來源：安華信達  作者：secsino

一、金融科技在業務發展上的應用

金融科技在業務發展場景上主要包括金融產品差異化定價、智能營銷和客服、智能研究和投資、高效支付清算等。

(一)金融產品差異化定價

大數據和人工智能可以改變以往金融產品統一定價的模式，根據每個用戶的情況實現差異化定價。

1.差異化保費設計

保險公司推出任何一款產品都要基于所獲得的數據，經過精算定價，合理運用大數據有助于更加精確地厘定保險費率。傳統定價方法是基于樣本統計的歷史數據來預測保險標的發生損失的概率，但保險標的風險狀況不斷變化，歷史數據不能準確反映當前情況，樣本數據也不能完全準確反映保險標的風險特征。保險公司可以運用大數據技術獲得更多維度的全量數據，進而更精確地對風險進行評估。

2.利率和授信差異化設計

借款人申請借款時，信貸平臺方依據用戶資信狀況進行評價，判斷其在借款到期后是否會因為無力還款而違約，實現差異化定價，讓信用良好、違約風險較低的優質用戶能以較少的成本獲得融資借款服務，而信用相對一般、違約風險較高的用戶則享受不了信用溢價帶來的優惠。此后用戶在信貸平臺每正常完成一次借還款的閉環，貸款利率都會相應地調低。當每個人的征信畫像越來越全面和完善以后，就可以根據不同信用水平的實行精準的客戶貸款利率和授信額度安排。

(二)智能營銷和客服

1.精準營銷

在單個客戶個性化的營銷方案和服務體系下，金融機構可以對關注個體和差異，通過用戶畫像和大數據模型實現對個人客戶的精準定位基礎之上的營銷，最大限度地攤薄成本。精準營銷對客戶的興趣、愛好、購買能力做出預測和判斷，根據綜合評分推薦金融服務和產品。

2.智能客服

金融客戶的業務咨詢中的大部分常見問題都是重復性的，而且在一個限定領域內。傳統的人工客服需要占用大量人力成本，而基于自然語言理解的對話機器人可以通過對話發掘用戶需求，解釋和推薦產品，進而帶來銷售轉化。

3.智能理賠

保險企業可以利用多年積累的理賠數據積累建立自主知識產權智能定損平臺,借助人工智能技術對出險車輛進行智能圖片定損,以海量真實理賠圖片數據作為訓練樣本,運用機器學習算法對車輛外觀損失自動做出判定。過去的車險理賠不僅要持續幾天,還要客戶自己墊付,而現在只要幾分鐘。

(三)智能研究和投資

1.研究自動化

投行領域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。人工智能環境下，用戶只需要把收集到的資料輸入給電腦就會自動生成圖表和報告，研究人員只需要做修改、復核、總結和定稿工作。同時，人工智能還能自動搜集各種公告、研報、公開知識庫等，通過自然語言處理和知識圖譜自動生成報告，速度可達0.4秒/份。

2.智能投顧

智能投顧又稱機器人理財，其核心是在數據沉淀積累與算法模型不斷優化的基礎上，根據個人投資者提供的風險承受水平、收益目標以及風格偏好等要求，運用一系列智能算法及投資組合優化等理論模型，為用戶提供最終的投資參考，并對市場的動態對資產配置再平衡提供建議。

隨著金融市場不斷深入發展，金融產品層次與交易策略、交易工具日趨復雜，普通投資者學習成本越來越高，難以跟上市場發展步伐，專業投顧服務需求日漸凸顯;而傳統投顧服務的限制(百萬資金起步、服務流程煩瑣、服務費高昂、不能隨時隨地咨詢、投顧水平良莠不齊等)無法滿足普通投資者的需求。面對上述問題，智能投顧實際上就是把金融機構服務在線化、智能化，從而實現以較低的費率服務更廣泛的普通個人投資者。

3.量化投資

人工智能中的機器學習算法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，通過知識圖譜的建模方式把行業規則、投資關系等常識賦予計算機，幫助機器排除干擾，更好地結構化信息。

量化投資領域的智能機器從基本面、技術面、交易行為、終端行為、互聯網大數據信息、第三方信息等衍化成一個因子庫，將因子數據提煉生成訓練樣本，選取機器學習算法進行建模訓練，保留有效因子生成打分方程輸出組合。相比人類智能，機器人大數據量化選股偏向從基本面、技術、投資者情緒行為等方面挑選因子，從而對IT技術、數據處理技術要求較高。

