优秀案例 | 中信证券：智能云平台布局证券行业人工智能应用

导读：《“数字经济+科技向善”金融科技创新实践2021》遴选于“第二届NIFD-DCITS金融科技创新案例征集”的28篇入库案例，其中包含了27篇国内案例和1篇国际实践，由国家金融与发展实验室携手神州信息共同打造，金融科技50人论坛具体推动和落实，人民日报出版社出版。本期特别推荐案例：《智能云平台布局证券行业人工智能应用》。欢迎参加第三届“金融科技创新案例征集”（详情见“阅读原文”）。

作者单位：

中信证券股份有限公司以下为案例内容：

智能云平台布局证券行业人工智能应用

一、智能云平台的兴起

 

随着数据科学与人工智能算法的发展，人工智能技术给我国各行业带来了诸多改变，科技手段促进了行业的发展。证券行业天然积累了海量金融数据，为人工智能技术的发展提供了良好的条件。

为响应中信集团双创号召，中信证券鼓励开展人工智能内部双创项目，中信证券人工智能团队成立于2017年初，致力于打造证券行业领先的人工智能应用研发、部署、运行统一云平台。并在此智能云平台基础上，与公司客户、公司内各业务部门、合作厂商一起共生共享、协同合作，打造行业领先的人工智能金融科技产品，产品涵盖各方面，涉及智能投资、智能投顾、智能算法交易、智能客服、智能舆情、智能风控等重要领域，为客户和公司提供稳定、准确、高效、便捷和多样化的全面服务。

二、行业领先的人工智能金融科技产品

 

（一）一站式人工智能应用研发、部署、运行统一云平台

1.人工智能云平台——开放共享，降门槛，降成本，提效率

实现任何一个人工智能应用需要三类最基础的资源：数据、算力和研发运行环境。人工智能云平台的核心功能就是针对这三类资源进行搭建、整合和维护，以满足客户研发和运行人工智能应用的需求。

数据—过往数据散落在公司各个部门，互不相通，基本针对单个业务场景去处理数据，没有统一的规范和规划。人工智能云平台将各部门的数据源整合起来，进行数据治理，制定数据规范，特别是制定适合人工智能算法的数据格式。给客户提供准确、高效、稳定、全面的金融数据服务。大大节省客户的人工智能应用数据开发、处理、维护成本。

算力—人工智能对计算的需求非常大，因此需要花大价钱购买高性能计算芯片提升算力。如果各部门单独采购算力资源，成本高，安装维护使用门槛高。而且由于每个应用场景不一样，有些只需交易时段使用，有些收盘后才使用，每个应用单独部署一套算力资源会十分浪费。智能云平台提供统一的算力资源，所有应用按需、按业务优先级共享云平台的算力池，应用开发人员不需要关心算力资源的搭建、维护和升级。

研发运行环境—人工智能作为一项前沿科技，即使有了数据和算力资源，搭建和维护一套人工智能应用研发运行环境也不是件简单的事情。智能云平台提供各类主流的人工智能，机器学习研发框架，提供一站式人工智能应用研发、部署、运行方案。目的就是让人工智能应用研发人员只需要关心业务逻辑，脱离环境搭建的繁重枷锁。

