人工智能技术在金融业的应用与挑战.docx

人工智能技术在金融业的应用与挑战.docx

《人工智能技术在金融业的应用与挑战.docx》由会员分享，可在线阅读，更多相关《人工智能技术在金融业的应用与挑战.docx（11页珍藏版）》请在冰豆网上搜索。

人工智能技术在金融业的应用与挑战

摘要：

近年来，随着计算机算力的增强、大数据数量和质量的提升以及人类在机器学习、语音识别等多个研究领域取得了重要突破，人工智能（ArtificialIntelligence,缩写为AI）技术发展迅速，在各行各业得到了广泛应用。

在金融业，人工智能技术在金融机构的风控、营销、客服、交易、运营、研究及产品优化等多个领域的应用日趋成熟，并创造出一些新的商业模式。

毋庸置疑，人工智能技术的应用促进了金融服务的创新，改善了客户体验，降低了金融交易成本，提升了运营效率，推动了金融市场价值链的重构。

但与此同时，人工智能技术也给金融监管及金融市场的稳定带来了诸多挑战。

本文对人工智能技术在金融业的主要应用场景进行综述，并探讨相关的风险与挑战。

关键词：

人工智能；金融服务；应用场景

01人工智能技术在金融业的应用

在中国，人工智能技术赋能实体经济的各行业中，“AI+金融”的产业规模位列第二，仅次于“AI+安防”。

根据艾瑞咨询的数据，2019年，中国金融场景的人工智能投入规模达198亿元人民币，2020年估计将达到254亿元。

在香港特区，人工智能技术最主要的应用领域也是金融业。

香港金管局2019年第三季度的调查结果显示，受访零售银行中90%已经或计划采用人工智能经营业务。

应用于金融行业的人工智能技术主要包括机器学习、自然语言处理、语音识别、计算机视觉、算法框架等。

这些技术从多维度融入金融机构的管理与运营，帮助实现流程电子化、自动化、智能化、创新化，在降低成本和风险的同时，提升效率和精度。

目前，人工智能技术的主要应用有智能风控、智能保险、智能客服、智能营销等（图1），在企业的运营维护（流程的自动化、智能化）、投资研究、投资顾问、算法交易等方面也有很多应用。

（一）智能风控随着互联网金融的兴起，银行业对用户信贷资质评估的需求增加，推动了智能风控的发展。

智能风控通过神经元网络、知识图谱、机器学习、大数据分析等多项技术搭建一套成体系的风控系统，用于客户背景调查（Know-your-customer，KYC）、信用评估、信贷审批、贷后催收等环节（图2），大幅提高了各个流程的效率，改善了客户体验，并在使用过程中不断根据数据反馈迭代模型以增加准确度。

人工智能系统还可通过学习以往的案例、处理多维度的结构性及非结构性数据、监测并筛查可疑交易，提升反洗钱、反欺诈的效率。

目前，全球多家监管机构和金融机构已利用人工智能技术打击洗钱和欺诈活动。

汇丰银行和硅谷人工智能创业企业Ayasdi合作，实现了反洗钱调查流程的自动化；美国金融犯罪执法网络（FinCEN）利用其人工智能系统FAIS识别潜在的洗钱活动；英国金融监管局（FCA）考虑在监管合规执法过程（包括KYC和反洗钱）中使用人工智能/机器学习技术；新加坡金融管理局和美国证监会（SEC）也开始使用人工智能来甄别可疑交易以提高反洗钱工作效率。

除此之外，人工智能还被用于对金融机构和上市公司的经营及财务表现的监管。

美国证监会利用人工智能处理分析注册申请人填报的非结构化数据，从多维度对申请人的行为进行分析和预测，并将信息反映到风险等级中。

（二）智能投顾智能投顾是运用智能算法，对客户的风险偏好、财务状况、收益目标等进行数据分析和模型构建，最后根据金融理论制定个性化的资产配置方案，是目前金融机构应用人工智能技术较为广泛的领域。

智能投顾在2008年兴起于美国，华尔街对人工智能与大数据的看好以及市场对财富管理需求的增长，推动了人工智能在资管行业的应用。

目前，美国市场已存在较多成熟的智能投顾平台，例如先锋基金、嘉信理财、Betterment、Wealthfront等。

咨询公司科尔尼（A.T.Kearney）预测，美国智能投顾行业的资产管理规模将从2016年的3000亿美元增长至2020年的2.2万亿美元，年均复合增长率达68%，约占美国所有资产管理规模的5.6%。

