【投資理財】深扒金融科技八大應用場景，你想知道的都有了！

來源：小研聊科技，幫助投資者理解科技

前些天「互聯網+金融」可謂是火花四濺，四大行分別牽手BATJ，建行&阿里、農行&百度、工行&京東、中行&騰訊，這年頭好像不擁抱互聯網科技巨頭就不是新時代的銀行了一樣，讓人不禁感慨：果然沒有永遠的敵人，只有永遠的利益！四大行齊發力金融科技，給這個今年本來就很熱的領域又添了一把火，徹底燒到了我們每個人身邊。今天我們要好好聊一聊金融科技的落地應用，以及它給我們的生活帶來的改變。

1、徵信

國內的個人小額信貸普及率遠遠低於美國等發達國家，大量沒有信用卡的藍領人群的需求沒有得到滿足，這幾年P2P、現金貸的野蠻生長恰恰說明了這個問題。大家知道在紐交所上市的中國互聯網金融第一股宜人貸當初是怎麼起家的嗎？派上千名地推人員下沉到區縣鄉鎮中，通過挨家挨戶的實地家訪，了解家庭情況、生活習慣、社交關係等進行實地徵信，對符合條件的人群給予貸款。

實際上，基於大數據和人工智慧技術，我們完全可以實現智能徵信和審批。通過多渠道獲取多維度的數據，包括通話記錄、簡訊信息、購買歷史、電商數據，以及社交網路上的留存信息等，我們可以提取出上百種變數，進入到大數據模型，對個人信用進行評估。對於缺少抵押和擔保的中小企業，我們也可以通過大數據徵信解決他們的融資困難問題。

這塊美國已經做得非常先進，他們有完善的個人信用評分體系FICO和三大徵信機構的數據模型。中國相對要落後得多，信用體系覆蓋率低，評分系統不健全，有很多創新企業在這塊發力（見文章《當金融遇上科技，他們能愉快地生活在一起嗎？》中國Fintech50強榜單）。他們都在通過自己渠道資源獲得數據，構建分析模型，不同平台間完全沒有互通。現在業界也在呼籲打通數據源，這樣中國的徵信體系才能大踏步地前進，只能說期待這一天的到來吧。

所有金融業務中最重要的環節都是風險控制。還是以信貸為例，貸前有兩個步驟非常關鍵，第一識別貸款人信息的真實性，第二識別貸款人的還款意願和還款能力，貸中通過監控貸款人的行為數據及時發現異常，貸後通過反饋數據補充信用評分。無論是消費貸還是現金貸，利用數據積累和大數據技術建立有效的智能化風控體系，是一個平台的核心能力，直接決定著平台能否持續地運營下去。

3、反欺詐

金融安全是維護金融秩序穩固的基石，任何一個金融平台都會投入大力氣在這上面。有別於虛擬的社交網路，對於一個註冊的金融用戶，首先要驗證他身份的真實性，這裡面用到的技術包括人臉識別、聲紋識別、指紋識別、虹膜識別、光學識別(OCR)等等。支付寶研發了OCR系統用於身份證校驗，同時內嵌了face++的人臉識別和活體檢測技術提供刷臉驗證服務。在這些方面，人工智慧確實比人更加優秀，不僅識別時間縮短到了1秒，而且識別錯誤率大幅降低，在最強大腦中水哥就輸給了機器人小度。

除了身份驗證以外，人工智慧在網路反欺詐方面也發揮著巨大的威力，比如防止垃圾註冊、盜卡盜刷、虛假交易、惡意刷單、惡意套現、營銷作弊薅羊毛等等，這裡面用到了大量的智能數據分析和機器學習技術，國內同盾科技在這方面做得非常好。以前我們通過專家系統把網路安全管理員掌握的知識和規則程序化，交給機器去執行識別欺詐，現在有了機器學習技術，機器可以自主地從海量實時並發的交易數據中學習，進化的周期更短，發現異常的速度更快。

