前些天“互联网+金融”可谓是火花四溅，四大行分别牵手BATJ，建行&阿里、农行&百度、工行&京东、中行&腾讯，这年头好像不拥抱互联网科技巨头就不是新时代的银行了一样。四大行齐发力金融科技，给这个今年本来就很热的领域又添了一把火，彻底烧到了我们每个人身边。今天带大家聊一聊金融科技的落地应用，以及它给我们的生活带来的改变。
1、征信：通过大数据技术多维度获取数据，并建模评估，可以实现智能征信评估和审批。难点在于各个企业数据源暂未打通，且信用体系覆盖率低，评分系统不健全。
国内的个人小额信贷普及率远远低于美国等发达国家，大量没有信用卡的蓝领人群的需求没有得到满足。
实际上，基于大数据和人工智能技术，完全可以实现智能征信和审批。通过多渠道获取多维度的数据，包括通话记录、短信信息、购买历史、电商数据，以及社交网络上的留存信息等，可以提取出上百种变量，进入到大数据模型，对个人信用进行评估。对于缺少抵押和担保的中小企业，也可以通过大数据征信解决他们的融资困难问题。
这块美国已经做得非常先进，他们有完善的个人信用评分体系FICO和三大征信机构的数据模型。中国相对要落后得多，信用体系覆盖率低，评分系统不健全，有很多创新企业在这块发力。他们都在通过自己渠道资源获得数据，构建分析模型，不同平台间完全没有互通。现在业界也在呼吁打通数据源，这样中国的征信体系才能大踏步地前进，只能说期待这一天的到来吧。
2、风控：信贷业务中贷款人信息真伪判断，以及还款意愿和还款能力评估。
所有金融业务中最重要的环节都是风险控制。以信贷为例，贷前有两个步骤非常关键，第一识别贷款人信息的真实性，第二识别贷款人的还款意愿和还款能力，贷中通过监控贷款人的行为数据及时发现异常，贷后通过反馈数据补充信用评分。无论是消费贷还是现金贷，利用数据积累和大数据技术建立有效的智能化风控体系，是一个平台的核心能力，直接决定着平台能否持续地运营下去。
3、反欺诈：通过技术手段（人脸识别、声纹识别、指纹识别、虹膜识别、光学识别等）判断注册金融用户真实性，利用机器学习防止垃圾注册、盗卡盗刷、虚假交易、恶意刷单、恶意套现、营销作弊薅羊毛等。
金融安全是维护金融秩序稳固的基石，任何一个金融平台都会投入大力气在这上面。有别于虚拟的社交网络，对于一个注册的金融用户，首先要验证他身份的真实性，这里面用到的技术包括人脸识别、声纹识别、指纹识别、虹膜识别、光学识别(OCR)等等。支付宝研发了OCR系统用于身份证校验，同时内嵌了face++的人脸识别和活体检测技术提供刷脸验证服务。在这些方面，人工智能确实比人更加优秀，不仅识别时间缩短到了1秒，而且识别错误率大幅降低。
除了身份验证以外，人工智能在网络反欺诈方面也发挥着巨大的威力，比如防止垃圾注册、盗卡盗刷、虚假交易、恶意刷单、恶意套现、营销作弊薅羊毛等等，这里面用到了大量的智能数据分析和机器学习技术，国内同盾科技在这方面做得非常好。以前通过专家系统把网络安全管理员掌握的知识和规则程序化，交给机器去执行识别欺诈，现在有了机器学习技术，机器可以自主地从海量实时并发的交易数据中学习，进化的周期更短，发现异常的速度更快。
4、差异化定价：为差异化定价产品提供数据支持，例如差异化车险、天猫运费险等。
过去的金融体系是统一定价，有了大数据和人工智能以后，可以根据每个用户的情况差异化定价。比如很多做车联网产品的创业公司，收集了车主的驾驶行为数据以后，和保险公司合作推出差异化车险，对驾驶习惯良好的车主给予一定保费上的优惠。如今个性化保费的时代已经到来，天猫的运费险就是一个典型的案例。
5、精准营销&智能客服：精准营销降低金融有效客户甄别成本；智能客服解决常见金融咨询80%重复性问题。
金融平台和互联网平台最大的不同之处在于互联网平台有网络效应，用户规模越大，获客成本越低，但是金融有效客户的甄别和获取成本不会降低。技术可以帮助解决这个问题，通过用户画像和大数据模型可以找到精准用户，实现精准营销。
