互联网金融行业市场调研分析报告.docx
《互联网金融行业市场调研分析报告.docx》由会员分享，可在线阅读，更多相关《互联网金融行业市场调研分析报告.docx（22页珍藏版）》请在冰豆网上搜索。
互联网金融行业市场调研分析报告
2017年互联网金融行业市场调研分析报告
目录
第一节从互联网金融到金融科技5
一、互联网金融的兴起与发展5
二、互联网与金融的“合与离”5
三、金融科技（Fintech）的兴起6
第二节Fintech：
全球化浪潮8
一、Fintech交易规模9
二、Fintech领域投资金额10
三、中国Fintech发展世界领先12
第三节Fintech主要技术路径13
一、大数据13
二、人工智能15
三、区块链17
第四节证券行业与Fintech19
一、大数据的应用19
二、人工智能的应用21
图表目录
图表1：
互联网金融与金融科技市场热度示意图7
图表2：
Fintech应用领域7
图表3：
2013-2016中国Fintech营收及增长率8
图表4：
中国金融科技营收结构8
图表5：
Fintech主要业务及代表公司8
图表6：
全球Fintech交易金额（单位：
万亿美元）9
图表7：
全球Fintech交易增长率9
图表8：
全球Fintech潜在用户数（单位：
百万）10
图表9：
全球VC支持Fintech公司融资情况11
图表10：
单笔超过5000万美元的融资案例11
图表11：
Fintech独角兽公司估值排名（单位：
十亿美元）12
图表12：
2016年全球Fintech交易地区排名12
图表13：
大数据的4个V13
图表14：
AlphaGo对阵柯洁3:
0取胜15
图表15：
tesla自动驾驶技术16
图表16：
区块链的特点17
图表17：
大数据分析的基础条件20
图表18：
投顾服务演变情况22
表格目录
表格1：
全球Fintech100强前十名12
第一节从互联网金融到金融科技
一、互联网金融的兴起与发展
2013年以来，以BAT为代表的互联网企业频频涉足金融领域，对金融业的竞争带来了巨大冲击。
2013年6月，阿里旗下余额宝横空出世，成为互联网金融发展史上的里程碑。
互联网金融迅速引发市场广泛关注，P2P、网络理财、第三方支付、众筹等多种业态百家争鸣，当时监管层对互联网金融的发展持观望态度，没有对互联网企业采取类似金融机构的严格监管，这种基本默许的方式为当时互联网金融的迅速发展提供了外部条件，也为后续的“野蛮生长”做了铺垫。
随着互联网金融领域风险事件频发，将之纳入金融监管的呼声也越来越高，2015年央行联手十部委推出《关于促进互联网金融健康发展的指导意见》，明确了互联网金融的监管原则以及相关业务的监管主体责任，互联网金融正式纳入系统性监管。
2016年10月，国务院发布了《互联网金融风险专项整治工作实施方案》，致力于第三方支付、P2P网络借贷与股权众筹、资产管理及跨界从事金融业务、互联网广告四大领域的风险防范及处置。
2017年6月底各地金融局或金融办完成分类处置后，还留有12个月供整改类平台继续向合规转型，2018年6月将作为最后期限接受监管验收。
二、互联网与金融的“合与离”
按照一般理解，互联网金融是“互联网+金融”，二者交叉融合诞生的领域。
尤其是在发展初期，这种“合”为行业提供了原始发展动力。
在这里我们重申一个观点，即互联网金融并没有改善金融的本质，实质上是金融与互联网工具的结合、思维的结合。
也就是说，互联网企业从未考虑过转型成为金融企业，而是在构建互联网生态的过程中触及了金融领域。
在这个过程中，互联网企业以其技术优势显著降低了边际成本，触及传统金融机构无法覆盖的细分长尾市场，并以极佳的用户体验迅速获得市场口碑。
同时，当时宽松的监管环境为互联网企业迅速壮大提供了外部条件，一直“高高在上”的金融机构在互联网企业的跑马圈地过程中只能被动迎战，造成了一种互联网行业主导金融行业发展的错觉。