智能投顾于2014年进入中国市场，最初由互联网公司主导，随后国内主要商业银行及金融机构也逐渐采用这一技术，近几年发展迅速。

根据艾瑞咨询的数据，中国智能理财服务市场资产管理规模（按理财产品在投余额规模）已从2016年的301亿元，上升到2018年的2547亿元，预计2022年将达到7371亿元。

现在中国智能投顾市场的主要参与者为传统金融机构（银行、券商、基金管理公司等）、互联网公司及金融IT公司。

相比互联网及金融IT公司，传统金融机构的优势在于其多年累积的客户网络、产品资源和经营经验。

2016年，招商银行推出了首家国内智能投顾平台“摩羯智投”；浦发银行紧随其后，推出“财智机器人”。

2017年，兴业银行的兴业智投、平安银行的智能投顾、光大银行的光云智投、中国工商银行的“AI投”相继推出。

（三）智能客服智能客服是通过自然语言处理、语音识别、知识图谱等技术建立的智能问答系统，为客户提供24小时自动化问答服务。

目前，该技术已广泛应用于银行及金融机构，为用户提供自助式的金融业务咨询及业务办理服务，例如聊天机器人（Chatbot）和虚拟助手等。

美国银行、摩根大通、中国工商银行、招商银行、中信银行等均已采用聊天机器人为客户提供24x7的智能对话服务。

相比传统的人工客服，智能客服可以兼顾多线问答并提供24小时不间断服务，有效分流了大部分简单的客服业务，降低了人工服务的压力和运营成本（图3）。

人工智能技术的运用同样为核验客户身份的环节带来了质的改变。

如今，人脸识别、指纹识别、声纹识别等生物识别技术可以迅速准确地验证客户身份，受到众多银行的青睐，并广泛应用于手机银行、网点及各类支付场景。

根据GenMarketInsights的研究，中国将成为人脸识别技术领域最大的消费者和市场供应商,到2023年，中国将占全球人脸识别市场份额的44.6%。

（四）智能营销智能营销结合人工智能与大数据技术，对客户的消费喜好、财务状况、行为模式等相关数据进行分析、归类，实现精准定位客户需求、建立客户画像、预测客户需求、匹配推送个性化产品及营销文案，并与客户服务、投资顾问等方面的工作进行有效连接。

智能营销已逐渐被广告主和营销人所认可。

（五）智能运维人工智能技术在精简金融机构日常业务运营及行政管理方面有显著的效果（图4）。

利用机器人流程自动化（RoboticProcessAutomation,RPA）和智能流程自动化（IntelligentProcessAutomation,IPA）的技术，金融机构得以对日常运营中的重复性工作进行标准化、自动化、智能化的改进，以降低人工错误率，提升业务处理速度。

机器人流程自动化（RPA）通过软件进行数据捕获，模拟人与系统之间的交互操作，达到完成重复性业务的目的。

根据Gartner发布的《2019年全球RPA市场份额与收入》，RPA市场在2019年收入达14.1亿美元，较2018年的8.7亿美元增长了62.9%。

智能流程自动化（IPA）则是基于RPA的进一步发展，结合了大数据分析、基础流程重设计、流程自动化及机器学习等技术，更好地实现了对流程的自动化和智能化。

根据Futurum发布的《2019年RPA与IPA现状》，金融领域85%的企业已将RPA/IPA用于日常运营。

（六）智能投研智能投研主要用于辅助研究人员，通过自然语言识别、知识图谱、深度学习等技术，整合学习各类研报的数据和语言并自动撰写研报，为金融机构提出投资意见（表1）。

相比美国智能投研二十多年的历史，中国从2015年才开始逐渐将人工智能用于投研环节。

2019年12月，韭韭投研与中科院合作开发的智能投研APP上线，是全球首款AI量化+基本面的智能投研产品。

2020年9月，智能投研技术联盟（InvestmentTechnologyLeague，ITL）在中国（上海）自由贸易试验区临港新片区揭牌成立，它是由72家从事智能投研技术应用、开发、研究、服务和支持的相关机构及组织共同发起、自愿组成的公益服务专业平台，旨在促进金融科技中心和全球资管中心融合发展，提升资管科技水平。

