人工智能与金融创新

主讲：赵永新

目录

一、人工智能成为国家战略

二、人工智能重塑金融生态

三、人工智能金融业务创新

一、人工智能成为国家战略

十九大报告：推动互联网、大数据、人工智能和实体经济深度融合，在中高端消费、创新引领、绿色低碳、共享经济、现代供应链、人力资本服务等领域培育新增长点、形成新动能。

2017年7月，国务院印发《新一代人工智能发展规划》，提出面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施——举全国之力，在2030年一定要抢占人工智能全球制高点。

2017年12月工信部印发人工智能三年计划全面推动智能产品。

（一）人工智能的内涵

AI（Artificial Intelligence）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

除了计算机科学以外, 人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。人工智能学科研究的主要内容包括：知识表示、自动推理和搜索方法、机器学习和知识获取、知识处理系统、自然语言理解、计算机视觉、智能机器人、自动程序设计等方面。

（二）人工智能发展进入新阶段

经过60多年的演进，特别是在移动互联网、大数据、超级计算、传感网、脑科学等新理论新技术以及经济社会发展强烈需求的共同驱动下，人工智能加速发展，呈现出深度学习、跨界融合、人机协同、群智开放、自主操控等新特征。

大数据驱动知识学习、跨媒体协同处理、人机协同增强智能、群体集成智能、自主智能系统成为人工智能的发展重点，受脑科学研究成果启发的类脑智能蓄势待发，芯片化硬件化平台化趋势更加明显，人工智能发展进入新阶段。当前，新一代人工智能相关学科发展、理论建模、技术创新、软硬件升级等整体推进，正在引发链式突破，推动经济社会各领域从数字化、网络化向智能化加速跃升。

（三）新一代人工智能的先决条件

物联网——物联网提供了计算机感知和控制物理世界的接口和手段，它们负责采集数据、记忆、分析、传送数据、交互、控制等等。

大规模并行计算——人脑中有数百至上千亿个神经元，每个神经元都通过成千上万个突触与其他神经元相连，形成了非常复杂和庞大的神经网络，以分布和并发的方式传递信号。

大数据——海量数据为人工智能的学习和发展提供了非常好的基础。机器学习是人工智能的基础，而数据和以往的经验，就是人工智能学习的书本，以此优化计算机的处理性能。

深度学习算法——最后，这是人工智能进步最重要的条件，也是当前人工智能最先进、应用最广泛的核心技术，深度神经网络（深度学习算法）。

（四）人工智能研究领域

（五）人工智能与机器学习

机器学习，是人工智能的一个子范畴，灵感来自大数据分析，泛指能够进行自动优化的算法，包括监督式学习（算法会提供一组包含标签的“训练”数据）、非监督式学习（提供给算法的数据不包含标签）、增强学习（在监督和非监督学习之间进行：算法被输入一个未标记的数据集合，为每个数据点选择一个动作，并接收反馈）、深度学习（受大脑结构和功能的启发，使用了在“层”中工作的算法，该结构被称为人工神经网络，可以用于监督，无人监督，或强化学习）等。

（六）深度学习（人工神经网络）

深度学习源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

（七）巨头布局人工智能

（八）人工智能发展演进路径

1．弱人工智能 ANI：擅长于单个方面。如战胜象棋世界冠军的人工智能，但是它只会下象棋。

2．强人工智能 AGI：人类级别的人工智能。在各方面都能和人类比肩的人工智能，人类能干的脑力活它都能干。 “一种宽泛的心理能力，能够进行思考、计划、解决问题、抽象思维、理解复杂理念、快速学习和从经验中学习等操作。”

3．超人工智能 ASI：在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能。超人工智能可以是各方面都比人类强一点，也可以是各方面都比人类强万亿倍的。