但是，在互联网金融被纳入严格的金融监管后，可以明显看到传统金融力量的崛起，金融机构的资本金规模、风险控制、产品设计等方面的优势重新开始显现；互联网则回归其工具化属性，发力优化业务流程，改善成本结构，提高营销效率，为金融核心服务。
除个别互联网巨头外，金融机构重新回到竞争的主战场，金融与互联网的分工重新明确，“离”的趋势更加明显。
值得注意的是，互联网与金融这一轮的“合与离”，对金融行业发展甚至整个经济格局产生了深远影响。
首先，互联网金融的兴起使得传统金融机构重视互联网技术，在外部竞争的逼迫下加速了行业技术引进和变革，大大加快了金融行业顺应互联网时代转型升级的步伐。
第二，互联网金融浪潮带来的大众观念升级，客户对互联网的态度在短时期内完成了从怀疑到包容再到信任的转变，为金融行业迅速完成了客户教育，为后续发展提供了客户基础。
第三，互联网企业完善了业务生态链，尤其是通过第三方支付掌握了O2O入口，使得流量变现更加方便快捷，利用金融天然的媒介属性更加便捷地介入更多行业，其工具价值迅速提升，互联网巨头成为经济中最重要的主体之一。
例如，阿里旗下的蚂蚁金服对个人评定的芝麻信用分达到一定标准后（通常为600以上）即可免押金租房（相寓、优客逸家等租房平台）、免押金住酒店（多家酒店、民宿平台）、免押金租车（神州租车、一嗨租车等）、免押金使用共享单车（ofo等）。
最后，互联网企业截留了大量金融数据，传统金融机构的进一步发展被互联网企业牵制。
如支付宝和微信支付等第三方支付大面积铺开，银行和商户的直接结算模式被打破，银行只能够看到用户消费金额，而用户的消费行为被第三方支付渠道掩盖，详细消费数据缺失使得银行无法根据用户的消费品类、消费地点分析其特点，挖掘其需求，也对金融机构进一步利用互联网手段发展形成制约。
三、金融科技（Fintech）的兴起
可以看出，互联网金融这个概念是在中国特定的发展阶段中、特定的监管环境下、特定的用户基础上产生的特有现象，互联网的爆发、传统金融服务的缺位、资本的助推、用户习惯的强可塑性、监管的默许几个条件缺一不可。
随着监管标准统一化，互联网与金融分离的趋势出现，金融机构重新主导行业发展，互联网企业回归其工具性特点，用科技的力量促进金融的可持续发展。
互联网金融热度褪去，其概念也逐渐向更接近其本质的金融科技（Fintech）演化。
图表1：
互联网金融与金融科技市场热度示意图
资料来源：
iResearch，北京欧立信调研中心
根据中国银监会创新业务监管协作部主任李文红在《金融科技发展与监管：
一个监管者的视角》一文中的观点，金融科技核心是利用新兴的互联网信息科技改造和创新金融产品和业务模式，金融科技更强调新技术对金融业务的辅助、支持和优化作用，其运用仍需遵循金融业务的内在规律、遵守现行法律和监管要求。
从应用领域角度可分为五大类：
支付清算领域，包括网络和移动支付、数字货币等；融资领域，包括股权众筹、P2P网络借贷等；市场基础设施领域，包括大数据、云计算等；投资管理领域，包括电子交易、机器人投资顾问等；保险领域，包括保险分解和联合保险等。
图表2：
Fintech应用领域
资料来源：
证券时报，北京欧立信调研中心
我们认为，无论其应用领域、技术手段、表现形式，金融科技的精髓在于以科技手段提高金融效率，这一需求是永远存在的，这就意味着金融科技不是炒作的概念，而是一个持续的过程。
2017年5月，央行成立金融科技委员会，旨在加强金融科技工作的研究规划和统筹协调，将金融科技纳入监管，稳健、持续将是未来的发展方向。
2013年以来，中国Fintech行业保持了耀眼的高增长。
2013年行业营收不足700亿元，2016年Fintech则达到4213.8亿元，年化增长率高达82.33%。
从收入结构来看，传统金融IT业务占比从近40%下降至7.4%，比例降幅与应收增幅相当，说明金融IT业务收入的绝对值保持了高度稳定，其他业务的迅速崛起推动了行业营收结构的变革。
