金融科技的發展面臨哪些挑戰？

包括風控、大數據、區塊鏈等各個方面，請了解的同學主要圍繞國內的金融科技行業來分析一下……

本題已加入知乎圓桌 ?金融科技浪潮 ，更多「金融科技」話題討論歡迎關注

謝邀

毫無疑問，中國金融科技的發展處於跑步前進的狀態，從監管層對金融科技的開放態度，到企業在金融科技領域的實踐，當然還有國內龐大的市場。都預示著中國在金融科技領域的強勁動力與美好前景。然而，金融科技的發展仍處於起步階段，各方在金融科技的實踐仍面臨著諸多的挑戰。在這裡，我們主要談談財富管理領域的挑戰

1、數據與金融的邏輯

數據是金融科技的空氣，金融科技的發展離不開廣泛、真實、準確的數據。然而，金融世界中存在著海量的數據，對於數據的接收和處理是金融科技在應用過程中的一大挑戰。很多人提到大數據，第一反應是數據越多越好，可是與金融有關的模型中接收的數據是不是越多越好？這仍是一個值得探討的問題。被後人稱為「計算機之父」和「博弈論之父」的馮·諾依曼曾經做過一個非常形象的比喻，用四個參數我就能夠擬合出一頭大象，用五個參數我可以讓它的鼻子擺動。這說明從擬合的角度看，如果你給一個模型足夠多的數據，是能夠解釋一切的，但這是否符合金融自身的邏輯，還存在疑問。

如果使用不當，精確的數據挖掘也會造成荒謬的結果。一個很有趣的例子發生在1990年，一家對沖基金髮現孟加拉國生產的黃油，加上美國生產的乳酪以及孟加拉國羊的數量與標普500指數從1983年開始具有99%以上的統計相關性。然而統計乳酪的生產會是一個預測標普500指數的好方法嗎？相信沒有一個頭腦正常的交易員會做出這樣的選擇，但是在機器看來，這是一個可能是個再正常不過的判斷。

一副關於過度擬合的漫畫

面對這個問題，需要我們在選擇數據構建模型的時候必須做到非常的謹慎，並不是所有的金融數據都要拿來分析，才能得到一個準確的結果。金融市場存在著各方的博弈和許多的偶然性，在這樣的情況之下，判斷某一資產的價格存在著許多的「噪音」，如何分辨數據中的「噪音」，我們採用的數據要怎樣開發利用才能使其發揮最大的功效，更多的數據和更完善的模型，應該在符合金融邏輯的前提下發展。而不應該是簡單地把數據扔進模型，然後用輸出的結果去做預測。

2、機器學習的預測

上面提到的數據應用，與機器學習是分不開的。機器學習是一個模型自動優化，即使是作為模型設置者有時也不知道機器即將呈現的模型是什麼樣子，這完全是根據獲取的數據自動決定的。當我們用過去二十年的經濟數據進行分析，形成一個訓練數據，讓機器在不斷學習的過程中，提高根據已知變數預測未來狀況的能力。給機器學習提供哪些「好數據」，運用怎樣的訓練方法才能更準確地預測，可以說，在今後很長的一段時間裡，提高和利用機器學習的預測能力會是一個很大的挑戰。

3、底層資產缺乏

巴菲特最常為普通投資者推薦的投資方式就是跟蹤市場指數的被動型基金，也就是ETF。買入ETF就相當於買入一個指數投資組合，可以有效分散風險。投資者如果買入跟蹤滬深300的ETF，就相當於持有了滬深市場300支績優股，分散風險的同時可以享受指數成長帶來的收益。ETF另一個重要的優勢是交易成本低。Robo-adviser的先驅Betterment和Wealthfront之所以可以把費率降至0.25%，也正是因為這兩家公司資產配置的底層資產選用的都是ETF。

截至2016年底，美國市場交易的指數基金有近2000隻，指數基金的規模規模超過2.2萬億美元，單日交易量超過900億美元。而且種類非常齊全，數量多達一千多種， 不僅有跟蹤大盤指數的產品，還有跟蹤各個行業指數的、追蹤債券、商品甚至其他國家股指的產品。正是完備的ETF市場，為大類資產的配置提供了堅實的基礎，從而支撐起了美國Robo-adviser領先全球的發展。

