保险资产管理业应用金融科技的现状与挑战.docx
《保险资产管理业应用金融科技的现状与挑战.docx》由会员分享，可在线阅读，更多相关《保险资产管理业应用金融科技的现状与挑战.docx（17页珍藏版）》请在冰豆网上搜索。
保险资产管理业应用金融科技的现状与挑战
（一）保险资产管理业发展概况
1．全球资产管理业概况波士顿咨询研究显示，全球资产管理行业从经济危机中恢复，进入稳定发展阶段。
2018年管理资产有望达到80万亿美元。
从区域分布来看，北美和欧洲国家仍占据主导地位，资产规模占比较高，非洲和亚太地区新兴市场规模占比较小，且新增资金增速渐渐趋于平稳。
其中，美国是全球最大的投资基金管理中心。
2016年至2017年美国资产总额增长13%，达到37.4万亿美元，资产总额遥遥领先。
同期，欧洲资产总额增至22.2万亿美元，为第二大投资基金市场，但增速较低，仅为7%。
中国的增速最快，2017年总资产增加22%，达到4.2万亿美元。
全球资产管理业具有鲜明的规模效应。
截至2017年，全球前70家资产管理公司管理资产达71.78万亿美元。
其中最大的15家资产管理公司，旗下管理着35.9万亿美元财富。
这其中10家公司来自美国并占15家公司管理资产的71.3%。
前3大资产管理公司贝莱德、先锋、UBS的管理资产规模分别为6.3万亿美元、4.9万亿美元、3万亿美元。
地理分布方面，美国东部依然是全球金融行业的重镇，华尔街聚集着全球主要的财富，并通过投资股票、债券以及产业投资发挥着重要作用。
2.中国资产管理业概况
中国人口结构变化、人民币国际化、金融市场持续健康发展成为资产管理行业重要推动力，中国资产管理市场面临前所未有的发展机遇，全国资产管理业务总规模持续增长。
CaseyQuirk研究显示，中国是唯一一个资产管理规模逾数万亿美元且过去五年仍以每年超过30%的速度吸纳新资金的市场。
我国资管市场中，“赢者通吃”、“马太效应”已经较为显著，高集中度现象已经形成。
前10大资管机构管理资产规模的市场份额占比32%，前20大资管机构市场份额占比44%，与全球资管市场十分接近。
未来几年中国资产管理市场的发展比较乐观，主要原因是我国资管市场具有一系列利好的驱动因素支撑，包括宏观经济稳定增长、经济转型带来的机遇、人口老龄化和居民财富积累并向金融资产转移等。
同时，金融科技为资产管理行业带来的大量创新以及监管政策的不断完善将进一步驱动资管市场快速发展。
CaseyQuirk预计，2030年中国资管规模将达到17万亿美元，成为仅次于美国的世界第二大资产管理市场。
3.中国保险资产管理业概况
作为资产管理业务的有机组成部分，我国金融机构的资产管理规模增长迅速，主要涉及银行、信托、基金、证券、期货、保险等机构的多种产品类型，目前资产管理业务已经成为金融体系内最具活力和成长潜力的板块。
BCG报告显示，2017年我国资管市场中银行仍为中坚力量，保险资产占据重要的市场地位，约占管理资产规模总额的14%。
我国保险资管行业是紧随保险资金的运用拓展而不断发展的。
从2002年修订《保险法》开始，监管政策适当放松，保险资产管理业投资范围逐步合理放宽至债券、债券回购、证券投资基金、股票、资产支持计划、境外投资、股权、不动产、基础设施投资计划、衍生品交易、创业投资基金、私募基金，并在2014年整合比例监管政策，加强和改进了保险资金运用比例监管。
随着政策的完善，我国保险资管行业经历了快速发展的黄金年代。
截至2018年底，保险行业资产总额达18.33万亿元，以2001年底为基准，过去17年年复合增长率高达24%。
就保费收入而言，2018年规模达3.80万亿元，持续维持高速增长状态。
与此同时，保险资金运用余额也随着保险资产规模扩大和保费收入的增长而增加。
从2013年到2018年底，保险资金运用余额从7.69万亿元增加到16.41万亿元，年复合增长率达16%。