2016年信贷业务和大金融业务占比超过70%，成为金融科技最重要的业务组成部分，支付业务作为Fintech除金融IT外最先切入的业务领域，目前仍贡献20%左右的收入份额。
图表3：
2013-2016中国Fintech营收及增长率
资料来源：
IResearch，北京欧立信调研中心
图表4：
中国金融科技营收结构
资料来源：
IResearch，北京欧立信调研中心
第二节Fintech：
全球化浪潮
近年来，Fintech在全球取得了长足发展，如果说我国互联网金融发展是建立在特殊国情基础上，金融科技则是在互联网科技大发展推动下的一次全球化浪潮。
与国内不同的是，在其他国家Fintech发展大多由专门的Fintech公司主导，业务涉及借贷、财富管理、保险、支付、货币外汇和零售银行等多个领域。
图表5：
Fintech主要业务及代表公司
资料来源：
零壹财经，北京欧立信调研中心
一、Fintech交易规模
全球Fintech交易规模不断增长，2016年交易金额达到2.6万亿美元，同比增长26%。
从交易结构来看，电子支付占比最高，达到85.4%，其次为个人金融，比例为9.6%，商业金融仅为5%。
根据statista的估计，未来5年商业金融和个人金融增速高于电子支付，2021年电子支付比重将下降到67%左右。
图表6：
全球Fintech交易金额（单位：
万亿美元）
资料来源：
Statista，北京欧立信调研中心
图表7：
全球Fintech交易增长率
资料来源：
Statista，北京欧立信调研中心
与此同时，Fintech的潜在用户量也在不断增长，预计2021年将达到35亿人。
图表8：
全球Fintech潜在用户数（单位：
百万）
资料来源：
Statista，北京欧立信调研中心
二、Fintech领域投资金额
Fintech在世界范围内都得到了资本的青睐。
2016年行业VC融资规模为131亿美元，同比下降了11%，交易量增加了11笔，平均融资金额有所下降。
2017年一季度单笔融资金额下降趋势延续，VC融资规模下降了18%，但是完成交易226笔，预计2017年全年交易笔数甚至可能超过2016年。
单笔融资超过5000万美元的大型融资明显减少，2017年一季度仅7笔，同比下降超过50%。
从资本支持行业发展的周期规律来看，资本介入初始阶段单笔融资规模往往较高，但是随着商业模式的推广和复制，融资规模会逐渐下降。
从较大融资案例的分布来看，北美市场热度开始消退，亚洲市场保持了高度活跃。
图表9：
全球VC支持Fintech公司融资情况
资料来源：
CBInsights，北京欧立信调研中心
图表10：
单笔超过5000万美元的融资案例
资料来源：
CBInsights，北京欧立信调研中心
截止2017年一季度，22家全球估值超过10亿美元的Fintech估值独角兽公司总估值达到了770亿美元。
值得注意的是这22家公司中有6家来自中国，如果加上阿里巴巴和京东旗下的金融子公司（蚂蚁金服和京东金融分别估值为600亿美元和73亿美元），中国的Fintech独角兽公司数量和规模都在世界前列。
图表11：
Fintech独角兽公司估值排名（单位：
十亿美元）
资料来源：
CBInsights，北京欧立信调研中心
三、中国Fintech发展世界领先
从交易金额来看，中国Fintech交易已经当之无愧成为龙头。
2017年中国Fintech交易金额达到1.08万亿美元居世界第一位，其次为美国1.02万亿。
中美两国交易金额和其他国家拉开了数量级的差距。
图表12：
2016年全球Fintech交易地区排名
资料来源：
Statista，北京欧立信调研中心
另一方面，从Fintech公司的排名来看，中国也遥遥领先。
H2Ventures和KPMG连续三年对世界领先的Fintech公司进行排序得出的行业前100强，其中中国的Fintech企业入榜数量不断增加，排名不断提升。