而國內ETF產品的缺乏，卻成了國內Robo adviser發展的一大挑戰。中國的資本市場起步較晚，目前中國只有150隻ETF，大量的ETF規模常年在1億元人民幣以下徘徊。許多ETF單日交易量甚至不足1萬元，隨時面臨著被清盤的境地。這樣的ETF市場是無法為資產配置提供完備的底層資產。而如果國內投資者以海外的ETF作為投資標的，投資者還要受到外匯管理政策的限制。國內的Robo adviser企業只得藉助公募基金市場，雖然品種、規模都適合成為資產配置的標的，但是公募基金在交易的成本和靈活度上與ETF仍存在著一定的差距。

4、熱炒概念顧擾亂市場

AlphaGo戰勝李世石之後，人工智慧概念在國內就形成了席捲之勢，打著人工智慧旗號的各種理財平台開始大行其道。尤其是最近一段時間，智能投顧這個說法在中國有被濫用的趨勢。嚴格意義上的智能投顧也就是國際上通行的 Robo advisor，是指以馬科維茨的資產配置理論為基礎，投資的標的必須是經濟學上嚴格定義的大類資產。並且運用量化和計算機技術幫助用戶自動配置資產，同時應該具備動態再平衡功能。最重要的是，這樣的系統為投資者追求的是長期穩健的beta收益。

在國內「投顧」的概念主要是指給客戶提供個股投資建議的顧問，與進行資產管理Robo advisor在概念上有著較大的差距。也正是因為概念的不同，導致許多打著智能投顧旗號的產品，開展的是推薦股票的業務，也有的投資標的千奇百怪，甚至包括了大量的非標資產，這樣的智能投顧，會給國內剛剛起步的智能投顧市場和消費者的利益都帶來損害。

5、用戶投資理念

據中登公司的數據顯示，截止2016年底，A股市場的投資者數量合計11906.67萬戶，其中，自然人數量高達11873.70萬戶。可見國內的投資市場仍是散戶為主，許多投資者對大類資產配置的接受度仍不高。同時中國的財富管理市場也在快速的成長中，如何抓住這個機遇，與投資者進行充分的溝通，讓投資者充分接受資產配置的理念，是從業者面臨的又一個非常大的挑戰。

金融科技從弱小到壯大，需要從業者不斷艱辛的付出，也許未來在不同的階段還會面臨著更多難以預料的挑戰。只要我們金融科技的從業者在合法合規的框架內處理和解決問題，相信金融科技的前景會非常光明。

謝邀。

像任何新生事物一樣，金融科技的發展或者說金融科技企業的發展一定會遇到來自業務層面，競爭層面，管理層面和維持競爭層面的全方位挑戰。我們今天可以聊一聊金融科技所面對的比較獨特的挑戰。

監管挑戰

在目前的金融大環境下，金融科技，乃至任何一個傳統金融企業的發展都不得不提及監管的挑戰。一方面有監管的領域目前監管的整體態勢趨于謹慎，創新型業務和新技術的應用與發展也趨于謹慎，科技型企業唯快不破的管用戰術需要及時調整，否則難免處處碰壁，在與監管的博弈中一著不慎滿盤皆輸。在這樣的環境下，金融科技也需要以金融機構的標準來要求自身，與監管保持充分溝通，劃定技術和科技的邊界。

但同時我們也看到，在一些沒有監管或者說短期內監管主體和權責不明的領域，寬鬆的監管環境又造成了另外的問題，之前的p2p行業和現在的消費分期，電子化信貸等領域均是現成的例子。

有需求，有技術提升可能，有實際價值創造的領域由於快錢和騙子的大量湧入導致爛檸檬效應頻發，劣幣驅逐良幣，好的技術和服務提供主題也受行業負面的影響，遭受無妄之災。這就引出了另一個挑戰。

資本挑戰

在中國創業，還有一個環境催生的獨特挑戰，資本的挑戰，這是什麼意思？

大家可能比較可以理解的是缺乏資本帶來的挑戰， 金融科技是科技業，更是金融業，而眾所周知，作為被監管行業的金融可謂門檻諸多，牌照、合規、專業團隊無一沒有門檻，沒有充裕的資本支持自然難以切入行業價值鏈的核心。