伴随着保险资金运用专业化、集中化发展，我国保险资管资产规模迅速膨胀，成为“大资管”的重要组成部分。
与此同时，随着保险资金运用监管的合理放松，保险资管的投资范围扩大，配置结构日趋多元。
根据银保监会公布的最新数据，2018年底，保险资金配置结构中，银行存款24,363.50亿元，占14.85%；债券56,382.97亿元，占34.36%；股票和证券投资基金19,219.87亿元，占11.71%；其他投资64,122.04亿元，占比提升至39.08%。
保险资金配置中银行存款、债券占比持续下降，另类投资配置比例不断提升，成为保险资产配置的重要组成类别。
2003年，中国第一家保险资产管理公司中国人保资产管理有限公司成立。
2004年《保险资产管理公司管理暂行规定》颁布之后，保险资管公司迅速发展。
随着中小险企资产管理公司、合资资产管理公司以及境外资产管理公司陆续批复成立，截至2018年底，我国已有27家综合性保险资产管理公司、14家专业保险资产管理公司、11家香港子公司、9家养老金管理公司。
保险资管机构实行差异化发展，业务模式主要包括投资管理、投行业务、金融同业和财富管理四大板块：
◆投资管理板块主要指二级市场投资，较注重投资能力和产品设计能力，包括投资研究、资产配置、固定收益投资、量化投资、权益投资等。
◆投行业务板块主要指另类投资，帮助企业解决融资难题，撮合资金端和资产端，包括以保险资管机构名义发起设立基础设施债权投资计划、不动产投资计划、股权投资计划、资产支持计划等。
◆金融同业板块包括协议存款通道业务，保险资管机构与银行、信托、券商等同业开展的财务顾问、资产证券化业务等。
随着量化投资和资产证券化的发展，该板块有可能成为保险资管行业下一轮竞争的重要战场。
◆财富管理板块主要针对高净值客户资产管理服务和公众理财市场，产品形式包括养老保险公司的养老保障产品、专项或定制化产品以及公募产品。
当前我国保险资管行业已经逐渐从追求规模和速度发展阶段过渡到追求质量和效益的新阶段，在严监管的同时也打开了保险资金运用的新渠道，行业发展蕴含着新机遇：
◆随着统一监管的大幕拉开，资管行业回归代客理财本源。
在打破刚性兑付、推动资产净值化转型的背景下，理财产品收益率将下行，保险产品将更具吸引力。
在政策上，保险资管紧跟市场环境和监管思路，深化保险资金运用监管规范，控制整体风险，保险资管行业将步入良性发展周期。
◆随着大资管时代重塑行业格局，统一监管从统一资管信息入手，打通跨部门数据交换，资管子领域不断转型以适应新的监管要求。
在此背景下，保险资管有望通过稳定风险与收益的保险产品打开业务空间。
◆资管行业内部竞争加剧，各资管子领域均积极探索转型。
相较于国外较高的渗透率，我国保险市场仍有重组的潜力，包括多元委托、险系基金、年金等第三方业务的持续优化。
同时保险资管可以发挥传统投资领域的先发优势，布局多元品种，增强市场竞争力。
◆保险资产管理业与金融科技进一步融合，可在发展差异化竞争力、提升投研智能化、强化客户维护、推进业务优化、提升风险监测预警准确性、扩展运营能力等方面取得成效。
（二）金融科技的关键技术
我国金融科技发展步入第四阶段，金融行业的业务模式、管理模式都在发生巨大的变革。
新技术的快速发展深化金融科技的应用，云计算、大数据、人工智能、区块链、机器人流程自动化等技术与金融传统业务高度融合，不断推出新的金融解决方案。
具体来说，云计算为金融机构提供低成本、高效率的IT基础设施，在安全合规的前提下有力支持业务快速上线和灾备的需求。
大数据技术为金融行业带来海量的数据并提供价值挖掘的有效方式，能进行更精准的预测，提高经营效率并降低获客成本。
人工智能技术能模拟人的认知与功能，推进普惠金融，并提高金融行业的数据处理和风险控制能力。
区块链技术以科技带来信任，简化机构间的清算流程，降低成本。
机器人流程自动化技术能进行高重复性、逻辑确定并且稳定性要求相对较低的流程性工作，提高工作效率。
1.人工智能
1.1概念和特性