H2Ventures和KPMG的遴选标准包括五个方面因素：
（1）募集资本总额；
（2）资本增长率；（3）地理多样性；（4）行业多样性；（5）X因素：
产品、服务及商业模式创新的程度等。
根据调研结果，2016年行业前十名中有5家来自中国，分别是蚂蚁金服、趣店、陆金所、众安保险和京东金融。
此外，与上榜的国外其他公司相比，中国Fintech企业往往涉及多个领域，提供综合金融服务，业务更加多元化。
表格1：
全球Fintech100强前十名
资料来源：
H2Ventures&KPMG，北京欧立信调研中心
第三节Fintech主要技术路径
一、大数据
大数据概念诞生于20世纪90年代，一般指超出通常使用的软件工具能够在可接受的时间内捕获、管理和处理的数据集。
IBM从四个维度理解大数据：
Volume（数据规模）、Velocity（数据流量）、Variety（数据多样性）和Veracity（数据可靠性），也被称作大数据的4个V。
图表13：
大数据的4个V
资料来源：
IBM、北京欧立信调研中心
由于大数据包含来自内部和外部渠道的多种信息，公司可以利用这些数据升级产品和服务，为客户提供更好的服务；优化运营和基础设施利用，甚至寻找新的利润增长点。
也就是说，大数据的价值要通过挖掘内在信息来实现。
从本质上来看大数据并不是一个新概念，但是由于数据处理技术的进步使之前的不可能变成可能，从而大数据的商业价值显著提升。
沃尔玛经典营销案例——啤酒与尿片：
沃尔玛的工作人员在按周期统计产品的销售信息时发现一个奇怪的现象：
每逢周末，某一连锁超市啤酒和尿片的销量都很大。
为了搞清楚这个原因，他们派出工作人员进行调查。
通过观察和走访后了解到，在美国有孩子的家庭中，太太经常嘱咐丈夫下班后要为孩子买尿片，而丈夫们在买完尿片以后又顺手带回了自己爱喝的啤酒，因此啤酒和尿片销量一起增长。
搞清原因后，沃尔玛的工作人员打破常规，尝试将啤酒和尿片摆在一起，结果使得啤酒和尿片的销量双双激增，为商家带来了大量的利润。
上面啤酒与尿片的案例与今天的大数据分析本质是一样的，只不过在当时啤酒与尿片的关系需要人为识别，依赖于假设及后续的调查验证。
这种人为识别的问题在于数据分析师的主观局限性，主观假设不可能是完备的，而且需要耗费大量的时间和资源去做后续的验证和逻辑判断。
大数据技术可以克服这个弱点，由于人的精力和计算资源不再成为数据分析的客观条件约束，大数据可以在完全脱离主观判断的前提下进行数据的分析和处理，找出看起来风马牛不相及的事物存在的联系，这种联系甚至可能根本没有被主观认识到。
比如大数据统计发现经常购买胡萝卜的人群更喜欢古典CD，找出这样的联系是大数据技术出现之前不可想象的，因为人们很难建立起胡萝卜和古典乐的联系，也不会为这种看似渺茫的联系投入资源验证。
在分析完上面的例子后，我们可以发现大数据技术应用的几个特点：
（1）大数据分析强调相关性而非因果性，虽然无法得知事件背后的原因，但大部分时候客观存在的相关性足以指导实践；
（2）由相关性衍生出的广泛性，不被因果关系局限的结论可以广泛应用于各个领域；
（3）大数据的模糊性特征，大数据在模糊场景的实用性更强，如发现不为人知的特征，识别模糊而非精准的需求等。
比如今日头条的内容推送，如果发现经常浏览财经新闻的用户对旅游更感兴趣，今日头条就可以尝试定向推送旅游相关广告。
理论上大数据包含结构化、半结构化和非结构化数据，但是非结构化数据处理更能体现大数据的精髓。
结构化的数据是指数据的所有特征都可以用二维结构进行描述，典型的结构化数据即上市公司财务报表数据，年份和报表科目即可遍历数据所有特征；半结构化的数据如报表附注，既有可以结构化数据的部分，也有难以结构化的要素；非结构化的数据则比较广泛，包括文本、图片、甚至图像和音频/视频信息等。
目前大数据分析通常实现非结构化数据的结构化转变，通过提取数据的特征点，尽可能描述出非结构化数据的特征，实现了向结构化数据的重构后进行数据挖掘。
