《人工智能在互联网金融中的实践与应用》

文章主题：互联网金融, AI, 金融应用

1 Journal of Finance 2 Review of Financial Studies 3 Journal of Financial Economics ssrn electronic journal 全称是 Social Science Research Network electronic journal 即社会科学研究网络电子期刊SCI即《科学引文索引》(Science Citation Index）美国科学信息研究所创建的SSCI即社会科学引文索引（Social Sciences Citation Index）即社会科学引文索引，为SCI的姊妹篇，亦由美国科学信息研究所创建CSSCI由南京大学研制成功的“中文社会科学引文索引”（CSSCI）是国家、教育部重点研究项目，用来检索中文社会科学领域的论文收录和文献被引用情况。Atlantis Press Open Access Publisher Scientific Technical Medical Proceedings Journals Books Search Results | The Review of Financial Studies | Oxford Academic

Collin留学书房

11 次咨询

5.0

3022 次赞同

去咨询

AI股神：如何用机器学习预测股价？

https://ai.51cto.com/art/202007/620917.htm AI in Finance类论文：机器学习模型下的实证资产定价准确预测股市？论经验资产定价的机器学习方法_手机搜狐网利用深度学习和机器学习预测股票市场（附代码）机器学习与大数据资产定价 https://mp.weixin.qq.com/s/vGLj4SBVghv21vihh1SrTg https://mp.weixin.qq.com/s/CjViU7d9FnOu08i9V4-Ilg 机器学习在股票交易中难点分析基于机器学习的配对交易策略框架打破机器学习中的小数据集诅咒统计学家范剑青：把 AI 学习金融，变为现实丨万字长文最新 | 基于回声状态网络预测股票价格（附代码）以XGBoost选股模型为例揭开黑箱 https://mp.weixin.qq.com/s/-P0QtnfHRL7DyUtvP847Sw python股票量化交易（10）—使用机器学习算法预测股票涨跌 https://mp.weixin.qq.com/s/MyD1CeR3N53t4iX3oxdHgA SSRN Capital Markets eJournals汇总翻译 20210507-20210509 从资产定价模型深入浅出金融投资中的人工智能解读：一种基于机器学习的数据驱动股票价格预测系统（附系统代码链接）人工智能与量化投资–强化学习股票预测模型

人工智能在金融领域有哪些应用场景和作用？-人工智能,场景,哪些,金融

互联网金融怎么做？

随着大数据解决方案的普及，我们可以搜集更多维度的数据来更精细的进行用户画像，包括利用一些行业数据，用户的互联网浏览数据，司法执行数据，第三方信用数据，出行数据，电商平台的交易数据，电话通讯数据和社交数据。这些数据的覆盖人群会远远超过现有的金融行业所使用的数据。而 AI 就是对这些数据进行组合，从而挖掘出有效的特征。因为这些数据大多是非结构化的数据，可能来自邮件、视频、文本、语音、点击浏览行为、社交网络等多种渠道。数据的量级和清洗是一个重要的环节。

关于 AI

在此之上人工智能可以带给我们大量的自动的规则学习，同时带给我们更加强大的表达能力，而不仅仅是一些线性模型。当我们加入更多数据的时候，关于人的描述已经上升到更高维度的空间中，这时，我们就需要表达能力更强的模型，比如 GBDT 的模型，有几千个有权重的子树，比如深度学习网络，多层的神经元通过加工，自动抽取最优组合。一个传统的贷款业务可能需要2-3天来审批，而一个基于人工智能模型的自动审批方案可能只需要几秒钟就可以完成。同时有些传统风控模型的迭代周期可能要数个月甚至数年，但是人工智能的模型迭代可以非常便捷和自动。各种非结构化数据到结构化数据的灵活转换是保证应用的重要一环。

人工智能在金融领域的应用场景非常多，比如说智能客服、无人柜台、智能投顾、反欺诈等等。

包括此前全球最大的对冲基金公司之一英仕曼集团（Man Group）旗下的AHL Dimension 基金通过将机器学习算法用于自动贸易决策发现，在没有人为干预的情况下，该AI系统竟然自己学会了抄底。这一波操作也让整个金融界为之震惊。

利用机器学习技术，计算机如今已具备处理股票交易等复杂繁琐任务的能力。全球范围内，已有许多对冲基金公司积极投身于这一领域的研究，且已取得与人类专家相媲美的出色成绩。

此前，旧金山的创业公司Sentient Technologies就开发了一种算法，通过获取数以百万计的数据点从而识别交易模式，预测趋势，制定成功的股票交易决策。在Sentient公司的平台上，运行着数以万亿计由大量在线公共数据创建的模拟交易程序。借助这些程序，该算法可以识别整合成功的交易模式，制定新的交易策略。同时，通过该算法，系统还可以在几分钟内完成传统方式中1800天的交易量，并在交易中不断实现自主优化。据该公司CEO安东万•布隆多（Antoine Blondeau）表示，其基金完全由人工智能操盘，整体思路就是做一些没有其他人也没有其他机器在做的事情。Sentient的首席科学官巴贝克•霍加特（Babak Hodjat）表示，这套系统允许公司调整特定的风险设置，并且是在没有人工干预的情况下运行的。“它会自动生成一套策略，并给我们下指示。它还会告诉我们要在何时退出，何时减小风险敞口，诸如此类。”霍加特说。而在应用方面，目前，除了英仕曼之外，国外还有很多成功案例。美国的Wealthfront和Betterment、英国的MoneyonToast、德国的FinanceScout24、法国的MarieQuantier等均成功将人工智能引入投资理财，目前智能顾问已掌握大量资产；第一个以人工智能驱动的基金Rebellion曾成功预测了2008年股市崩盘，并在2009年给希腊债券F评级，而当时惠誉的评级仍然为A，通过人工智能，Rebellion比官方降级提前一个月；掌管900亿美元的对冲基金Cerebellum，使用了人工智能技术，从2009年以来一直处于盈利状态。