4、定價

過去的金融體系是統一定價，有了大數據和人工智慧以後，可以根據每個用戶的情況差異化定價。比如很多做車聯網產品的創業公司，收集了車主的駕駛行為數據以後，和保險公司合作推出差異化車險，對駕駛習慣良好的車主給予一定保費上的優惠。如今個性化保費的時代已經到來，天貓的運費險就是一個典型的案例。

再有就是貸款利率和授信額度的個性化。用戶在信貸平台每正常完成一次借還款的閉環，貸款利率都會相應地調低。當每個人的徵信畫像越來越全面和完善以後，可以實現個性化的貸款利率和授信額度。

金融平台和互聯網平台最大的不同之處在於互聯網平台有網路效應，用戶規模越大，獲客成本越低，但是金融有效客戶的甄別和獲取成本不會降低。技術可以幫助解決這個問題，通過用戶畫像和大數據模型可以找到精準用戶，實現精準營銷。

再有就是金融客服。金融諮詢中有80%的常見問題都是重複性的，而且在一個限定領域內，還能得到快速反饋，成為自然語言理解和對話機器人最快落地的場景。通過對話可以發掘用戶的需求，解釋和推薦產品，還能帶來銷售轉化。螞蟻金服的智能客服可以解決用戶的大部分問題，當它非常確定答案的時候它會直接作答，當它不確定時它會把可能的選項給人工客服，人工客服只需要快速判斷，點擊選擇後就可以發過去了。這樣極大地提升了客服效率和問題解決率，降低了人力成本。

圖片來源：螞蟻金服

金融行業的人都知道，投資機構和投行部門中有大量實習生的崗位，舉個最典型的例子，一個券商的投研部分，一位首席分析師下面帶四五個研究員，每個研究員要兩到三個實習生去支持他，包括大量的資料收集、數據分析、報告撰寫的工作，出一份研究報告80%以上的時間都要花在這上面。

其實人工智慧在證券和投資研究上可以給予我們很多幫助，第一收集和處理數據，第二分析和預測結果。面對信息爆炸和過載，人要想從海量數據中找出相關性是很困難的，機器可以讓這件事情變得更容易。機器學習演算法可以通過自主學習尋找信息和資產價格的相關性，自然語言處理技術可以理解新聞、政策文件、社交媒體中的文本信息，尋找市場變化的內在規律。同時通過知識圖譜的建模方式，人們可以把行業規則、投資關係等常識賦予計算機，幫助機器排除干擾，更好地結構化信息。

1、自動報告生成

投資和投行行業中有大量固定格式文檔的撰寫工作，比如招股說明書、研究報告、盡調報告、投資意向書等等。試想如果我們把收集到的資料直接輸入給機器，機器就會自動幫我們生成圖表和報告，我們只需要做組織、修改、複核的工作就可以了，那該多爽啊！

2、金融搜索引擎

人工智慧還可以應用在金融搜索引擎中，幫我們分析不同事件間的相關性，比如蘋果發布iphone8會影響哪些公司的股價，也可以幫我們聚合信息進行對比縱覽，比如我想知道某隻基金的平均退出收益率。這方面美國的Kensho做得非常好，已經被高盛收購了，據說要替代80%投資分析師的工作，顫抖吧，分析師們！相比之下國內要落後很多，Wind、Choice還只是個數據終端，沒有整理和分析的功能，有幾家創業公司文因互聯、數庫、通聯數據正在投入研發。

3、投資機會識別

數據挖掘領域有一個經典案例，就是美國沃爾瑪超市發現尿布和啤酒放在一起賣會增加銷量。大數據可以幫助我們發現看似毫不相關的事件間的關聯性，應用在投資領域也可以有同樣的效果。比如美國的初創公司Dataminr就是和Twitter合作，通過社交網路的數據實時分析市場風向，預判風險和甄別投資機會。

4、企業成長性分析

美國最大的信用卡發卡行Capital One曾出過這樣的醜聞：兩名中國員工利用信用卡消費數據分析了至少170家上市零售公司的刷卡銷售情況，據此預測這些公司的營業收入，在財報公布之前提前購入看漲期權或者看跌期權，3年內投資收益率高達1800%，最後被美國證監會給抓了。雖然是反面案例，但是說明了一個道理，根據現在的市場數據進行預測，分析判斷企業的成長性，能夠輔助投資決策。