人工智能（ArtificialIntelligence）是计算机科学的一个分支，是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术和应用系统，其目标是让机器能做出近似人类智能的反应。
算法、数据和算力是人工智能的“三驾马车”。
其中，算法是重中之重，目前主流算法包括自然语言处理、机器学习、知识图谱、深度学习等。
数据不仅仅是产品创新和公司决策的基础和依据，更是机器智能产生的原因之一。
算力是使人工智能走向生产环境的基础，人工智能系统通过成百上千颗GPU完成算法的训练；但随着数据的爆发式增长，还需要匹配更大的算力进行支撑。
人工智能技术可分为弱人工智能、强人工智能和超人工智能。
弱人工智能只擅长解决单一方面的任务，例如语音识别、图像识别和翻译。
谷歌的AlphaGo便是弱人工智能的一种。
强人工智能就是人类级别的人工智能，在各方面都能做到与人类媲美，能够像人类一样拥有“思维”。
超人工智能则是在超越人类，人工智能思想家NickBostrom将超人工智能定义为“在几乎所有领域都比最聪明的人类大脑都聪明很多，包括科学创新、通识和社交技能”。
目前，计算和感知智能的关键技术已经取得较大突破，弱人工智能应用条件基本成熟，但强人工智能的前景尚不明朗。
1.2历史和趋势
人工智能共经历过三次浪潮：
◆第一次浪潮（50～60年代）：
1956年Dartmouth会议之后研究者对AI相当乐观，出现大批的AI程序和新的研究方向，如搜索式推理、自然语言、微世界等。
在这一阶段，算法是主要瓶颈。
◆第二次浪潮（70～80年代）：
专家系统开始被全世界的公司采纳；新型的神经网络被物理学家证明能够用一种全新的方式学习和处理信息；反向传播算法和联结主义获得广泛的关注。
这个阶段数据和算力是主要瓶颈。
◆第三次浪潮（2006年～今）：
21世纪之后，数据、算法、算力三方面的突破使得人工智能迎来了第三次浪潮，深度神经网络得到更广泛关注。
2.云计算
2.1概念和特性
云计算（CloudComputing）的服务模式包括SaaS、PaaS和IaaS三个层次：
SaaS提供运行在云计算基础设施上的应用程序，用户可以在各种设备上通过客户端界面访问；PaaS提供给用户的是在云计算基础设施上部署好的软件运行平台，用户能通过平台进行应用部署；IaaS提供给用户的服务是对所有计算基础设施的利用，用户能够部署和运行任意软件。
PaaS和IaaS可以直接通过平台向用户提供服务，也可以作为SaaS模式的支撑平台向用户提供服务。
目前IaaS市场以互联网巨头主导，亚马逊、微软、阿里巴巴等互联网巨头占据了大部分市场份额，寡头趋势明显；PaaS服务提供开发、测试、交付和管理软件应用程序所需的环境，该服务的市场规模相对较小，主要是大型互联网公司和软件龙头参与其中；SaaS服务提供面向用户的软件应用能力，该服务的市场空间最大，参与厂商众多，集中度低。
云计算的特性主要体现在以下三个方面：
◆共享计算资源——云计算服务可以为用户提供共享性的资源，使闲时和忙时用户、短期用量大和长期用量小的用户穿插使用资源，真正做到按照需求向用户分配资源和使用服务。
◆安全性和可靠性——云计算往往由大量的计算设备和网络设备组成，相对于私有独立的服务器环境，具备非常强的备份热切换能力，能保障用户不受单台计算设备故障的影响。
同时，云计算通过多台设备的数据镜像化管理机制，充分保障数据安全和数据使用的可靠性。
◆算力处理能力——云计算具备弹性计算扩展能力，通过硬件的横向扩展，能向用户提供超出单机几百上千倍的计算能力，用户可以很简单的通过接入云计算服务获得强大的算力，而不用支付巨额的硬件建设费用。
2.2历史和趋势
云计算的概念最早由Google提出。
2006年，亚马逊弹性计算云服务的推出标志着整个产业的诞生。
从云计算的搭建角度来说，一般有公有云、私有云、混合云三种模式。
私有云是为一个用户单独使用而构建的，从而实现对数据、安全和服务质量等方面最有效的控制。
