人工智能在金融科技领域有哪些应用？

提示: 作者被禁止或删除内容自动屏蔽

simon zhang · 2018-10-17 23:09:13

智能信贷绝对是最普适的应用。

基于人工智能技术和计算机应用技术建立银行信用货款的评价和决策系统，用于在相应情况下，判定银行是否应该发放货款，该系统的建立时银行信用管理和风险预测具有指导意义，为银行信货业务的拓展提供参考和依据。
在信贷业务实施过程中．从受理、调查、审批直到放贷，各环节都是十分重要的，是存在一定信用风险的。而信用风险一般是指借款人违约行为而造成的损失。对于银行业来说，信用风险是指借款人不履行债务或投资交易对手不做交割等情况导致金融机构遭受损失的可能性。
贷款是银行的主要活动，贷款活动需要银行对借款人的信用水平做出判断，但由于这些判断并非总是正确的，而且借款人的信用水平也可能会因为各种原因而下降，因此，银行主要风险就是信用风险或交易对象无力履约的风险，这会造成严重的银行问题。基于人工智能技术和大数据应用技术建立银行信用贷款的评价和决策系统，用于在相应情况下，判定银行是否应该发放贷款，该系统的建立对银行信用管理和风险预测具有指导意义，为银行信贷业务的拓展提供参考和依据
一、系统框架的开发的主要内容为：
( l ）进行决策分析．系统应采用的是结构化分析方法，对商业银行贷款业务的各项决策要素进行具体的定义和分析，绘制结构化分析图；
( 2 ）编制系统说明，包括确定系统所做出的建议、用户接口、知识结构和推理过程等；
( 3 ）编制系统关联图，对知识库模型进行描述；
( 4 ）编写系统决策表，显示系统规则集的推理关系；
( 5 ）设计和建立知识库：
( 6 ）编写程序，实施系统。在充分分析银行贷款业务功能的基础上，研究了系统的整体结构，从而得出了系统总体结构框架。
基于系统总体框架，建立贷款总体编程思想，主要包括贷款审批、贷后审查和总体贷款分析三部分。以贷款审批为例，评价为“优”、“良”、“一般”、“及”、“差’ , 至此，系统分析己经健全，下面将进行系统建立。
系统建立的知识库采用人工智能专家系统开发工具语言来编写本系统的知识库，它包含两部分：
( 1 ）系统向用户提出的各种问题；
( 2 ）系统用作反向链推理的所有规则。
知识库中的问题与系统所有关联图中所规定的人机对话内容相吻合．知识库中的产生式规则的编号以及决策内容与系统关联图的有关部分相匹配。产生式规则的条件与结论严格遵从系统决策表的要求。
——————————我是华丽的分割线————————————
下面说说我的私人团队研发的红狗AI系统（平时我会习惯性的叫它Koko）中的基于进化人工智能的技术。

学术语是：基于功能行为集成的进化控制体系结构
基于功能行为集成的体系结构的思想基础基于传统认知模型的移动机器人控制结构缺乏实用性和必要的灵活性与普适性以基于行为的控制体系结构提高了系统的响应速度和自主性，但同样存在着缺乏必要的理性和受到诸如设计者预见能力限制等缺点。基于功能行为集成的进化控制体系结构的思想基础是实现这两类结构优势互补，同时在结构中融入进化控制的思想，使该结构既能提高系统的反应速度又使系统具备较高理性和学习适应能力。
进化控制思想在科学与工程技术中很重要的一种方法是对自然界现象进行模拟与仿生研究在千百万年的演化过程中大多数动物对其所处环境的变化均能作出准确与迅速的反应。这里表现的最大特征是动物行为的适应性，动物能通过感受环境的变化不断对自身进行调整以满足生存的需要。表现出一种自主的学习与自适应能力在人工自主系统中学习与自适应能力同等重要因此采用合适的理论与方法赋与系统主动的学习与适应能力是人工自主系统研究与设计中的关键问题。
自主式移动机器人的实际应用环境必然是非常复杂非结构化和时变的，而且存在着通讯和反应时滞信息不全等问题，传统的基于结构化环境的定量化精确化的感知规划和控制已不能满足实际应用的需要。而传统的智能控制方法在实现机器人的自主性和学习能力等方面存在着一定的局限性，因此有必要引入新的理论和工具。
将进化计算理论与反馈控制理论相结合形成了一个新的智能控制方法)进化控制它能很好地解决移动机器人的学习与适应能力方面的问题。进化计算在求解复杂问题优化解时具有独到的优越性，它提供了使机器人在复杂的环境中寻找一种具有竟争力的优化结构和控制策略的方法。使移动机器人根据环境的特点和自身的目标自主地产生各种行为能力模块并调整模块间的约束关系。从而展现适应复杂环境的自主性进化控制的意义在于它在对待机器智能的问题上较传统智能控制方法实现了认识与思考方法上的飞跃。传统意义上的机器智能是人赋予的但这种按预先固定的程式来解决问题的模式很难说机器是智能的。这里体现的智能应归功于设计者进化控制则不然，它的目标是要探索导致自主智能产生的机制和本质过程，一种真正意义上的机器智能在进化控制中进化计算已不仅仅局限于作为一种寻找优化解的工具而已，成为了一种探索自适应性原理和开发智能系统的方法。
总之，进化控制思想的提出是综合考察了几种典型智能控制方法的思想起源组成结构。

