列, 积极参与数据分析, 基础设施, 另类贷款, 个人财务管理等领域对金融科技初创企业的投资.

华尔街银行:

于此同时, 大行自己也推出FinTech服务, 如高盛集团正式推出消费者贷款平台Marcus搅局网贷市场, 也同时布局其金融业务的转型, 并且取得了不错的效果, 目前Marcus自成立以来已经发放了超过10亿美元的贷款甚至更多, 其中Marcus在风险评估方面借鉴了很多新兴技术.

AI驱动的平台利用NLP (Natual Language Processing) 处理, 一些Chatbots智能聊天机器人不但可以更加智能的回答用户的提问, 比如一些股票咨询, 一些购物咨询等, 甚至可以更进一步通过社交媒体(Facebook, Wechat等)推荐和接受用户的订单.

Machine Learning and NLP:

投行引入机器学习和NLP主要来延伸拓展客户多点交流, 如Chat Bots和个人定制金融助理 (Personal Assistant Applications) .
另外, 投行也借助机器学习在反洗钱 (AML), 以及客户认知方面 (KYC)进行反欺诈分析和预测.
投行的大型机构借贷也通过机器学习及NLP可以洞察客户的行为, 如JPMorgan的机器学习平台 "Emerging Opportunities Engine", 用来分析股票的Offerings, 以及后续扩展到Debt Capital Markets.

RPA: (Robotic Process Automation)

RPA可以帮助投行的后台Back Office实现自动化流程处理, 可以节省25-50%的开支费用;
多数大行在数字化转型中 (Digital Transform), RPA作为首选之一, 既可以流程自动化, 更加可靠高效, 又可以带来ROI的提升.

Public Cloud-Based Application:

在金融监管, 特别是美国大型金融机构的监管法案, 如MiFID II, Dodd-Frank等, 投行纷纷面临削减成本, 公有云作为可以提供灵活, low-cost省钱的, 并且具有弹性的基础IT设施, 正好契合众多需求;

总体来说:

大型的经纪商和投行, 包含了一些遗留的历史技术栈, 迁移起来相对较慢;
中小经纪商则相对比较青睐公有云的基础设施, 可以有效削减内部开支压力;
一些大型买方机构 (buy-side)如对冲基金(hudge funds)则较为积极的区尝试公有云;

AI Stock Trading :

投行和对冲基金的交易系统本身就是依托软件程序, 算法交易, 引入及向AI转变是必然大趋势, 各家都在积极拥抱和尝试.

投行的自营交易被大幅限制, 不过仍有大量的股票电子交易业务, 如Execution Service机构客户的大单等, AI当然会被引入优化流程与效率.

摩根大通 JPMorgan

摩根大通是华尔街首家开始拥抱AI执行算法交易的投行, 虽然目前仅用在优化股票交易执行策略上, 但还是领跑业界.

JP的内部代号为LOXM的AI股票人工智能平台, 可以以最佳价格和最高速度执行客户交易指令, 并且可以从历史交易中吸取经验教训来解决新的问题, 比如当需要抛出大单时候, 如何分单/分时避免对市场造成大的影响.

另外, 对于一些投行的基本操作, 可以采用基于深度强化学习 (DRL) 开发, 目标用于自动对冲和做市的一些常规而又可以挖掘的交易.

高盛 Goldman Sachs

高盛的交易平台 (Marquee)帮助客户进行大宗股票电子交易, Marquee算法执行只需要数秒; 同时Marquee接入了SIMON (结构化在线投资市场), 比如结构性票据 (Structured Notes), 作为一种可定制投资, 将固定收益保本投资和风险较大的衍生品融和的工具, 可以规避一些风险; 高盛还业务转型拓展在线借贷 Marcus等项目.

大摩 Morgan Stanley

大摩则从财富管理业务入手布局AI, 大摩于早期在金融海啸时期从花旗购入的Smith Barney财富管理, 为其营收增长贡献较大; 发布了Access Investment的投顾产品.