【行研】科技炼金，融汇未来——FinTech行研报告 之 Tech拆解

本文章节选自《科技炼金，融汇未来—FinTech行业研究报告》，全版报告下载请点击36氪研究院。

FinTech是什么

FinTech 是 Financial Technology (即金融科技)的缩写，指金融和信息技术的融合型产业。科技类初创企业及金融行业新进入者利用各类科技手段对传统金融行业所提供的产品及服务进行革新，提升金融服务效率，因此可以认为FinTech是从外向内升级金融服务行业。

和“互联网金融”相比，FinTech是范围更大的概念。互联网金融主要指互联网/移动互联网技术对传统金融服务的改变，比如网上券商开户、网上银行系统等是最直接和最恰当的例子。而FinTech不是简单的“互联网上做金融”，应用的技术不仅仅是互联网/移动互联网，大数据、智能数据分析、人工智能、区块链的前沿技术均是FinTech的应用基础。

依据基础技术与金融的融合变迁来划分FinTech的发展阶段，可以清晰的看出FinTech的概念与应用范围。我们认为，互联网金融是科技与金融相互融合的初始阶段及形态，即FinTech1.0阶段。目前，FinTech已完成了从1.0阶段至2.0阶段的过渡。

FinTech1.0时代的互联网和移动互联网

互联网和移动互联网技术使产品在用户体验上取得了革命性的提升，金融产品更是如此。利用互联网和移动设备为客户提供线上服务，简化业务流程，优化产品界面，改善用户体验，这一策略在所有的金融科技行业都是适用的。简单来说，互联网和移动互联网技术使得产品不仅仅是界面变得好看，而是产品更加好用。

除此之外，互联网及移动互联网技术使金融服务可以低成本便利的抵达用户，为更多创新性服务提供基础，使其得以实现。

FinTech 1.0 之大数据：数据+信息，初入分析门槛

若将大数据分析分为四个层次，在FinTech1.0阶段，大数据技术的主要应用是集中于第一和第二层次，即数据架构和信息整合；初步进入第三层次，进行简单的初步分析和决策。

• 大数据架构+信息整合。建立一个收集和存储的大数据系统，加之信息整合和数据计算； 

• 人工建模+大数据。该阶段的大数据分析通常依靠人工建模分析，加之由于传统数据分析模型对于多维度、多形态的数据存在不适用的情况，因此该类技术应用仅仅是大数据分析的初级阶段。

FinTech 2.0 之大数据：多维度多层次的大数据分析

金融是个强数据导向的行业。经过多年的数据发展和积累，大数据的数量、分析速度与数据种类都发生着极速的变化。可穿戴设备、智能家居等智能硬件的兴起，再次扩充了数据的维度，使得可获取的数据维度扩展到线下。

目前，大数据已经发展到公司及第三方处理分析大量终端用户数据的阶段，为金融科技公司提供了良好的数据基础，进而促进了个人征信、授信、风控以及保险定价等金融领域的发展。

大数据分析的主要金融应用：个人征信、授信与风控

个人征信、授信及风控主要是围绕借贷环节进行的，覆盖贷前评估、贷中监控和贷后反馈三个环节。

贷前评估：国内个人征信试点于2015年才开始试行，最具代表的是芝麻信用。阿里体系的交易数据以及蚂蚁体系的金融数据形成强有力的数据支撑，自主研发信贷模型可用以支持银行、小贷机构进行征信及授信活动。信贷模型的训练需要人工智能技术作为辅助，通过机器学习不断完善模型并实时校正。

贷中监测：主要是通过用户在贷款期的行为数据来发现问题客户并及时报警。

贷后反馈：基于用户本次贷款期间的数据，对该用户原有信贷记录评分进行补充，提升或降低其信用额度以供后续使用。

大数据分析的主要金融应用：保险定价

保险定价的主要场景是车险及运费险。

车险：根据车主的日常行车路线、里程、行车习惯、出险记录以及车主的属性比如年龄、职业、性别等，给出适合于该车主的车险定价。其中，车载智能硬件的发展使得行车数据的的获得变得简单且准确。

运费险：运费险是近年才出现的险种，电商的发展是必不可少的促进因素。运费险是“小而美”的金融产品代表。据相关资料显示，其业务量近年的增长超过100%。

FinTech 2.0 之人工智能：智慧金融的无限可能

大数据、云计算以及智能硬件的发展作为基础技术支撑了人工智能技术的发展，智能数据分析与决策主要是人工智能发展的产物。智能数据分析在金融领域涵盖了投资、借贷、保险和征信行业，相关技术的运用成为业务开展的基础，同时也支持了金融产品的创新，包括新型的保险及投资产品。

大数据、云计算及智能硬件的发展为人工智能技术提供了基础保障

将人工智能拆分为基础层、技术层和应用层三个层面，基础层作为人工智能技术的技术支持，各个细分技术必不可少，特别是大数据的发展；在技术层面，与FinTech最相关的是机器学习和知识图谱，其次是自然语言处理；在应用层主要与计算智能领域相关，应用示例包括神经网络、遗传算法、AlphaGo等。