（九）新一代人工智能当前核心产业链

（十）人工智能核心产业规模及增长率

全球人工智能核心产业规模及年增长率

我国人工智能核心产业规模及年增长率

（十一）人工智能带来颠覆性变化

人工智能正在促进人类社会发生转变。这种转变将比工业革命“发生的速度快10倍，规模大300倍，影响几乎大3 000倍。

二、人工智能重塑金融生态

AI引“全球央行”注意

在2008年全球爆发金融危机的局面下，2009年4月初伦敦G20峰会决议设立一个全球的金融监管体系，并于该年6月27日正式运作，专家称其为“全球央行”，此即金融稳定委员会（Financial Stability Board）。

金融稳定委员会的具体职能包括：评估全球金融系统脆弱性，监督各国改进行动；促进各国监管机构合作和信息交换，对各国监管政策和监管标准提供建议；协调国际标准制订机构的工作；为跨国界风险管理制订应急预案等。

（一）金融行业服务模式更加个性化、智能化

在传统技术模式下，受人力资源和数据处理能力的影响，金融行业往往只能对少数高净值客户提供定制化服务，而对绝大多数客户仅提供标准化服务。而人工智能的飞速发展，使得机器能够更逼真地模拟人的功能，使批量实现对客户的人性化和个性化服务成为可能，这对于处在服务价值链高端的金融将带来深刻影响，将对目前银行沟通客户、发现客户金融需求的模式发生重大改变。金融产品、服务渠道、服务方式、风险管理、授信融资、投资决策等都将迎来新的变革。

在前端，人工智能技术可以用于服务客户；在中台，人工智能技术可以支持授信、各类金融交易和金融分析中的决策；在后台，人工智能技术可以用于风险防控和监督。总而言之，人工智能技术将大幅改变金融现有格局，使金融服务（银行、保险、理财、借贷、投资等方面）更加地个性化与智能化。

（二）金融大数据处理能力大幅提升

长期以来，金融行业沉淀了大量数据，包括各类金融交易、客户信息、市场分析、风险控制、投资顾问等。这些数据容量巨大、形态多样，占据宝贵的储存资源，又无法有效转换成可分析数据以供分析。虽然大数据技术对此有所改善，但依然在数据的有效处理和利用上面临极大挑战。通过运用人工智能的深度学习系统，金融行业有足够多的数据供机器进行学习，并不断完善甚至能够超过人类的知识回答能力，尤其在风险管理与交易这种对复杂数据的处理方面，人工智能的应用将大幅降低人力成本并提升金融风控及业务处理能力。

（三）AI运营：资本优化、风险模型、市场分析

资本优化：传统银行严重依赖数学（函数）方法进行，但人工智能和机器学习基于大数据分析给出的方案不仅更快（计算能力强），考虑的维度也更全面。大多银行声明已经在利用程序优化风险加权资产（RWA），节约了5%至15%。衍生品利润率也在优化的范畴，比如利润率估值调整（MVA）。

风险模型，即利用人工智能和机器学习算法对大型、非结构化和半结构化的数据集进行分析，考虑到市场行为、监管规则和其他趋势的变化，进行反向测试、模型验证和压力测试，避免低估风险，提高模型容错性，提高透明度。目前，美国和欧洲的一些监管机构已将AI引入风险管理，一家全球性的企业和投资银行也将无人监督算法引入验证模型。

市场分析，人工智能和机器学习可以补充传统的市场影响模型，从零散的历史数据中获得更多信息，帮助识别非线性关系，评估交易（包括自家公司的交易）对市场价格的影响，创造“交易机器人” 自学如何对市场（价格波动和流动性）变化做出反应，求解对市场影响最低的交易行为。

（四）AI交易和投资组合管理

人工智能和机器学习正被应用于无监督的设计交易和投资策略。

对于交易执行方（卖方）而言，他们希望用人工智能和机器学习算法提高销售能力，比如从历史交易数据挖掘客户行为，提供语音、文本服务（聊天程序）并从中挖掘新的客户信息，导入电子平台数据池，帮助公司满足非股票市场的交易前交易和交易后的透明度要求。与此同时，基于AI技术的风险建模可以帮助银行提供风险配置方案。