（七）算法交易算法交易是人工智能技术与量化交易的结合，通过神经元网络、机器学习、知识图谱、大数据分析等技术，对大量数据进行处理，从中鉴别、分析、预测具有经济价值的因子用于建立动态交易模型、制定交易策略，并自动完成相应交易（表2）。

由于人工智能处理数据的能力使其在量化投资领域有显著优势。

近年来，全球众多对冲基金均加大了对人工智能的投资。

Citadel、文艺复兴科技、桥水基金和TwoSigmaInvestments正在将机器学习策略纳入其投资策略之中，JPMorgan的对冲基金业务HighbridgeCapitalManagement则开始与Sentient合作创建AI策略，试图完全通过人工智能进行交易。

ResearchAndM发布的《算法交易市场：

2020~2025年全球行业趋势、份额、规模、增长机会和预测》指出，全球算法交易市场将从2016年的88亿美元增长至2025年的182亿美元。

（八）智能保险智能保险是通过运用知识图谱、图像识别、语音交互等技术实现自助投保、业务办理、风险定价、图片定损等，融入保险业的各个流程，并通过机器学习等算法不断对新案例进行分析学习，优化现有模型。

与智能营销相似，智能保险同样借助人工智能和大数据技术从多维度了解客户，使得保险产品的设计和定价更具针对性，进入保险产品“量身定制”的时代。

例如，新华保险的Magnum智能核保系统是一款自动化系统，支持寿险、重疾险、医疗险等保障责任的智能风险评估。

根据新华保险官网，该系统优势在于对客户健康等基本状况进行询问时，可根据每个客户差异化的阳性告知内容（投保重疾险所需的健康告知，体检是否含有阳性指标等）自动生成“人机对话”式、动态输出的交互式问卷，大大改善了客户的投保体验，同时缩短了承保时效。

02人工智能技术给金融业带来的挑战

人工智能技术在为金融行业发展带来全新机遇的同时，也带来了新的风险与挑战。

例如，人工智能技术的发展导致传统金融行业与其他行业之间的界限被突破，促使诸多依托互联网及人工智能技术的新型金融科技公司诞生。

这些金融科技企业凭借低费率、低门槛、操作性简易高效的特点吸引了基数庞大的小微客户，并逐渐扩大业务范围至传统金融业务之中。

然而，传统金融行业与其他行业之间界限的突破，为金融监管和规则制定造成一定的困难。

另外，目前部分人工智能的算法缺乏可解释性和可审计能力，许多模型和算法的运作处于“黑箱”状态，对其结果缺少合理的解释。

当前的人工智能仍属于弱智能，模型的开发和训练是对历史规律的总结，无法预测重大的突发性事件，也难以给出合适的行动建议。

除此之外，人工智能技术发展的基础是数据，而整个大数据行业都面临着平衡数据收集及用户隐私的困难。

如何保证收集过程合理合法、数据即时有效、使用及保管不侵犯用户隐私等，仍然在探索之中。

此外，人工智能技术在以下三个领域形成的风险与挑战尤其值得关注。

（一）算法交易算法交易的普及提升了金融市场的效率及市场流动性，但其风险也不容忽视。

有观点认为，算法交易是导致市场剧烈波动的推手之一。

这其中最为知名的便是2010年5月6日美股的“闪电崩盘”。

事后调查表明，此次暴跌是由一名交易员使用自动交易程序操纵标普500期货合约市场，通过数量巨大的出售指令压低价格套利。

而使用了类似交易模型的交易公司则在读取到虚假的下跌信号后自动执行卖出指令，引起巨大的连锁反应。

有些算法交易策略与违规交易只有一线之隔。

高频交易作为算法交易的一种形式，其常用的部分交易策略与幌骗（Spoofing）、老鼠仓（Front-running）等违规交易手法之间的界限模糊，也因此受到各方监管机构的重视。

美国证监会及欧盟的MIFIDII规则均对算法交易和高频交易可能涉及的边界进行了明确的定义，并对可能存在的破坏性交易行为制定了严格的监管和处罚措施。

美国自2010年的“闪崩”事件后便针对高频交易推出了一系列监管措施，例如在指数熔断机制之上新增了个股熔断机制、设置错单取消机制、并对无成交意向报价进行限制（即报价不得超过纽交所最高Bid和最低Offer价的8%，临近开收盘时段限制则为20%）等；欧盟在2011年为抑制高频交易提出金融交易税，目前有10个成员国加入了该计划；德国于2013年出台了全球首部《高频交易法》。