遠的不談，以智能投顧行業為例，許多公司由於沒有自己的公募基金代銷資質，沒有強大的搭建交易系統團隊，構建的模型和解決方案無法與交易端高效打通，從而導致再好的解決方案也不過是空中樓閣。

有過量化經驗的朋友應該都知道這種狀況的危險，很多策略在真空下回測千好萬好，但進了實盤就見光死。特別是在今天以公募基金為主的行業背景下，考慮到公募基金市場的高摩擦成本，這個限制還會被成倍放大。大家看到的今天中國智能投顧直接進入了傳統金融機構布局的階段，也有這方面的原因。

另一方面的挑戰，是資本太充裕所造成的挑戰。何解？

有國際一級、一級半市場經驗的朋友應該知道，近年來，中國一級市場（VC、天使等形態）的問題不是沒有錢，而是錢太多。

這是好事也是壞事。好處在於理論上有更多的企業能獲得發展所需的資金，從而助力經濟和技術的發展。壞處則大家更感同身受，導致估值的高企和經營、運營成本的高企。

估值高在短期來看似乎是個利好，一方面是繁榮的表現，一方面也是投資回報的載體。但是資本逐利，天經地義，為了滿足資本對投資回報的要求以及進一步增加估值提升空間，同時金融行業又是錢生錢最直接的詮釋，創業企業很容易迷失本心開始追逐短期熱點，常見也僅見於中國市場的一擁而上千家公司一夜之間湧入同一個領域的情況就是明證。

在一般的行業，這樣的行為雖然危及創業公司自身，但總歸影響有限，不至於太過傳導放大。在金融領域，這個風險則被放大且可能傳導至終端用戶身上。

如果一家金融創業公司在創業過程中無法堅定的把握方向，或者本身就是熱錢玩票想借東風賺快錢，不能明確發展目標並據此不斷構建競爭壁壘，從「互聯網金融」轉到「金融科技」這樣的概念轉移，長期來看難免落入下乘，居於人後或者在行業出現波動的時候消聲滅跡。

金融科技可能被「玩壞」了

自2016年以來，金融科技開始替代互聯網金融風靡國內金融圈，與此同時，幾乎所有的互金企業要麼轉型金融科技企業，要麼強調金融科技驅動，甚至直接改名金融科技企業；傳統金融機構也快速跟進，強調大數據，強調區塊鏈等前沿技術的探索；關於金融科技的國際交流開始流行，央媽也宣布成立金融科技委員會。一時之間，金融科技已然成為金融界最熱辭彙之一。

然而，現象的火爆背後，概念和界定的混淆、技術與業務的脫節、真假金融科技的泡沫等等問題便也愈發凸顯，以至於，作為一個從業者不得不潑點冷水：大家悠著點，小心金融科技被玩壞。未盡事宜，歡迎大家留言（訂閱號：洪言微語）交流

混淆的概念：技術？機構？還是生態？

關注金融科技的朋友不難發現，你在不同場合、不同報告或不同文章中看到的金融科技，指的並非同一樣東西，有的特指技術，有的特指創業機構，有的側重業務，還有的則無所不包，幾乎涵蓋了整個金融業態。

在我看來，這種現象的背後，反映了業界對於金融科技，其實缺乏統一的認知，在此基礎上，大家各說各話，不亦樂乎，某種意義上，也反映出了一種「集體蹭熱點」的行業性熱潮。

下面分別盤點下幾個有代表性的界定。

技術論

將金融科技等同於技術，特別是雲計算、大數據、人工智慧、區塊鏈等技術。金融科技一詞是個舶來品，其英文為「Financial Technology」,直譯為「應用於金融的技術」，事實上，牛津詞典便將金融科技定義為用於支持或促進銀行和金融服務業發展的計算機程序和其他技術。

而在實踐中，不少企業宣稱的「金融科技驅動模式」，本質上也是把金融科技當作技術。而一些企業從「FinTech」到「TechFin」的轉變，其實也在強調從技術層面來認識金融科技。

創業機構論

將金融科技等同於應用新技術的創業型機構，不少國際諮詢公司便持這種觀點，如普華永道認為，金融科技是金融與科技的交匯地，是專註於技術的初創公司和市場闖入者通過創新推出的本屬於傳統金融服務業的產品和服務。