2.反欺诈检测

随着电子商务的推广，网络诈骗愈发猖獗。然而，打击网络诈骗并非易事。过度拒绝交易从而预防网络犯罪会导致客户体验下降，可能造成大量客户的流失。2015年，Javelin Strategy市场调研机构发布的一项研究表明：网络零售商因错误拒绝合法交易造成的损失金额高达1180亿美元。在错误拒绝合法交易的案例中有三分之一的客户会放弃交易。此外，仅在美国地区，该类案例造成的经济损失是真正诈骗案件损失金额的13倍。如今，已经有很多机构开始借助人工智能预防诈骗。Mastercard（万事达卡）不久前推出的智能决策(DI)技术是个很好的例子。据了解，DI可以从持卡人的消费记录和习惯中采集模型，建立行为基准，从而对每笔新达成的交易进行比较和评估。相较于传统的多借助通用方法评估所有交易的犯罪预防技术，该技术的应用可谓是一项重大突破。事实上，Mastercard并非第一家运用人工智能进行反欺诈检测的金融企业。有些公司采用的方法更为全面。例如，Sift Science从6000多家具备欺诈检测功能的网站中收集了大量数据，并通过多种渠道的设备追踪和数据分析，利用智能引擎关联了各种不同的数据点，包括网站上的付款信息和其他行为，建立优质用户行为模型，检测欺诈性交易。

3.智能客服

近年来，借助由自然语言处理（NLG）和机器学习算法驱动的智能客服为用户提供个性化对话体验开始变得越来越普及。而智能客服在金融业的应用也是比较常见的，比如帮助用户理财。举个例子，当用户点击Facebook的聊天窗口时，就可以启动Plum聊天机器人，从而进行小额分期存款的操作。在注册时，用户只需要将Plum与其银行账户关联。之后，Plum的人工智能系统就会分析用户的收入水平和消费习惯，并在此基础上预测其能接受的存款金额。然后适时分期向用户的储蓄账户中存储小笔金额，并定期通知用户。此外，智能客服Cleo还可以跟踪多个账户的收入与支出，像私人会计师一样和客户交流，回答客户的问题，同时还可以提供理财指导，帮助用户做未来的资金规划和管理。今年年末，美国银行计划推出智能客服Erica（取银行名字的谐音）。Erica可以在银行手机客户端与客户进行语音和文字互动，从而帮助客户快速做出更明智的决定。例如，无需打开应用界面（UI）即可命令Erica汇钱给朋友或付款。智能客服的AI引擎还可分析管理客户的个人财务，如根据客户收入和支出模型，提供建议，实现储蓄目标。

财务与金融领域。

摩根大通开发的金融合同解析软件COIN，只需几秒就能完成原先律师和贷款人员每年需要36万小时才能完成的工作。2017年3月贝莱德（Black Rock）宣布裁掉40多个主动型基金部门的岗位，其中包括7名投资组合经理，转而用计算机与数学模型进行投资的量化投资策略代替。2017年5月德勤财务机器人横空出世，开始取代财务人员的大部分工作。2017年8月美国银行（Bank of America）与Fintech创业公司High Radius达成合作，将人工智能应用于企业应收账款处理。该应用程序专为大型、复杂的公司管理大笔支付业务。资产管理领域的人工智能应用，包括BlackRock开发的Aladdin平台（使用自然语言处理、阅读文件）、Kensho平台（使用庞大的数据库，运用机器学习算法与自然语言处理技术，从众多庞杂数据中提取逻辑关系做出预测，并能以自然语言的方式输出）、Alpaca（模式识别等技术，用于量化投资）等。美国咨询公司Opimas的数据显示，预计到2025年为止，AI的运用将使得对资本市场，包括证券服务、交易和结算、资产管理、私人银行和财富管理等业务在内的员工减少23万人。京东金融依托京东集团积累的客户及场景资源、交易及信用数据，积累了大量数据。在多维、海量、动态的数据基础上，京东金融实现了人工智能、生物识别、深度学习、图像识别、云计算和区块链等领先技术的创新，并应用到了风险模型、量化运营、用户洞察、企业征信、智能投顾等各个与金融相关的领域中去。与此同时，京东金融还将数据＋人工智能能力进行对外输出。如京东金融的反欺诈解决方案——安全魔方。安全魔方拥有千万级每分钟的风控指标运算能力，还具备毫秒级的风险预警及响应时效，可以提升金融机构及电商客户的信贷申请反欺诈、账号与交易安全、营销反欺诈能力。

人工智能在金融领域中的应用，相较于大数据而言的核心突破在于深度学习、智能分析和最终的智能决策。

▲ 应用于金融领域的人工智能技术及其特征大数据、云计算、智能硬件以及后续的区块链技术等都是支撑人工智能上层技术的基础。目前，人工智能技术可以运用在金融领域的技术主要包括深度学习、知识图谱和自然语言三种。

