金融科技已经成为仅次于互联网软件与服务的最热门创投领域（CB Insights：1128宗VC投资，166亿美元），一个能够获得监管支持、多机构分担风险的新风口。

随着新兴技术的崛起，金融科技从互联网技术转向了智能技术，并被写入《中国金融业信息技术“十三五”发展规划》、《新一代人工智能发展规划》和《促进新一代人工智能产业发展三年行动计划(2018-2020年)》等重要文件。

本期的智能内参，我们推荐来自中国信息通信研究院的中国金融科技产业生态和前沿技术研报，结合埃森哲的智能金融行研，从人工智能、区块链、云计算、大数据四大新兴技术出发扒一扒智能金融的老底。

以下为智能内参整理呈现的干货：

一、什么是智能金融

▲金融行业科技应用的三大发展阶段（电子化/电子金融→互联网+/线上金融→智能金融）

▲科技与金融的融合历程

▲智能金融的三个阶段

金融已经经历了电子化到互联网化的转变，现在又因其与数据的高度相关性，已成为最先与人工智能相融合的行业之一。相比于互联网金融/线上金融，智能金融具有以下四点特征：

1、自我学习的智能技术。

人工智能将实现自我学习的实时正循环，云端将无缝融合，介入式芯片等新的硬件形式将催生人机共融。

2、数据闭环的生态合作。

智能金融企业的战略重点从互联网时代的业务闭环转向实现数据闭环，合作企业间数据结果回传将可持续满足用户需求的能力的提升。

3、技术驱动的商业创新。

在金融领域，移动互联网时代更多体现的是“渠道”迁移；人工智能时代则使得技术在金融的核心，即风险定价上发挥更大的想象力。

4、单客专享的产品服务。

“个性化”不再仅限于客群层面，而是针对“某个”实时客户，实现产品服务的终极个性化。

▲金融新阶段四大特征

▲智能金融拓展了金融服务的广度和深度

由上可知，智能金融将重塑产业链、供应链和价值链，拓宽金融服务的边界，推动金融服务朝着“随人”、“随需”、“随时”、“随地”的标准不断进步。

目前，智能金融已经全面覆盖客服、风控、营销、投顾和授信等各大金融业务核心流程，衍生出互联网银行、直销银行、互联网保险、互联网证券、消费金融、小额信贷、网上征信、第三方支付等一系列新兴金融业务领域。

▲支持金融技术创新的政策

因此，智能金融融入各国顶层设计。我国2017年7月印发的《新一代人工智能发展规划》提出：将建立金融大数据系统，提升金融多媒体数据处理与理解能力；创新智能金融产品和服务，发展金融新业态；鼓励金融行业应用智能客服、智能监控等技术和装备；建立金融风险智能预警与防控系统。

埃森哲指出，2018年将是消费金融的分水岭，也会成为消费金融的风控元年。

二、ABCD技术解读

▲智能金融四大关键技术

▲人工智能、区块链、云计算和大数据重构金融基础设施的建设标准和运行逻辑

智能金融依赖“ABCD四大技术”，即人工智能（Artificial Intelligence）、区块链（Blockchain）、云计算（Cloud Computing）和大数据（Data）。

其中，人工智能能够替代人类重复性工作，提升工作效率与用户体验，并拓展销售与服务能力，广泛运用于客服、智能投顾等方面。

区块链技术能够有效节约金融机构间清算成本，提升交易处理效率，增强数据安全性。

云计算技术能够为金融机构提供统一平台，有效整合金融结构的多个信息系统，消除信息孤岛，在充分考虑信息安全、监管合规、数据隔离和中立性等要求的情况下，为机构处理突发业务需求、部署业务快速上线，实现业务创新改革提供有力支持。

大数据技术为金融业带来大量数据种类和格式丰富、不同领域的大量数据，而基于大数据的分析能够从中提取有价值的信息，为精确评估、预测以及产品和模式创新、提高经营效率提供了新手段。

A：提高效率 助力惠普

在金融领域应用中，人工智能主要包括五个关键技术：机器学习、生物识别、自然语言处理、语音技术以及知识图谱。目前，人工智能技术在金融领域应用的范围主要集中在智能客服、智能投顾、智能风控、智能投研、智能营销等方面。

▲人工智能在金融领域应用的关键技术

其中，机器学习是海量金融数据的解决方案：虽然大数据技术的出现对此有所改善，但在数据的有效处理与分析挖掘上仍面临较大挑战。详细来看，有以下四种途径：

1、监督学习可以用于对历史数据进行分析与挖掘，寻找数据集的规律，对未来趋势进行预测；

2、无监督学习用于尝试解析数据的结构，并确定其背后的主要规则（聚类分析可将金融数据集基于某些相似性概念将其进行分组，因子分析旨在识别金融数据中的主要内在规律或确定数据的最佳表示方法）；

