【行研】科技鍊金,融匯未來——FinTech行研報告 之 Tech拆解

本文章節選自《科技鍊金，融匯未來—FinTech行業研究報告》，全版報告下載請點擊36氪研究院。

FinTech是什麼

FinTech 是 Financial Technology (即金融科技)的縮寫，指金融和信息技術的融合型產業。科技類初創企業及金融行業新進入者利用各類科技手段對傳統金融行業所提供的產品及服務進行革新，提升金融服務效率，因此可以認為FinTech是從外向內升級金融服務行業。

和「網際網路金融」相比，FinTech是範圍更大的概念。網際網路金融主要指網際網路/移動網際網路技術對傳統金融服務的改變，比如網上券商開戶、網上銀行系統等是最直接和最恰當的例子。而FinTech不是簡單的「網際網路上做金融」，應用的技術不僅僅是網際網路/移動網際網路，大數據、智能數據分析、人工智慧、區塊鏈的前沿技術均是FinTech的應用基礎。

依據基礎技術與金融的融合變遷來劃分FinTech的發展階段，可以清晰的看出FinTech的概念與應用範圍。我們認為，網際網路金融是科技與金融相互融合的初始階段及形態，即FinTech1.0階段。目前，FinTech已完成了從1.0階段至2.0階段的過渡。

FinTech1.0時代的網際網路和移動網際網路

網際網路和移動網際網路技術使產品在用戶體驗上取得了革命性的提升，金融產品更是如此。利用網際網路和行動裝置為客戶提供線上服務，簡化業務流程，優化產品界面，改善用戶體驗，這一策略在所有的金融科技行業都是適用的。簡單來說，網際網路和移動網際網路技術使得產品不僅僅是界面變得好看，而是產品更加好用。

除此之外，網際網路及移動網際網路技術使金融服務可以低成本便利的抵達用戶，為更多創新性服務提供基礎，使其得以實現。

FinTech 1.0 之大數據：數據+信息，初入分析門檻

若將大數據分析分為四個層次，在FinTech1.0階段，大數據技術的主要應用是集中於第一和第二層次，即數據架構和信息整合；初步進入第三層次，進行簡單的初步分析和決策。

FinTech 2.0 之大數據：多維度多層次的大數據分析

金融是個強數據導向的行業。經過多年的數據發展和積累，大數據的數量、分析速度與數據種類都發生著極速的變化。可穿戴設備、智能家居等智能硬體的興起，再次擴充了數據的維度，使得可獲取的數據維度擴展到線下。

目前，大數據已經發展到公司及第三方處理分析大量終端用戶數據的階段，為金融科技公司提供了良好的數據基礎，進而促進了個人徵信、授信、風控以及保險定價等金融領域的發展。

大數據分析的主要金融應用：個人徵信、授信與風控

個人徵信、授信及風控主要是圍繞借貸環節進行的，覆蓋貸前評估、貸中監控和貸後反饋三個環節。

貸前評估：國內個人徵信試點於2015年才開始試行，最具代表的是芝麻信用。阿里體系的交易數據以及螞蟻體系的金融數據形成強有力的數據支撐，自主研發信貸模型可用以支持銀行、小貸機構進行徵信及授信活動。信貸模型的訓練需要人工智慧技術作為輔助，通過機器學習不斷完善模型並實時校正。

貸中監測：主要是通過用戶在貸款期的行為數據來發現問題客戶並及時報警。

貸後反饋：基於用戶本次貸款期間的數據，對該用戶原有信貸記錄評分進行補充，提升或降低其信用額度以供後續使用。

大數據分析的主要金融應用：保險定價

保險定價的主要場景是車險及運費險。

車險：根據車主的日常行車路線、裡程、行車習慣、出險記錄以及車主的屬性比如年齡、職業、性別等，給出適合於該車主的車險定價。其中，車載智能硬體的發展使得行車數據的的獲得變得簡單且準確。

運費險：運費險是近年才出現的險種，電商的發展是必不可少的促進因素。運費險是「小而美」的金融產品代表。據相關資料顯示，其業務量近年的增長超過100%。

FinTech 2.0 之人工智慧：智慧金融的無限可能

大數據、雲計算以及智能硬體的發展作為基礎技術支撐了人工智慧技術的發展，智能數據分析與決策主要是人工智慧發展的產物。智能數據分析在金融領域涵蓋了投資、借貸、保險和徵信行業，相關技術的運用成為業務開展的基礎，同時也支持了金融產品的創新，包括新型的保險及投資產品。

大數據、雲計算及智能硬體的發展為人工智慧技術提供了基礎保障

將人工智慧拆分為基礎層、技術層和應用層三個層面，基礎層作為人工智慧技術的技術支持，各個細分技術必不可少，特別是大數據的發展；在技術層面，與FinTech最相關的是機器學習和知識圖譜，其次是自然語言處理；在應用層主要與計算智能領域相關，應用示例包括神經網絡、遺傳算法、AlphaGo等。