JovialCai · 2018-10-17 23:09:12

原文已发表于 @京东白条，在这里转发下之前相关问题的回答。
#################################

前面的答案已经提到了很多人工智能算法在生活中的应用，诸如智能出行（滴滴）、新闻搜索排序（头条）、会话助理（百度）、电商推荐（阿里和京东）等，这些都是ToC端普通人经常接触到的场景。答主再来补充介绍一些ToB端人工智能算法的应用，主要围绕平时工作中比较熟悉的金融科技场景好了。
说白了就是人工智能和钱之间的问题。

金融科技（Financial Technology，简称FinTech）的概念最早于上世纪90年代的华尔街提出，近些年才逐步引入到国内的金融和互联网圈。答主第一次接触这个领域，还是2015年春在纽约读书的时候，机缘巧合参加了一次Cornell University和Capital One主办的FinTech Data Hackathon，算是稀里糊涂混进了圈子。后来在纽约的私募做过quant，北大的金融研究院做过research，直到现在来到京东金融的金融科技业务部做algorithm，也算是走上了FinTech的不归路。通过这几年的行业经历，我自己总结的金融科技实质上应该是利用科技手段给金融机构赋能，帮助金融机构更好的服务于人民生活，而这其中就离不开一些人工智能和机器学习算法的应用。目前业内机器学习算法应用比较集中的场景主要有如下四点：信贷风控、智能反欺诈、精准营销和量化投资。

信贷风控：信贷风控是目前行业内机器学习应用最广并且相对成熟的场景。这其中大致有两个原因：第一，国内信贷业务增长迅速，人民超前消费欲望强烈，催生了许多贷款余额千亿级的信贷平台，比如腾讯微粒贷、蚂蚁花呗借呗、京东白条金条等，每天上十万笔的贷款申请依靠传统的人工审批已经无法支持，因而需要更加智能的机器学习算法来辅助甚至替代人类完成这种重复性高的工作。第二，前几年开展的信贷业务，已经为模型积累了丰富的训练样本和好坏人标签，并且业内日益规范化的数据源，例如央行征信报告、电商流水、运营商数据等，为模型的底层特征工程提供了数据支持，这使得机器学习算法有了应用的天然沃土。目前信贷风控这块常用的机器学习算法主要以分类模型为主，有逻辑回归、决策树、Xgboost等，这几年也有尝试将深度学习中的BP和RNN应用进来的。从改变生活的角度，采用机器学习模型的平台和资方，审贷速度普遍由原来的3-5天，缩短到了现在的短短1小时以内，并且模型的好坏人区分度KS都能达到0.3以上，这样不仅能够帮助借款人快速的完成资金周转，也能够帮助贷款方安全高效的发放一笔贷款。