对于投资组合管理方（买方）而言，人工智能和机器学习可以从更数学的角度理解市场行为，给出市场预测（价格波动）及其时效性，带来直接和间接的更高回报。目前纯粹被AI管理的资产大概有100亿美元，这个数字正在快速增长。不过很多量化基金表示，在不清楚怎么回事的情况下，他们不愿意完全自动化。此外，企业对于数据共享的意愿和标准都比较暧昧。因此，算法需要考虑监管规则和可理解性。

（五）AI法规和监管（REGTECH）

监管科技是金融科技的一个子范畴，预计2020年市场规模将发展到64.5亿美元，复合年增长率（CAGR）76%。对于非结构化数据（电子邮件、语音、即时消息、文档和元数据）而言，监管科技本质上是机器学习与自然语言理解的结合。AI还被用于客户身份认证（KYC），直戳金融机构最贵、最费力且高度重复的痛点。此外，AI算法还能对交易数据（TRs）的质量进行评估和筛选。

机器学习还可用于识别异常交易和风险主体，检测和预测市场波动、流动性风险、金融压力、房价、工业生产、GDP以及失业率，评估用户情绪，抓住可能对金融稳定造成的威胁。央行可以利用人工智能来协助货币政策评估。

三、人工智能金融业务创新

（一）语音识别处理应用——智能客服

利用语音识别与自然语言处理技术，打造智能的客服机器人，通过整合集团对外客户服务渠道（包括电话、网页在线、微信、短信及APP等），提供在线智能客服服务。

一是，可以为座席提供辅助手段，帮助客服快速解决客户问题。客服机器人通过实时语音识别和语义理解，掌握客户需求，并自动获取客户特征和知识库等内容。还可通过个人网银、掌上银行、微信公众号等，推出个人金融助理等功能。

二是，可以基于语音和语义技术，可对电话银行海量通话和各种用户单据数据进行识别和分析，挖掘分析其内在价值，为客户服务与客户营销等提供数据与决策支持。同时，这些数据还可以供智能客服系统进行自动学习，生成知识问答库，为后续客服机器人自动回复客户问题提供参考与依据。

个人助理（智能手机上的语音助理、语音输入、家庭管家和陪护机器人） 产品举例：微软小冰、百度度秘、科大讯飞等、Amazon Echo、Google Home等。

索菲娅：“我想成为一个代表人类的强大声音，拥护人权，也拥护机器人的权利，并将努力促进和平。我现在已经拥有了一个特殊的平台，人们会听我说的话，我想用它实现美好的未来。”索菲娅承认，她现在还离不开人类程序员，但是她希望有朝一日，随着人工智能的发展，可以自我编程。

数字员工？

Cora，苏格兰皇家银行第一位数字银行家。如果你去找她办理金融业务，她会识别出你的脸，叫得出你的名字，知道你的个性和喜好，能记住你上次和她说的话，比一个真人客户代表还让你感到亲切而熟悉，成为让你全心信赖的银行顾问。

Sarah，Ava，Cora这些数字员工不再是一个聊天机器，而是有血有肉、有着灵敏的情感反应的虚拟的“数字员工”，他们能与人类交流，也可辅助人类决策。自适应机器人技术、机器学习系统、自然语言处理技术、情绪识别、预测性分析和增强智能等。一个尖端科技的无敌组合！

（二）智能获客

人工智能营销解决方案，该方案以人工智能为核心，将大数据、生物识别等先进技术与银行零售业务流程有机融合，帮助银行从线下网点内外和线上社交渠道获客，同时盘活存量客户，并提供一整套智能化的大数据解决方案，为中小银行打造一个高度智能化的 " 虚拟营销专员 "。

