来源：小研聊科技，帮助投资者理解科技
前些天“互联网+金融”可谓是火花四溅，四大行分别牵手BATJ，建行&阿里、农行&百度、工行&京东、中行&腾讯，这年头好像不拥抱互联网科技巨头就不是新时代的银行了一样，让人不禁感慨：果然没有永远的敌人，只有永远的利益！四大行齐发力金融科技，给这个今年本来就很热的领域又添了一把火，彻底烧到了我们每个人身边。今天我们要好好聊一聊金融科技的落地应用，以及它给我们的生活带来的改变。
1、征信
国内的个人小额信贷普及率远远低于美国等发达国家，大量没有信用卡的蓝领人群的需求没有得到满足，这几年P2P、现金贷的野蛮生长恰恰说明了这个问题。大家知道在纽交所上市的中国互联网金融第一股宜人贷当初是怎么起家的吗？派上千名地推人员下沉到区县乡镇中，通过挨家挨户的实地家访，了解家庭情况、生活习惯、社交关系等进行实地征信，对符合条件的人群给予贷款。
实际上，基于大数据和人工智能技术，我们完全可以实现智能征信和审批。通过多渠道获取多维度的数据，包括通话记录、短信信息、购买历史、电商数据，以及社交网络上的留存信息等，我们可以提取出上百种变量，进入到大数据模型，对个人信用进行评估。对于缺少抵押和担保的中小企业，我们也可以通过大数据征信解决他们的融资困难问题。
这块美国已经做得非常先进，他们有完善的个人信用评分体系FICO和三大征信机构的数据模型。中国相对要落后得多，信用体系覆盖率低，评分系统不健全，有很多创新企业在这块发力（见文章《当金融遇上科技，他们能愉快地生活在一起吗？》中国Fintech50强榜单）。他们都在通过自己渠道资源获得数据，构建分析模型，不同平台间完全没有互通。现在业界也在呼吁打通数据源，这样中国的征信体系才能大踏步地前进，只能说期待这一天的到来吧。
2、风控
所有金融业务中最重要的环节都是风险控制。还是以信贷为例，贷前有两个步骤非常关键，第一识别贷款人信息的真实性，第二识别贷款人的还款意愿和还款能力，贷中通过监控贷款人的行为数据及时发现异常，贷后通过反馈数据补充信用评分。无论是消费贷还是现金贷，利用数据积累和大数据技术建立有效的智能化风控体系，是一个平台的核心能力，直接决定着平台能否持续地运营下去。
3、反欺诈
金融安全是维护金融秩序稳固的基石，任何一个金融平台都会投入大力气在这上面。有别于虚拟的社交网络，对于一个注册的金融用户，首先要验证他身份的真实性，这里面用到的技术包括人脸识别、声纹识别、指纹识别、虹膜识别、光学识别(OCR)等等。支付宝研发了OCR系统用于身份证校验，同时内嵌了face++的人脸识别和活体检测技术提供刷脸验证服务。在这些方面，人工智能确实比人更加优秀，不仅识别时间缩短到了1秒，而且识别错误率大幅降低，在最强大脑中水哥就输给了机器人小度。
除了身份验证以外，人工智能在网络反欺诈方面也发挥着巨大的威力，比如防止垃圾注册、盗卡盗刷、虚假交易、恶意刷单、恶意套现、营销作弊薅羊毛等等，这里面用到了大量的智能数据分析和机器学习技术，国内同盾科技在这方面做得非常好。以前我们通过专家系统把网络安全管理员掌握的知识和规则程序化，交给机器去执行识别欺诈，现在有了机器学习技术，机器可以自主地从海量实时并发的交易数据中学习，进化的周期更短，发现异常的速度更快。
4、定价
过去的金融体系是统一定价，有了大数据和人工智能以后，可以根据每个用户的情况差异化定价。比如很多做车联网产品的创业公司，收集了车主的驾驶行为数据以后，和保险公司合作推出差异化车险，对驾驶习惯良好的车主给予一定保费上的优惠。如今个性化保费的时代已经到来，天猫的运费险就是一个典型的案例。