此外，一些國際性的金融科技榜單和金融科技數據，也只是涵蓋創業型機構，不包括傳統金融機構在內，典型的如畢馬威發布的《全球金融科技100強》榜單和各類行業報告中經常出現的金融科技風險投資金額。

新金融機構論

這種觀點認為，只要是運用新技術的金融機構，無論是創業型機構還是傳統金融機構，都屬於金融科技的範疇，像英國貿易與投資總署便將金融科技劃分為傳統金融科技與新興金融科技。

新金融業態論

這種觀點將金融科技等同於幾個具體的業務模式，比如第三方支付、P2P、智能投顧、互聯網保險等。2015年7月十部委發布的《關於促進互聯網金融健康發展的指導意見》中對互聯網金融的定義就是這個思路，開篇便提到：

「互聯網金融是傳統金融機構與互聯網企業（以下統稱從業機構）利用互聯網技術和信息通信技術實現資金融通、支付、投資和信息中介服務的新型金融業務模式」。

英國政府發布的《金融科技未來》報告，也將金融科技定義為「通過金融與科技的融合，有望創新和顛覆傳統金融模式和業務，為企業和個人提供一系列全新的金融業務」。

金融科技生態論

這種觀點認為，金融科技的概念應該具有廣泛的包容性，將整個生態都涵蓋進來。中國互聯網協會互聯網金融工作委員會組織編寫的《中國金融科技發展概覽（2016）》（下稱《概覽》）便持這種觀點，認為：

「金融科技是指科技在金融領域的應用，旨在創新金融產品和服務模式、改善客戶體驗、降低交易成本、提高服務效率，更好地滿足人們的需求；其參與者不僅包括通過科技提供創新金融服務的金融科技企業（Fintech）和通過科技應對金融合規和監管的監管科技公司（RegTech），也包括傳統金融機構、為金融業提供技術服務的科技公司、投身於該領域的投資公司與孵化器，以及金融業不可或缺的監管機構；這些參與者共同組成一個生態體系，在競爭與合作中，共同推動者金融業的創新、變革與發展。」

一個名詞衍生出如此多的概念，究竟孰對孰錯呢？筆者自然也給不出一個合乎所有人需求的結論。但有一點需要明確，便是上述這些概念，用在某些特定情境下是合適的，但換個情境就未必適用。

比如《概覽》編寫組的生態論定義，筆者作為編寫組一員，當時參加了金融科技概念和界定的討論，當時大家討論確定選擇這個涵蓋範圍甚廣的定義，主要也是基於統領《概覽》整個報告要點內容的需要。如果換個情境，比如統計全球金融科技融資額，生態論的界定顯然就過於寬泛了。

因此， 大家對於金融科技在實踐中多元化的概念和界定首先要有心理上的認知，然後根據具體的應用情景去對應相應的概念，否則便很容易出現混淆甚至困惑。

技術和業務，孰先孰後？孰主孰從？

在很多人看來，可能這是個不需要再費口舌的問題，技術為業務服務，業務反過來倒逼技術的進步，二者是互為促進、和諧發展的問題。

但在實踐中，並非如此，不少機構並未真正想清楚技術與業務的先後關係，跟風布局新技術，不考慮技術與業務的協同性、同步性等問題，最終的結果是技術不能為業務所用，終將拖累技術的發展。

之所以著重提出這個問題，最主要原因在於現階段，國內各金融業態間差距太大，同一業態間各企業所處的發展階段也有很大不同，相似發展階段的企業在具體業務模式上也可能存在顯著差異。

從業務角度看，各家金融機構所需探索或應用的金融科技，應該各有側重才對，但實踐中，大家都奔著雲計算、大數據、區塊鏈、人工智慧等幾個最火熱的領域而去，而這些看上去很火熱的技術，究竟能解決企業什麼具體問題呢？似乎無人多想。

舉例來講，就消費金融領域而言，目前行業面臨的最大問題是獲客、產品同質化、降低綜合成本等問題，哪項金融科技技術最能切中要害呢？不同類型的企業又需要側重哪一類技術呢？

就獲客而言，對於具有海量用戶的巨頭，基於大數據的智能獲客技術，能有效識別存量客戶畫像，大幅提升營銷精準度；而對於依靠場景方和外部營銷獲客的中小平台，智能獲客技術則有點像屠龍之術，並非上策。