在DeepMind公司的围棋人工智能阿尔法狗接连战胜李世石和柯洁之后，人工智能（AI）在全球的热议程度达到一个全新的高度。人工智能能的技术水平能够的到飞跃发展，得益于云计算和大数据的发展成熟，以及深度学习算法的不断优化。人工智能是依靠海量数据归纳学习而产生，而海量数据的处理离不开云计算。早年的冯·诺依曼体系的串行结构使得计算机无法满足人工智能对硬件的要求，而近年来云计算的大规模并行和分布式计算能力至少部分解决了这个问题，使得人工智能往前迈进了一大步。在云计算环境下，所有的计算资源都能够动态地从硬件基础架构上增减，弹性扩展伸缩以适应工作任务的需求。云计算基础架构的本质是通过整合、共享和动态的硬件设备供应来实现 IT 投资的利用率最大化，这就使得使用云计算的单位成本大大降低，非常有利于人工智能的商业化运营。计算机视觉、机器学习、自然语言处理、机器人技术、语音识别等人工智能技术快速发展对整个社会带来的改变将远大于互联网。为推进中国金融云的普及与升级,中国平安与浪潮达成技术研发合作,建立“伏羲实验室”,基于技术和场景的融合,倾力开发金融行业AI整体解决方案,并不断为客户业务提供领先的技术驱动力,赋能金融、医疗、智能城市等生态圈。此外,在数据中心资源管理和运维方面,浪潮ISPIM服务器管理平台帮助世界TOP级银行解决了数据中心大规模异构厂商设备难以进行统一监控管理的难题;在交通银行,浪潮AIStation“超级员工”的加入让运维人员人工智能计算资源的管理效率提高50%……目前,浪潮已涵盖从存储、服务器、到运维管理、人工智能、云计算等领域,可面向金融核心业务为其提供全面的产品、解决方案与服务。

量化投资与机器学习公众号

审查论文质量的参考标准，每个写研究计划以及写论文的同学们都可以参考一下这些标准和要素。

论文的概要，需要描述清楚研究目的、研究发现、研究方法。这个概要有几个问题：

1. 背景描述过长，在概要部分不应该写这么长。2. 关键要求的问题基本没有回答到。3. 文法错误：（1）单独的句子，一定要用点隔开，成立新句子。多个句子并列，一定要加连接词。（2）不要用or，and 之类的词用作一个句子的开头。（3）逻辑一定要连贯。本文的第一句、第二句、第三局之间几乎是没有逻辑关系的，也没有理由应该放在这里。（4）基础的语法错误们。。。同学们在写研究计划的时候也注意不要出现这些问题，这个概要虽然是国外研究机构的研究员们写出来的，但也是要重写的。量化类实习难度比较大，你起码要上完大一大二的课程，有比较完备的数学知识基础、对金融行业的概念大致都了解、具备一定编程能力，才能去做。提到编程可能有些人会头痛，觉得很难。量化的确需要编程能力，但现在实习基本只需要你掌握Python即可。 Python 入门门槛并不高，刚开始做实习时只要掌握一到两个做数据分析的库（如Numpy与Pandas）就可以了，不需要对 Python 有非常深入的理解。而且编程的能力在实习中会不断得到锻炼，比在课本和网课上学习取得进步快很多。如果想往金工、量化方向发展，在选课上面比较推荐大家选数理类的选修课，比如随机过程、微分方程、时间序列、机器学习、数据结构等等，会比宏微观类的课程更有帮助；此外，也推荐多读国内头部券商的研报（例如华泰金工组和海通量化团队）或者国外的顶尖金融机构的Paper（如AQR Capital Management）。AQR资本阿斯内斯：量化天才重振雄风-基金频道-和讯网如果想往金工、量化方向发展，在选课上面比较推荐大家选数理类的选修课，比如随机过程、微分方程、时间序列、机器学习、数据结构等等，会比宏微观类的课程更有帮助；此外，也推荐多读国内头部券商的研报（例如华泰金工组和海通量化团队）或者国外的顶尖金融机构的Paper（如AQR Capital Management）。AQR资本阿斯内斯：量化天才重振雄风-基金频道-和讯网 AQR 全球第二大对冲基金 AQR Capital Management_哔哩哔哩 (゜-゜)つロ干杯~-bilibili AQR工作论文解析：资产定价新因子–质量因子 – Article – JIJITANG 20 for Twenty: Selected Papers from AQR Capital Management

保持高 GPA，优先关注核心课程：数学、统计、金融、计算机

因为本科课程其实是循序渐进、息息相关的，比如你大一的概率论没有学好，那么大三的随机过程学起来就会非常痛苦；计量经济学或者统计学没有掌握扎实，那后面的时间序列学起来也会非常困难。低年级的同学一定要优先把学校的专业课程上扎实，不能盲目去找实习堆经历。如果学校的课程设置不太能满足你的量化核心课程需求，可以通过上一些国内外的网课来进行补充。推荐 Coursera、edX 等网课平台，因为你不光可以学习到专业知识，也可以提高自己的英语水平；而且结课时获得的证书，在申请时也会有一定帮助。

3. 申请美国金工，推荐 3-4 段相关实习经历

最晚从大二暑假开始做第一段实习，抓紧一切寒暑假的时间，金融方向的实习机会多集中在北京和上海。美国很看重综合实力，有丰富的相关经历很重要（但是成绩太低想着用经历就能填补是不行的！）；相对来说英国主要看的就是标化成绩，偏好GPA和语言高的学生。

4. 相比 Big name 大公司，实际做什么更重要

申请金工项目的话，一定要做量化相关的实习，通俗一点讲就是要做编写代码的工作，为了大公司的 title 去做行研这类和量化无关的，相对不如这个落地。

5. 推荐大家参加海外交流/夏校

有海外经历的同学来说，在申请的结果上的确呈现出一定的优势，因此还是推荐大家有机会去参加一下海外交流、暑研或是夏校。

6. 早做打算，会让整个过程相对轻松

如果你有留学想法，建议早点做规划、开始准备。比如大一准备语言、大二大三做实习、大四忙申请季的事务，一步一个脚印，没有特别忙或是特别闲的时候，会感觉节奏掌握在自己手里，抱着一个相对轻松的心态，最终收获一个不错的结果。