再有就是贷款利率和授信额度的个性化。用户在信贷平台每正常完成一次借还款的闭环，贷款利率都会相应地调低。当每个人的征信画像越来越全面和完善以后，可以实现个性化的贷款利率和授信额度。
5、营销 & 客服
金融平台和互联网平台最大的不同之处在于互联网平台有网络效应，用户规模越大，获客成本越低，但是金融有效客户的甄别和获取成本不会降低。技术可以帮助解决这个问题，通过用户画像和大数据模型可以找到精准用户，实现精准营销。
再有就是金融客服。金融咨询中有80%的常见问题都是重复性的，而且在一个限定领域内，还能得到快速反馈，成为自然语言理解和对话机器人最快落地的场景。通过对话可以发掘用户的需求，解释和推荐产品，还能带来销售转化。蚂蚁金服的智能客服可以解决用户的大部分问题，当它非常确定答案的时候它会直接作答，当它不确定时它会把可能的选项给人工客服，人工客服只需要快速判断，点击选择后就可以发过去了。这样极大地提升了客服效率和问题解决率，降低了人力成本。
图片来源：蚂蚁金服
6、投资决策辅助 & 投资机会识别
金融行业的人都知道，投资机构和投行部门中有大量实习生的岗位，举个最典型的例子，一个券商的投研部分，一位首席分析师下面带四五个研究员，每个研究员要两到三个实习生去支持他，包括大量的资料收集、数据分析、报告撰写的工作，出一份研究报告80%以上的时间都要花在这上面。
其实人工智能在证券和投资研究上可以给予我们很多帮助，第一收集和处理数据，第二分析和预测结果。面对信息爆炸和过载，人要想从海量数据中找出相关性是很困难的，机器可以让这件事情变得更容易。机器学习算法可以通过自主学习寻找信息和资产价格的相关性，自然语言处理技术可以理解新闻、政策文件、社交媒体中的文本信息，寻找市场变化的内在规律。同时通过知识图谱的建模方式，人们可以把行业规则、投资关系等常识赋予计算机，帮助机器排除干扰，更好地结构化信息。
1、自动报告生成
投资和投行行业中有大量固定格式文档的撰写工作，比如招股说明书、研究报告、尽调报告、投资意向书等等。试想如果我们把收集到的资料直接输入给机器，机器就会自动帮我们生成图表和报告，我们只需要做组织、修改、复核的工作就可以了，那该多爽啊！
2、金融搜索引擎
人工智能还可以应用在金融搜索引擎中，帮我们分析不同事件间的相关性，比如苹果发布iphone8会影响哪些公司的股价，也可以帮我们聚合信息进行对比纵览，比如我想知道某只基金的平均退出收益率。这方面美国的Kensho做得非常好，已经被高盛收购了，据说要替代80%投资分析师的工作，颤抖吧，分析师们！相比之下国内要落后很多，Wind、Choice还只是个数据终端，没有整理和分析的功能，有几家创业公司文因互联、数库、通联数据正在投入研发。
3、投资机会识别
数据挖掘领域有一个经典案例，就是美国沃尔玛超市发现尿布和啤酒放在一起卖会增加销量。大数据可以帮助我们发现看似毫不相关的事件间的关联性，应用在投资领域也可以有同样的效果。比如美国的初创公司Dataminr就是和Twitter合作，通过社交网络的数据实时分析市场风向，预判风险和甄别投资机会。
4、企业成长性分析
美国最大的信用卡发卡行Capital One曾出过这样的丑闻：两名中国员工利用信用卡消费数据分析了至少170家上市零售公司的刷卡销售情况，据此预测这些公司的营业收入，在财报公布之前提前购入看涨期权或者看跌期权，3年内投资收益率高达1800%，最后被美国证监会给抓了。虽然是反面案例，但是说明了一个道理，根据现在的市场数据进行预测，分析判断企业的成长性，能够辅助投资决策。