智能反欺诈：由于和钱挂钩，金融行业处处隐藏着欺诈风险，并且肉眼已经越来越难以辨别。在北美和欧洲，金融机构之间通常会共享欺诈名单库，由第三方科技公司统一汇总并开发反欺诈模型系统，例如北美征信巨头Fico开发的Falcon Cybersecurity。而在国内，金融行业的欺诈名单库这几年才开始慢慢积累，并且各家之间存在明显的数据壁垒，使得反欺诈领域的模型应用存在限制。目前国内反欺诈这一块，还多以黑名单以及规则库的方式为主，诞生了像同盾、百融这样的老牌独角兽。机器学习算法方面，无监督的iForest与银行交易反欺诈，图论与团伙作案和反洗钱，RNN与还款行为欺诈，是我接触过的这两年行业内比较经典的案例。

精准营销：与风控一样，营销也是金融机构对于科技公司需求比较旺盛的领域，优质的营销活动可以为公司带来丰厚的市场份额和市场回报。前几年国内的金融和互联网公司尚处于人口红利时代，铺天盖地的产品宣传和野蛮生长成为了行业主旋律；然而近几年随着人口红利的逐渐消失，产品的精细化运营越来越受到重视，如何不过分打扰客户、提高客户产品体验，成为了许多金融机构的痛点。这种背景下，机器学习算法在营销场景中千人千面、精准触达的特性得到了广泛推崇和验证。例如京东金融旗下的“借钱”和“银行+”平台业务，都利用京东侧的电商数据和营销渠道，帮助金融机构更好的营销贷款和理财产品，找到目标客户。营销场景中常用的模型方法有客户画像、生命周期和推荐系统，其中客户画像和生命周期都是基于客户的历史数据，利用聚类和评分卡的方式，将客户划分到不同人群和营销阶段，从而建立多个子模型；推荐系统中例如多分类模型和协同过滤，可以综合考虑用户的购买习惯和产品特性，给客户推荐最大概率购买的金融产品。

量化投资：最后谈一谈机器学习算法在市场投资中的应用，也就是大家熟知的量化交易。模型和算法在北美投行圈内的应用已经非常广泛和成熟，由于其提前预测以及客观准确的特性，许多北美的基金公司已经逐步或者完全利用机器学习算法替代人工交易员，诞生了许多例如BridgeWater这样的神话级量化基金公司。国内目前也有很多量化基金公司，基金经理间的策略和模型也是花样繁多，同时也有像摩羯智投这样帮助普通人完成量化资产配置的智能投顾。这些机器学习模型的应用，为更多非金融背景的用户降低了投资的门槛，也帮助许多金融从业者更好的规避市场和心理活动带来的投资风险。

说了这么多，希望大家可以了解到一些人工智能算法在我们生活中尤其金融科技领域的应用，以及关注到我们这群在金融机构背后默默提供技术服务的金融科技工（xiao）作（ku）者（bi）们。以上文字均只代表个人观点，由于答主能力有限，对于区块链、数字货币、保险、众筹等新兴金融科技领域中的人工智能算法应用知之甚少，就不过多赘述了。

最后附上KPMG在2017年新鲜出炉的全球前100和中国前50的金融科技公司行业报告，有兴趣从事金融科技行业的同学可以了解下：
全球前100：https://home.kpmg.com/content/dam/kpmg/qm/pdf/H2-Fintech-Innovators-2017.pdf；
中国前50：https://assets.kpmg.com/content/dam/kpmg/cn/pdf/zh/2017/12/2017-fintech-50.pdf。

最后的最后，附上部门标语和办公区一角：

二少爷的见 · 2018-10-17 23:09:11

关于人工智能在金融行业的应用，网上已经有很多分析了，这里分享一下过去咨询生涯中金融客户比较关注的几方面。以流程银行中经常采用的前台、中台、后台的划分为例：
一、前台的人工智能应用主要偏重于用户体验，包括智能化、个性化、精准化等

智能投顾（Robo Advisor），基于用户的资产状况及风险偏好，通过投资模型及投资组合智能调仓，为用户提供私人智能理财顾问；
智能客服，通过语音识别、智能互动、声纹库等技术，取代传统的呼叫中心职能，包括客户服务、催收服务等；
个性化及精准化基于用户的不同行为特征及金融偏好，实现千人千面的服务界面及流程，并基于客户兴趣挖掘提供精准营销；