人工智能云平台的核心功能就是针对这些资源搭建了相应的服务跟模块，并进行整合和维护以满足客户研发和运行人工智能应用的需求。

（1）金融数据服务

对接内部所有行情源及各历史行情数据、历史宏观数据源，提供因子研究工具及自定义的因子数据定时维护与共享服务。

（2）研发平台

支持各种机器学习算法及多种深度学习模型和框架（LSTM模型、Ten- sorflow/Keras等框架）的运行，提供开发工具和模型代码生成工具。

（3）多租户算力平台

共享多GPU计算资源，支持多租户的云服务调度系统。支持多机多卡并行训练，提供超参搜索功能。

（4）策略回测

支持对训练出的模型进行历史数据回测及实盘模拟交易（完全仿真中信证券的交易场景，防对敲、模拟撮合及滑点）。

（5）绩效分析

对训练后的模型进行回测及实盘交易绩效评估和风险度量，提供绩效评估基准和风险度量指标的计算分析报告。

（6）交易接口与模型推理执行框架

提供将平台训练、回测并优化好的策略打包提交到生产环境并与交易系统对接的API。

2.智能投顾——实现普惠金融的好途径，与中小客户共享共生

目前国内市场上的智能投资投顾产品以传统量化模型为主，资产配置或者交易决策以人工专家经验为主，机器为辅，将投资自动化当成投资智能化。智能投资投顾策略实际上可以扩展到所有的策略类型和证券类型；业务类型涵盖财富管理、资管、自营交易等业务；服务客群包括长尾客户、高净值个人客户和机构客户。

人工智能团队自主研发的一套通用人工智能投资框架，旨在运用深度强化学习理论，通过学习历史市场数据，训练机器进行二级市场投资，实现无人投资（ 无投资经理、无交易员、无研究员）。投资全流程没有人工干预，所有投资交易决策由机器独立完成，并且机器会根据当前市场环境和账户资金持仓情况自主持续学习调整策略以适应新的市场环境。

3.智能投资——跨部门协调合作研发智能投资策略

智能算法交易：信息技术中心人工智能团队与股销部一起合作研发智能算法交易策略。借鉴股销部专家在算法交易领域的经验，依托人工智能团队智能在智能投资领域的专业能力，智能算法交易致力于为客户提供稳定、优质的交易执行服务。

智能资管产品：为丰富资管部策略类型，为客户提供多样化的投资选择，信息技术中心与资管、合规、风控部一起协同合作打造智能资管产品。该产品结合资管部在合规、风控、投研、产品设计、渠道销售方面的专家经验，秉承人工智能团队致力于打造无人投资的理念，实现投资全流程机器自主决策，无人工干预。

智能自营交易策略：智能云平台为股衍、另类、证金等自营研发智能交易策略提供数据和算力资源服务，缩短了策略开发周期，专注于策略业务逻辑。

4.智能舆情风控系统——防范金融风险，黑天鹅事件

人工智能团队自主研发智能舆情风控系统实时抓取新闻事件，利用自然语言处理技术将相关的上市主体提取出来，并分析其对哪些上市公司主体有正负面影响，从而指导风控和交易部门做出风控和投资决策。相比人工风控，效率更高，响应速度更快。智能舆情风控系统基于智能云平台搭建，将建立一个黑名单把有风险的上市公司主体通过智能云平台实时推送给用户。

5.智能语义处理平台——文档资料抽取，审核，校验智能化

基金托管合同由于合同要素多且复杂，提取合同要素需要大量时间来进行人工录入和校验，为简化这一过程，需要AI智能提取、智能解读合同要素，利用机器学习的自然语言处理技术实现对合同的高精度解读，完成全量字段智能抽取，帮助客户实现合同管理的人工智能赋能升级，提高工作效率，简化工作流程。

6.智能投研与自动报告

随着上市公司数量逐步增多，一个行业研究员需要覆盖研究的公司也逐步增多，及时全面地掌握相关个股和行业的各类舆情、公司公告事件需要大量人力投入。基于这个应用切入点，中信证券完成了智能研报生产与研究覆盖提醒的服务。

基于人工智能等技术自主开发的智能投研系统，每日会及时生成当天个股全景和行业跟踪报告，每交易日系统自动生成个股研报、北线资金流向、宏观流动性日报、行业日报、ETF基金日报和债券ABS等六类报告。

（二）人工智能赋能升级，满足工程开发需求

研发平台分别提供了在线的模块化SaaS开发工具和面向专业开发者、基于PyCharm IDE的客户端。可以帮助用户降低使用及进入机器学习量化领域的门槛，同时满足专业开发人员大规模工程开发的需求。

1.模块化开发平台

可视化的机器学习和深度学习模型搭建与开发工具平台，方便快速构建机器学习的量化应用。

2.表达式引擎

用户可能之前积累很多指标与公式，但若把开发环境迁移到机器学习的工具平台上，就需要从基础数据开始从头开发所有指标和因子。表达式引擎提供了通用的解决方法，用户不再需要烦琐的编程从头实现。