二、人工智能
人工智能（ArtificialIntelligence）是金融界最广泛应用的科技手段。
人工智能的概念仍然比较含糊，通常指使计算机做出类似人类思考结果的决策，从而使机器能够胜任一些通常需要人类智能才能完成的复杂工作，其主要应用领域包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能诞生于20世纪50年代，经过50多年的发展，近期人工智能的应用迎来爆发期，Google旗下的围棋大师AlphaGo、Tesla的自动驾驶技术、亚马逊研发的智能音箱Echo等多款优异产品集中推出，人们对人工智能的前景充满信心和热情。
图表14：
AlphaGo对阵柯洁3:
0取胜
资料来源：
公开资料，北京欧立信调研中心
图表15：
tesla自动驾驶技术
资料来源：
公开资料，北京欧立信调研中心
从技术上讲，目前的人工智能主要通过机器学习来实现，即让计算机模拟人类学习的过程，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
机器学习包含初始参数设定、训练和测试三个流程：
（1）初始参数设定：
制定学习的基本规则（有指导和半指导的学习，无指导学习不涉及），设定参数；
（2）训练：
输入样本数据进行计算，计算得出的结果与样本结果对比后，两者的误差再作为反馈对参数进行修正，这个过程不断重复，计算结果对数据样本的拟合度逐渐提高，直到误差达到可接受程度即完成训练；
（3）测试：
输入新的数据集检验机器学习效果。
目前，BAT互联网三巨头中均已向外界开放人工智能技术平台的公司，预计人工智能在多个行业的应用将迎来爆发。
大约一年前，阿里云公布了人工智能ET，第三方中小企业可以使用阿里云ET的语音交互、文字识别、机器学习、人脸识别等能力进行开发。
XX也在一年前发布人工智能“XX大脑”，并宣布对开发者开放其核心能力和底层技术，其中很多都免费提供。
2017年6月21日，腾讯旗下的云计算公司腾讯云发布战略产品“智能云”，宣布开放腾讯在计算机视觉、智能语音识别、自然语言处理的三大核心能力。
三、区块链
区块链是比特币的底层技术，随着比特币逐渐得到世界范围内的承认，其底层技术也得到了广泛的重视。
区块链（Blockchain）实质上是一个分布式数据库，用于维护不断增长的记录列表（即“块”，block），每个块都包含时间标识和与前块的链接（chain）。
通俗地理解，区块链就是一个账本系统，每条交易的交易主体在各自的账本记录一次交易，这些交易记录由所有人共享，供所有得到授权的人查询，一项交易达到交易条件后得到系统确认就会自动执行。
这样的好处在于，即使有部分交易记录受损，也可以通过其他账本记录的交易还原，数据安全大幅提升；记录的交易数据可以相互验证，完全杜绝了造假；交易自动执行，避免一物两卖的信用风险。
可以看出，区块链技术具有以下几个特征：
（1）公开共享：
每个使用者都可以直接控制他们所有信息和交易历史。
公共区块链的所有更改都是公开信息。
（2）去中心化：
由于数据采用了分布存储的形式，区块链不存在一个中心机构，因此交易无需经过中心机构的额外验证，此外，去中心化能抵抗不同类型的恶意攻击，显著分散了风险。
（3）安全：
所有区块链交易记录在执行后都不能被篡改或删除。
（4）信任：
由于交易需要交叉验证，处于区块链中的陌生人也可以形成信任关系。
（5）自动化：
交易无需中央机构验证批准即可执行。
图表16：
区块链的特点
资料来源：
Romexsoft、北京欧立信调研中心
虽然区块链技术是伴随比特币产生的，目前最广泛的应用就是各种虚拟货币。
但是区块链的普适性非常高，可以应用于各行各业。
比如，2017年6月20日众安科技宣布首次在国内将区块链全面应用于养鸡，基于区块链不可篡改等特点，保证每只鸡从鸡苗到成鸡、从鸡场到餐桌的过程中，所有产生的数据都被真实记录，真正实现每只鸡的防伪溯源。
