来源：安华信达  作者：secsino

一、金融科技在业务发展上的应用

金融科技在业务发展场景上主要包括金融产品差异化定价、智能营销和客服、智能研究和投资、高效支付清算等。

(一)金融产品差异化定价

大数据和人工智能可以改变以往金融产品统一定价的模式，根据每个用户的情况实现差异化定价。

1.差异化保费设计

保险公司推出任何一款产品都要基于所获得的数据，经过精算定价，合理运用大数据有助于更加精确地厘定保险费率。传统定价方法是基于样本统计的历史数据来预测保险标的发生损失的概率，但保险标的风险状况不断变化，历史数据不能准确反映当前情况，样本数据也不能完全准确反映保险标的风险特征。保险公司可以运用大数据技术获得更多维度的全量数据，进而更精确地对风险进行评估。

2.利率和授信差异化设计

借款人申请借款时，信贷平台方依据用户资信状况进行评价，判断其在借款到期后是否会因为无力还款而违约，实现差异化定价，让信用良好、违约风险较低的优质用户能以较少的成本获得融资借款服务，而信用相对一般、违约风险较高的用户则享受不了信用溢价带来的优惠。此后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，就可以根据不同信用水平的实行精准的客户贷款利率和授信额度安排。

(二)智能营销和客服

1.精准营销

在单个客户个性化的营销方案和服务体系下，金融机构可以对关注个体和差异，通过用户画像和大数据模型实现对个人客户的精准定位基础之上的营销，最大限度地摊薄成本。精准营销对客户的兴趣、爱好、购买能力做出预测和判断，根据综合评分推荐金融服务和产品。

2.智能客服

金融客户的业务咨询中的大部分常见问题都是重复性的，而且在一个限定领域内。传统的人工客服需要占用大量人力成本，而基于自然语言理解的对话机器人可以通过对话发掘用户需求，解释和推荐产品，进而带来销售转化。

3.智能理赔

保险企业可以利用多年积累的理赔数据积累建立自主知识产权智能定损平台,借助人工智能技术对出险车辆进行智能图片定损,以海量真实理赔图片数据作为训练样本,运用机器学习算法对车辆外观损失自动做出判定。过去的车险理赔不仅要持续几天,还要客户自己垫付,而现在只要几分钟。

(三)智能研究和投资

1.研究自动化

投行领域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。人工智能环境下，用户只需要把收集到的资料输入给电脑就会自动生成图表和报告，研究人员只需要做修改、复核、总结和定稿工作。同时，人工智能还能自动搜集各种公告、研报、公开知识库等，通过自然语言处理和知识图谱自动生成报告，速度可达0.4秒/份。

2.智能投顾

智能投顾又称机器人理财，其核心是在数据沉淀积累与算法模型不断优化的基础上，根据个人投资者提供的风险承受水平、收益目标以及风格偏好等要求，运用一系列智能算法及投资组合优化等理论模型，为用户提供最终的投资参考，并对市场的动态对资产配置再平衡提供建议。

随着金融市场不断深入发展，金融产品层次与交易策略、交易工具日趋复杂，普通投资者学习成本越来越高，难以跟上市场发展步伐，专业投顾服务需求日渐凸显;而传统投顾服务的限制(百万资金起步、服务流程烦琐、服务费高昂、不能随时随地咨询、投顾水平良莠不齐等)无法满足普通投资者的需求。面对上述问题，智能投顾实际上就是把金融机构服务在线化、智能化，从而实现以较低的费率服务更广泛的普通个人投资者。

3.量化投资

人工智能中的机器学习算法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，通过知识图谱的建模方式把行业规则、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。

量化投资领域的智能机器从基本面、技术面、交易行为、终端行为、互联网大数据信息、第三方信息等衍化成一个因子库，将因子数据提炼生成训练样本，选取机器学习算法进行建模训练，保留有效因子生成打分方程输出组合。相比人类智能，机器人大数据量化选股偏向从基本面、技术、投资者情绪行为等方面挑选因子，从而对IT技术、数据处理技术要求较高。