3.多客户端使用模式
方便不同需求的专业用户

4.从开发/测试环境到生产环境以及相应的异地生产灾备环境

智能云平台的运行环境针对开发/测试用户的诉求提供了大功率的8GPU运行环境，用户开发测试和训练完毕的模型，可以直接部署到使用低功耗GPU服务器的生产环境之中，同步提供了安全高效的多租户隔离地生产运行环境。最后系统还为生产环境提供了异地灾备及定期的数据同步服务。

（三）智能云平台以及智能应用的发展过程

1.实施周期及过程

（1）第一阶段（2017年）

为响应中信集团双创号召，中信证券鼓励立项人工智能内部双创项目，中信证券人工智能团队由此成立于2017年初。国内外金融机构目前人工智能领域的应用多数集中在辅助投资经理、研究员、客户的投资决策上，而我们的智能投资体系将完全依赖机器自主独立作出决策。

研发并小规模测试多个智能多头交易策略（股票、封闭式积极基金、各500万元起始资金）。

传统的量化交易模型一旦上线使用后就不会改变，应对市场环境变化的能力差，而我们研发的智能交易策略会根据每天的新数据动态更新自己的策略模型适应当前的市场环境。

自主研发适合智能投资的机器硬件设备。自主研发智能投资体系，采用Google Tensor Flow深度学习框架。自主研发基于深度学习、强化学习的智能策略算法，在全行业处于领先地位。

（2）第二阶段（2018年）

预言家：机器自主预测股票每日涨跌幅。“量子”纠缠：机器自主找到某只股票的相似股票。智能择时：机器日内判断当前时点是否是好的买点或者卖点。投顾组合：图灵系列投顾组合，提供客户一键跟单。

上线9000万规模的智能资管策略产品，成为第一只纯粹靠机器做决策的人工智能资管产品。

自主研发基于深度学习、强化学习、机器学习、大数据的各类智能投顾产品，在全行业处于领先地位，特别是全流程无人工投顾。

基于金融舆情数据，应用自然语言处理技术和知识图谱，实时控制突发事件对策略的影响。

利用深度学习、自然语言训练机器理解各类风控手段，从而实现自主控制回撤。

（3）第三阶段（2019年）

算法交易策略AI-Algo正式上线，满足客户大单拆小单需求，目前已开放给部分外部客户实盘使用，效果良好。

麦卡锡系列投顾组合：智能场外基金大类资产配置FOF策略。

纽厄尔系列投顾组合：智能衍生品跨品种、跨期套利策略。

西蒙系列投顾组合：智能结构性理财收益增强策略。

费根鲍姆系列投顾组合：智能T+0日内高抛低吸策略。

明斯基系列投顾组合：智能股票精选多头策略。

瑞迪系列投顾组合：智能Smart Beta策略。

（4）第四阶段（2020年）

研发股票对冲策略、融资融券及日内T+0策略，补充现有策略的种类，为客户提供多样化策略选择。

海外市场算法开发基于现有算法交易的研究成果及经验，在海外市场应用推广。

基金投资顾问服务平台客户端用于向投资者提供基金投资顾问业务，具体包括可按照协议约定向客户提供基金投资组合策略建议、代替客户作出具体基金投资策略的决策、代替客户执行基金产品交易申请等服务。

投资日报模块向公司客户经理提供了一个提升客户服务品质、增强客户黏性的标准化平台，公募基金、公募化资管产品以及研究部和公司投顾产出的各类产品服务，都可以作为日报素材向客户推送。

市场大数据模块以宏观、行业、舆情、上市公司等四个维度为线索，以国家统计局、财政部等权威机构发布的统计数据为主体，以万得资讯等数据服务商发布的数据为补充，向投资者提供了一个完整的数据分析服务平台。

定价估值服务模块向投资者提供了一个线上产品定价估值服务平台。完整产品类别覆盖固定收益、权益、远期/互换、期权和结构化产品等产品大类，包含30余种产品。一期版本提供固息债券和欧式香草期权两类产品的线上定价估值服务。

