联系电话:13600142113 项目计划书接收邮箱:bp@mituo8.cn

深扒金融科技八大应用场景,你知道多少!

四大行分别牵手BATJ,建行&阿里、农行&百度、工行&京东、中行&腾讯

       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,让人不禁感慨:

果然没有永远的敌人,只有永远的利益!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。今天我们要好好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

       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,这几年P2P、现金贷的野蛮生长恰恰说明了这个问题。大家知道在纽交所上市的中国互联网

金融第一股宜人贷当初是怎么起家的吗?派上千名地推人员下沉到区县乡镇中,通过挨家挨户的实地家访,了解家庭情况、生活习惯、社交关系等进行实地征信,对符合条件的人群给予贷款。

实际上,基于大数据和人工智能技术,我们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,我们可以提取

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,我们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(见文章

《当金融遇上科技,他们能愉快地生活在一起吗?》中国Fintech50强榜单)。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

       所有金融业务中最重要的环节都是风险控制。还是以信贷为例,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

       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,在最强大脑中水哥就输给了机器人小度。

       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。以前我们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 定价

       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。

         再有就是贷款利率和授信额度的个性化。用户在信贷平台每正常完成一次借还款的闭环,贷款利率都会相应地调低。当每个人的征信画像越来越全面和完善以后,可以实现个性化的贷款利率和授

信额度。

5 营销 & 客服

       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。蚂蚁金服的智能客服可以解决用户的大部分问题,当它非常确定答案的时候它会直接作答,当它不确定时它会把可能的选项给人工客服,人工客服只需要快速判断,点

击选择后就可以发过去了。这样极大地提升了客服效率和问题解决率,降低了人力成本。

6 投资决策辅助 & 投资机会识别

       金融行业的人都知道,投资机构和投行部门中有大量实习生的岗位,举个最典型的例子,一个券商的投研部分,一位首席分析师下面带四五个研究员,每个研究员要两到三个实习生去支持他,包括

大量的资料收集、数据分析、报告撰写的工作,出一份研究报告80%以上的时间都要花在这上面。

        其实人工智能在证券和投资研究上可以给予我们很多帮助,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。

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,比如招股说明书、研究报告、尽调报告、投资意向书等等。试想如果我们把收集到的资料直接输入给机器,机器就会自动帮我们生成图表和报告

,我们只需要做组织、修改、复核的工作就可以了,那该多爽啊!

金融搜索引擎

       人工智能还可以应用在金融搜索引擎中,帮我们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,比如我想知道某只基金的平均退出

收益率。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,颤抖吧,分析师们!相比之下国内要落后很多,Wind、Choice还只是个数据终端,没有整理和分析的功能

,有几家创业公司文因互联、数库、通联数据正在投入研发。

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。比

如美国 的初创公司Dataminr就是和Twitter合作,通过社交网络的数据实时分析市场风向,预判风险和甄别投资机会。

企业成长性分析

        美国最大的信用卡发卡行Capital One曾出过这样的丑闻:两名中国员工利用信用卡消费数据分析了至少170家上市零售公司的刷卡销售情况,据此预测这些公司的营业收入,在财报公布之前提前

购入看涨期权或者看跌期权,3年内投资收益率高达1800%,最后被美国证监会给抓了。虽然是反面案例,但是说明了一个道理,根据现在的市场数据进行预测,分析判断企业的成长性,能够辅助投资决策。

        对于人工智能会不会引发金融行业大面积失业业这个问题,小研认为没有那么乐观,也没有那么悲观。人工智能确实可以帮助我们解决一部分信息获取和整理的问题,但是逻辑判断和复杂决策还是

要交给人来完成。比如投研报告中规则和格式固定的部分机器可以帮我们完成,但是分析结论和投资建议还是要我们自己来撰写。技术发展没有那么快,两到三年内还不能替代分析师,五到八年就难说了,

我们称之为“金融民工”的底层员工很可能会大量减少,但高级职位如基金管理人、合伙人这样的角色确实还替代不了。

        机器可以辅助投资决策,但不能替代人做决策。投资是一个理性+感性的决策,是一个确定性+不确定性的过程。理性部分由是数据驱动的,人工智能可以很好地辅助我们,完善数据来源,更全面、

立体地整理和分析数据,还有把我们没有意识到的数据关联性呈现出来。但是面对同样的项目、同样的资料,不同的投资人会做出不同的决策,这和每个人的投资风格、收益预期、资金周期、风险承受能力

有关,当然更和感觉sense、和历史经验有关,谁也不能准确地预知未来,这就是感性的部分在起作用。投资是一门艺术,就体现在不确定性的部分,体现在决策中“拍脑袋”的那一下,这是机器无法替代

的。

7 量化投资

        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。仔细想一想,如果策略真的那么有效,人家早就募一支基金自己单干了!所以那些售卖