(四)高效支付清算

1.支付技术创新

应用金融科技在工具层面上的创新，包括非接触式支付创新、智能穿戴设备支付创新、生物识别技术支付创新等，融合了安全和效率的综合性支付技术创新。

2.清算技术创新

市场参与者在交易中使用区块链技术可以享用平等的数据来源,交易流程更加公开、透明、有效。比如，通过共享网络系统参与证券交易，原本依赖中介的传统交易模式就变成分散的平面网络交易模式。

西方金融市场的实践显示，区块链技术支持下的交易模式有三大优势：

一是减少证券交易成本,交易流程更简洁、透明、快速，减少重复功能的IT系统，提高市场运转效率。

二是准确实时地记录交易者的身份、交易量等关键信息,使得证券发行者清晰地了解股权结构,提升商业决策效率，减少暗箱操作、内幕交易,有利于证券发行者和监管部门维护市场。

三是能使交易日和交割日间隔从1〜3天缩短至10分钟,减少了交易风险,提高了效率和可控性。

3.跨境支付结算方式创新

当前的跨境支付结算的方式日趋复杂，存在时间长、费用高、中间环节多等问题，付款人与收款人之间的第三方中介角色很重要。同时，各国的清算程序不同,一笔汇款通常需要2〜3天才能到账,效率极低,且在途资金占用量极大。

二、金融科技在风险管理中的应用

(一)大数据技术在金融风险管理中的应用

大数据风控技术目前较多应用于P2P和网络小贷等互联网金融领域，针对的主要风险类型是以违约风险为主的信用风险。优点在于与传统风控手段相比数据来源更为广泛，识别速度更快且成本更低，从而有助于更好地解决信息不对称问题。缺点在于受制我国当前信用数据分散且质量不高的现状，一些风控模型过度依赖互联网和手机抓取数据进行分析，而对借款人财务状况和偿债能力等关键变量分析不足，这可能是“现金贷新规”中有针对性地指出要“谨慎使用数据风控模型”的主要原因。

1.运用大数据技术进行欺诈识别

进行欺诈申请的客户由于编造了全部或部分信息，很可能在自行申报的相关信息中存在不符合常理的情况，这些信息项可以成为欺诈识别模型的重要变量。

(1)基于地理位置信息的欺诈识别：将客户填写的地址信息定位为地址位置坐标，并与客户常用物流地址位置坐标进行比对，如果发现客户提供了一个距离过大的地址，则该地址信息存在虚假的可能性。针对移动端渠道，可以定位互联网客户的具体申请位置，与申请信息中填写的地址信息或职业信息进行对比验证。

(2)基于申请信息填报行为的欺诈识别：通过收集分析客户填写申请过程的行为信息，如填写了多长时间、修改了几次、修改了哪些内容等进行识别。

(3)基于客户填报信息与公司存量信息交叉比对的欺诈识别：多个申请件填报的单位电话相同，而对应的单位名称及地址不同，则批量伪冒申请件的可能性就很高。

(4)基于外部信息的交叉对比的欺诈识别：恶意申请会隐瞒对其不利的事实，如负债、运营存在问题、法院执行信息等，而抓取互联网上申请人的企业经营信息、法院执行信息可以核实申请人的真实资质。

2.运用大数据技术进行授信评分

被排除欺诈可能并进入评分规则引擎的客户，会按类型被分发到不同的细分模块，以适应不同的细分模型，包括不同的产品、不同的行业、不同的客户群，如车贷、消费贷、抵押贷、个人经营贷等。不同类型的借款申请调用不同的信用评分规则引擎，该引擎将并根据用户授权许可自动抓取的数据，通过特定模型转化为个人授信评分数据与商户授信评分数据。

(1)基于个人信息抓取的授信评分：抓取用户在互联网上的购买数据、搜索引擎数据、社交数据、账单邮箱信息等多个维度的数据，得到用户性格、消费偏好、意愿、学历等个人信息。

(2)基于商户信息抓取的授信评分：抓取商户的交易数据(物流、现金流、信息流数据)和电商的经营数据(如访客量、交易量、用户评价、物流信息等)来对商户进行授信评分。

3.运用大数据技术进行贷后管理

针对“还款意愿差”和“还款能力不足”两大客户逾期的主要原因，大数据技术通过违约信息排查和监测预警及时跟踪违约风险。

(1)违约信息排查：通过实时监测存量客户早期逾期、连续多期不还欠款、联系方式失效等情况，并将存量客户与新增的黑名单、灰名单数据匹配，及时发现潜在违约客户。

(2)小微商户流水监测预警：利用从数据合作方获取的商户交易流水信息，对其交易流水进行监测预警。突然出现的资金流入、流出，不符合经营规则的交易流水下滑情况，正常营业的大额交易等均可以触发预警。