2.风险防控措施

（1）智能云平台、智能投资、投顾、投研、风控等智能应用上线以来未出现过风险事故；

（2）各项智能应用都有专职人员进行运维；

（3）各项智能应用都有灾备方案；

（4）智能应用生产环境跟开发测试环境物理隔绝，确保系统稳定运行；

（5）交易系统层面有严格的风控阈值确保智能投资，算法交易策略发出的订单不会发生黑天鹅事件；

（6）算法交易、智能投资策略在下单之前会做下单时点随机化处理以减少对金融市场的冲击。

三、搭建一站式人工智能云平台，实现人工智能投资投顾

 

（一）提供统一的数据、算力和研发运行环境的智能云平台

智能云平台是中国证券业内最早一批针对人工智能应用建立的云平台。目前已支持30个以上人工智能应用，已经在智能投顾、智能投资、智能风控、智能文本处理等领域发挥作用。

本项目的核心功能就是针对数据、算力和研发运行环境这三类资源进行搭建、整合和维护以满足客户研发和运行人工智能应用的需求。

1.数据

项目解决了数据分散、互不相通问题，对数据进行统一的规范和规划。为客户提供准确、高效、稳定、全面的金融数据服务。大大节省客户对于人工智能应用数据开发、处理、维护成本。

2.算力

人工智能的主要成本就是算力成本，各部门单独采购算力资源不仅成本高、门槛高，而且由于每个人工智能应用场景不同，普遍存在算力资源的浪费现象，资源配置效率较低。而本项目提供统一的算力资源，所有应用按需、按业务优先级共享云平台的算力池，应用开发人员不需要关心算力资源的搭建、维护和升级。极大地降低算力成本，优化公司资源配置。例如，云平台为衍生品估值提供算力资源，运算速度较传统架构提高了4500倍。目前为股衍、库务、风控、财务、清算、中证投资和金石投资198个产品提供估值服务。云平台同时为公募等私募基金市场透视数据的计算提供算力资源。可在5分钟内完成对近12000只公募和私募基金产品提供收益率、波动率、夏普比率等的市场透视数据，并按照产品性质完成同类排名。

3.研发运行环境

智能云平台提供各类主流的人工智能、机器学习研发框架，提供一站式人工智能应用研发、部署、运行方案。目的就是让人工智能应用研发人员只需要关心业务逻辑，脱离环境搭建的繁重枷锁，提高研发人员的工作效率。

（二）高覆盖面的人工智能投资投顾策略框架

目前国内市场上的智能投资投顾产品以传统量化模型为主，资产配置或者交易决策以人工专家经验为主，机器为辅，将投资自动化当成投资智能化。

中信证券自主研发的一套通用人工智能投资投顾框架，旨在运用深度强化学习理论，通过学习历史市场数据，训练机器进行二级市场投资，实现无人投资（无投资经理、无交易员、无研究员）。投资全流程没有人工干预，所有投资交易决策由机器独立完成，并且机器会根据当前市场环境和账户资金持仓情况持续自主学习调整策略以适应新的市场环境。

桥水基金创始人雷·达里奥在《原则》一书中说道“投资是一个反复的过程。您下注，失败（有时很痛苦），学习新知识并重试。在这个艰难的过程中，您可以通过不断的反复试验来改进自己的决策”。自达尔文阐明自然法则以来，这一原则对我们的适用程度显而易见，这对于交易决策也适用。这种直观的想法在人工智能领域被称为强化学习（Reinforcement Learning）。

强化学习是智能体（Agent）以试错的方式进行学习，通过与环境进行交互获得的奖惩值（Reward）指导行为，目标是使智能体获得最大的奖惩值。强化学习把学习看作行动—评价过程，智能体基于当前策略选择一个动作用于影响环境，环境接受该动作后状态（State）发生变化，同时产生一个奖惩值反馈给智能体，智能体基于奖惩值和当前状态（State）再选择下一个动作，选择的原则是使受到奖励的概率增大。选择的动作不仅影响立即奖惩值，而且影响环境下一时刻的状态及最终的奖惩值。强化学习中的奖惩值是智能体对所产生动作的好坏作一种评价，智能体在行动—评价的环境中获得知识，改进行动方案以适应环境。