(四)高效支付清算

1.支付技術創新

應用金融科技在工具層面上的創新，包括非接觸式支付創新、智能穿戴設備支付創新、生物識別技術支付創新等，融合了安全和效率的綜合性支付技術創新。

2.清算技術創新

市場參與者在交易中使用區塊鏈技術可以享用平等的數據來源,交易流程更加公開、透明、有效。比如，通過共享網絡系統參與證券交易，原本依賴中介的傳統交易模式就變成分散的平面網絡交易模式。

西方金融市場的實踐顯示，區塊鏈技術支持下的交易模式有三大優勢：

一是減少證券交易成本,交易流程更簡潔、透明、快速，減少重復功能的IT系統，提高市場運轉效率。

二是準確實時地記錄交易者的身份、交易量等關鍵信息,使得證券發行者清晰地了解股權結構,提升商業決策效率，減少暗箱操作、內幕交易,有利于證券發行者和監管部門維護市場。

三是能使交易日和交割日間隔從1?3天縮短至10分鐘,減少了交易風險,提高了效率和可控性。

3.跨境支付結算方式創新

當前的跨境支付結算的方式日趨復雜，存在時間長、費用高、中間環節多等問題，付款人與收款人之間的第三方中介角色很重要。同時，各國的清算程序不同,一筆匯款通常需要2?3天才能到賬,效率極低,且在途資金占用量極大。

二、金融科技在風險管理中的應用

(一)大數據技術在金融風險管理中的應用

大數據風控技術目前較多應用于P2P和網絡小貸等互聯網金融領域，針對的主要風險類型是以違約風險為主的信用風險。優點在于與傳統風控手段相比數據來源更為廣泛，識別速度更快且成本更低，從而有助于更好地解決信息不對稱問題。缺點在于受制我國當前信用數據分散且質量不高的現狀，一些風控模型過度依賴互聯網和手機抓取數據進行分析，而對借款人財務狀況和償債能力等關鍵變量分析不足，這可能是“現金貸新規”中有針對性地指出要“謹慎使用數據風控模型”的主要原因。

1.運用大數據技術進行欺詐識別

進行欺詐申請的客戶由于編造了全部或部分信息，很可能在自行申報的相關信息中存在不符合常理的情況，這些信息項可以成為欺詐識別模型的重要變量。

(1)基于地理位置信息的欺詐識別：將客戶填寫的地址信息定位為地址位置坐標，并與客戶常用物流地址位置坐標進行比對，如果發現客戶提供了一個距離過大的地址，則該地址信息存在虛假的可能性。針對移動端渠道，可以定位互聯網客戶的具體申請位置，與申請信息中填寫的地址信息或職業信息進行對比驗證。

(2)基于申請信息填報行為的欺詐識別：通過收集分析客戶填寫申請過程的行為信息，如填寫了多長時間、修改了幾次、修改了哪些內容等進行識別。

(3)基于客戶填報信息與公司存量信息交叉比對的欺詐識別：多個申請件填報的單位電話相同，而對應的單位名稱及地址不同，則批量偽冒申請件的可能性就很高。

(4)基于外部信息的交叉對比的欺詐識別：惡意申請會隱瞞對其不利的事實，如負債、運營存在問題、法院執行信息等，而抓取互聯網上申請人的企業經營信息、法院執行信息可以核實申請人的真實資質。

2.運用大數據技術進行授信評分

被排除欺詐可能并進入評分規則引擎的客戶，會按類型被分發到不同的細分模塊，以適應不同的細分模型，包括不同的產品、不同的行業、不同的客戶群，如車貸、消費貸、抵押貸、個人經營貸等。不同類型的借款申請調用不同的信用評分規則引擎，該引擎將并根據用戶授權許可自動抓取的數據，通過特定模型轉化為個人授信評分數據與商戶授信評分數據。

(1)基于個人信息抓取的授信評分：抓取用戶在互聯網上的購買數據、搜索引擎數據、社交數據、賬單郵箱信息等多個維度的數據，得到用戶性格、消費偏好、意愿、學歷等個人信息。

(2)基于商戶信息抓取的授信評分：抓取商戶的交易數據(物流、現金流、信息流數據)和電商的經營數據(如訪客量、交易量、用戶評價、物流信息等)來對商戶進行授信評分。

3.運用大數據技術進行貸后管理

針對“還款意愿差”和“還款能力不足”兩大客戶逾期的主要原因，大數據技術通過違約信息排查和監測預警及時跟蹤違約風險。

(1)違約信息排查：通過實時監測存量客戶早期逾期、連續多期不還欠款、聯系方式失效等情況，并將存量客戶與新增的黑名單、灰名單數據匹配，及時發現潛在違約客戶。

(2)小微商戶流水監測預警：利用從數據合作方獲取的商戶交易流水信息，對其交易流水進行監測預警。突然出現的資金流入、流出，不符合經營規則的交易流水下滑情況，正常營業的大額交易等均可以觸發預警。

