中国大陆本土的FinTech发展路径与模式（二）·人工智能的应
欢迎点击上方文琳阅读 关注！
本文由VC SaaS原创授权转载，未经许可不得转载
到了2017年为止，国际上对于人工智能仍然没有公认的定义。而人工智能的意义就在于赋予及其思考能力，让“机脑代替人脑”。约翰·麦卡锡曾认为“人工智能就是要让机器的行为看起来像人所表现出的智能行为一样”。有的人会说，如果这场革命是机器把人能干的事都干了，那么，人的意义又在哪儿呢？
但其实，很大程度上，人工智能的应用场景更应该在人类所无法触及的领域以及无用的机械工作上，抑或是应用在更加人类无法达到的精准操作上。
Google的人工智能专家更将这方面概括为“大规模的深度学习”，并以此作为书名向同行共享了人工智能与神经网络的相关信息。毫无疑问，大规模的机器学习人类的金融行为，也将会使得金融行业得到彻底的革新。
人工智能这一看似简单的行为其实涵盖了几个大模块：神经元学习、机器学习（算法包括线性回归、逻辑回归等并对数据进行规律得出）、构建神经网络、处理不平衡数据、模型形成（趋势方向）、方向性拟合。
未来的“人工智能+”这个概念，将会含括大数据、感知、决策、反馈这几个方向。
在金融领域，人工智能正在逐步渐进式地深入到大数据征信、贷款、风控、保险、资产配置、量化交易、财经信息分析等领域。这些领域在金融科技“金字塔”所处的位置都属于头部位置，是最高端的金融科技应用方式。
人工智能的三种主要技术（智能投顾、金融预测与反欺诈、融资授信）均需专有类型的数据作为支撑。场景应用的方面更加偏重于信号、图像、语音、文字、指纹等非直观展现出来的数据，均属于人身带有的特征数据。人机交互亦是同样需要积累大量的用户数据，其中包括了用户的操作习惯、操作频次、操作周期等。总之人工智能在金融领域的应用与使用者的数据关系异常密切。随着机器学习的不断发展，我们将会迅速跨进智能金融时代。
由于大数据属于人工智能应用的基础部分，我们将会在接下来的解析中专门解读。我们所聚焦的“人工智能+金融”则将会从感知、决策、反馈这三大应用方式来解读（商业模式为To B输出）。
感知
属于感知这一块的人工智能技术应用大部分需要参与者进行一些的人机交互，大多属于信息采集的形式，向数据贡献者进行人身特征信息进行获取，再进行比对。比如指纹识别、语音识别、人脸识别、虹膜识别。感知这一大项其实主要属于数据的采集提供方，使用方包括了银行、券商、险商、金融监管部门、P2P平台、公安司法机构、征信机构、消费金融平台。应用场景主要有以下几大方面：反欺诈、身份识别等。
其中我们将以指纹识别为例来和大家解读一下感知方式的应用。指纹识别是目前最为主要的反欺诈技术手段之一，通常指可以用于唯一标识出该单位人物特征或标识别，通常透过指纹采集和识别设备可以用于进行形成特征集合。设备主要包括硬件属性、软件属性和用户行为。指纹识别也分主动式、被动式和混合式采集。主动式通过SDK或JS代码在客户端主动收集信息，较为精准；被动式主要通过在服务器端收集通信协议和网络的特征来进行识别，100%保护用户隐私；混合式设备则融合了以上两者格子的优点，适用范围也更加的大。
诸如此类的识别方式已灵活应用于金融机构的内部流程操作、身份识别、资格确认当中，可以说这一种方式对于保护用户金融资产的安全有着十分重要的意义。但随着技术的不断提升，这些技术的商业化也将会不断的革新，会有越来越便捷以及安全的感知识别方式出现，落后的方式将会被市场所淘汰。
决策
人工智能与大数据是共生共长的有机体。人工智能，如人或超越人地自动感知，获取数据之后就需要经过算法、模型构建超人的神经元网络，处理不平衡的数据，进行方向性的拟合，直接指导金融行为的操作。
在这一方面，目前应用得最为广泛的金融行为当属量化交易。目前我国国内有聚宽JoinQuant、新三板企业祥云信息等量化交易平台供用户基于二级市场交易的大数据搭建属于用户个人的交易模型，这些平台培养用户使用如Python等语言进行程序的撰写。直接地透过自己搭建的模型进行交易产品的筛选、交易。目前为止，我国的量化交易尚处于起步阶段，但在美国和英国这样的金融高地，量化交易早已成为常态，市场上只有少数的散户投资者在进行没有量化的交易行为。
除此之外，在选择各种各样的理财产品以及互联网保险、互联网消费金融产品的问题上，人工智能也能帮上大忙。基于公开的大数据，对金融产品的收益判断、投资行业分析、投资周期、投资结构的综合模型，也在替B端的金融产品公司不断地调整自己的产品方向，以打造出最适合市场的产品。