用户拥有基础设施，并可以在此基础设施上部署和控制应用程序。
公有云通常指第三方服务商为众多用户提供的云，一般可通过互联网使用。
混合云指云服务部分采用私有云，部分采用公有云，用户一般会把核心数据和服务部署到私有云，非核心的数据和服务部署到公有云。
我国“十三五”规划纲要将云计算创新发展列为信息化重大工程之一，工信部发布的《云计算发展三年行动计划（2017-2019年）》中指出，在“十二五”末期我国云计算产业规模已达1500亿元，提出到2019年我国云计算产业规模达到4300亿元的目标。
3.大数据
3.1概念和特性
随着信息技术的发展和互联网的普及，每年产生的数据量呈现爆发式增长。
据测算，全球数据量大约以每两年翻一番的速度增长，IDC预测2020年全球数据量将达到40ZB的庞大规模。
对于“大数据”（BigData），研究机构Gartner给出了这样的定义：
“大数据是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产，其核心在于提高对数据的加工能力，从而实现数据的增值。
”
大数据平台的构建可分为四个层次，分别是数据收集和存储、信息整合、知识发现、智慧决策。
数据收集和存储将各种渠道收集的数据通过分布式技术进行存储。
信息整合对存储的数据进行分类和建模。
知识发现引导机器进行数据学习。
智慧决策将大数据与人工智能技术结合，由计算机直接给出决策结果。
四个层次的难度依次递增，目前的技术处于知识发现层次，随着人工智能技术的发展，正向智慧决策层次推进。
同时，云计算的诞生为大规模数据的存储和处理提供了更好的方式，通过并行化和分布式计算技术实现业务质量可控的大数据处理能力。
大数据应用的特性主要体现在以下三个方面：
◆降低获客成本——大数据技术能低成本、高效率生成企业和个人画像，从而提供千人千面的个性化营销，通过精准匹配降低用户搜寻成本，扩大产品交易规模。
◆提高决策效率——大数据技术可以处理行为、看法、感知反馈等非结构化或半结构化数据，从以往的静态现象分析及预测，逐步提升为针对场景的动态化决策建议。
◆增强风控能力——大数据技术能通过模型构建客户画像和企业经营全景视图，识别可疑信息和违规操作，强化风险防控和预判能力；同时，可以通过实时追踪资金风险，管理还款进度，实现良好的期限匹配管理，防范流动性风险。
3.2历史和趋势
大数据的应用大致经历了四个发展阶段：
从探索期，大数据逐渐被关注并在互联网机构率先应用落地；到市场启动期，各类数据分析机构出现；再到高速发展期，大数据的商业模式被验证；直至应用成熟期，大数据向用户提供服务。
未来，大数据发展呈现以下趋势：
◆开放源码：
ApacheHadoop、Spark等开源应用程序在大数据领域占据了主导地位。
许多企业正在扩大Hadoop和NoSQL技术应用，并寻找提高大数据处理效率的技术手段。
◆机器学习：
机器学习是人工智能的一个分支，允许计算机在没有明确规则的情况下学习新事物。
机器学习超越传统的基于规则的算法，创建出能够理解、学习、预测、适应，甚至可以自主操作的系统来分析大数据以得出结论。
◆边缘计算：
在边缘计算中，大数据分析非常接近物联网设备和传感器，而不是数据中心或云。
如此可以提高网络性能并节省云计算成本，还可以加快分析过程。
此外，边缘计算允许公司删除过期的和无价值的数据，降低基础架构成本。
4.区块链
4.1概念和特性
区块链的本质是一个分布式的数据库，由全网参与者共同管理和维护。
每个数据块中都包含一定时间内的系统全部信息流，并生成密码，用于验证其信息的有效性和链接下一个数据块。
区块链系统根据应用场景和设计体系的不同，一般分为公有链、联盟链和私有链。
公有链的各个节点可以自由加入和退出网络，网络中不存在任何中心化的服务端节点。
联盟链的各个节点通常由与之对应的实体机构组织，通过授权后才能加入与退出网络。