二、中台的人工智能应用主要偏重于风险控制，如大数据风控、复杂网络等

大数据风控，利用信息互换机制、区块链等解决数据孤岛，实现行内数据、跨行数据及行外数据的打通，通过大数据风险模型实现对传统风控手段的补充
复杂网络，基于知识图谱技术识别人与人之间、物与物之间的关联关系，在充分了解个体风险的同时，进一步识别个体与个体间的风险蔓延

三、后台的人工智能应用主要偏重于效率提升，包括RPA（Robot Process Automation，机器人流程自动化）、OCR图文识别等

机器人流程自动化：通过智能软件完成原本由人工执行的重复性任务和工作流程，以更低的成本和更快的速度实现自动化。如招聘人员简历自动筛选并预约面试、增值税发票的自动验证等

除了银行领域，人工智能在保险、证券也有着广泛应用，如蚂蚁金服推出的车险定损AI技术——定损宝，已经从基于图像识别的1.0版本升级到基于视频定损的2.0在线理赔智能解决方案。未来还可能进一步跟物联网、区块链相结合，通过传感器自动识别车辆损伤情况，自动上链，并实现无感理赔。

BigQuant · 2018-10-17 23:09:10

AI近年来取得飞速发展，其应用层面也越来越广泛，金融市场拥有海量标准化大数据等特点天然适合人工智能的发展，使得近年来人工智能在金融领域有着不错的表现，下面小Q从几大板块来为大家简单阐述人工智能在金融领域有哪些应用：
[h1]一.AI在提升安全性方面的应用：[/h1]

怎样减少欺诈行为，可疑交易和潜在的未来攻击？
人工智能可以分析大量的安全数据，并随着公司规模的扩大而扩大规模。
越来越多有价值的数据正逐步在互联网上储存。
使用机器学习，系统可以检测“异常”的行为并为风控团队标识它们。
鉴于破坏安全性的方法种类多样化，未来的五到十年的对智能系统的需求很迫切。
据Javelin Strategy这家研究公司的2015年研究报告显示，因人工误判而拒绝的合法交易给零售商带来了118亿美元的损失。
在人工误判为欺诈而拒绝的合法交易中，有三分之一导致了大量的客户流失，仅美国因此就遭受了相当于实际欺诈价值13倍的损害。
通过分析各类数据，机器学习算法可以检测到人工分析人员不会注意到的欺诈交易，同时提高实时批准的准确性并减少误判。
Mastercard 最近启用了智能决策技术。
这种智能决策技术并不是基于预先定义好的规则，而是根据历史购物和持卡人的消费习惯收集模式，以设定一个消费行为基准，并与每笔新交易进行比较和评分。
Sift Science从其部署欺诈检测解决方案的6,000多个网站收集数据，使其能够跨多个通道和设备跟踪和分析数据。

[h1]二.AI在提高工作效率方面的应用[/h1]

AI技术非常适合处理收据和其他财务文件等重复性工作，这些工作通常需要消耗大量的人力资源，并且常常因为人力耐心和毅力方面的不足而造成错误。

[h1]三.AI在算法交易方面的应用[/h1]

算法交易起源于70年代，它使用复杂的AI系统来做出极快的交易决策。
算法系统通常每天进行数千次或数百万次交易，因此“高频交易”（HFT）被认为是算法交易的一个分支。
大多数对冲基金和金融机构并没有公开披露他们的AI交易方式，但机器学习和深度学习在校准实时交易决策中扮演着越来越重要的角色。
股票市场的是对大量的人类活动相关因素的反应，机器学习能够通过发现新的趋势并产生信号来复制和增强人类对金融活动的“直觉”反应。
使用人工智能技术的著名对冲基金包括：Two Sigma, LLC, PDT Partners, DE Shaw, Man AHL, Citadel, Vatic Labs, Point72, Cubist etc.
Sentient Technologies是一家总部位于旧金山的人工智能公司，也运营着一家对冲基金，该公司开发了一种算法，该算法通过获取数以百万的数据来找到交易模式并预测趋势，从而使其能够做出成功的股票交易决策。
Sentient通过大量在线的公共数据创建并运行了数以百亿的模拟交易。
将1800天的交易回测工作缩在几分钟内实现。
他们将自主开发的一个称之为“基因”的交易策略在真实交易环境中进行了测试并获得了成功，交易策略会随着交易经验的积累而自主进化。
Numerai使用人工智能来作出交易决定。
他们没有自己开发算法，而是将任务外包给成千上万名匿名数据科学家，他们竞相创造最佳算法并赢得加密货币。
他们通过加密的方式与科学家分享交易数据，来阻止他们复制基金的交易，同时允许他们建立更好的交易模型。