人工智能在金融领域的运用: 法国及欧盟的监管现状与展望

根据传统的分类，人工智能可被分成强智能及弱智能。强智能（Strong AI 或 IA forte）或全智能（Full AI）是指一台被赋予意识、感觉和精神的机器，有能力运用智能解决任何难题，而不是某个特定的难题。这种性质的机器人目前可能只会在科幻电影中看到。弱智能（Weak AI或IA faible）或窄智能（Narrow AI）则是指一台无感觉的机器，专注于解决某个明确的难题。这种机器已付诸实践。本文中所称的人工智能即为弱智能。随着科技的不断进步，人工智能的分支领域日渐众多，其包括但不限于: 1. 自然语言自动处理（Natural language processing（NLP）或Traitement automatique du langage naturel））; 2. 机器人学（Robotics 或 Robotique）; 3. 机器学习或自动学习（Machine learning 或 Apprentissage automatique）。目前人工智能已在多项领域得到运用并引人关注，在金融行业的运用也无例外。确切言来，人工智能在金融领域被称为 “加增性智能”（Augmented intelligence 或 Intelligence augmentée），即其不能够替代人类智能，而是执行一些有限的智能性任务，以及辅助或支持人类做出相关决定。具体而言，目前人工智能在金融领域的运用至少包括:

1. 运用自然语言自动处理（NLP）进行扫描版文件的分析及归类。

NLP 是指对自然语言（指人类可以理解的语言，譬如中文和法文）未被结构化的文字数据进行自动处理。

2.运用聊天机器人或交谈代行者（Chatbot或 Agent conversational）

回答客户一些简单的问题，协助引导客户寻求适宜的金融服务。Chatbot 是指一种能以自然语言、藉由书面或口头的方式与人进行互动的计算机编程。

在现代金融领域，智能化的投资建议和管理服务越来越受到客户的青睐。其中一种方式是通过运用机器人顾问（也称为ROBO-ADVISOR或ROBO-CONSEILLER）来提供这些服务。机器人顾问是一种自动化系统，能够根据客户的需求、风险承受能力和投资目标，提供个性化的投资建议和管理方案。这种方式的优点在于它可以高效地处理大量数据，提供准确的投资预测和风险评估，同时也可以帮助客户降低投资风险，提高投资回报。因此，机器人顾问已经成为越来越多金融机构和独立理财师的重要工具，可以帮助客户实现更智能、更便捷的理财服务。

Robo-advisor是指提供在线投资咨询、或是确保对金融资产组合进行在线管理的系统平台。

在现代的人工智能领域中，机器学习和自适应学习是两种流行的技术，它们被广泛应用于各种应用场景。其中，机器学习是一种通过训练算法来识别模式、进行预测和决策的技术。它利用已有的数据集，通过算法的学习和训练，从而能够对新的数据进行分类、回归、聚类等任务。而自适应学习则是一种通过不断调整自身参数来优化性能的技术。这种方法可以应用于许多不同的领域，包括信号处理、图像处理、自然语言处理等。无论选择哪种技术，都需要考虑到数据的质量和算法的准确性，以确保最终的结果是可靠的。

侦测金融诈欺和调查洗钱、以及恐怖主义融资。Machine learning 的惯常译法是机器学习，更确切的意思是在“学习”的机器，即能识别人类提供的数据间的关系，能够自行学习和做出反应，自主性地生成预测性模型的机器。

在“了解您的客户”（KYC）视频流程中，采用计算机视觉（也称为计算机视觉或数字视觉）技术进行人脸识别是一个重要的步骤。计算机视觉是一种科技，它利用计算机代替人类的视觉系统来获取、处理、分析和理解数字图像或影像。这种技术的应用可以帮助企业更好地了解其客户，从而提高服务质量和效率。

6. 运用深度学习（Deep learning 或Apprentissage profond）

跟踪加密货币，执行区块链交易的洗钱调查。Deep learning 是机器学习的一个特别领域，其算法在处理复杂及非结构化的数据方面特别有效，比如处理影像或声音。

强化学习（Reinforcement Learning 或 Apprentissage par renforcement）是一种在算法交易中广泛应用的智能优化技术。通过不断地学习和调整其策略，强化学习算法能够在众多交易数据中发现最佳决策，从而实现更高的收益。这种方法在 Algorithmic trading 和 négociation algorithmique领域都取得了显著的成果。

强化学习亦为机器学习的一种，是指机器从既有的经验中学习需要采取的行动，以便随着时间进程将量化的奖赏予以最优化。

关于人工智能在金融领域的应用情况的笔记（1）

Chartis Research在2019年2月的一份报告对人工智能在金融领域的应用提出了观点：

人工智能只是我们已经应用的几种统计工具之一（one of several statistical tools that have been with us for some time）。人工智能适合应用在金融领域，因为它：有自动化的需求，有预测的需求，有大量的数据。此外，应还有一项：有丰厚的利润支撑。AI和机器学习在金融领域的领域也已经有一段时间，但是主要是被用作已建立的、大的系统或者流程中的一些小的零部件（cogs）。金融机构可以从自动化需求、预测需求、多维度分析需求三个角度识别分析可以应用AI的领域。Artificial Intelligence in Financial Services, 2019: Demand-side Analysis – Chartis Research

AI在FinTech金融科技领域最新现状及趋势分析

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。

人工智能在金融领域的八个应用场景

自然语言处理当计算机具备了处理自然语言的能力时，机器才算实现了真正的智能。从研究内容来看，自然语言处理包括语法分析、语义分析、篇章理解等。

语音识别和语言合成语音识别是实现人机交互比较关键的技术，其所要解决的问题是让计算机能够“听到”人类的语音，之后结合自然语言处理技术通过语义理解才能“懂”人类语言的意思。语音识别技术主要通过语音特征提取、模式匹配、模型训练等技术方式将语音转化为计算机可读的输入。语音识别是一门交叉学科，所涉及的领域包括信号处理、模型识别、概率论、信息论、发生机理和听觉机理、人工智能等。语音合成，是将任意文字信息转化为标准流畅的语音朗读出来，让机器实现像人一样开口说话。语音合成包括三个方面，首先语言处理要模拟人对自然语言的理解过程给出词语的发音提示，接着韵律处理根据语音规划音强等特质，最后进行声学处理输出语音。随着人工智能算法的加入，音色、情感等方面的模拟得以提高，使合成的声音更加自然，一定程度下可以达到真人说话的水准。