就降低綜合成本而言，對於已經處於精益化運營階段的巨頭而言，利用大數據進一步降低風險成本是可行的選擇；而對於仍在粗放發展階段的中小平台而言，著眼點放在降低資金成本、轉變營運模式、提升管理水平等方面，可能更為立竿見影。

就產品同質化破局而言，整個行業都未到通過某項金融科技來實現產品顯著差異化的發展階段。

再比如說，大數據的成熟和應用涉及到數據採集、整理、分析和應用等幾個階段，對很多企業而言，目前要做的是數據沉澱和積累，重在數據採集和整理；而對另外一些企業而言，則已經進入到應用階段，可以投入更多人力和資源，去優化調整數據模型，實現大數據驅動的業務模式。

此外，還有一些金融科技技術，現階段更多地是品牌宣傳的效用，難以對實際業務帶來影響，企業應該根據自身情況謹慎介入。

真假金融科技，該如何辨別？

之所以提出是個概念，是因為在人人都談金融科技的時代，每家企業所宣稱的金融科技的含金量是不同的，也就有了真假之辯。

金融科技的幾個熱門技術中，區塊鏈、大數據、人工智慧、雲計算、智能投顧等幾個概念，幾乎被各個從業機構掛在嘴邊。

先說區塊鏈

雖然區塊鏈炒的火熱，但目前為止最為成熟的應用仍然集中在數字貨幣領域，在供應鏈金融、跨境支付、金融交易、數字票據等方面出現了一些實驗性質的探索，但距離落地仍有距離。目前區塊鏈技術還需要在共識機制、智能合約、安全演算法、隱私保護、擴容和速度優化等相關技術領域實現持續創新和突破，正如摩根史丹利的一分報告所稱「金融機構廣泛採用這項技術還需要5-10年的時間」。

但就筆者而言，親身就經歷過N多機構的商務人員來推銷區塊鏈供應鏈金融業務，在他們的口中，應用了他們的技術，似乎供應鏈金融便可大踏步向前了。在本文的界定中，這種不切實際地推銷便可視作一種假技術。

說說大數據

大數據技術成功應用的前提是要有足夠多的數據，正如我在《大數據在金融業的應用》里提到的，

「統計學規律告訴我們，在實驗條件不變的條件下，重複實驗多次，隨機事件的頻率等於其概率。意味著，隨著隨機事件的大量發生，我們是可以發現其內在規律的。而大數據裡面包含的海量數據，就為我們發覺隱藏在隨機事件後面的規律提供了條件。」

而對很多機構而言，尤其是十幾個人的初創機構，基本沒有可能具備可投入應用的大數據建模能力。而不少機構宣稱的，只負責模型不負責數據的商務模式，也讓人懷疑，沒有數據，這些模型怎麼做出來的？有效性如何？沒有效果誰來買單呢？

人工智慧

同上，沒有大數據，其實談不上人工智慧。

智能投顧

最大的問題在於金融產品代銷資質，很多所謂的智能投顧平台，不具有或缺乏金融產品代銷資質，平台上可供用戶資產配置的產品數量有限，距離真正意義上的智能投顧還有很大差距。

雲計算就不提了，畢竟這個概念火的比較早，至少七八年了，大大小小的坑先後被填平了，市場龍頭已經初步顯現，不容易出現冒牌機構了。

結語與前景展望

說了這麼多，該結個尾了。金融科技的前景自然是光明的，在前沿技術探索上也應該並值得投入大量精力和資源。但一碼歸一碼，在技術與業務的結合上，還是應該戒驕戒躁、穩紮穩打。以一個小例子結束吧。

早在20世紀40年代和50年代，來自不同領域（數學，心理學，工程學，經濟學和政治學）的一批科學家就開始探討製造人工大腦的可能性。1956年，人工智慧被確立為一門學科，當時，研究者們在私下的交流和公開發表的論文中表達出相當樂觀的情緒，認為具有完全智能的機器將在二十年內出現。

比如，1965年，H. A. Simon：「二十年內，機器將能完成人能做到的一切工作。」1970年，Marvin Minsky：「在三到八年的時間裡我們將得到一台具有人類平均智能的機器。」……結果如何呢？還是太樂觀了。