智能化是FinTech重要发展方向

简单来讲，智能化是指用计算机代替人脑来进行分析并作出决策。目前，人工智能尚在发展初期，代替人脑来进行决策尚早，但至少可以做到大规模的量化、替代部分人力分析的层面。

在金融领域，人工智能主要有以下四类应用：

自动报告生成

投行业务及证券研究业务中涉及大量的固定格式的文档撰写工作，如招股说明书、研究报告及投资意向书等。这些报告的撰写需要初级研究员投入大量的时间及精力进行数据整理以及文本复制粘贴的工作。而这些文档中，有大量内容可以利用模板生成，比如公司股权变更、会计数据变更等等。利用自然语言处理及OCR技术可以方便快捷的完成以上工作，并最终形成文档。

自然语言处理包括自然语言理解和自然语言生成两种细分技术：

自然语言理解是指将人们自然语言消化理解，并转换结构使之可为计算机进行后续处理； 

自然语言生成是指将计算机处理后的拆分的结构化数据转化成人们可以理解的自然语言。

OCR（光学字符识别）是针对印刷体字符，采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件，并通过识别软件将图像中的文字转换成文本格式，供文字处理软件进一步编辑加工的技术。

人工智能辅助——量化交易

一直以来，量化交易都是运用计算机来进行辅助工作的：分析师通过编写模型，选取一些指标作为变量，利用机器来观察数据分布及计算结果。也就是说，计算机仅是进行了简单的统计计算。近年来，随着人工智能技术的发展，机器学习崛起。计算机可以进行海量数据的处理、分析、拟合和预测，因此人工智能与量化交易的关系也变得愈发密切。

• 机器学习：由数据到模型

利用传统的回归分析等方法来建模交易策略有两个弊端：首先，所用数据维度有限，仅限于交易数据；其次，模型可处理的变量有限，模型的有效与否取决于所选取变量的特征和变量间的组合，而这很大程度上取决于研究员对数据的敏感程度。

利用机器学习技术，结合预测算法，可以依据历史经验和新的市场信息不断演化，预测股票、债券等金融资产价格的波动及波动间的相互关系，以此来创建符合预期风险收益的投资组合。

然而，机器学习可能是个相对缓慢的过程，且该过程无法通过其他统计方法来提供担保行为。机器学习虽可能适用于寻找隐藏的趋势、信息和关系，但在金融领域的应用和效果仍存在较大不确定性。市场上对于金融领域的机器学习仍存在一定程度的炒作。

• 自然语言处理：追踪市场动态，引入更多变量

为了解决由数据推测模型的局限性，通过自然语言处理技术，引入新闻、政策以及社交媒体中的文本，将非结构化数据进行结构化处理，并从中寻找影响市场变动的因素。

除了可以丰富模型变量外，自然语言处理技术可以实现“智能投融资顾问助手”。集合自然语言搜索、用户界面图形化及云计算，智能助手可以将问题与实践关联市场动态，提供研究辅助、智能回答复杂金融投融资问题。

• 知识图谱：降低黑天鹅事件及虚假关联性对预测的干扰

在黑天鹅事件发生时，机器学习和自然语言处理会失效。2015年中国证监会公布的熔断机制就属于该类事件。由于人工智能系统内没有载入类似事件及后果，无法从历史数据中学习到相关模式。此时，由人工智能决策的投资就会出现较大风险。

虚假关联性对人工智能处理数据的影响不小于黑天鹅事件。人工智能善于发现变量间的相关性，而非因果性。强相关性的变量间并不一定具备经济学关联，而人工智能的机器学习无法区分虚假关联性。

为了降低黑天鹅事件及虚假关联性对于人工智能自学习过程的干扰，需要专家设置相应的规则来避免。

知识图谱是一种语义网络，基于图的数据结构，根据已设计的规则及不同种类的变量连接所形成的关系网络。

知识图谱提供了从关联性角度去分析问题的能力，将规则、关系及变量通过图谱的形式表现出来，进行更深层次的信息梳理和推测。

以投资关系为例，知识图谱可以将公司的股权变更沿革串联起来，清楚展示某家PE机构于某一年进入某家企业、进入价格是多少、是否有对赌协议等等。这些信息可以用以判断PE机构进入时的估值及公司的成长节奏，同时该图谱还可以用来学习投资机构的投资偏好及逻辑的发展。

目前，知识图谱并未进行大规模的应用。其难点在于如何让行业专家承担部分程序员的的工作，将行业逻辑等关系通过计算机建模，输入计算机以供机器进行学习和验证。可见，开发形成简易编程的界面及系统是目前应用推广的关键。

金融搜索引擎

研究员在进行研究工作时需要搜集大量的数据和信息并进行整理和分析。目前所运用的软件如Bloomberg、Wind等数据终端只解决了信息和数据的问题，并没有解决信息过载后的整理和分析问题。利用人工智能技术可以从大量噪音信息中快速找到准确且有价值的信息，提高研究工作效率。