物体识别物体识别是计算机视觉领域中的一项基础研究，它的任务是识别出图像中有什么物体，并报告出这个物体在图像表示的场景中的位置和方向。目前物体识别方法可以归为两类：基于模型的或者基于上下文识别的方法，二维物体识别或者三维物体识别方法。一般基于大数据和深度学习实现，应用于图像或视频内容分析、拍照识图等业务场景。

人脸识别人脸识别是计算机视觉应用的主要领域之一，是通过分析比较人脸视觉特征信息进行身份鉴别的一种方式。可将人脸识别技术划分为检测定位、面部特征提取以及人脸确认三个过程。人脸识别技术的应用主要是受到光照、拍摄角度、图像遮挡、年龄等多个因素的影响，在约束条件下人脸识别相对成熟，在自由条件下人脸识别技术还在不断改进。

OCR识别OCR英文全称是Optical Character Recognition，中文叫做光学字符识别，已经是计算机视觉研究领域开展最早也是最成熟的一项成果。OCR利用光学技术和计算机技术把印在或写在纸上的文字读取出来，并转换成计算机能够接受、人又可以理解的格式。

图像搜索是一种高效的搜索方式，它利用图库中的图片信息，精准地搜索出与指定图片相似或相同的图片，主要应用于图片精确查找、相似素材搜索、拍照搜同款商品、相似商品推荐等场景。这种技术的实现离不开深度学习和大规模机器学习技术的支持，它们通过图像识别和搜索技术，将大量的图片信息进行高效处理，从而让用户在短时间内找到心仪的图片。

生物特征识别生物特征识别技术涉及的内容十分广泛，包括计算机视觉、语音识别等多项技术，主要利用人体固有的生物特性，如指纹、面相、虹膜、掌纹、声纹，以及行为特征，如笔迹、声音、步态等来进行个人身份的鉴定。目前生物特征识别作为重要的智能化身份认证技术，在金融、公共安全、教育、交通等领域得到广泛的应用。

智能客服智能客服是指能够与用户进行简单问题答复，通过人机交互解决用户关于产品或服务的问题。自然语言处理技术成熟度在各类人工智能技术中成熟度较低，但在客服领域中能够发挥较高的价值。人工客服存在培训成本高、服务效果难以统一以及流动性大的问题。以大数据、云计算特别是人工智能技术为基础智能客服加速企业客服智能化，依靠知识图谱回答简答重复性问题，减少人工客服使用，提升客服效率及效果。客服机器人已替代40%-50%的人工客服工作，随着技术的不断完善，更多的客服工作将依靠人工智能完成。

（一）人工智能+金融

1、人工智能在金融领域的应用

智能投研狭义上指的是人工智能在投资研究上的应用。通过人工智能技术拓宽投资信息来源，提高获取信息的及时性，减少基础数据处理的工作量，通过自动化的数据分析，为投资决策提供参考，从而提高投资研究的效率。广义上来讲是人工智能在资本市场相关领域的应用。从使用者的角度来看，智能投研的受众包括各种类型的投资者（买方）、券商（卖方）、监管机构、银行和财经媒体等。从投资的标的来看覆盖一级市场公司、股票、债券、外汇等。而人工智能的应用场景涉及业务的各种环节，与投研直接相关的就包括研究、投资、交易和风险管理。

（1）客户服务类应用

以自然语言处理、知识图谱等人工智能技术为基础，金融机构能够建立智能客户服务系统，以自动化的方式掌握客户的客户服务需求并给出响应。具体技术应用流程上，智能客服首先通过自然语言处理技术提取客户意图，然后通过知识图谱技术理解客户需求并给出答复。当前，平安保险、工商银行等机构已经开始运用人工智能技术在金融业务的咨询及办理环节为客户提供线上服务，通过智能客服对部分简单客服业务的分流，降低了人工服务压力和运营成本。

（2）投资顾问类应用

智能投资顾问系统的核心技术包括机器学习等人工智能技术及大数据技术。具体技术应用流程方面，金融机构首先结合投资者主动提供的风险偏好、投资目标、财务状况等信息及投资者的历史交易行为等大数据，准确地识别投资者的风险偏好及投资风格。在此基础上，基于由机器学习算法及现代投资组合理论（Modern PortfolioTheory）构建的模型，智能投顾可以在资产组合及配置比例方面为客户提供投资决策参考建议，或直接提供投资管理服务。商业银行是智能投顾的积极应用方，工商银行、招商银行等大型商业银行现已推出智能投顾产品，为投资者提供标准化、批量化的投资顾问服务。

（3）风险控制类应用

知识图谱、机器学习等人工智能技术可以与大数据技术结合，应用于金融机构的风险控制活动中。具体技术应用流程上，大数据技术能够整合各类结构化及非结构化数据，知识图谱及机器学习技术则可用于分析企业的合作伙伴、股权结构、对外投资等关系数据并监测其中出现的异常变化。蚂蚁金服、京东金融等互联网金融公司大力推动人工智能技术在信贷风险控制领域的应用，推出了“阿里小贷”、“京东京小贷”等小额贷款产品。

（4）其他类型应用

除上述三类应用外，人工智能在中国金融行业的应用还包括智能投研、智能营销等。

①智能投研

应用自然语言处理、知识图谱等人工智能技术，智能投资研究系统可以自主完成数据收集、整理及简单的统计分析等非核心类投研工作，为投资研究人员提供辅助性支持，提高研究工作效率。在智能投研领域，中国市场上的代表性产品有通联数据股份公司旗下的萝卜投研智能投研平台。