(3)負面信息監測預警：通過大數據實時監測，一旦發現客戶的負面信息、公安違法信息、法院執行信息、稅務繳稅信息、行業重要新聞、借款人社交關系網中的負面情況、借款人的網絡瀏覽行為、資金支付結算情況等，及時觸發預警。

三、人工智能在金融風險管理中的應用

與互聯網領域相比，金融場景上數據具有兩大獨特性：一方面可用數據比互聯網要少，另一方面又比傳統評分卡體系多了很多不可解釋、高維稀疏的大數據。機器學習要解決的問題主要是模型構建和訓練、性能監控與自迭代的機制，包括深度學習、半監督學習、在線學習等技術，核心都是為了將互聯網級別的機器學習技術“降維”應用到金融領域。目前人工智能和大數據技術的緊密結合已成為風險管理的核心技術，其基本邏輯是通過在深度學習和數據挖掘中自我更新、自我調整和自我迭代，進而從更多維度的大數據中把握風險規律。

1.提取數據深層特征

在數據繁雜的大型風控場景中，運用基于深度學習的人工智能特征生成框架，對時序、文本、影像等互聯網行為、非結構化數據深層特征加工提取，大大提升了模型效果。比如消費信貸風險管理通過知識圖譜、自然語言處理、機器學習等人工智能技術，發現借款人、企業、行業等不同主體間的有效信息維度關聯，深度挖掘企業集團、上下游合作商、競爭對手、管理人員信息等關鍵信息。

2.提高風控模型與數據的匹配度

不同數據需用合適的模型才能挖掘出最大價值。機器學習方法在互聯網廣告、搜索、推薦等應用是對不同類型的數據用不同的機器學習模型處理，金融場景中，采用復雜集成模型也可以處理上千維度的弱變量，精準地估計違約風險。

3.加快風控模型迭代速度

互聯網每天都生成海量用戶數據，搜索、推薦模型需要持續頻繁地優化，自迭代頻次比金融領域更快、更準確，通過機器學習可以解決模型人工迭代慢的問題。在金融風險管理中，通過對模型特征性能、借貸群體和業務反饋等多方面的監控，機器學習模型能有效地快速自迭代。

4.無監督機器學習反欺詐

欺詐風險量化也使用智能模型，比如無監督機器學習模型，基于可觀察到的交易特征變量和案件數據，學習什么是好的，和壞的樣本進行風險預測;在沒有標簽數據的情況下，交易、賬戶登錄等場景應用無監督機器學習模型，通過分析欺詐和正常用戶行為模式的異同，識別欺詐風險。

四、區塊鏈技術在金融風險管理中的應用

目前區塊鏈技術主要應用于操作風險管理中的身份驗證、支付安全等領域，重點針對的是人工操作中驗證困難帶來的風險。

1.身份驗證

當身份證件需要取消或者重新簽發時，在跨國操作的情境下，金融機構需很長時間才知道該身份撤銷了，區塊鏈技術使，此類敏感信息的傳遞過程更加便捷和高效。身份驗證系統利用區塊鏈特有的智能合約，可有選擇地顯示身份信息，實現信息在相關者范圍內局部共享，防止身份被盜和加強用戶隱私保護。

2.票據業務風險管理

票據業務具備低頻大額交易及存在人工操作風險的特點，基于區塊鏈技術的數字票據具有獨特的風險防控優勢：一是能夠有效防范票據市場風險，避免了紙票“一票多賣”、電票打款背書不同步等問題;二是可以大大降低監管的調閱成本，完全透明的數據管理體系提供了可信任的追溯途徑。

3.保險公司道德風險防范

在保險受理階段，區塊鏈技術可以將不同公司之間的數據打通，相互參考，從而及時發現重復投保、歷史理賠等信息，及時發現高風險用戶。在理賠階段，基于在區塊鏈上記錄了的客戶所有投保信息，很快可以發現并騙保行為并及時采取措施。

結語

十九大報告指出，創新是引領發展的第一動力。金融機構應積極擁抱和推動科技驅動型金融創新，完善服務體系，提升服務質量，實現自身的轉型發展，迎接新業態的到來。