[h1]四.AI在信贷借贷方面的应用[/h1]

机器学习算法通过数以百万计的消费者数据（年龄，工作，婚姻状况等等）和金融贷款或保险结果（这个人是否违约，按时偿还贷款，发生车祸等…？）进行训练。
可以不断分析趋势，以检测可能影响贷款的因素和趋势（比如是否某个州越来越多的的年轻人发生车祸？再比如过去15年中特定群体的违约率是否增加？）
传统的信贷审核系统依赖历史数据，如交易历史，信用历史和多年来的收入增长来了解与每笔贷款相关的风险。
由于历史数据并不总是用于预测未来行为的准确标准，这导致估算结果不一致。
机器学习可以分析实时的交易数据，市场状况，甚至是最新消息，以确定信贷的潜在风险。
在预测分析的帮助下，机器学习算法可以分析PB级数据，以了解微观活动并评估各方的行为以识别可能的欺诈行为。
这对于人类投资者手动执行来说是不可能的。

[h1]AI在投资组合管理方面的应用[/h1]

“机器人顾问”这个词在五年前基本上是闻所未闻的，但现在在金融领域已经司空见惯。
这些算法是为了根据用户的目标和风险容忍能力来校准金融投资组合而构建的。
用户输入他们的目标（例如，65岁退休，储蓄250,000.00），年龄，收入和当前金融资产。
机器人顾问然后将资产分散到资产类别和金融工具中，以达到用户的目标。
然后，系统会根据用户目标的变化以及市场上的实时变化进行调整，并始终致力于为用户的原始目标找到最佳选择。
Robo顾问已经获得了千禧一代的消费者的重要推动力，他们不需要人工顾问就可以轻松投资。
同样，支持人工智能的个人金融情报应用软件正在帮助消费者管理其财务状况，分析支出情况，自动完成纳税申报，并通过业务模式提供财务建议，而这种业务模式并非以投资收费为前提。

目前国内也出现了致力于AI技术应用于Fintech的科技公司，宽邦科技是行业内领先的人工智能平台技术与服务提供商。其旗下产品BigQuant 是首个将人工智能技术应用在量化投资领域的平台级产品，平台支持可视化策略，只需要拖动数据和模块，连连线，配置参数，无需编程就可以开发AI策略，用户可以无门槛使用人工智能技术提升投资效率和效果。BigQuant的目标是让每一个宽客，打开浏览器，就能用上最领先的人工智能技术，开发出人工智能驱动的投资策略，让每一个宽客都能实现自己的人工智能基金。

https://www.zhihu.com/video/981135726620131328

BigQuant官方网址：bigquant.com

任然 · 2018-10-17 23:09:09

“人工智能”并不是新鲜玩意，它从上个世纪50年代提出后，一直在计算机科学中不断探索进步。近年，随着支持向量机、决策树、神经网络、遗传算法等算法的成熟，更重要的是AI在商业上的成功落地，人工智能的热潮再次来临。

（AI在智能信贷中的应用技术）

为什么是这几年？一是数据的爆炸式增长。二是计算能力的提高。

随着互联网的发展，数据量上百倍、上千倍的翻，模型用到的变量也翻十倍、百倍，计算复杂度更是差乘地增长，但是现在，只要在十秒之内就能完成以前传统银行几周几十人完成的事。