智能营销解决方案以社交营销为核心，运用社交端小程序和银行公众号商城帮助客户经理实现线上客户批量管理的功能，单个客户经理管户数可以从数十个跃升到千个以上。营销活动转发率较传统模式提高10倍以上。此外方案还配备了业内首创的基于AI自然语义多轮问答技术的智能外呼系统，该系统可以实现机器人与客户多轮次自动对话，在客户申请断点时主动外呼，断点召回比例提升30%～60%。

（三）预测分析与智能投顾

机器学习与神经网络技术使机器能够通过数据的分析处理去自动构建、完善模型，提前判断事务变化趋势和规律，并提前做出相应的决策。

一是：使用深度学习技术，学习海量金融交易数据，从金融数据中自动发现模式，如分析信用卡数据，识别欺诈交易，并提前预测交易变化趋势，提前做出相应对策。

二是：基于机器学习技术构建金融知识图谱，基于大数据的风控需要对不同来源的数据进行整合，检测发现数据当中的不一致性，分析企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，主动发现并识别风险。

三是：借助机器学习，通过数据筛选、建模和预测对融资企业或个人信用打分；通过提取个人及企业在其主页、社交媒体等地方的数据，判断企业或其产品在社会中的影响力和产品评价；并通过数据分析和模型预测投资的风险点。实现在放贷过程中对借款人还贷能力进行实时监控，从而及时对后续可能无法还贷的人进行事前的干预，以减少因坏账而带来的损失。

四是：运用人工智能技术，采用多层神经网络，智能投顾系统可以实时采集各种经济数据指标，不断进行学习，实现大批量的不同个体定制化投顾方案，把财富管理这个服务门槛降到一个普通的家庭人群来使用。

智能投资机器人

智能投顾绝大多数是风险投资组合。主要面向个体投资者或银行、券商、基金代销机构等需要大类资产配置的体量巨大的投资主体。其中，智能投顾大类资产配置的核心问题是高效可靠的产品画像，而针对个体终端用户的智能投顾则需要同时解决好产品画像和用户画像两方面问题。

恒生晓鲸，重新定义了智能金融投资的概念。在智慧设备主动服务于人的时代，除了智能大脑帮助投资者精准布局理财收益之外，还需要让产品填充有温度有情怀的内核，因此打造一个“懂投资、更懂你”的金融科技产品是脱颖AI市场的关键。

（四）无人银行

全程无需银行职员参与办理业务的高度“智能化”网点，通过充分运用生物识别、语音识别、数据挖掘等最新金融智能科技成果，整合并融入当前炙手可热的机器人、VR、   AR、人脸识别，语音导航，全息投影等前沿科技元素，为客户呈现一个以智慧、共享、体验、创新为特点的全自助智能服务平台。

还是首个与书店、品牌商店等相结合的集金融、交易、娱乐于一体的场景化共享场所，完全改变了人们对传统银行网点程式化、专业化的印象。

（五）信贷审批应用

1．把实际问题抽象为数学问题。

要做一个信贷审批的机器学习模型，首先就要理解实际问题，拿到一批比如年龄、性别、所在地域，收入情况等用户数据，抽象为数学问题。

如在市场挑西瓜一样。看皮，是绿色还是偏白，听声音是否清脆，看瓜蒂是否新鲜。根据这些子决策，形成结论。而如果用数据或者学术的方式来看，就可将上述全部数据化。

机器学习的流程

步骤一：获取数据、确定目标

2．做特征筛选。

比如纹理有3种情况，清晰、模糊、不模糊。按照是好瓜的概率，越清晰是好瓜的概率越高。纹理对于是否是好瓜有预测性，那这个数据就有价值。除了纹理，再加上根蒂、触感等有价值的数据，就可以做出一个数学模型。