智能化是FinTech重要發展方向

簡單來講，智能化是指用計算機代替人腦來進行分析並作出決策。目前，人工智慧尚在發展初期，代替人腦來進行決策尚早，但至少可以做到大規模的量化、替代部分人力分析的層面。

在金融領域，人工智慧主要有以下四類應用：

自動報告生成

投行業務及證券研究業務中涉及大量的固定格式的文檔撰寫工作，如招股說明書、研究報告及投資意向書等。這些報告的撰寫需要初級研究員投入大量的時間及精力進行數據整理以及文本複製粘貼的工作。而這些文檔中，有大量內容可以利用模板生成，比如公司股權變更、會計數據變更等等。利用自然語言處理及OCR技術可以方便快捷的完成以上工作，並最終形成文檔。

自然語言處理包括自然語言理解和自然語言生成兩種細分技術：

自然語言理解是指將人們自然語言消化理解，並轉換結構使之可為計算機進行後續處理； 

自然語言生成是指將計算機處理後的拆分的結構化數據轉化成人們可以理解的自然語言。

OCR（光學字符識別）是針對印刷體字符，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟體將圖像中的文字轉換成文本格式，供文字處理軟體進一步編輯加工的技術。

人工智慧輔助——量化交易

一直以來，量化交易都是運用計算機來進行輔助工作的：分析師通過編寫模型，選取一些指標作為變量，利用機器來觀察數據分布及計算結果。也就是說，計算機僅是進行了簡單的統計計算。近年來，隨著人工智慧技術的發展，機器學習崛起。計算機可以進行海量數據的處理、分析、擬合和預測，因此人工智慧與量化交易的關係也變得愈發密切。

利用傳統的回歸分析等方法來建模交易策略有兩個弊端：首先，所用數據維度有限，僅限於交易數據；其次，模型可處理的變量有限，模型的有效與否取決於所選取變量的特徵和變量間的組合，而這很大程度上取決於研究員對數據的敏感程度。

利用機器學習技術，結合預測算法，可以依據歷史經驗和新的市場信息不斷演化，預測股票、債券等金融資產價格的波動及波動間的相互關係，以此來創建符合預期風險收益的投資組合。

然而，機器學習可能是個相對緩慢的過程，且該過程無法通過其他統計方法來提供擔保行為。機器學習雖可能適用於尋找隱藏的趨勢、信息和關係，但在金融領域的應用和效果仍存在較大不確定性。市場上對於金融領域的機器學習仍存在一定程度的炒作。

為了解決由數據推測模型的局限性，通過自然語言處理技術，引入新聞、政策以及社交媒體中的文本，將非結構化數據進行結構化處理，並從中尋找影響市場變動的因素。

除了可以豐富模型變量外，自然語言處理技術可以實現「智能投融資顧問助手」。集合自然語言搜索、用戶界面圖形化及雲計算，智能助手可以將問題與實踐關聯市場動態，提供研究輔助、智能回答覆雜金融投融資問題。

在黑天鵝事件發生時，機器學習和自然語言處理會失效。2015年中國證監會公布的熔斷機制就屬於該類事件。由於人工智慧系統內沒有載入類似事件及後果，無法從歷史數據中學習到相關模式。此時，由人工智慧決策的投資就會出現較大風險。

虛假關聯性對人工智慧處理數據的影響不小於黑天鵝事件。人工智慧善於發現變量間的相關性，而非因果性。強相關性的變量間並不一定具備經濟學關聯，而人工智慧的機器學習無法區分虛假關聯性。

為了降低黑天鵝事件及虛假關聯性對於人工智慧自學習過程的幹擾，需要專家設置相應的規則來避免。

知識圖譜是一種語義網絡，基於圖的數據結構，根據已設計的規則及不同種類的變量連接所形成的關係網絡。

知識圖譜提供了從關聯性角度去分析問題的能力，將規則、關係及變量通過圖譜的形式表現出來，進行更深層次的信息梳理和推測。

以投資關係為例，知識圖譜可以將公司的股權變更沿革串聯起來，清楚展示某家PE機構於某一年進入某家企業、進入價格是多少、是否有對賭協議等等。這些信息可以用以判斷PE機構進入時的估值及公司的成長節奏，同時該圖譜還可以用來學習投資機構的投資偏好及邏輯的發展。

目前，知識圖譜並未進行大規模的應用。其難點在於如何讓行業專家承擔部分程式設計師的的工作，將行業邏輯等關係通過計算機建模，輸入計算機以供機器進行學習和驗證。可見，開發形成簡易編程的界面及系統是目前應用推廣的關鍵。

金融搜尋引擎

研究員在進行研究工作時需要搜集大量的數據和信息並進行整理和分析。目前所運用的軟體如Bloomberg、Wind等數據終端只解決了信息和數據的問題，並沒有解決信息過載後的整理和分析問題。利用人工智慧技術可以從大量噪音信息中快速找到準確且有價值的信息，提高研究工作效率。