更甚的是在征信系统的处理上能够透过信息的筛选判断，对于申请人的资质进行判断，能够直接免人工地对不合规的申请人进行排除。这对于金融机构的风控体系有着直观重要的帮助，大大提升了效率。而一系列的智能风控模型体系提供商早已完成商业化，对外输出自己的智能风控产品，中国遍地的互联网金融及传统小微金融机构急切需要引入这样的风控体系。
反馈
其实人工智能机器学习是一个完整的闭环，在金融行业的应用上同样如此。在经历过前期的判断整合进行直接操作之后，操作行为的效果搜集也至关重要。这一行为我们之所以将它判别为“反馈”，是因为人工智能有一个不可忽视的特性，那就是再学习。循环不断地再学习，以获取更符合模型设想的结果，是反馈操作的初衷。
所以说其实在金融行业中人工智能反馈行为的体现，其实是与决策”环节起辅助作用的，并且不断地帮决策更加高效。
人工智能在金融行业所面临的风险
用户隐私被泄露
人工智能的背后，是局域大数据及智能算法的继续升级，人工智能系统通常具有记忆功能，通过收集、统计、分析 用户的数据不断提升自己的智能型。如果被黑客入侵，用户隐私可能被泄露，轻则用户信息被不法分子掌握，重 则危害用户财产安全甚至人身安全。
技术面临失控的风险
人工智能在短期内的影响取决于谁来控制，长期影响取决于它是否受到控制。一旦应用环境和数据脱离用户的 可控范围，尚无技术避开人工智能失控带来的风险。
故障排解及行为监管成本上升
人工智能自身的负载性及系统风险性的增加导致故障排解成本将大幅度提升。在现有法律监管体系下，对机器及运行程序故障造成的损害，难以有效界定责任主体及责任份额。
智能投顾
之所以把智能投顾单独领出来讲是因为智能投顾和人工投顾的区分界限明显，而人工智能在这其中扮演的角色又十分之独特，与上述的人工智能分散参与金融行业各个小领域不同，在智能投顾身上，我们看到的是一整套人工智能技术最系统地应用到金融操作上，是以一个整体一整套服务推出面向客户的。形成了“大数据+机器学习与统计分析+可选标的+交易优化”五位一体的结合体。（商业模式为To C输出）
人工投顾最主要是基于顾问个人的经验和判断能力来衡量投资的水平。而智能投顾面对客户给出的是投资收益、风险偏好、投资周期以及投资能力四者结合的最佳组合方式，有且只有一个最优的投资建议，没有同样好的建议，只有其次及稍差的投资组合建议。智能投顾其实是有分“投”与“顾”的，一是投资交易的行为方式，而是作为顾问沟通。只要用户和市场两大当面的数据足够，模型合理，是可以根据用户以往的投资反馈进行再次学习的，给出更优的投资建议。
目前为止,VC SaaS所观察的国内62家智能投顾企业融资轮次分布如下：
主要的活跃投资机构如下：
以下是36Kr发布的《FinTech行业研究报告》中对与智能投顾的普适架构解读，认为智能投顾最终必定是经过Markowits的投资理论对风险承受能力与资金能力进行组合得出的最优解才是智能投顾给出的终极答案。
而智能投顾主要经历了以下几个阶段：
第一阶段是互联网化。互联网的发展可以使得机构充分利用线上流量入口，将投顾服务拓展到更多客户，并获得更多长尾用户。
第二阶段是初步智能化。通过标准化的产品降低成本，将一部分的人工智能技术引入服务当中使得服务效率更高。
第三阶段是全智能化。充分利用数据和外部信息进行投资决策，全程由机器完成。
美国的智能投顾模式完全包含了以下全部内容：智能数据分析、社交投资、主题投资、量化策略、Robo-Advisor（全流程管理）。同时投资者也可以根据自己的喜好进行投顾内容的挑选。
智能投顾之所以能如此迅速地在金融圈卷起风浪主要有以下几大原因：
投资者开始接受被动投资
解决了投资者投资知识及技能匮乏的问题
市场上存在超量可操作的标的产品且适合自动化投资
委托操作越来越便利
我国智能投顾面临的挑战
数据沉淀量不足
可对冲工具匮乏
行业监管许可（证券投资咨询牌照、资产管理牌照、金融销售牌照）
但我们同时也可以看到一个市场现实现象，那就是智能投顾占据的大多是中低端市场，高端用户及大客户海是很需要人工投顾的存在特别管理自己的资产。因此人工投顾也不至于被智能投顾冲击得体无完肤，无用武之地。
接下来VC SaaS将会持续对金融科技的大数据进行深度的解读，敬请大家关注我们的文章。
本文由VC SaaS原创，未经许可不得转载
文琳编辑
免责声明：转载内容仅供读者参考。若文章涉及版权问题，敬请原作者添加 wenlin-swl 微信联系删除。
今日导读
公众号 wenlin-zx：文琳资讯 点击下列文字可以查阅
公众号 wenlin-yd：文琳阅读 点击下列文字可以查阅
动力电池深度报告
刚出的73页图片，把汽车上每个零件都标清晰了，还有原理图
中国汽车后市场供应链白皮书
2017年中国租车行业研究报告
2017年上半年汽车行业大数据研究报告
一张图告诉你,你的车险买错了！2017版