對於人工智慧會不會引發金融行業大面積失業業這個問題，小研認為沒有那麼樂觀，也沒有那麼悲觀。人工智慧確實可以幫助我們解決一部分信息獲取和整理的問題，但是邏輯判斷和複雜決策還是要交給人來完成。比如投研報告中規則和格式固定的部分機器可以幫我們完成，但是分析結論和投資建議還是要我們自己來撰寫。技術發展沒有那麼快，兩到三年內還不能替代分析師，五到八年就難說了，我們稱之為「金融民工」的底層員工很可能會大量減少，但高級職位如基金管理人、合伙人這樣的角色確實還替代不了。

機器可以輔助投資決策，但不能替代人做決策。投資是一個理性+感性的決策，是一個確定性+不確定性的過程。理性部分由是數據驅動的，人工智慧可以很好地輔助我們，完善數據來源，更全面、立體地整理和分析數據，還有把我們沒有意識到的數據關聯性呈現出來。但是面對同樣的項目、同樣的資料，不同的投資人會做出不同的決策，這和每個人的投資風格、收益預期、資金周期、風險承受能力有關，當然更和感覺sense、和歷史經驗有關，誰也不能準確地預知未來，這就是感性的部分在起作用。投資是一門藝術，就體現在不確定性的部分，體現在決策中「拍腦袋」的那一下，這是機器無法替代的。

西蒙斯是美國量化基金之王，他的文藝復興科技公司管理的基金取得了年化35%的收益率，遠超巴菲特和索羅斯。量化投資是以數學和統計模型為依據，發現市場上的價格偏差，獲取超額收益的投資方法。現在這個方向上有一些創業公司提供策略超市，供普通投資者選購，不過這裡面存在幾個明顯的悖論：首先很多量化策略是尋找價值錯配博取短期收益的，時間一長策略就會失效，再有就是在一個「零和博弈」中，池子里的錢是有限的，你賺的錢就是別人賠的錢，一個策略用的人越多，利潤空間就會被攤得越薄。仔細想一想，如果策略真的那麼有效，人家早就募一支基金自己單幹了！所以那些售賣策略的創業者們，別天真啦，這種商業模式沒有存在的基礎啦，倒是可以考慮提供量化技術平台，幫助專業人士和愛好者們生成和篩選策略，不過這些肯定都沒有自己做對沖基金賺錢。

8、智能投顧

如果說量化投資以博取短期超額收益為目的，那麼智能投顧則是在各市場和各大資產類別之間構建投資組合，分散風險，追求長期收益。富人階層有私人銀行來服務他們，由專業的理財顧問根據他們的需求提供個性化的資產配置，門檻高、費率高。智能投顧實際上就是把私人銀行的服務在線化、智能化了，以很低的費率服務更廣泛的受眾，惠及普通老百姓。

美國的Wealthfront、Betterment是智能投顧的鼻祖，國內這塊剛剛起步，不過探索的熱情很高，包括資配易、彌財、財鯨、理財魔方、藍海財富、宜信旗下的投米、品鈦旗下的靈璣等等。服務的流程都大同小異，首先讓用戶填寫問卷，評估風險和收益偏好，然後推薦投資組合，一鍵下單完成交易，後期不斷檢測資產表現情況，必要時進行風險提示以及調倉推薦。

智能投顧在美國已經被廣泛使用，但是在中國接受度卻不高，為什麼這種Copy to China的模式失效了呢？必須承認中國的市場情況和美國還是有很大不同的。美國有養老金入市制度，美國人會用智能投顧幫他們把養老賬戶里的錢分配好。美國股市過去100年一直是整體上漲的，美國有非常多的結構化ETF產品，都獲得了不錯的收益。中國沒有那麼多ETF產品，即使配置了放個十年，也可能一分錢沒漲，我們就只能呵呵了。中國老百姓想配置海外資產又受到限制，所以真的沒有那麼多投資標的可以選擇。更重要的是中國小散的理財觀念和投資心理非常不成熟，那麼就把錢放在銀行里「保本」，那麼就在股市裡「追漲殺跌」，根本沒有資產配置的概念。