②智能营销

在利用大数据技术对客户的财务、行为等数据进行整合的基础上，金融机构可以利用机器学习等人工智能技术对客户的消费或投资模式进行分析，对客户的金融需求形成定位，并提供个性化的产品推荐及营销服务。由金融壹账通开发的“Gamma 智能营销解决方案”应用了语义理解等人工智能技术，是中国金融行业智能营销领域的代表性产品。

2、AI+金融产业链

人工智能技术在中国金融行业的应用产业链由上游人工智能应用数据提供者及人工智能基础设施提供商、中游人工智能金融应用提供商、下游人工智能金融应用使用者四大类主体构成。

（1）上游-人工智能应用数据提供者

人工智能应用数据提供者为人工智能技术在金融行业的应用实现提供数据资源，是人工智能金融应用产业链上游环节的第一类参与主体。人工智能机器学习算法的开发及训练均需要数据的支持，且针对具体的金融应用场景需要使用到的数据也有所不同。依据数据源的不同，中国的人工智能应用数据提供者可以分为数据爬虫公司及第三方数据公司。在两类人工智能应用数据提供者中，第三方数据公司可以提供更加稀缺的专有数据资源，议价地位高于数据爬虫公司。数据爬虫公司数据爬虫公司使用自主编写的计算机程序在互联网上抓取来自电信运营商、学信网等来源的数据，并提供给有需求的人工智能金融应用提供商，通常按查询次数收费，代表性企业有上海诚数信息科技有限公司等。第三方数据公司第三方数据公司通过提供开放数据平台服务、智能设备采集、与其他商户合作等方式积累自有的数据资源，并向有需求的人工智能金融应用提供商提供基础数据或全套的数据解决方案，代表性企业有北京腾云天下科技有限公司（TalkingData）。

（2）上游-人工智能基础设施提供商

人工智能基础设施提供商为人工智能技术在金融行业的应用提供人工智能算法框架及数据处理资源，是人工智能金融应用产业链上游环节的第二类参与主体。

人工智能算法框架提供商

人工智能算法框架的开发具有技术及资金门槛高的特点，只有少数的科技巨头企业拥有相关的开发能力，人工智能金融应用商则通常在已有算法框架的基础上进行应用层级的开发。目前美国是人工智能算法发展水平最高的国家，中国人工智能金融应用提供商常用的算法框架主要包括谷歌公司的Tensor Flow、脸书公司的 PyTorch 及 Torchnet、加州大学伯克利分校的Caffe、阿帕奇孵化器（Apache Incubator）的 MXNet（得到亚马逊公司官方选用并参与维护），同时也有部分应用提供商使用来自百度公司的飞桨（Paddle Paddle）。上述人工智能算法框架均由其提供商以开源平台的方式管理，人工智能金融应用提供商在利用框架进行应用开发时无需支付成本费用。

数据处理资源提供商

人工智能算法的运行除了需要在算法框架的基础上进行外，还离不开数据处理资源对数据存储及计算的支持。在人工智能应用中，常用的数据处理资源来自于数据云服务提供商，代表性企业有阿里云、腾讯云等。中国数据云服务的行业集中度较高，阿里云、腾讯云等大型云服务提供商对提供的云服务采用标准化定价方式，人工智能金融应用提供商在租用数据处理资源时的议价空间较小。

中游分析

人工智能技术在中国金融行业应用产业链中游环节的市场参与者为人工智能金融应用提供商，主要以提供人工智能金融应用解决方案的商业模式开展业务。人工智能金融应用商在自然语言处理、生物特征识别、机器学习算法等基础技术产品的基础上，结合专业人工智能技术人员提供的个性化配套服务，为应用使用者提供直接应用于投资顾问、客户服务等业务的一套完整的解决方案。人工智能应用提供行业为智力密集型产业，由雇佣技术人员产生的人力成本是主要的成本项目之一。根据行业专家，人力成本在中国人工智能金融应用产品的成本结构中占比达到34%，其他主要成本项包括数据资源及数据处理资源，占比分别为 26%、33%

下游分析

人工智能技术在中国金融行业应用的产业链下游环节为人工智能金融应用产品及服务使用者，即金融企业。在金融企业中，以商业银行为代表的持牌金融机构业务体量大，预付款能力强，且其品牌能帮助人工智能金融应用提供商产品进一步推广，议价地位强势。除持牌金融机构外，具有大型互联网公司背景的互联网金融企业拥有充足的数据资源沉淀及存量客户，业务规模较大，在采购人工智能应用时议价能力较强。中小型的互联网金融企业由于业务规模相对较小，只能接受人工智能应用提供商的标准定价，议价能力最低。

3、行业竞争格局

尽管人工智能技术在中国金融行业实现应用的时间至今只有 5 年左右，但该应用市场已形成了高度集中的竞争格局。有行业专家表示在中国人工智能金融应用市场中占有率最高的前 5 家企业对应的市场销售份额合计可达到70%。根据股东背景的不同，中国人工智能金融应用市场的主要参与者可以分为互联网系企业、金融系企业、独立金融科技企业。

（1）互联网系企业

互联网系企业是指大型互联网公司旗下的金融科技企业，代表性企业包括百度旗下的度小满金融、阿里巴巴旗下的蚂蚁金服、腾讯旗下的腾讯金融科技（主体为财付通支付科技有限公司）、京东旗下的京东数科。互联网系企业与独立金融科技企业相比资金更充足，与金融系企业相比则拥有更好的信息技术基础，优势全面。除了依托集团内规模巨大的互联网金融业务外，互联网系企业同时也向外部金融机构提供人工智能技术服务，是人工智能金融应用市场中竞争地位最强势的类型。