一项报告显示，到2020年，全球每年产生并采集的数据量预计将是2010年的50倍。以读秒的部分数据源为例，其中很重要一部分数据来自于运营商数据、电商数据等。而这些数据很多是近几年才出现、或者才能合法有效使用的。三年前，以前没有听说过互联网公司利用通话记录来做数据源，即便用户授权你去查他的运营商通话记录，也很难纯粹用技术去完成操作——基本上每个运营商、每个省市，页面都大相径庭，技术很难去像人一样去识别并查询和录入。而每个人通话记录，所包含的数据量和有用信息都非常大。

如何同时做到模型能够快速运行，保证用户体验和信息安全，却又疏而不漏，成功筛选出黑名单用户、可能存在通话地点频繁更换等重要信息。这些记录数据都要识别、归纳和分析，依靠人是不可能的，只能靠模型更聪明、去找更重要的变量，而只有当数据成本越来越低的时候，才可能大规模实现。

（数据在近年来急速增长，主要的数据维度可以被继续分为无数分支）

数据量大增，利用数据的能力更是极速的提升。阿波罗登月用的计算机运算能力不如现在的手机，甚至不如现在的单片机。我查了一个数据说法，阿波罗上面用的导航计算机主频2.048MHz,2048字的RAM,36864字的ROM,现在Casio计算器的主频都有30MHz。航天飞机上的飞控计算机处理速度只有0.4MIPS,不到Xbox处理速度的百分之一AI在数据、计算能力大增的情况下也四处开花，其核心能力，是将原本人工的、手动操作的业务，进行自动的、科学化的替代。

（AI在智能信贷中的基本模型流程）

以零售信贷业务为例。

传统零售信贷的审批流程大约需要1周时间，走完银行零售业务中的一系列流程：客户先申请，跑很多机构递交一些证明性纸质材料，比如住址证明、银行流水等；再做录入；运营部门再做复核；再做审批处理；再做尽职调查和最终审批。百年来都难以提高效率，因为每个步骤都需要去一步一步通过，所以不论怎么优化，也难以再提高速度。但AI与大数据结合后，能够很好地提升这一阶段的效率，读秒将这个时间缩短到了10秒，未来更快的速度也会被行业其他公司以及读秒自身不断突破。在信贷授信过程中，AI运用在全流程，包括风险定价、反欺诈、客户行为预测、贷后管理等，而定价与反欺诈流程的AI渗透性最强。风险水平决定信贷定价——如果给低风险的人定价过高，那么低风险者不会有借贷意愿；如果给较高风险者定价过低，逾期可能不足以平衡损失和收益。AI能够帮助预测最佳的用户分层方式。（定价环节详见圆桌知乎回复如何运用大数据进行信贷审批？ - 知乎）

AI 在反欺诈中也会有很强的应用。

以判定伪报用户的AI手段为例。在审批授信过程中，AI会通过人脸识别与设备指纹来判定用户是否伪报。人脸识别是部分场景的入门一级，当用户进行人脸识别和活体测验时，我们会设置一个通过度，比如只有相似度超过60%才可通过基本测试，不通过者AI会写上相应标签作为风险指标。

验证设备指纹从反欺诈角度也是非常有用的。以前用户在PC上或者说在填写纸质的申请表上是没有所谓的“设备指纹”的，也会错过很多欺诈风险的识别方式。在fintech的智能信贷中，90%以上的客户来自于移动端，每个手机都有自己独一无二的标识、编号等，我们将这些称为设备指纹。由此，AI可以监测到同一个设备发出的指令。同一设备有没有当天来申请多笔？或者不同的申请人使用同一个设备申请？这些设备指纹信息可以作为额外的反欺诈标签被捕捉。

其次，我们还设计了一套风险安全体系，通过异地登陆、设备指纹、GPS、时点、IP地址一些指标，预测用户风险。举一个常见的例子，比如说上午还在北京，然而中午就到美国了，用户是否存在异常的异地登录？这种时候机器会让你做一些额外的核实。虽然当用户出现一些程度上的信息不符时，并不代表100%欺诈，但是它会预测出一个欺诈概率，比如“10%欺诈风险” “60%欺诈风险”，由此对一些高危的行为进行一些管控，有利于预测并及时防范欺诈。

同时，当我们发现某个用户表现一直比较好，比如用户复贷率高且没有任何违约的倾向，AI也会主动给他一些降费率、提额度等奖励，或者通过对他的了解，给他推荐其他最适合的金融服务。