金融搜索引擎背后的关键技术是高质量的知识图谱，帮助实现关联、属性查找及联想。除了人工智能相关技术，金融搜索引擎需要人机协作界面，方便使用者记录、迭代和重复使用；推荐和推送系统则可以帮助用户聚焦于关键数据和信息，省时省力的做投前发现和投后监测。

金融搜索引擎一般用于解决信息获取和信息碎片问题，而将复杂的查询和逻辑判断交给用户来完成。搜索引擎提供不同类型信息及事件的查询，如脱欧事件对货币市场的影响；将搜集的信息切片后再进行聚合，提供可用于对比纵览的变量，如天使投资退出时平均收益率。

对于相对复杂的查询和逻辑判断，搜索引擎将会提供相关的查询结果给用户，让用户进行复杂的过滤和筛选。比如搜索人工智能产业链的上游公司，引擎在无法准确提供上游公司的信息时，将会在便于交互的界面向用户推荐相关信息，以供用户进行筛选。

智能投顾

传统的投资顾问需要站在投资者的角度，帮助投资者规划符合其投资风险偏好、符合某一时期资金需求和适应某一阶段市场表现的投资组合。以上工作需要高素质理财顾问完成，昂贵的人工费用也无形中设置了投资顾问服务对象的门槛，一般只面向高净值人群开设。

而智能投顾（也成机器人投顾）则是以最少量人工干预的方式帮助投资者进行资产配置及管理：理财顾问是计算机，用户则可以是普通投资者。

智能投顾的目的在于提供自动化的资产管理服务，为投资者提供符合其风险偏好的投资建议。智能投顾平台借助计算机和量化交易技术，为经过问卷评估的客户提供量身定制的资产投资组合建议，提供的服务包括股票配置、债券配置、股票期权操作、房地产资产配置等。

（本报告人工智能部分为与文因互联联合发布。感谢文因互联对本部分内容的突出贡献。）

FinTech 2.0 之区块链：颠覆金融产业的技术已来

（更多区块链内容，请查看《从一到N，掘金区块》）

谈到区块链，必然先想到比特币。从技术角度来看，比特币的系统包括三层：底层技术——区块链；中层链接——协议；上层——货币。

区块链（Blockchain） 是一种分布式共享数据库（数据分布式储存和记录），利用去中心化方式集体维护一本数据簿的可靠性的技术方案。该方案要让参与系统中的任意多个节点，通过一串使用密码学方法相关联产生的数据块（即区块，block），每个数据块中都包含了一定时间内的系统全部信息交流的数据，并生成数据“密码”用于验证其信息的有效性和链接下一个数据块。

比特币是一种全球范围内可交易的电子货币，是目前区块链技术最成功的应用。当前银行等机构更多关注的也正是比特币背后的区块链技术。

基于以上四个主要优势，凭借比特币网络的自身货币及价值传播基础，区块链技术可自然而广泛的运用于金融领域，用以简化流程、提升数据及信息存储的安全性，降低信任成本。

• 银行

银行作为资金的安全仓库和传输枢纽，与 blockchain 作为一个数字化、安全和不可篡改的分步账簿，具备相似的功能。这意味着基于 blockchain 的颠覆式改变可能将在未来对银行产生深远的影响。

据公开信息，瑞士银行和英国巴克莱银行都已经开始试用区块链技术，以加快后台结算功能。

• 支付与转账

通过区链块技术可以绕过传统机构复杂的流程,创造一个更加直接的付款流程。因此，区块链技术可能会改变资金转移业务的体系机构。该系统能够实现跨境、无中介、低成本，且交易可以快速完成。

• 股票投资

股票购买、销售和交易的过程存在着很大可以简化的空间。区块链技术有望实现整个流程的自动化，提升效率和安全性。

• 众筹智能合约

在股权众筹发起初期，由项目发起方、众筹平台、领投人等多方共同发起众筹智能合约，来约定各方的责任和义务。这份智能合约可以保存在区块链中，由此保证合约在履行过程中不被篡改，到期后的强力执行。

•  其他领域

在金融服务领域，回购、债务分配及保险处理等流程均有区块链技术的相关发展。

回购协议：在一个可信任的网络中，用分布式账簿替代担保品托管方及托管方合约，简化交易。

债权分配： 债权的拥有权可以追溯、保留并被监管 ；极大减少债务管理工作，增强安全性。

保险处理：利用区块链技术保证保险处理过程的完整性，减少欺诈行为，流程化文件管理

本文章节选自《科技炼金，融汇未来—FinTech行业研究报告》，全版报告下载请点击36氪研究院。

关于36氪研究院

36 氪研究院是 36 氪研究子品牌，专注于一级市场的行业研究，通过定性定量结合的方式研究新兴行业与企业，欢迎大家积极与我们交流讨论。

分析师：任瑞超 renruichao@36kr.com，关注金融、VR 和泛娱乐