投资交易本质上是一个通过连续决策（每隔一段时间决定是否下单，下单数量和价格），在完成设定的目标量的前提下，获得更好的成交均价的过程。如下图所示，算法交易可以抽象成一个强化学习过程。智能体（Agent）代表算法交易策略。基于当前的市场状态（State）和上一步的奖惩值（Reward），智能体会生产一个交易指令（Action），交易指令的执行又会影响委托、成交、行情、实时绩效、账户信息等交易环境（Environment），从而产生一个新的状态和奖惩值。对于买入的算法指令，当成交均价小于市场均价时，奖惩值为正；对于卖出算法指令，当成交均价大于市场均价时，奖惩值为正。正的奖惩值反馈到智能体会使其强化类似的下单决策，负的奖惩值反馈到智能体会使其倾向于避免类似决策再次发生。通过正负奖惩值不断滚动的反馈刺激调整其内部参数，使得智能体有更大概率跑赢市场均价。

深度强化学习（Deep Reinforcement Learning）本质上是深度神经网络（DNN）和强化学习的结合，是目前人工智能领域最前沿的科研领域之一。深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，是一种更接近人类思维方式的人工智能方法。深度学习具有较强的感知能力，但是缺乏决策能力；而强化学习具有决策能力，无法处理感知问题。因此，将两种机器学习方法结合起来，优势互补，为复杂系统的感知决策问题提供了解决思路。谷歌人工智能Deep Mind团队带头人David Silver将深度强化学习定位为可以解决任何人类工作的通用人工智能方法，宣称通用人工智能（AI）=深度学习（Deep Learning）+ 强化学习（Reinforcement）。实践中，我们熟悉的AI围棋选手AlphaGo、AI星际争霸选手AlphaStar的核心算法理论便是深度强化学习。强化学习的投资决策能力前文已经介绍了。在深度强化学习中，深度神经网络的作用又是什么呢？实际上深度神经网络被用来挖掘交易状态（State） 和交易指令（Action）之间的内在关系，并基于当前交易状态，输出最大可能获得奖励的交易指令。

中信证券智能投资投顾框架可以覆盖市场所有主流的策略类型和证券类型；业务类型既可以是财富管理业务，也可以是资管或者自营交易业务；服务客群既可以是长尾客户，也可以是高净值个人客户和机构客户。

四、实现多领域突破，提供高效、便捷和多样化服务

 

（一）智能云平台，提供广泛估值服务

云平台目前已支持30个以上人工智能应用，已经在智能投顾、智能投资、智能风控、智能文本处理等领域发挥作用。云平台同时为衍生品估值提供算力资源，运算速度较传统架构提高了4500倍。目前为股衍、库务、风控、财务、清算、中证投资和金石投资等198个产品提供估值服务。

（二）智能投顾，满足客户的多样化需求

“AI投顾”是中信证券人工智能团队基于智能云平台自主研发的智能投顾产品，目前7个系列23只智能投顾组合产品覆盖了市场上主流的策略类型，策略绩效总体都非常不错，2019年全年通过公司信E投累计服务客户989万次，日均服务客户2.7万次。

智能投顾由于整个投资过程没有人工干扰，所有投资交易决策由机器独立完成，这样的投资策略具有稳定性高、成本低的特点，能够给客户带来符合其需求的投资收益。智能投资投顾框架可以覆盖市场上主流的策略，可以满足客户的多样化需求。

（三）智能算法交易，独立完成下单决策

中信证券自主研发的全智能算法交易策略AITWAP3，旨在运用深度强化学习理论，通过学习历史A股Tick行情数据，训练机器学习算法交易策略（交易时机、数量和价格类型的选择）。所有下单决策由机器独立完成，并且机器会根据当前市场环境每日持续学习调整策略以适应新的市场环境。截至2020年12月21日，智能算法交易累计成交3.61亿股，累计交易金额39.09亿元，优于市场均价2.82个基点。

（四）智能资讯应用，助力风险识别和业务发掘

智能资讯项目，通过监控业务部门关注的监控标的，极大地扩大了业务部门对市场舆情覆盖的范围和提高了实时性，助力业务人员提高风险识别和业务机会发现能力。舆情应用目前覆盖公开资讯网站200多家，覆盖主流资讯频道2000多个，日采集并处理资讯平均5万多条。