近年来，中国的监管部门与市场平台机构也愈加重视对高频交易等程序化交易进行规管和限制。

自2015年起，中国金融期货交易所针对高频交易推出了一系列限制措施，如设置申报费用、将股指期货手续费调整为交易手续费及申报费两部分、调整持仓保证金、重点关注频繁申报、撤单等交易行为。

2019年通过的新《证券法》确定了证监会对程序化交易的监管权力，证监会则将《程序化交易管理办法》列入2020年立法工作计划。

与此同时，上海证券交易所在流程上对程序交易制定了严格的监管制度，明确了程序交易的报备范围、程序及流程，并为完善程序化交易监管制度，于2020年7月宣布启动期权市场高频交易模式及监管研究。

除违规交易外，因算法系统故障而发出的错误交易指令也可能引起不必要的市场恐慌。

尽管市场震动的触发事件不一定与算法交易有关，但算法交易在一定程度上成为加剧波动的“帮手”。

相似的交易模型和交易策略以及快速的自动化交易程序，使得相互独立的金融机构在市场发生波动时很可能做出相似决定，继而加剧市场的单向波动并引发流动性危机，甚至有可能迅速传到其他资产类别的市场之中。

（二）智能投顾尽管资产管理规模在不断扩大，中国的智能投顾行业仍处于早期阶段，主要面向C端客户，行业整体发展水平参差不齐且未做到完全智能化。

面向C端客户的投顾机构，多数以“低费率、低门槛、便捷操作”为产品特点吸引用户，免收服务费或管理费，仅收取一定的交易佣金或申赎费用。

C端客户主要以散户为主，大多缺少投资理财相关的知识理念，追求的也主要为短期收益，导致“追涨杀跌、频繁申赎”成为普遍现象。

而智能投顾产品理论上是根据客户的风险承受能力和投资偏好进行计算，帮助投资者寻找到“最优配置”，而非一味追求“高收益”。

此外，智能投顾平台所采用的投资策略和交易模型并不对外公开，使客户对产品本身的设计和局限性缺乏必要了解，难以做出适合自己的选择。

另一方面，低智能程度也使目前大多数智能投顾产品的风险评测较为片面，仅考虑了基础的收入、年龄、婚姻状况等，无法兼顾客户更为复杂的场景及个性化需求。

部分投顾平台更多以“智能”为概念作为营销噱头，实际上只能在一定程度上做到自动化而非智能化。

面对诸多挑战，中国的监管机构和投顾平台通过学习借鉴较为成熟的美股投顾市场，在规范市场监管的同时努力探索新的发展模式。

2019年10月24日，中国证监会发布《关于做好公开募集证券投资基金投资顾问业务试点工作的通知》，改变以卖方为主导的基金销售模式，转向以买方客户为中心，并批复了18家投顾试点机构。

金融IT公司及互联网公司也在积极寻求和银行及传统金融机构建立合作，利用各自的优势实现技术和渠道的互补共赢（如华夏基金与腾讯理财通、天天基金的合作等）。

投顾平台在不断改进系统、推出创新产品满足客户需求的同时，也在努力开展B端业务，例如理财魔方与浦发银行达成合作，璇玑科技也为民生证券等机构设计了智能投顾系统。

（三）智能风控智能风控所面临的挑战主要来自于如何改善数据质量（全面性、时效性、真实性等）以及如何确保风控系统对网络黑色产业和欺诈行为的识别能力。

被动式的风控系统对可疑交易及黑产的甄别大多是通过对所收集到的数据进行评估并对比过往案例来得出最终结论，故而存在一定的滞后性。

若想提升模型的准确性，需要数据和案例的积累，并在使用过程中通过深度学习对算法进行迭代。

而数据的获取、使用及保管的规范性仍然还在讨论和摸索之中。

此外，黑产及欺诈手法也在迅速适应现有的风控系统，不断寻找新的方式绕过系统的侦测以牟取利益。

因此，许多智能风控服务提供商或者金融机构的风控团队都在探索开发主动式风控方案。

其中，支付宝开发的AlphaRisk风控引擎目前已升级到第五代，与多家商户达成合作关系。

AlphaRisk能够对每个用户的每笔支付进行7×24小时的实时风险扫描，并从中识别用户的账户异常行为。

凭借该系统，支付宝每天数亿笔交易的资损率（指平台一定时期产生的用户资金因盗刷、欺诈等原因造成的损失额与总交易额的占比）低至千万分之一，领先国际200倍。