(3)负面信息监测预警：通过大数据实时监测，一旦发现客户的负面信息、公安违法信息、法院执行信息、税务缴税信息、行业重要新闻、借款人社交关系网中的负面情况、借款人的网络浏览行为、资金支付结算情况等，及时触发预警。

三、人工智能在金融风险管理中的应用

与互联网领域相比，金融场景上数据具有两大独特性：一方面可用数据比互联网要少，另一方面又比传统评分卡体系多了很多不可解释、高维稀疏的大数据。机器学习要解决的问题主要是模型构建和训练、性能监控与自迭代的机制，包括深度学习、半监督学习、在线学习等技术，核心都是为了将互联网级别的机器学习技术“降维”应用到金融领域。目前人工智能和大数据技术的紧密结合已成为风险管理的核心技术，其基本逻辑是通过在深度学习和数据挖掘中自我更新、自我调整和自我迭代，进而从更多维度的大数据中把握风险规律。

1.提取数据深层特征

在数据繁杂的大型风控场景中，运用基于深度学习的人工智能特征生成框架，对时序、文本、影像等互联网行为、非结构化数据深层特征加工提取，大大提升了模型效果。比如消费信贷风险管理通过知识图谱、自然语言处理、机器学习等人工智能技术，发现借款人、企业、行业等不同主体间的有效信息维度关联，深度挖掘企业集团、上下游合作商、竞争对手、管理人员信息等关键信息。

2.提高风控模型与数据的匹配度

不同数据需用合适的模型才能挖掘出最大价值。机器学习方法在互联网广告、搜索、推荐等应用是对不同类型的数据用不同的机器学习模型处理，金融场景中，采用复杂集成模型也可以处理上千维度的弱变量，精准地估计违约风险。

3.加快风控模型迭代速度

互联网每天都生成海量用户数据，搜索、推荐模型需要持续频繁地优化，自迭代频次比金融领域更快、更准确，通过机器学习可以解决模型人工迭代慢的问题。在金融风险管理中，通过对模型特征性能、借贷群体和业务反馈等多方面的监控，机器学习模型能有效地快速自迭代。

4.无监督机器学习反欺诈

欺诈风险量化也使用智能模型，比如无监督机器学习模型，基于可观察到的交易特征变量和案件数据，学习什么是好的，和坏的样本进行风险预测;在没有标签数据的情况下，交易、账户登录等场景应用无监督机器学习模型，通过分析欺诈和正常用户行为模式的异同，识别欺诈风险。

四、区块链技术在金融风险管理中的应用

目前区块链技术主要应用于操作风险管理中的身份验证、支付安全等领域，重点针对的是人工操作中验证困难带来的风险。

1.身份验证

当身份证件需要取消或者重新签发时，在跨国操作的情境下，金融机构需很长时间才知道该身份撤销了，区块链技术使，此类敏感信息的传递过程更加便捷和高效。身份验证系统利用区块链特有的智能合约，可有选择地显示身份信息，实现信息在相关者范围内局部共享，防止身份被盗和加强用户隐私保护。

2.票据业务风险管理

票据业务具备低频大额交易及存在人工操作风险的特点，基于区块链技术的数字票据具有独特的风险防控优势：一是能够有效防范票据市场风险，避免了纸票“一票多卖”、电票打款背书不同步等问题;二是可以大大降低监管的调阅成本，完全透明的数据管理体系提供了可信任的追溯途径。

3.保险公司道德风险防范

在保险受理阶段，区块链技术可以将不同公司之间的数据打通，相互参考，从而及时发现重复投保、历史理赔等信息，及时发现高风险用户。在理赔阶段，基于在区块链上记录了的客户所有投保信息，很快可以发现并骗保行为并及时采取措施。

结语

十九大报告指出，创新是引领发展的第一动力。金融机构应积极拥抱和推动科技驱动型金融创新，完善服务体系，提升服务质量，实现自身的转型发展，迎接新业态的到来。