3、深度学习方法通过深度网络的表示从大数据学习各种规律，可用于金融交易各个阶段；

4、强化学习则使用算法来探索和寻找最有利的交易策略。

生物识别技术则主要应用于客户身份验证、远程开户、无卡取款、刷脸支付、金库管理和网络借贷等金融场景，常用的方式包括指纹识别、人脸识别、虹膜识别和指静脉识别。

自然语言处理（NLP）技术，结合知识图谱，大大提升了获取数据、数据清洗、深度加工的效率。尤其在投研领域，NLP可对海量复杂的企业信息进行处理，提取分析员最关注的数据指标，并进行投资分析总结，最大化减少不必要的重复人力劳动，帮助决策。

知识图谱可以建立大量的实体和关系，可以突破传统的计算模式，整合金融行业现有数据、外部数据，从而更有效地挖掘潜在客户、预警潜在风险。

语音技术，往往结合了语音识别和语音合成技术，提供自然流畅的人机交互方法，常见于客户服务，应用遍布各大银行及证券公司的电话银行、信用卡中心、委托交易、自助缴费、充值等各项业务，以及语音导航、业务咨询、投诉申报、帐户查询、政策咨询等非交易性业务中。

综上，人工智能有效利用大数据进行筛选分析，推动金融服务模式趋向主动化、智能化，帮助金融机构更高效的决策分析，降低金融服务成本，扩大金融服务范围，提升金融业务和风险控制能力。

▲部分金融人工智能产品功能对比

B：重构信用 高效监管

区块链系统由数据层、网络层、共识层、激励层、合约层和应用层组成，具有去中心化、时序数据、集体维护、可编程和安全可信等特点。

▲区块链在金融领域的技术架构

▲区块链在金融领域的应用

▲部分区块链产品对比分析

C：支撑大数据和人工智能

云计算拥有以下三大优点：

1、在IT性能相同的情况下，云计算架构的性价比远高于以大型机和小型机作为基础设施的传统金融架构；

2、云计算可以通过数据多副本容错、计算节点同构可互换等措施，实现高可靠性和高可扩展性；

3、设备的集中管控加上标签技术，云计算还实现了高度自动化的运维。

金融行业对业务连续性有着非常严格要求，涉及到管理制度、技术方案和物理设施等多个层次，从而对IT系统的稳定性、可用性、网络时延性以及数据安全性具有更高的要求。

▲大型金融机构云计算

此外，金融科技企业的基础架构大都以云计算为依托，以充分应用大数据技术以及人工智能技术。中大型金融机构倾向使用混合云，小型金融机构倾向于将全部系统放在公有云上。

不过，金融行业IT系统建设的历史较长，系统复杂性强，实现云化集中迁移仍需逐步进行：优先开发测试环境，其次生产环境。互联网金融、辅助性业务优先使用云计算架构，强一致性核心业务最后考虑上云。

▲部分云计算企业产品指标对比

D：数据即是资产

大数据分析可以帮助金融机构实现以事实为中心的经营方法，针对场景提供动态化的决策建议，从而更精准地对市场变化做出反应；从海量信息识别可疑信息和违规操作，强化对于风险的预判和防控能力；还能识别客户需求，打造精准营销服务。

目前，金融机构最常使用的大数据应用场景为精准营销、实时风控、交易预警、黑产防范、消费信贷和反欺诈等业务，都需要实时计算的支撑。

▲金融大数据架构

考虑到传统数据库非结构化特征不利于分析，建议金融机构建设大数据底层平台在部分场景替换传统数据库，并实现文字、图片和视频等更加多元化数据的存储分析，有效提升金融结构数据资产管理能力。

重点大数据企业都提供Hadoop/Spark大数据分析平台、关系型数据库和非关系型数据库等大数据基础产品。但在上层应用上，如分布式数据库、画像分析、关系网络分析和数据可视化，仅有部分企业提供。

▲部分大数据企业产业指标对比

三、高速增长的市场

▲全球金融科技发展状况

▲近五年全球风投对金融科技公司投资额和次数

从创投市场来看，全球金融科技产业正处于高速增长态势。

波士顿咨询公司的研究数据显示，2016 年全球金融科技企业数量增长了 167%，达到8000 家，是 2015 年的约 2.7 倍；2016 年全球金融科技初创企业融资额增长了364%，达到 839 亿美元，是 2015 年的约 4.5 倍。

▲北美和亚太地区金融科技创业企业融资比例

其中，北美地区金融科技市场较为成熟，各细分领域的企业融资规模相对均衡，侧重于为消费者提供更加便捷的金融服务；在亚太地区金融服务水平相对滞后，仍存在大量未开发市场，金融科技使金融服务触及海量长尾用户（市场需求广阔，发展潜力巨大）。

▲近五年中国金融科技投资额和次数

作为人工智能最有力的落地场景，我国金融科技的投资额自2012年起实现了高达119%复合增长率，投资次数也稳步攀升，被认为是金融科技市场总体发展全球第二位（根据美国国际贸易署发布的《2016 顶级市场报告》）。