策略的创业者们,别天真啦,这种商业模式没有存在的基础啦,倒是可以考虑提供量化技术平台,帮助专业人士和爱好者们生成和筛选策略,不过这些肯定都没有自己做对冲基金赚钱。

8 智能投顾

        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。

        美国的Wealthfront、Betterment是智能投顾的鼻祖,国内这块刚刚起步,不过探索的热情很高,包括资配易、弥财、财鲸、理财魔方、蓝海财富、宜信旗下的投米、品钛旗下的灵玑等等。服务的

流程都大同小异,首先让用户填写问卷,评估风险和收益偏好,然后推荐投资组合,一键下单完成交易,后期不断检测资产表现情况,必要时进行风险提示以及调仓推荐。

        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。中国没有那么多ETF产品,即使配置了放个十年,也可能一分钱没

涨,我们就只能呵呵了。中国老百姓想配置海外资产又受到限制,所以真的没有那么多投资标的可以选择。更重要的是中国小散的理财观念和投资心理非常不成熟,那么就把钱放在银行里“保本”,那么就

在股市里“追涨杀跌”,根本没有资产配置的概念。

        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。

        除了市场桎梏和获客难之外,智能投顾面临的最大问题还是来自于成长性。让一个人赚钱容易,让一群人赚钱难。无论是一级市场VC、PE基金,还是二级市场的股票基金,都会面临基金规模变大收

益率下降的魔咒,很多优秀的基金一旦扩大管理规模,便不可避免地沦为平庸的基金,巴菲特几十年来一直严格控制着基金规模。投资行业都是一九法则,10%的人赚钱90%的人不赚钱,智能投顾也是同样的

道理。当用的人数少的时候,赚取的收益来自于两部分,一是随着经济增长市场的整体上涨,二是超越市场平均收益的超额收益。当用的人数增多时,第二部分收益将被摊薄。如果智能投顾要普惠大众的话

,那么所有人都只能获取市场的平均收益。也就是说,当平台的用户量超过一定规模的时候,它的成长性就遇到了天花板。真正制约智能投顾平台发展的不是技术,而是它的底层金融逻辑。当小散都变得智

能了,没有可以割的韭菜了,到底该怎样赚钱,这确实是个问题。

9 结语

        当金融遇上科技,他们能愉快地生活在一起吗?互联网和科技追求的是规模效应,边际成本递减,而金融的核心是风控,必须控制规模。互联网行业那些“指数型增长”、“病毒式传播”、“爆款

”的奇迹显然无法在金融行业复制。金融行业扩大规模就意味着风控标准相应地放松,同时规模越大利差就会越小。金融创业者还是应该回归金融的本质,不能为了盲目追求规模而“踩雷”。

金融科技创业要面对三大屏障:监管、数据和用户。

        无论技术多先进,首先要确保合规。试想如果市场上两个金融AlphaGo对杀,将会是何其惨烈,对于整个金融系统来说一定是“灭顶之灾”。那时如果监管层来个一刀切,整个行业的发展将会停滞。

VC投资人最不愿意面对的就是政策风险,这也是VC投资Fintech方向会主要考虑的因素之一。

        第二个难题在数据上,大家都说获取数据难,其实处理数据更难。美国的金融市场非常稳定和成熟,适合训练机器学习算法。但是中国金融市场的干扰因素非常多,给分析和预测增加了很多难度。

比如中国的股市是“政策市”,有很多“黑天鹅”事件,极端数据对模型的生成是个很大的干扰。在训练算法之前,必须先进行数据的清洗。人工智能可以帮助我们发现市场的内在运行规律,但对于预测

“黑天鹅”事件是无能为力的,当然人类也是一样。

        最后一个难题就是获取用户。金融行业的资质是需要长年积累的,信任、品牌、声誉、牌照,这些都不是一朝一夕可以获得的。所以凯撒的归凯撒,上帝的归上帝。对于新进入的Fintech公司来说

,牌照是天然的壁垒,还是应该多和传统金融机构去合作,多做tech,少做fin。以下这张图是传统金融机构能够被Fintech所改造的各条业务链上的环节。Fintech公司可以发挥自己的技术优势,给传统金

融机构赋能,升级它们的业务流程,还是有很大空间的。

       金融行业是天然产生数据的行业,同时也是数据最能产生商业价值的地方,所以成为人工智能最先落地的行业之一。在美国,GPU等AI芯片的出货量很大一部分流向了华尔街,而中国还是集中在BAT

。由此可见我们的Fintech行业还有很大的发展空间,加油吧!


新闻快报推荐
  • 为什么项目喜欢通过股权众筹平台
  • 股权众筹平台告诉你股权众筹的好
  • 股权众筹平台上有哪几种众筹模式
  • 95亿美元!全现金收购新纪录诞生!
{{url}}

打开微信,点击底部的“发现”, 使用“扫一扫”即可将网页分享至朋友圈。


Copyright @ 2011-2016 容米创投 All Rights Reserved.粤ICP备17064351号       网站访问总量:1345499