To C的智能投顧平台獲客確實非常難，用戶教育還沒有完成，新平台也還沒有建立起信任，智能投顧瞄準的是長期投資，短期內業績表現平平，完全沒有辦法吸引流量。於是很多To C的智能投顧平台紛紛轉型去做To B業務了，為金融機構提供智能投資系統，專心研究技術，不再碰銷售。金融機構擁有C端的流量，同時也有提升自己服務能力的迫切需求，做To B可以獲取到用戶數據，同時完善和提升自己的演算法模型，也算是一條「曲線救國」的路。

除了市場桎梏和獲客難之外，智能投顧面臨的最大問題還是來自於成長性。讓一個人賺錢容易，讓一群人賺錢難。無論是一級市場VC、PE基金，還是二級市場的股票基金，都會面臨基金規模變大收益率下降的魔咒，很多優秀的基金一旦擴大管理規模，便不可避免地淪為平庸的基金，巴菲特幾十年來一直嚴格控制著基金規模。投資行業都是一九法則，10%的人賺錢90%的人不賺錢，智能投顧也是同樣的道理。當用的人數少的時候，賺取的收益來自於兩部分，一是隨著經濟增長市場的整體上漲，二是超越市場平均收益的超額收益。當用的人數增多時，第二部分收益將被攤薄。如果智能投顧要普惠大眾的話，那麼所有人都只能獲取市場的平均收益。也就是說，當平台的用戶量超過一定規模的時候，它的成長性就遇到了天花板。真正制約智能投顧平台發展的不是技術，而是它的底層金融邏輯。當小散都變得智能了，沒有可以割的韭菜了，到底該怎樣賺錢，這確實是個問題。

9、結語

當金融遇上科技，他們能愉快地生活在一起嗎？互聯網和科技追求的是規模效應，邊際成本遞減，而金融的核心是風控，必須控制規模。互聯網行業那些「指數型增長」、「病毒式傳播」、「爆款」的奇蹟顯然無法在金融行業複製。金融行業擴大規模就意味著風控標準相應地放鬆，同時規模越大利差就會越小。金融創業者還是應該回歸金融的本質，不能為了盲目追求規模而「踩雷」。

金融科技創業要面對三大屏障：監管、數據和用戶。

無論技術多先進，首先要確保合規。試想如果市場上兩個金融AlphaGo對殺，將會是何其慘烈，對於整個金融系統來說一定是「滅頂之災」。那時如果監管層來個一刀切，整個行業的發展將會停滯。VC投資人最不願意麵對的就是政策風險，這也是VC投資Fintech方向會主要考慮的因素之一。

第二個難題在數據上，大家都說獲取數據難，其實處理數據更難。美國的金融市場非常穩定和成熟，適合訓練機器學習演算法。但是中國金融市場的干擾因素非常多，給分析和預測增加了很多難度。比如中國的股市是「政策市」，有很多「黑天鵝」事件，極端數據對模型的生成是個很大的干擾。在訓練演算法之前，必須先進行數據的清洗。人工智慧可以幫助我們發現市場的內在運行規律，但對於預測「黑天鵝」事件是無能為力的，當然人類也是一樣。

最後一個難題就是獲取用戶。金融行業的資質是需要長年積累的，信任、品牌、聲譽、牌照，這些都不是一朝一夕可以獲得的。所以凱撒的歸凱撒，上帝的歸上帝。對於新進入的Fintech公司來說，牌照是天然的壁壘，還是應該多和傳統金融機構去合作，多做tech，少做fin。以下這張圖是傳統金融機構能夠被Fintech所改造的各條業務鏈上的環節。Fintech公司可以發揮自己的技術優勢，給傳統金融機構賦能，升級它們的業務流程，還是有很大空間的。

圖片來源：CBInsights