对于人工智能会不会引发金融行业大面积失业业这个问题，小研认为没有那么乐观，也没有那么悲观。人工智能确实可以帮助我们解决一部分信息获取和整理的问题，但是逻辑判断和复杂决策还是要交给人来完成。比如投研报告中规则和格式固定的部分机器可以帮我们完成，但是分析结论和投资建议还是要我们自己来撰写。技术发展没有那么快，两到三年内还不能替代分析师，五到八年就难说了，我们称之为“金融民工”的底层员工很可能会大量减少，但高级职位如基金管理人、合伙人这样的角色确实还替代不了。
机器可以辅助投资决策，但不能替代人做决策。投资是一个理性+感性的决策，是一个确定性+不确定性的过程。理性部分由是数据驱动的，人工智能可以很好地辅助我们，完善数据来源，更全面、立体地整理和分析数据，还有把我们没有意识到的数据关联性呈现出来。但是面对同样的项目、同样的资料，不同的投资人会做出不同的决策，这和每个人的投资风格、收益预期、资金周期、风险承受能力有关，当然更和感觉sense、和历史经验有关，谁也不能准确地预知未来，这就是感性的部分在起作用。投资是一门艺术，就体现在不确定性的部分，体现在决策中“拍脑袋”的那一下，这是机器无法替代的。
7、量化投资
西蒙斯是美国量化基金之王，他的文艺复兴科技公司管理的基金取得了年化35%的收益率，远超巴菲特和索罗斯。量化投资是以数学和统计模型为依据，发现市场上的价格偏差，获取超额收益的投资方法。现在这个方向上有一些创业公司提供策略超市，供普通投资者选购，不过这里面存在几个明显的悖论：首先很多量化策略是寻找价值错配博取短期收益的，时间一长策略就会失效，再有就是在一个“零和博弈”中，池子里的钱是有限的，你赚的钱就是别人赔的钱，一个策略用的人越多，利润空间就会被摊得越薄。仔细想一想，如果策略真的那么有效，人家早就募一支基金自己单干了！所以那些售卖策略的创业者们，别天真啦，这种商业模式没有存在的基础啦，倒是可以考虑提供量化技术平台，帮助专业人士和爱好者们生成和筛选策略，不过这些肯定都没有自己做对冲基金赚钱。
8、智能投顾
如果说量化投资以博取短期超额收益为目的，那么智能投顾则是在各市场和各大资产类别之间构建投资组合，分散风险，追求长期收益。富人阶层有私人银行来服务他们，由专业的理财顾问根据他们的需求提供个性化的资产配置，门槛高、费率高。智能投顾实际上就是把私人银行的服务在线化、智能化了，以很低的费率服务更广泛的受众，惠及普通老百姓。
美国的Wealthfront、Betterment是智能投顾的鼻祖，国内这块刚刚起步，不过探索的热情很高，包括资配易、弥财、财鲸、理财魔方、蓝海财富、宜信旗下的投米、品钛旗下的灵玑等等。服务的流程都大同小异，首先让用户填写问卷，评估风险和收益偏好，然后推荐投资组合，一键下单完成交易，后期不断检测资产表现情况，必要时进行风险提示以及调仓推荐。
智能投顾在美国已经被广泛使用，但是在中国接受度却不高，为什么这种Copy to China的模式失效了呢？必须承认中国的市场情况和美国还是有很大不同的。美国有养老金入市制度，美国人会用智能投顾帮他们把养老账户里的钱分配好。美国股市过去100年一直是整体上涨的，美国有非常多的结构化ETF产品，都获得了不错的收益。中国没有那么多ETF产品，即使配置了放个十年，也可能一分钱没涨，我们就只能呵呵了。中国老百姓想配置海外资产又受到限制，所以真的没有那么多投资标的可以选择。更重要的是中国小散的理财观念和投资心理非常不成熟，那么就把钱放在银行里“保本”，那么就在股市里“追涨杀跌”，根本没有资产配置的概念。