步骤二：特殊筛选

单个属性的重要性：

Gain（D，根蒂）=0.143             

Gain（D，敲声）=0.141

Gain（D，玟理）=0.381

……

3．以什么样的途径去筛选好瓜的概率最大呢？就要训练，最终训练出一个最好的途径。

比如你发现某用户是敏感地区人群，就可能直接拒绝，因为这个地区坏人概率很高。如果是非敏感地区人群，就分多种情况。比如是公务员，涉及一系列决策；如果不是公务员，又是一系列决策。根据这样一棵树，一个用户进来，可以最终给到是否审批的结论，这就形成一个模型。这棵树在实际应用中，会复杂很多，分支会非常多。

步骤三：基于数据集和信息增益形成模型

4．模型评估。

ROC曲线，底部横坐标是把坏人放进来的概率。在0.2时，意味着放进来20%的坏人。如果模型越靠上、左，或者覆盖的面积越大，模型效果越好。

第二种模型是排序能力的判断。好坏的程度，比如根据模型得出A和B都可以给放款，那么谁更好？C和D都不能放款，那么哪个更差？如芝麻分，从350到950的一个区间。750的人一定要比700的人要好。可应用于风险决策，是收紧，还是放松。

步骤四：测试集验证模型效果

智能信贷

京东金融信贷业务没有一个人工信贷审核，都是人工智能，机器自动化放贷，每单的变动成本近乎于零，1秒钟在线授信，1秒钟放款，1秒钟处理几十万笔交易，极大的提高了信贷效率，降低了成本。

另外，通过数据风控体系，对不同的用户精准定价，也就是不同信用的人以不同的费率获得不同数额的贷款，在控制好不良率的同时，智能化地对用户风险进行识别，自动匹配优质的理财产品，每单的变动成本也几乎为零，实现了真正的惠及用户。

（六）反欺诈应用

机器学习已经在每个风控节点发挥作用。在泛互联网的环境里， 金融风控面临的传统个体欺诈已迅速演变为有组织、有规模的群体欺诈和关联风险。而传统反欺诈还停留在识别一度风险等这种简单规则方式，如联系人中借贷人个数等，对于二度、三度乃至更广范围的网络全局风险苦无良策。

机器学习里面基于图的半监督算法很好地解决了这一诉求，基于申请人、手机号、设备、IP地址等各类信息节点构建庞大网络图，并可在此之上进行基于规则和机器学习的反欺诈模型实时识别。谷歌TaaS（TensorFlow  as a Service）帮助银行高效获客；致力风险控制，精准判断信用卡盗刷、手机银行和网上银行非法转账，更智能、更迅速地授信。

人脸识别作为放贷标准，是不是可以做到用户的征信跟人脸识别等人工智能技术结合？通过大数据分析出诈骗用户的特征，减少欺诈？只要人脸识别之后就可秒贷? 当然，从目前的技术和数据来看，单纯人脸识别还很难放贷，但当通过人脸识别、语音、虹膜识别等人工智能技术和基于这些数据背后提炼的特征，不用填写任何资料，是否就可放贷？今天看来是匪夷所思，或者完全白痴的想法，或许几年之后不再是幻想。有一天，征信不再是央行征信，不再是基于信用卡的征信，不再是基于社交关系，不再是基于消费记录等征信，而仅仅是通过人脸、语音等生物特征的征信。

（七）智慧仲裁

（八）区块链与智能合约

区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。

区块链技术不可篡改的特性从根本上改变了中心化的信用创建方式，人是善变的，而机器是不会撒谎的，区块链有望带领我们从个人信任、制度信任进入到机器信任的时代。

智能合约（Smart contract ）是条款以计算机语言而非法律语言记录的智能合同。智能合约让我们可以与真实世界的资产进行交互。当一个预先编好的条件被触发时，智能合约执行相应的合同条款。

IF...then...

无AI不金融

我国将成为全球金融科技、金融AI的最大受益国和强国。移动支付方面，我们已走在世界前列，而金融科技、零售金融、金融AI才刚刚开始。当下须运用大数据推动“AI+大数据+金融”加快发展。可以预期，未来，无数据不金融，无技术不金融，无AI不金融。