當然，經過這麼多年的發展，也許結局已經不一樣了，希望如此吧。

——————————————————————————————————————

PS:歡迎去我的LIVE分享頁，系統了解 互聯網金融/金融科技 相關知識

金融科技帶來的資源配置效率與金融體系的穩定性是一個硬幣的兩個方面。當初大家對互聯網金融歡呼雀躍的時候，誰能想到後面跑路頻發？真的等監管重拳出擊了，惶惶然更換門牌、自我標榜金融科技。

所以我覺得金融科技面臨的第一個挑戰其實是人性的貪婪以及對風險的無知。換個羊皮披在狼身上，他還是狼。但梵谷收益背後基本都是高風險。我相信還是有很多人跌倒了爬起來後繼續跌倒，國內的金融教育還得持續一個小周期才行，不掉點血不清醒。

言歸正傳，金融科技言必稱數據，似乎金融科技=數據科技，聽著挺曼妙的，比如千人千面、智能金融等。但是數據帶來的挑戰才是真的挑戰。積極的一面是定價決策和風險管理的數據廣度和深度都得到了極大的改善，但更多的信息也意味著更多的噪音，如何從海量數據中有效地甄別出噪音是一個重大挑戰。真正能用到大數據、人工智慧的金融科技公司，我大膽猜測，不會超過10家。

另一個大挑戰是金融穩定性。Fintech 本質上從事的還是金融業務，其風險屬性沒有改變，相反地信息科技風險和操作風險問題更為突出，潛在的系統性、周期性風險更加複雜。美國的金融問題監管理事會（FSOC）已經將信息科技安全列為影響金融問題的一個主要風險。這個問題也很好理解，舉一個小私貨為栗：最近我司上線的行業首家金融機構自運營平台「京東行家」強調開放性，與簡單的貨架式銷售不同，儘管不是自己創設產品，但平台本身是極具科技含量的，平台運營商需要針對不同的客戶做不同的畫像分析，還要洞察不同的產品邏輯，那麼信用風險、流動性風險、利率風險和聲譽風險等可能顯得更加隱蔽。

個人認為金融科技的本質就是科技驅動金融發展，其核心賣點就是利用科技來滿足用戶的某一特定需求，像小妮選股之類的智能投顧產品和風險羅盤之類的智能風投產品就是為滿足用戶需求而存在的。

但由於金融科技在發展的過程中仍存在大數據不能有效應用、競爭大等原因而不能很好的滿足用戶的需求從而存在公眾信任危機，這是需要慢慢發展完善的。

普惠金融的發展與金融科技的創新有著密切的聯繫。

首先，新技術的進步解決了身份認證的問題。通過運用人臉識別、虹膜技術，金融機構能快速作出反應，有效地解決傳統金融機構因調查成本高、服務難度大等問題。

其次，近年來互聯網的快速發展積累了大量數據。運用大數據技術，可快速獲取用戶數據，在數據挖掘、用戶畫像等方面起到了很大驅動作用，極大地提升了精準營銷、風險管控和運營優化等效率。讓金融服務具有更好的地理穿透性，形成更強的地區覆蓋度，從本質上實現數據驅動業務、技術改變金融。

鄭毓棟老總說的已經很好的，非常細緻全面。

還有其他回答都說了很多了。

除了這些本人非常認可的金融科技挑戰之外，另外，我認為Fintech發展與互聯網發展、金融體系建設、社會意識進步的匹配是宏觀層面最大的挑戰。

在長期的落後之後，中國忽而在互聯網方面走在了世界的前列，Fintech也搭上了這班列車，全面化、大眾化的滲透金融相關的方方面面，已經秒殺了不少西方國家。

而Fintech的tech上去了，Fin部分好像並沒有大的動靜，傳統銀行模式仍然是經濟發展的主流，techFin還是Fintech，總體上是在拉鋸的。

簡單來說，Fintech、金融體系、互聯網、社會意識，是一個四角關係，Fintech受互聯網、社會意識的推動大發展大進步，但他的金融體系土壤又是落後的。

我們究竟是在推動整艘船前進，還是只是放出了幾艘快艇？

不過，建行同螞蟻金服的合作，倒是讓筆者看到了不少希望，讀秒和新網合作，說明開墾新土地新土壤也是不錯的。