当然，AI也会出错，可以说AI在金融的应用不可能永远100%正确。比如，它预测出来50%的可能性会逾期，但是它实际可能只有40%，而最终表现甚至可能并没有逾期。并不是说人工智能的技术不好，只能说模型多少都会有偏差——AI对未来的预判就是想要不断接近真实。

当年的计算能力将人送上了月球，我们用更高的计算能力不断开发AI技术。应用AI，并不是为了做技术而做技术，而是为了解决实际的难题，找到技术的商业应用。

景略集智 · 2018-10-17 23:09:08

人工智能目前在金融领域的应用已经算得上硕果累累，得益于金融领域的大容量、准确的历史数据和可量化等特点，它非常适合与人工智能技术结合。同时由于我们当前拥有强大的计算能力和方便易用的机器学习工具（如谷歌的 TensorFlow），人工智能领域的核心技术机器学习在金融科技方面的应用从未如此便捷。（介系你从未体验过的船新体验...）

从批准借贷到管理资产，再到风险评估，机器学习在金融生态体系中的作用越来越不可或缺。下面我们一起看看机器学习在金融、银行和保险等泛金融领域的当前应用，然后再探究人工智能在金融方面的未来前景。（其中有些应用使用了多种AI技术，不仅仅是机器学习。）

[h1]金融投资管理[/h1]“智能投顾”（robo-advisor），即智能投资顾问，也叫机器人投顾，这个术语在几年前哪怕是金融从业人员都没听过，但是现在逐渐成为金融行业很常见的场景。虽然这个词的原文里虽然有机器人这个词，但实际上并没有涉及到机器人。所谓智能投顾，是一种机器学习算法，可以根据客户的收益目标及风险承受能力自动调整金融投资组合。

客户输入自己的收益目标（比如预计 65 岁退休时会有 25 万美元的存款），年龄，收入以及当前资产，然后“智能投顾”会将客户的投资以合适的资产类别和金融工具进行组合，以实现客户的收益目标。

不仅如此，算法还能根据客户收益目标的变动和市场行情的实时变化自动调整投资组合，始终围绕客户的收益目标为客户提供最佳投资组合。目前美国的一些大中型投资公司如 Betterment（资产管理规模 100 亿美元）和 WealthFront（资产管理规模 80 亿美元）已经用“智能投顾”为客户提供服务，且收费相当低廉。这种 AI 投资顾问主要服务对象为千禧一代这样的年轻人，他们并不喜欢和人类投资顾问打交道，也不愿意付给人类投资顾问不菲的佣金。

[h1]算法交易[/h1]其实算法交易（有时也叫“自动交易系统”，这个描述可能更准确一些）最早可追溯至上世纪 70 年代，它利用复杂的 AI 系统能极其迅速的做出交易决策。

算法交易系统通常每天做出几万甚至上数十万比交易，因而“高频交易”（HFT）也被视为算法交易的一个分支。虽然大部分对冲基金和金融投资机构不愿公开谈及自家用于交易的 AI 方法（原因你懂得），但是机器学习和深度学习正在调整交易决策方面起着越来越重要的作用，已经是公开的秘密。
不过机器学习目前在股票和商品期货交易方面的应用仍存在一定的局限性。

[h1]欺诈检测[/h1]以往金融欺诈检测系统非常依赖复杂和呆板的规则，面对现今一些越来越高明金融欺诈行为时，越来越显的力不从心。
而这正是机器学习在防范金融欺诈方面的用武之地。借助机器学习，系统可以检测出异常的活动或行为，并将它们自动发送为安全团队。其面临的主要挑战是假阳性情况，也就是一些正常的交易行为会被系统误判为存在风险。不过机器学习专家认为随着机器学习技术的发展，伴以更多的学习数据和日益提高的学习能力，未来 5 到 10 年内，机器学习技术能过解决这个问题。

[h1]借贷/保险承销[/h1]目前机器学习在金融领域的借贷和保险承销方面表现非常好，当然这也让业内人士担忧 AI 会在承销岗位上取代人类。

特别是一些大型公司（大银行和公开交易保险的公司），已经用数以百万的消费者数据（年龄，职业，婚姻状况等），金融借款和保险情况（是否有违约记录？还款时间，车辆事故记录？）等这些信息训练机器学习算法。