私有链各个节点的写入权限收归内部控制，而读取权限可视需求选择性地对外开放。
区块链最主要的特性有以下五个方面：
◆去中心化：
相对于传统的集中式数据存储模式，区块链实现存储的完全分散，不再依赖于实体机构，支持全天候服务。
◆开放性：
除交易各方的私密信息被加密外，其余数据对所有人公开；区块链系统是开放的，任何人都可以通过公开的接口查询区块链数据和开发相关应用。
◆自治性：
区块链采用协商一致的规范和协议（比如一套公开透明的算法），使得整个系统中的所有节点能够在去信任的环境下自由安全的交换数据，任何人为的干预不起作用。
◆安全性：
一旦信息经过验证并添加至区块链，就会永久的存储起来，数据的稳定性和可靠性极高，且多节点、全网通知的特性，使得区块链几乎无单点故障。
◆匿名性：
由于节点之间的交换遵循固定的算法，其数据交互是无需信任的，因此交易对手无须通过公开身份的方式让对方对自己产生信任。
埃森哲咨询调研访问结果显示，目前，区块链在银行机构最常用的场景分别是：
银行内部跨境结算、跨境汇款、企业付款、银行间跨境结算、个体汇款层面以及现金总库。
以上为各场景的使用程度占比分布图，根据调查，有44%的受访对象将银行内部跨境结算列为最常使用场景，6%列为第二常用场景，以此类推。
4.2历史和趋势
2009年，一个化名为中本聪的人创建了比特币，支撑比特币的技术体系构成了区块链的最初版本。
随后，区块链的发展可以分为1.0、2.0和3.0三个阶段，其中1.0是数字货币应用，2.0是智能合约应用，3.0是为各个行业提供去中心化解决方案。
在区块链数字货币的强监管下，2.0和3.0赋能实体产业的步伐预计将得到加速。
区块链在2.0阶段应用于金融领域有着天生的优势。
IBM在2016年指出，2017年会有14%的金融市场机构和15%的银行采用区块链技术商用解决方案，65%的银行在三年内会采用区块链技术。
区块链到3.0阶段结合行业应用，让“区块链＋”逐渐成为现实，例如，“区块链＋物联网”、“区块链＋大数据”、“区块链＋医疗”、“区块链＋IP版权、文化娱乐”等。
5.机器人流程自动化
5.1概念和特性
RPA（RoboticProcessAutomation）以机器人作为虚拟劳动力，依据预先设定的程序与现有用户系统进行交互并完成预期的任务。
RPA目前适用于高重复性、逻辑确定并且稳定性要求相对较低的流程。
RPA最主要的特性体现在以下两个方面：
◆无编程：
实现RPA基本上很少需要编码，只要熟练掌握业务流程和专业知识，没有编程经验的操作人员，都是可以在短时间内使用RPA软件，通过拖拽控件的方式实现业务自动化流程。
◆无侵入性：
通过RPA实施业务，并不会对现有系统带来任何伤害。
RPA软件机器人遵循已有的安全和数据完整性标准，以与人完全相同的方式访问当前系统。
在基于RPA的实现中，安全性、质量和数据完整性要求按照已有标准执行，以防止对现有系统造成破坏。
5.2历史和趋势
自古以来，人类不断发明新的装置来代替劳动或是减轻工作量。
如今，在计算机软硬件技术成熟的背景下，软件机器人开始代替人类执行高重复性操作。
RPA的应用将对金融行业产生重要影响。
首先，RPA可以实现流程的自动化，同时流程标准化成本大幅降低；其次，RPA令数据更为安全，不会出现人为干预时可能出现的数据丢失风险，并且能够快速推动业务的数字化变革；最后，与人工操作相比，RPA能够显著提高工作效率，有利于提升用户体验，为客户持续创造价值，员工得以更专注于具有更高附加值的数据分析、决策和创新工作，提高公司和客户的市场竞争力，实现共赢。
RPA可以适用于多个领域和行业，在资管行业的运用主要集中在运营、财务以及运维方面。
如运营机器人可替代一部分繁琐重复的工作流程，在资金清算、估值核算等环节大幅降低人工疏忽带来的损失。
运维机器人对资源进行持续的管理和监控，在出现问题时，可根据流程自动快速排查故障，高效率解决故障。