据五道口金融学院的中国金融科技企业数据库统计，过往两年成立的创业公司达1753家； Visual Capitalist数据显示，2016年全球金融科技独角兽27 家，中国8家，仅次于美国（14家），独角兽估值规模方面中国企业964亿美元全球第一（全球1389 亿美元，美国310亿美元）；2017年毕马威发布的《全球金融科技100强》报告中，排名前3的公司都是中国企业（蚂蚁金服、众安保险、趣店），排名前十的企业有5家来自中国（另有陆金所、京东）。

▲国内智能金融创新创业公司涉及金融服务的各个领域

▲智能金融应用点分布

我国创企的创新方向从金融服务的互联网化逐步深入到金融服务的技术重构、流程变革、服务升级、模式创新等，几乎渗透到了传统金融业务的方方面面。从通用技术应用的语音识别、活体识别、区块链、云等到细分场景应用的信贷、理财、保险、资管等，无一不包；传统金融机构争先与科技公司达成战略合作，互联网巨头纷纷抢滩。

▲中美金融科技各领域代表公司成立时间对比

从消费市场来看，在互联网巨头（GAFA，BATJ）所营造的增值服务和美好体验的氛围下，客户对于金融业的诉求已不再是简单的“更多产品”或“更高效率”。市场对于数字金融的接受度正在悄然提高。

2017年埃森哲与Allen International的调研数据表明，67%的客户为了得到更加符合个人需求的服务，愿意授权金融机构获取更多的个人信息；71%的客户在咨询银行业务时，希望得到自动化辅助服务；而亦有31%的客户愿意通过搜索引擎或电商平台来购买银行的金融服务。

▲各金融细分领域的发展空间

与从同时，我国金融市场潜力巨大：8亿经济活跃人口，有央行征信记录人群仅3亿，尚有5亿人未被覆盖到，信贷线上化率仅6%。188万亿资产管理规模，非银行存款占58%，资产配置优化空间巨大，而线上化率仅10%。

▲个人信贷链条智能化应用

四、产业生态重构

▲金融科技产业生态结构

我国金融科技产业生态体系主要由金融企业、科技企业、金融监管机构、行业协会和研究机构组成。其中，金融企业主要是运用科技企业提供的“ABCD”等先进技术，提供创新金融服务，监管机构主要是依据国家相关政策法规对金融企业进行合规监管，行业协会和研究机构主要是进行研究，推动行业交流和标准制定。

金融和科技的发展由来已久，在一定程度上相辅相成、共生发展，互联网金融概念的提出打开了生态融合的开端，金融与科技的各参与方从渠道合作到业务竞争，最终走向生态共建。根据我国金融科技产业主体的发展特点，从“新金融”和“新技术”两个不同角度，可将金融科技企业分为两大主要类型：科技金融类和金融科技类。

▲按原生背景划分的科技金融

▲按业务类型划分的科技金融

金融科技类企业主要是创新型的金融服务提供方，从原生背景（最初的行业属性）出发可进一步划分为互联网、金融IT、传统金融、其他传统行业和初创背景，从业务领域出发可进一步划分传统金融业务和互联网金融业务类。

▲按技术领域划分的金融科技企业

▲按服务领域划分的金融科技企业

金融科技类则指新兴技术支撑服务提供方，从技术领域（云计算、大数据等）出发可进一步划分为云计算、大数据、区块链和人工智能四类，从服务领域（客服、风控等）出发可进一步划分为客服、风控、营销、投顾和支付五类。

▲智能金融三种合作模式

金融网络化的初期，金融机构与科技企业在渠道层面展开初步合作。这个时期，流量是科技企业的主要优势，而金融产品则仍把握在金融机构手中，因此金融机构借助科技企业的线上渠道进行金融产品销售是该阶段金融与科技合作的主要模式。

▲智能金融市场从细分到垄断过程

随着金融网络化和移动化的进一步发展，科技企业作为流量入口的优势日益凸显，双方出现竞争之势，金融服务链条走向细化，出现局部垄断。科技企业通过研发创新金融产品冲击传统金融，受到挑战的传统金融机构也逐步拓展互联网业务进行反击，在金融业务场景基础上丰富生活场景，守护用户和流量。

▲金融产业链各方参与角色蜕变

进入智能金融时代，出于优势互补与资源整合的需要，生态各方合作愈加紧密，呈现成利润共享化、风险共担化和合作伙伴化的变化趋势，共同构建未来智能金融生态体系。

未来智能金融生态将在各方推动努力下构建并持续进化。市场会愈加细分，局部构成垄断。各方在切分金融服务链条的同时，升级完善自身能力，对应的参与角色也有所蜕变。最终生态将会全面开放，各方达成多维深度的合作。

▲智能金融生态圈（百度金融 ）

智东西认为智能技术突破发展、场景应用加快落地、业界机构深化合作将刺激我国智能金融的发展，守护目前金融科技的优势，缩短与发达国家传统金融体系之间的差距，快速弥补国内金融的信用逻辑缺失，实现直接金融、普惠金融。不过这中间的挑战也不少，包括人才缺口、行业监管（量化监管和准入式监管）、个人信息安全管控风险、寡头效应等。