（五）智能风险识别应用，辅助风控和投资决策

通过系统实时抓取新闻事件，利用自然语言处理技术将相关的上市主体和风险事件提取出来，并分析其对哪些上市公司主体有正、负面影响，从而指导业务人员做出风控和投资决策，相比人工风控，效率更高，响应速度更快，系统处理流程框架如下图。

平台底层使用集群管理系统Kubernetes管理所有的服务器硬件。Kubernetes是Google开源集群管理系统，在Docker技术的基础上，构建全新的容器管理的分布式架构领先方法，实现了部署运行、资源调度、服务发现、弹性伸缩和动态扩展等一系列完整功能。同时扩展多层次的安全防护和准入机制、多租户应用支撑能力、透明的服务注册和发现机制、内建智能负载均衡器、强大的故障发现和自我修复能力、服务滚动升级和在线扩容能力、可扩展的资源自动调度机制以及多粒度的资源配额管理能力。

（六）智能文档抽取应用，提高运营效率

以托管业务为例，托管业务涉及的几千份合同，每个合同含有200多个业务要素需要关注。通过人工抽取，每份合同需要30分钟左右，现在使用机器进行智能文档自动抽取，每份合同2分钟之内完成处理，云平台提供的托管私募基金合同要素抽取和OCR服务，大大提高了部门处理托管合同的运营效率。

（七）智能客户外呼应用，减少人工回访工作量

在智能客服方面，智能外呼系统通过拟人化的机器人外呼，可大量减少人工座席的回访外呼工作量，按照2019年系统统计数据，减少约76%的人工外呼工作量，智能外呼机器人在服务过程中需要对姓名、机构名称、合约信息、业务信息变量进行准实时语音合成，采用云平台GPU服务资源，可确保个性化语音合成声音效果的准确性和与固定播报话术的连贯性，经实际上线验证，合成效果几乎没有机器人的痕迹。

（八）智能投研与自动报告，提供研究便利

基于人工智能等技术自主开发的智能投研系统，每日会及时生成当天个股全景和行业跟踪报告，交易日系统自动生成个股研报、北线资金流向、宏观流动性日报、行业日报、ETF基金日报和债券ABS等六类报告。

提醒研究员进行研究报告覆盖，特别是关于重大盈利风险事件，会同步列出行业内相似公司的相关数据，供研究员分析和比对，对于公告中涉及的各类事件，每日自动生成公告摘要报告，及时推送各个行业研究组，大大节省了研究员获取资讯和个股事件的时间，使研究员更专注于深度报告撰写和公司深度研究。

（九）人工智能在证券领域应用的创造性获奖案例

● 2020年10月，获深圳市福田区香蜜湖金融科技创新项目优秀奖。

● 2020年9月，受邀参加深交所举办的金融科技界（证券）行业交流会并发表人工智能在证券领域应用主题演讲。

● 2020年9月，录制证券业协会举办的“证券机构数字化转型与证券科技创新”公开课《中信证券智能云平台以及智能应用》。

● 2020年8月，《中信证券智能云平台以及智能应用》刊登在《中国证券》杂志2020年第8期。

● 2020年7月，获中国证券业协会与清华五道口主办的“证券机构数字化转型与证券科技创新”活动十佳征文。

● 2020年1月，获中信集团科技创新类“中信品牌理念践行奖”，是我司唯一获奖项目。

● 2019年9月，在上交所《交易技术前沿》杂志发表题目为《应用深度强化学习实现智能投资》的论文，系统地阐述了中信证券如何应用人工智能领域最前沿的深度强化学习理论研发智能投资投顾产品。

● 2019年1月，中信证券作为大陆唯一的券商代表在第二十三届两岸金融合作研讨会就“智能投顾的应用与发展”这个议题发表主题为《中信证券在智能投顾领域的实践》的演讲。

五、关注底层人工智能技术成熟度，契合业务场景具体需求

 