（2）金融系企业

金融系企业是指由商业银行、保险公司等传统金融机构成立的金融科技子公司，代表性企业包括兴业银行旗下的兴业数字金融服务（上海）股份有限公司、建设银行旗下的建信金融科技有限责任公司、平安集团旗下的金融壹账通。金融系企业背靠大型金融集团，对金融行业具有深入的理解，同时也有更多机会在应用实践中测试其人工智能技术产品。

（3）独立金融科技企业

独立金融科技企业是指以提供金融科技产品及服务为主营业务，且不由大型互联网公司或传统金融机构控股的金融科技企业，代表性企业有同盾科技有限公司、百融云创科技股份有限公司、通联数据股份公司。独立金融科技企业通常具备强大的核心技术研发能力，核心团队中配备有人工智能、云计算等领域的专家人才，在风险控制等细分领域提供优质的金融科技解决方案。在运营资金投入不具备优势的情况下，独立金融科技企业多推出有开放平台类型的产品，以合作的方式积累数据及客户资源。

（二）智能投顾行业特点

1、智能投顾发展背景

投资资产是指排除房产投资后的金融资产。据预测，我国个人可投资资产市场规模将在2019年的160万亿元的基础上，到2025年将攀升至287万亿元，年均复合增长率将达到10.3%。

个人可投资资产中的定期投资、货币市场基金、其他共同基金、定期存款及股票类资产在 2019 年底合计占可投资资产的 61%，这五类理财产品的合计资产管理规模在2019 年至 2025 年间预计将以 13.9%的年均复合增长率持续提升。截至 2019 年底，中国个人可投资资产总规模中，除现金及存款外的资产占比 42%，而美国这一比例为 88%，未来中国除现金及存款外资产的占比预计还将持续增加。居民财富快速积累以及互联网普及下居民理财意识和风险意识快速建立，使得原来简单的财富管理需求升级。除原来简单的购买理财产品实现资产保值增值需求之外，出现了跨市场投资、多元化资产配置、全生命周期理财等个性化的理财需求。而目前主要理财服务仍以营销活动和低费率作为主要的竞争手段，有大量专业理财服务需求尚待满足。2019 年，中国通过在线渠道销售的个人可投资资产规模达到 21 万亿元，且由于数字化技术的广泛应用、用户对更好的投资体验的追求，预计在2025年可达到69万亿元，2019年至2025年间年均复合增长率达到21.6%。投顾能在一定程度上提供专业财富管理的服务，但传统投顾服务存在以下几方面的痛点：（1）投顾从业人员专业能力差异较大，服务的质量参差不齐；（2）传统投顾以高净值客群为目标客群，对中产及以下收入客群覆盖有限；（3）无法满足碎片化、个性化的理财需求；（4）受制于人力限制，成本方面没有规模效应。智能投顾是指通过使用特定算法模式管理帐户，结合投资者风险偏好、财产状况与理财目标，为用户提供自动化的资产配置建议。借助科技的手段，智能投顾具有低投资门槛、高度线上化、具有普惠性、精准识别客户需求、服务内容差异化、服务质量标准化等特点，能够在一定程度上克服传统投顾的痛点。

智能投顾与传统投顾的区别以及可解决的痛点，资料来源：平安证券

2、智能投顾的发展历程

智能投顾最早起源于美国，发展历程大致可分为三个阶段。

在线投顾阶段：

20世纪90年代末期，可供投资者选择应用的投资分析工具的技术水平和规模开始扩大。2005 年，美国金融业监管局（FINRA）颁布 NASD IM2210-6 Requirements for the Use of Investment Analysis Tools 规章，允许证券自营商将投资分析工具（investment analysis tools）直接让投资者使用，投资者可以利用投资分析工具进行不同投资策略的投资收益分析，对收益和风险有更好的把控。此后，在线资产管理服务规模迅速增长，更多长尾客户在此阶段受益。此阶段的特点主要是机器智能应用比较有限，主要应用领域是投资组合分析。

机器人投顾阶段：

2008年-2015年期间，大量新兴科技企业开始为客户直接提供各类基于机器学习的 “数字化投顾工具”，机器人投顾商业模式开始发展。这些公司开发的面向客户的投顾工具提供的功能之前只被金融从业者应用，目前已经广泛被客户所直接应用。

人工智能投顾阶段：

2015年至今，以大数据为基础的深度学习被广泛应用，人工智能技术取得突破型进展。智能投顾服务商和科技企业开始尝试开发能够完全消除人类参与投资管理价值链的人工智能系统。目前包括国外的 Bridge Water、Wealthfront，国内的弥财等都已经实现了这样的系统开发和商业化运营。通常采用“人工智能+云计算”体系结构的服务商，在计算设备和软件开发方面投资巨大（几亿甚至几十亿），能够同时服务千万、亿级别的海量用户。

智能投顾发展历程，资料来源：兴业证券

3、智能投顾的技术支撑

目前，数据、算法和模型是智能投顾的三大支点。其中数据是智能投顾产品的基础，算法和模型是核心竞争力所在。智能投顾以客户画像为起点，需要用户的风险偏好、收益目标和财务数据，投资组合再平衡也需要以实时数据为基础，动态调整资产配置。并且，海量有效的金融数据是机器学习的依据，没有数据就没有人工智能，也就没有智能投顾。算法、模型是智能投顾核心组成部分，算法决定了投资分析方法，模型决定了资产配置比例。现阶段智能投顾更多的是解决效率问题，利用算法来寻找最优调仓方式，提升效率。在智能投顾领域，结合自身优势，提供差异化产品，模型算法的优化非常重要。