然后这些公司就可以用训练后的算法评估潜在趋势，并不断进行分析以检测可能影响未来借贷和保险情况的趋势，比如是不是越来越多的年轻人会出现交通事故？过去几年客户的违约率是不是越来越高？

这些分析和预测对金融领域的公司非常重要，但目前主要是一些大型公司在应用这些技术，因为它们有能力雇佣数据科学家，也有足够的数据用以训练算法。

一些保险业巨头，如 State Farm，Liberty Mutual 等都已经将人工智能应用在借贷/保险承销业务上。

[h1]未来机器学习在金融领域的发展前景[/h1]

下面提到的这些应用，有些目前已经在业内试水，有些仍然处于规划状态。

客户服务
像聊天机器人和对话式界面正迅速英语在风险投资和客户服务预算等领域。一些公司如Kasisto已经开始搭建专用于金融领域的聊天机器人，通过聊天帮助客户解答问题，比如“上个月我投资了多少？”“我的个人账户两个月前的余额有多少？”等。

打造这些智能助手要依赖优良的自然语言处理引擎和金融客服专业知识。应用这种新型服务和咨询模式的银行及金融机构，或许能够从仍然需要客户到营业厅自己查询的传统银行机构手中夺取用户。
未来 5 年来，业内人士预计这种智能聊天机器人会在金融领域遍地开花，而且不只应用在金融业务上，在多个行业都会大展身手。

安全 2.0
未来 5 年内，用户名、密码和安全问题等或许不再是用户安全的常见形式。银行和金融领域的用户安全问题非常重要，除了如目前正在研发的应用在欺诈检测方面的异常检测技术外，未来的用户安全评估或许需要使用人脸识别、语音识别或其它生物识别技术。

情感/新闻报道分析
对冲基金总是把自己压箱底的“秘密技术”藏得严严实实，因此外界很难得知它们是如何利用情感分析和新闻分析为金融投资服务的。不过，业内专家预计未来会有很多机器学习应用用于理解和分析社交媒体、新闻趋势等其它数据源，用来辅助预测股市，而不是只用于股票交易。

股票市场的动向事关大量的因素，人们希望机器学习能够发现新的趋势和信号，从而增强人类在金融活动中的“直觉”。

金融产品销售及推荐
金融产品销售的自动化应用目前已经存在了，虽然其中有些并未涉及到机器学习技术，但是像“智能投顾”这样的算法可以用于为客户调整投资组合提供建议。而且当前已经有不少保险推荐网站采用 AI 技术为客户推荐针对性的车险和家庭保险。未来，更加个性化和精准化的智能应用及助手会比人类投资顾问更值得相信、更客观和可靠。

正如亚马逊的 Alexa 及 Netflix 的 AI 推荐系统比所谓人类的“专家”能更好的为用户推荐书籍和影视剧，不断发展的金融服务智能助手也能像它们一样为客户推荐金融产品，而且目前保险行业已经出现这一趋势。

附相关公司案例
下面是前文提到的应用了人工智能技术的一些金融公司：

金融投资管理—— Betterment（https://www.betterment.com/），Schwab Intelligence https://intelligent.schwab.com/）

算法交易—— Renaissance Technologies（https://www.rentec.com/Home.action?index=true），Walnut Algorithms（http://www.walnutalgorithms.com/）

欺诈检测—— Kount（https://www.kount.com/），APEX Analytics（https://www.apexanalytix.com/controls-analytics-software/fraud-risk-monitoring）。

借贷/保险承销—— http://Compare.com （http://compare.com/）。

客户服务 —— Kasisto （http://kasisto.com）。

安全2.0——FaceFirst（https://www.facefirst.com/）。

情感/新闻分析 —— Hearsay Social（http://hearsaysocial.com/）。

参考资料：
https://www.techemergence.com/machine-learning-in-finance/

http://weixin.qq.com/r/80QiOi3EDnBxrWlZ9xHh (二维码自动识别)

人工智能在金融科技领域有哪些应用？

6 个回复