人工智能技术在券商领域的应用总体上可以根据券商业务的特点划分为前台智能应用和中后台智能应用。人工智能在券商领域的发展趋势依赖于两方面的条件：一个是底层人工智能技术的成熟度，一个是业务场景的具体需求和发展趋势。

从技术上来说，比如应用深度强化学习技术实现的各类机器人已经能打败最顶级的围棋、星际争霸选手。我们把投资交易也看成一个博弈游戏，应用这类技术做投资交易决策的效果目前正在稳步逼近人类顶级水平。券商、基金公司也都在快马加鞭招募人工智能相关背景的人才做投资交易策略。

然而基于自然语言语义处理的各类技术，由于底层技术的瓶颈，很难达到人类专业水平，比如替代人类同声翻译，理解语言文字中的深度含义以及正负面的信息。例如，银行的客服热线现在大部分都有智能客服的概念，尽管能解决部分客户需求，但是大多数客户拨打客服热线就是希望直接找到人工座席解决棘手的问题。智能客户很难解决复杂客户诉求，而简单的客户诉求大部分通过手机APP、微信公众号就可以解决，智能客服成为一个没有太多实用价值的噱头。目前市场上充斥着各类基于自然语言处理技术的智能应用，也有非常多的创新科技公司贩卖相关的产品，但是总体上炒概念的成分比较多，实用价值比较少。除非底层的自然语言语义技术有本质的突破，能训练机器达到普通人类对语言语义的理解能力，不然永远只能作为一个噱头用于市场营销。

从业务层面来说，数字化、自动化、程序化程度较高，数据质量较高的业务智能化的发展也会更快更好，比如证券交易相关的业务：财富管理、投资咨询、自营交易、资产管理、风险管理等。相反，目前依然需要大量人工参与的业务人工智能技术所起到的作用有限，比如投资银行业务。

从岗位层面来说，依赖数据做分析、判断、预测、决策的投资经理、交易员、研究员等岗位被机器替代的概率较高。这些都是机器学习技术比较擅长做的事情。从国外的经验看，也是大势所趋。相反，依赖理解人类语言语义，跟人打交道较多的岗位被机器取代的概率比较小，例如销售、营销、客户经理等岗位。

目前各大券商都在人工智能领域布局，在有限的资源下怎样合理高效的投入是十分重要的。总体来说，跟证券业务紧密联系的前台应用（例如智能投资策略、智能投顾、智能算法交易等）应该采取自主研发的方式以保持跟同业差异化的竞争优势；跟证券业务紧密相关的中后台智能应用可以选择跟厂商一起合作研发——以券商内部人员需求管理为主，具体研发外包给厂商的模式。通用人工智能应用采取直接采购的模式，重点是找到与之匹配的应用场景。加强短期难见成效的噱头智能产品的评审过程：底层技术是否理论上支持预期的效果；广泛参考海内外行业是否有实际场景应用；客观评价用户实际满意度。

长按识别下方二维码

欢迎参加第三届“金融科技创新案例（2021-2022）征集”

长按识别下方二维码

欢迎购买《“数字经济+科技向善”金融科技创新实践2021》

*本文版权归“金融科技研究”所有，未经授权禁止转载。

点击查看近期热文

  

“金融科技50人论坛”成立五周年啦，特别感谢热心读者对我们的支持，我们建立了“金融科技·读者微信群“，发布研究成果、促进交流合作、赠送金融科技图书，欢迎您的参与。

入群方法：加群主为微信好友（微信号：serenazys）,添加时备注个人姓名（实名认证）+单位+职务+入群，经群主审核后，即可被邀请进群。欢迎读者朋友多多留言与我们交流互动。

“金融科技50人论坛”（CFT50）：于2017年4月22日在北京发布成立。紧密围绕金融科技理论、实践与政策前沿，努力建设成为服务于“政产学研用”的独立优秀学术平台，并积极推动金融科技领域的交流协作与教育培训。参与出品的《中国金融科技运行报告》《全球金融科技创新实践》《中国金融科技青年论文》《CFT50金融科技资讯》等学术成果，在金融科技领域具有重要的影响力。

更多内容，请长按识别二维码关注