To C的智能投顾平台获客确实非常难，用户教育还没有完成，新平台也还没有建立起信任，智能投顾瞄准的是长期投资，短期内业绩表现平平，完全没有办法吸引流量。于是很多To C的智能投顾平台纷纷转型去做To B业务了，为金融机构提供智能投资系统，专心研究技术，不再碰销售。金融机构拥有C端的流量，同时也有提升自己服务能力的迫切需求，做To B可以获取到用户数据，同时完善和提升自己的算法模型，也算是一条“曲线救国”的路。
除了市场桎梏和获客难之外，智能投顾面临的最大问题还是来自于成长性。让一个人赚钱容易，让一群人赚钱难。无论是一级市场VC、PE基金，还是二级市场的股票基金，都会面临基金规模变大收益率下降的魔咒，很多优秀的基金一旦扩大管理规模，便不可避免地沦为平庸的基金，巴菲特几十年来一直严格控制着基金规模。投资行业都是一九法则，10%的人赚钱90%的人不赚钱，智能投顾也是同样的道理。当用的人数少的时候，赚取的收益来自于两部分，一是随着经济增长市场的整体上涨，二是超越市场平均收益的超额收益。当用的人数增多时，第二部分收益将被摊薄。如果智能投顾要普惠大众的话，那么所有人都只能获取市场的平均收益。也就是说，当平台的用户量超过一定规模的时候，它的成长性就遇到了天花板。真正制约智能投顾平台发展的不是技术，而是它的底层金融逻辑。当小散都变得智能了，没有可以割的韭菜了，到底该怎样赚钱，这确实是个问题。
9、结语
当金融遇上科技，他们能愉快地生活在一起吗？互联网和科技追求的是规模效应，边际成本递减，而金融的核心是风控，必须控制规模。互联网行业那些“指数型增长”、“病毒式传播”、“爆款”的奇迹显然无法在金融行业复制。金融行业扩大规模就意味着风控标准相应地放松，同时规模越大利差就会越小。金融创业者还是应该回归金融的本质，不能为了盲目追求规模而“踩雷”。
金融科技创业要面对三大屏障：监管、数据和用户。
无论技术多先进，首先要确保合规。试想如果市场上两个金融AlphaGo对杀，将会是何其惨烈，对于整个金融系统来说一定是“灭顶之灾”。那时如果监管层来个一刀切，整个行业的发展将会停滞。VC投资人最不愿意面对的就是政策风险，这也是VC投资Fintech方向会主要考虑的因素之一。
第二个难题在数据上，大家都说获取数据难，其实处理数据更难。美国的金融市场非常稳定和成熟，适合训练机器学习算法。但是中国金融市场的干扰因素非常多，给分析和预测增加了很多难度。比如中国的股市是“政策市”，有很多“黑天鹅”事件，极端数据对模型的生成是个很大的干扰。在训练算法之前，必须先进行数据的清洗。人工智能可以帮助我们发现市场的内在运行规律，但对于预测“黑天鹅”事件是无能为力的，当然人类也是一样。
最后一个难题就是获取用户。金融行业的资质是需要长年积累的，信任、品牌、声誉、牌照，这些都不是一朝一夕可以获得的。所以凯撒的归凯撒，上帝的归上帝。对于新进入的Fintech公司来说，牌照是天然的壁垒，还是应该多和传统金融机构去合作，多做tech，少做fin。以下这张图是传统金融机构能够被Fintech所改造的各条业务链上的环节。Fintech公司可以发挥自己的技术优势，给传统金融机构赋能，升级它们的业务流程，还是有很大空间的。
图片来源：CBInsights
金融行业是天然产生数据的行业，同时也是数据最能产生商业价值的地方，所以成为人工智能最先落地的行业之一。在美国，GPU等AI芯片的出货量很大一部分流向了华尔街，而中国还是集中在BAT。由此可见我们的Fintech行业还有很大的发展空间，加油吧！
想要进一步了解相关投资机会，可通过以下方式进行咨询：
1、拨打咨询热线400-080-5828（推荐）
2、点击左下方“阅读原文”即可预约，获得资深理财师免费咨询服务。
格上财富：在基金业协会登记的私募基金管理人，十年深度研究，甄选阳光私募、PE/VC、海外基金等高端理财产品，为您的资产增值保驾护航！