能投顾技术支撑，资料来源：兴业证券在智能数据分析方面，智能投顾有两种运作模式：一类是侧重信息的输入端，利用机器的优势收集并处理海量数据，从海量噪音信息中快速且准确的找到有价值的信息，提高信息筛选效率；另一类是侧重信息的输出端，运用机器学习、自然语言处理和知识图谱等人工智能技术分析宏观经济、公司业绩、网络舆情等数据，判断信息与市场之间的关联性，进而输出投资决策建议。在量化策略方面，智能投顾提供全流程管理，承担咨询建议及资产管理的角色，相比于传统量化策略，更加强调应用机器学习、知识图谱等人工智能技术。

人工智能技术在智能数据分析中的应用，资料来源：兴业证券一个智能投顾平台可以分为前中后台。前台包括投资者和公司员工，通过Web、App、微信及客户端等多种方式与系统进行交互。中台包括智能投顾系统、客户中心和产品中心。智能投顾系统：为客户提供基于人工智能技术的资产配置服务，包含目标风险确定、组合构建、一键购买、风险预警、调仓提示、一键优化、售后服务报告等，涉及组合投资的售前、售中、售后全流程服务环节。客户中心：统一管理客户，包含潜客与公司各业务线的客户，为他们制定统一的客户标识，进行全生命周期的管理，支持公司的协同业务。产品中心：建设公司产品仓库，覆盖公司全业务和全类型的产品及产品化服务，成为公司产品标准和权威的来源。后台包括数据中心（数据仓库+大数据平台）及推荐引擎。数据中心（数据仓库+大数据平台）：实现统一数据交换、统一的监管报送、完整数据视图、完善的数据管控，以及实时数据接入等功能。智能推荐引擎：根据规则/策略模型，进行客户与产品匹配，实现智能化推荐。支持实时在线处理与离线批量处理两种方式。

图23

智能投顾平台架构，资料来源：亿欧

4、智能投顾的业务模式

智能投顾业务模式较多元化，涉及到业务链条的不同阶段。按照客户类型主要分为三类模式：2B: 服务于资管公司等金融机构，包括中台的投研系统（如盈米-蜂鸟）、后台的财富管理IT系统（如恒生）、以及前中后台一体化系统解决方案（如恒生）等。2C: 天天基金、蚂蚁财富-帮你投）、全品类金融产品资产配置服务（盈米基金-且慢）。2B2C: 赋能机构或投顾等渠道方，间接服务C端客户，如投顾管理赋能（华泰证券-投顾云平台）、基金投顾超市（天天基金-投顾管家）、一站式基金投顾系统解决方案（盈米-启明）。在中国市场上，智能投顾提供商，多数都对客户免收服务费或是账户管理费，仅收取客户交易、购买产品（比如公募基金）相应标准的佣金或申赎费用。无牌照在手的初创公司还需要与基金代销机构分食基金销售佣金，加上基金行业仍处在申购费价格战之中，利润空间被进一步压缩。而对于B端市场，智能投顾主要有两种盈利模式，一种是纯策略服务，给中小基金公司或者资管公司提供智能投顾策略服务并按服务收费；一种纯技术出售，把智能投顾的整套算法和程序售卖给金融企业。

5、国内智能投顾市场参与者

国内智能投顾市场近几年发展迅速，主要参与者可分为：传统金融机构、互联网公司、金融IT公司三类。传统金融机构包括银行、券商、基金，具有强大的客户资源和产品资源优势。当前智能投顾产品多针对C端客户，传统金融机构具有强大客户和产品资源优势。根据招商银行手机APP显示，其智能投顾平台摩羯智投目前已经拥有累计超过20万的使用客户，以及累计超过140亿的管理规模。据招商银行官网介绍，摩羯智投以现代投资组合理论为基础，运用机器学习算法，融入招商银行十多年财富管理实践及基金研究经验，并在此基础上，为使用者构建以公募基金为基础的、全球资产配置的智能基金组合配置服务。具体来讲，摩羯智投将用户投资期限分为三个阶段：一年以下/一年到三年/三年以上。并且在每一个时间段中都给出10个风险承受等级。用户只需确定投资期限和可承受风险等级，系统便会自动构建出相应的基金组合。

图24

摩羯智投界面，资料来源：招行银行APP互联网龙头企业主要面向To C端客户，拥有丰富的用户流量和场景，可结合大数据，人工智能等技术，对用户精准画像。互联网平台较传统金融机构在技术的创新和服务的效率上更有优势，但存在金融专业服务能力不足的劣势。互联网巨头诸如京东、蚂蚁、腾讯等公司均有智能投顾平台布局。以蚂蚁集团为例，公司于2020年4月推出了“帮你投”，通过与全球最大的投资管理机构之一Vanguard合作，向消费者提供全权委托的智能理财服务。“帮你投”能够根据投资者的投资目标、投资周期和风险偏好来提供定制化的服务，投资金额门槛低至800元。“帮你投”利用人工智能驱动的算法从超过 6,000 只公募基金产品中推荐合适的投资组合，并收取一定的服务费，从而将一般而言仅服务高净值人群的财富管理解决方案普及到公司平台上的广大投资者群体。“帮你投”推出后的100天内已吸引了约20万名新客户，合计投资额达22亿元。

图25

支付宝帮你投界面，资料来源：支付宝金融IT公司作为金融和IT的接口，具有技术和业务理解双重优势，目前入局智能投顾的主要有同花顺、恒生电子、金证股份等。恒生业务线齐备，客户广泛覆盖证券、期货、基金、信托、保险、银行、交易所、私募等各类金融机构，是国内唯一的“全牌照”金融IT供应商。得益于此，公司对各类金融业务理解深入，其综合能力能够更好满足客户的业务创新需求。与智能投顾最为相关的业务板块为财富管理IT 业务板块，并且截至2019年，公司已推出20款人工智能产品，广泛覆盖投顾、投研、客服等智能投顾业务前中后各个环节。

图26