金融搜尋引擎背後的關鍵技術是高質量的知識圖譜，幫助實現關聯、屬性查找及聯想。除了人工智慧相關技術，金融搜尋引擎需要人機協作界面，方便使用者記錄、迭代和重複使用；推薦和推送系統則可以幫助用戶聚焦於關鍵數據和信息，省時省力的做投前發現和投後監測。

金融搜尋引擎一般用於解決信息獲取和信息碎片問題，而將複雜的查詢和邏輯判斷交給用戶來完成。搜尋引擎提供不同類型信息及事件的查詢，如脫歐事件對貨幣市場的影響；將搜集的信息切片後再進行聚合，提供可用於對比縱覽的變量，如天使投資退出時平均收益率。

對於相對複雜的查詢和邏輯判斷，搜尋引擎將會提供相關的查詢結果給用戶，讓用戶進行複雜的過濾和篩選。比如搜索人工智慧產業鏈的上遊公司，引擎在無法準確提供上遊公司的信息時，將會在便於交互的界面向用戶推薦相關信息，以供用戶進行篩選。

智能投顧

傳統的投資顧問需要站在投資者的角度，幫助投資者規劃符合其投資風險偏好、符合某一時期資金需求和適應某一階段市場表現的投資組合。以上工作需要高素質理財顧問完成，昂貴的人工費用也無形中設置了投資顧問服務對象的門檻，一般只面向高淨值人群開設。

而智能投顧（也成機器人投顧）則是以最少量人工幹預的方式幫助投資者進行資產配置及管理：理財顧問是計算機，用戶則可以是普通投資者。

智能投顧的目的在於提供自動化的資產管理服務，為投資者提供符合其風險偏好的投資建議。智能投顧平臺藉助計算機和量化交易技術，為經過問卷評估的客戶提供量身定製的資產投資組合建議，提供的服務包括股票配置、債券配置、股票期權操作、房地產資產配置等。

（本報告人工智慧部分為與文因互聯聯合發布。感謝文因互聯對本部分內容的突出貢獻。）

FinTech 2.0 之區塊鏈：顛覆金融產業的技術已來

（更多區塊鏈內容，請查看《從一到N，掘金區塊》）

談到區塊鏈，必然先想到比特幣。從技術角度來看，比特幣的系統包括三層：底層技術——區塊鏈；中層連結——協議；上層——貨幣。

區塊鏈（Blockchain） 是一種分布式共享資料庫（數據分布式儲存和記錄），利用去中心化方式集體維護一本數據簿的可靠性的技術方案。該方案要讓參與系統中的任意多個節點，通過一串使用密碼學方法相關聯產生的數據塊（即區塊，block），每個數據塊中都包含了一定時間內的系統全部信息交流的數據，並生成數據「密碼」用於驗證其信息的有效性和連結下一個數據塊。

比特幣是一種全球範圍內可交易的電子貨幣，是目前區塊鏈技術最成功的應用。當前銀行等機構更多關注的也正是比特幣背後的區塊鏈技術。

基於以上四個主要優勢，憑藉比特幣網絡的自身貨幣及價值傳播基礎，區塊鏈技術可自然而廣泛的運用於金融領域，用以簡化流程、提升數據及信息存儲的安全性，降低信任成本。

銀行作為資金的安全倉庫和傳輸樞紐，與 blockchain 作為一個數位化、安全和不可篡改的分步帳簿，具備相似的功能。這意味著基於 blockchain 的顛覆式改變可能將在未來對銀行產生深遠的影響。

據公開信息，瑞士銀行和英國巴克萊銀行都已經開始試用區塊鏈技術，以加快後臺結算功能。

通過區鏈塊技術可以繞過傳統機構複雜的流程,創造一個更加直接的付款流程。因此，區塊鏈技術可能會改變資金轉移業務的體系機構。該系統能夠實現跨境、無中介、低成本，且交易可以快速完成。

股票購買、銷售和交易的過程存在著很大可以簡化的空間。區塊鏈技術有望實現整個流程的自動化，提升效率和安全性。

在股權眾籌發起初期，由項目發起方、眾籌平臺、領投人等多方共同發起眾籌智能合約，來約定各方的責任和義務。這份智能合約可以保存在區塊鏈中，由此保證合約在履行過程中不被篡改，到期後的強力執行。

在金融服務領域，回購、債務分配及保險處理等流程均有區塊鏈技術的相關發展。

回購協議：在一個可信任的網絡中，用分布式帳簿替代擔保品託管方及託管方合約，簡化交易。

債權分配： 債權的擁有權可以追溯、保留並被監管 ；極大減少債務管理工作，增強安全性。

保險處理：利用區塊鏈技術保證保險處理過程的完整性，減少欺詐行為，流程化文件管理

本文章節選自《科技鍊金，融匯未來—FinTech行業研究報告》，全版報告下載請點擊36氪研究院。

關於36氪研究院

36 氪研究院是 36 氪研究子品牌，專注於一級市場的行業研究，通過定性定量結合的方式研究新興行業與企業，歡迎大家積極與我們交流討論。

分析師：任瑞超 [e-mail]，關注金融、VR 和泛娛樂