这也是区块链首次在国内被应用于农业领域。
也就是说，区块链技术可以完全打破社会已有的运行模式，是一种能够引起社会结构重构的革命性技术。
目前区块链技术在医药、跨境支付、能源交易、难民等多个领域都有所探索。
区块链技术的核心特征是去中心化，并且能在去中心化的同时提高数据安全，完美解决信任问题，显著降低交易成本，严重打击了中介机构存在的基础。
以保险公司的保险产品为例，保险公司向承保人出售保险产品并收取保费，在承保人发生理赔事项时定损并支付赔偿金。
这个过程中保险公司可以利用沉淀资金进行投资，从而构成收入的最主要来源。
如果采取区块链技术，可以做到确定保险协议后暂不付费，只有发生理赔事件时所有承保人按照事先约定的比例分担理赔金额，整个过程无需保险公司参与，每个投保人都能够享有事先约定的权益，同时达到对投保人付费的约束、客观的理赔和高效的运作。
从历史发展来看，中介机构是伴随着信息不对称诞生的，银行、券商、保险公司都是典型的资本市场中介。
理论上，区块链技术的成熟将从根本上改变金融一直以来形成的中心化格局，央行、清算机构、交易所的根基都被打破。
在区块链技术的影响下，金融中心化将向哪个方向演进是一个未知数，但毫无疑问这将是一个漫长的博弈过程。
第四节证券行业与Fintech
证券行业应用Fintech尚处于探索阶段。
从技术路径来看，区块链直接挑战券商存在的基础，短期券商可能在个别业务条线会引入区块链技术提高交易结算效率，但是涉及业务模式重构的更深层次的变革不会从底层自发产生，而依赖于监管层自上而下的推进结果。
比如在A股市场的交易采用区块链技术，证券交易所、结算中心、托管银行等中介机构都无需存在。
如前所述，这种以去中心化为标志的底层变革将是长期的过程，因此本文将重点探讨券商近期可能采取主动行为的方面——即大数据和人工智能的应用。
一、大数据的应用
大数据实质上是伴随科技水平提升传统数据分析的升级，因此，大数据应用应关注数据基础和技术手段两个方面。
其中核心是数据基础，技术手段是辅助。
也就是说，进行大数据分析的前提条件是有高质量的大数据，否则技术水平再高也是巧妇难为无米之炊。
那么究竟什么样的数据满足大数据分析的条件？
我们认为以下三点要素缺一不可：
（1）规模大：
大数据之所以被冠名为“大”，就是首先要保证数据的规模。
数据量足够大时数据能够具有较好的统计性质，可以排除异常值对结果的扰动，提高分析结果的可信度。
比如对童装品牌进行市场需求分析，统计小学生身高的分布，如果只统计一所学校的学生身高代表全国样本，容易受到很多因素的扰动，比如高估了某一身高区间的分布比例而多生产了这一尺寸的服装。
（2）多维度：
同一维度的数据揭示的信息有限，多维度数据是综合分析的前提。
比如童装品牌统计了全国小学生身高数据，数据量足够大，但是厂商只能根据数据做出相应大小的服装，对颜色、材质、图案都没有了解；如果厂商能够在统计身高时统计小学生喜欢的颜色、喜爱的卡通人物、喜欢的明星、喜欢的款式，生产就能够更加贴近市场需求。
（3）活跃度：
活跃度是对数据质量的进一步要求，数据保持一定频次的更新，既扩充了数据样本量，又能够客观反映相关关系随时间的变化情况，使结果更加贴近真实情况。
依然用童装品牌举例，如果小学生普遍喜欢的卡通形象从喜羊羊变成了光头强，那么继续生产喜羊羊主题童装可能会面临滞销甚至亏损，此时滞后的大数据分析并没有带来收益，反而误导了生产。
如果把大数据分析的数据基础条件看作大数据的供给端，其适用的场景就是需求端。
这里需要明确一个问题，即并不是所有的场景都适合采取大数据的分析方法，也不是所有的关系都需要用大数据来分析，毕竟大数据对技术和硬件要求都高于传统数据方法，如果产生收益不能覆盖成本，盲目采用大数据事倍功半。
大数据相对传统数据分析最大的优势在于模糊场景的应用，比如视频网站用户可能都不明确自己喜欢的视频类型，但是
升级会员 