再有就是金融客服。金融咨询中有80%的常见问题都是重复性的，而且在一个限定领域内，还能得到快速反馈，成为自然语言理解和对话机器人最快落地的场景。通过对话可以发掘用户的需求，解释和推荐产品，还能带来销售转化。
6、投资决策辅助&投资机会识别：主要在前期的数据收集以及预处理，对信息的基础分析和初步预测。
其实人工智能在证券和投资研究上可以给予很多帮助，第一收集和处理数据，第二分析和预测结果。面对信息爆炸和过载，人要想从海量数据中找出相关性是很困难的，机器可以让这件事情变得更容易。机器学习算法可以通过自主学习寻找信息和资产价格的相关性，自然语言处理技术可以理解新闻、政策文件、社交媒体中的文本信息，寻找市场变化的内在规律。同时通过知识图谱的建模方式，人们可以把行业规则、投资关系等常识赋予计算机，帮助机器排除干扰，更好地结构化信息。
（1）自动报告生成
投资和投行行业中有大量固定格式文档的撰写工作，试想如果把收集到的资料直接输入给机器，机器就会自动生成图表和报告，我们只需要做组织、修改、复核的工作就可以了，那该多好！
（2）金融搜索引擎
人工智能还可以应用在金融搜索引擎中，分析不同事件间的相关性，比如苹果发布iphone8会影响哪些公司的股价，也可以帮我们聚合信息进行对比纵览，这方面美国的Kensho做得非常好，已经被高盛收购了，据说要替代80%投资分析师的工作，相比之下国内要落后很多。
（3）投资机会识别
数据挖掘领域有一个经典案例，就是美国沃尔玛超市发现尿布和啤酒放在一起卖会增加销量。大数据可以帮助我们发现看似毫不相关的事件间的关联性，应用在投资领域也可以有同样的效果。
7、量化投资：反向价值错配获取短期收益。（存在悖论且依赖强专业能力）
西蒙斯是美国量化基金之王，他的文艺复兴科技公司管理的基金取得了年化35%的收益率，远超巴菲特和索罗斯。量化投资是以数学和统计模型为依据，发现市场上的价格偏差，获取超额收益的投资方法。现在这个方向上有一些创业公司提供策略超市，供普通投资者选购。
不过这里面存在几个明显的悖论：首先很多量化策略是寻找价值错配博取短期收益的，时间一长策略就会失效，再有就是在一个“零和博弈”中，池子里的钱是有限的，你赚的钱就是别人赔的钱，一个策略用的人越多，利润空间就会被摊得越薄。
8、智能投顾：私人银行服务在线化，智能化，平民化。难点在于Copy to China 模式产生的新平台缺乏用户教育。可以尝试先To B 的方式利用已有用户数据，完善算法模型，逐步提高数据提供方的技术能力与服务水平。
如果说量化投资以博取短期超额收益为目的，那么智能投顾则是在各市场和各大资产类别之间构建投资组合，分散风险，追求长期收益。富人阶层有私人银行来服务他们，由专业的理财顾问根据他们的需求提供个性化的资产配置，门槛高、费率高。智能投顾实际上就是把私人银行的服务在线化、智能化了，以很低的费率服务更广泛的受众，惠及普通老百姓。
智能投顾在美国已经被广泛使用，但是在中国接受度却不高，为什么这种Copy to China的模式失效了呢？必须承认中国的市场情况和美国还是有很大不同的。美国有养老金入市制度，美国人会用智能投顾帮他们把养老账户里的钱分配好，美国股市过去100年一直是整体上涨的，美国有非常多的结构化ETF产品，都获得了不错的收益。
To C的智能投顾平台获客确实非常难，用户教育还没有完成，新平台也还没有建立起信任，智能投顾瞄准的是长期投资，短期内业绩表现平平，完全没有办法吸引流量。于是很多To C的智能投顾平台纷纷转型去做To B业务了，为金融机构提供智能投资系统，专心研究技术，不再碰销售。金融机构拥有C端的流量，同时也有提升自己服务能力的迫切需求，做To B可以获取到用户数据，同时完善和提升自己的算法模型，也算是一条“曲线救国”的路。