财务机器人通过电子档案方式进行档案的存储管理，有利于财务信息的共享并降低人工对账成本，极大地保障会计信息的质量。
（三）保险资产管理业金融科技应用现状
金融科技的发展浪潮为资产管理机构在日趋激烈的竞争中突围带来了新的机遇。
在保险资产管理行业，金融科技的应用发展如火如荼。
我国保险资管机构结合自身发展需求展开了多领域的金融科技实践，逐渐从早期的应用互联网技术、投资分析模型和信息技术系统向应用大数据、云计算和人工智能等新技术转变。
从技术角度看，金融科技在保险资产管理业的具体应用主要体现在以下三个方面：
人工智能的应用，包括智能投研、智能投资、智能投顾等。
通过人工智能，挖掘历史数据，跟踪市场，帮助分析师进行价值评估和风险判断，捕捉市场变化。
近年来，国内大型保险资管机构开始相关建设，并将核心定位为通过人工智能技术进行数据处理和再利用，主要包括：
通过NLP（自然语言处理）进行非结构化数据的结构化和标签化处理（针对公告、研报、新闻甚至邮件内容等），利用OCR（光学字符识别）
对图片文件进行识别并形成文字记录，利用深度学习实现对资讯观点、趋势的分析，利用大数据进行行业/产业模型的搭建与监控、机构内部私有信息的提取与利用等。
当前，人工智能在资产管理行业已获得初步发展，例如，国寿资产研发了以提升投研效率、传承投研智慧为目标的智能投研平台；平安资管研发了投资研究领域垂直搜索引擎，帮助投资经理、研究员在海量数据中找到所需信息；泰康资产研发了智能投研深度学习分析平台，实现研报年报阅读、主题投资分析、公司财务分析、新词热词发现等功能；太平资产将人工智能技术应用于FOF的构建与管理，建成FOF业务全流程管理平台；安邦金融与璇玑联合开发智能投顾平台等。
大数据分析的应用，包括信用风险监控、量化投资、精准营销等。
信用风险监控方面，通过大数据收集各类有用信息，描绘出投资对象或交易对象特征画像，实现信用风险监控。
量化投资方面，大数据可以扩大投资数据范围，提高投资效率并减少投资不确定性，降低风险。
精准营销方面，通过使用图像识别、语音识别、自然语言理解等技术实现海量高价值数据的收集，保险资管机构可以获取大量的客户动态数据，从而更深入了解客户，提供更符合客户需求的服务，同时精准地管理资产、规避风险。
区块链的应用，包括支付转账、金融智能合约、监管审计等。
针对保险资管行业中存续期不透明、信息造假、风险信息不共享、数据实效性低等问题，区块链能够实时掌握关联方的身份信息与资产情况，提供透明、真实的信息，并实现全流程所有信息的上链，使监管机构能实时追踪，提高交易的信任度并带来交易量增长。
下图为使用区块链交易平台对资产管理成本影响的分析和案例应用。
销售和市场部分约占资产管理总成本的20～30%，以此类推。
其中最有机会降低成本的是运营、IT、组合管理、财务4个区块。
金融科技发展的浪潮下，保险资管机构不断加大对新技术应用的资源投入，在平台规划、专业团队、需求分析、系统开发、模型搭建、业务创新等方面取得积极进展。
主要应用在投研业务、销售与客服、风险管理与日常管理上：
◆在投研业务上，实现智能化。
金融科技在保险资管投研业务中主要实现自动报告生成、金融搜索引擎、智能辅助投资决策和量化投资等功能。
具体而言，包括：
（1）自动报告生成：
智能工具处理异构数据，分析提取关键信息，嵌入报告模板，生成标的、行业、事件相关的报告；
（2）智能辅助投资决策：
综合利用人工智能技术，深度挖掘历史数据，实时跟踪市场行情，给出决策支持要素，辅助投资经理进行价值判断和风险判断，捕捉市场机会；（3）金融搜索引擎：
将信息切片后再聚合，提取纵览的可视化元素，帮助实现联想、属性查找和关系发现等功能；（4）量化投资：
智能分析证券价格与公司信息，关联公司和市场宏观经济、社交媒体等之间的关系，提供投资决策。
◆在销售和客服上，实现客户维护与业务优化。
金融科技在保险资管业务领域的销售和客户服务环节，能够实现客户分群、客户留存、投资组合拓展、销售提升、销售团队维护以及业务优化等功
升级会员 