人工智能及其在金融领域的应用.docx

1、人工智能及其在金融领域的应用人工智能及其在金融领域的应用 当前，我国经济发展处于新旧动能转换关键期，人工智能对于我国抢占科技制高点，推动供给侧结构性改革，实现社会生产力新跃升,提高综合国力和国际竞争力具有重要意义.2017年7月，国务院发布了新一代人工智能发展规划，提出通过智能金融加快推进金融业智能化升级;通过建立金融大数据系统，提升金融多媒体数据处理与理解能力；创新智能金融产品和服务，发展金融新业态；鼓励金融行业应用智能客服、智能监控等技术和装备，建立金融风险智能预警与防控系统。人工智能将对我国金融业的转型升级、提升竞争力产生深远影响。 下载论文网 人工智能概述 定义 人工智能（Artifi

2、cial Intelligence，简称AI)是研究使用计算机模拟、延伸和扩展人的智能的理论、方法和技术的新兴科学。作为计算机科学的重要分支,人工智能发展的主要目标是使计算机能够胜任通常需要人类智能才能完成的复杂工作。 主要技术及应用 人工智能在技术层面主要包括算法和利用算法开发的相关应用。神经网络、遗传算法和隐马尔柯夫链是目前使用较为广泛的算法，建立在上述算法之上的人工智能核心应用技术主要包括深度学习、自然语言处理和计算机视觉.其中，深度学习是人工智能技术的重要领域,旨在建立可以模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据.自然语言处理是指让计算机能够听懂、理解人类的语言,主要包

3、括语音识别和语义识别.语音识别是让机器能够“听懂、会说”人类的语言,语义识别是让机器能够理解文字后面的真实内涵。计算机视觉识别技术是人工智能核心技术之一，主要有生物特征识别、物体与场景识别。生物特征识别主要包括人脸识别、指纹识别、虹膜识别等，已广泛应用于金融、安防等领域；物体与场景识别是研究人类如何感知和加工复杂的真实环境信息，主要应用于军事上的武器投射、医疗上的影像扫描辅助诊断及工业上的无人驾驶等领域。 发展历程 按照人工智能的发展程度,大致可分为三个阶段： 第一阶段：计算智能。机器具备像人类一样的记忆能力和计算能力，能够存储和处理海量数据，帮助人类完成大量的存储和复杂的计算,这一步是感知和

4、认知的基础。 第二阶段:感知智能.机器具备像人类一样的感知能力,帮助人类完成“看和“听”的简单工作。目前人工智能发展正处在感知智能阶段,语音识别、理解和图像识别正在快速发展。 第三阶段：认知智能。机器具备像人类一样的学习和思考能力，能够独自做出决策和采取行动，能够部分或全部替代人类的工作。认知智能是目前机器与人差距最大的领域，也是目前各大科技巨头都在迫切寻找突破的领域。 人工智能的产业链 人工智能的产业链包括基础支撑层、技术应用层和方案集成层。基础支撑层是支撑人工智能运行的基础设施，包括数据采集用的传感器，数据处理用的CPU、GPU等硬件,以及实现人工智能算法等软件。技术应用层是在基础支撑层提

5、供的软硬件基础之上，有针对性开发的技术应用，包括语音识别、自然语言处理、图像识别、预测规划和智能控制等.方案集成层是将不同细分领域的技术应用集成、优化、完善,形成更大领域的综合系统解决方案，比如智慧城市、智慧金融、智慧医疗等。完整集成的智能服务是人工智能未来的发展方向. 人工智能产业发展情况 全球人工智能产业发展情况 据赛迪预计，2018年全球人工智能市场规模将达到2700亿元，年复合增长率达17。2012年至2016年的5年间，全球人工智能企业新增5254家,是2012年的倍;全球人工智能融资规模约达224亿美元，仅2016年的融资规模就达到亿美元。 从全球范围来看，人工智能领先的国家主要有

6、美国、中国及其他发达国家.截至2017年6月，全球人工智能企业总数达到2542家，其中：美国拥有1078家,占42；中国其次,拥有592家，占23%。其余872家企业分布在瑞典、新加坡、日本、英国、澳大利亚、以色列、印度等国家。美国在AI产业布局方面全面领先其他国家,在基础层、技术层和应用层，尤其是在算法、芯片和数据等产业核心领域，积累了强大的技术创新优势。 国外科技巨头公司包括谷歌、微软、英特尔、FACEBOOK、IBM等均已经提前布局人工智能产业链。国外科技公司主要聚焦于人工智能基础层,重点研究人工智能的核心算法，并在应用层全面推进人工智能商业化。IBM、谷歌在人工智能核心算法、智能搜索、

7、无人驾驶、医疗诊断等领域率先布局且行业领先；FACEBOOK、微软、苹果侧重于社交应用，重点布局语音识别、图像识别、智能机器人等领域；英伟达、英特尔谋求业务转型,重点研发适合深度学习的AI芯片. 我国人工智能产业发展情况 据参考消息报报道,2016年中国人工智能市场规模快速增长,全年达239亿元，预计2018年将达到381亿元,复合增长率达%。新一代人工智能发展规划预计：我国2020年人工智能核心产业规模超过1500亿元，带动相关产业规模超过1万亿元;2025年核心产业规模超过4000亿元,相关产业规模超过5万亿元;2030年核心?a业规模超过1万亿元，带动相关产业规模超过10万亿元. 目前，

8、我国起步较早、技术较为成熟的人工智能技术公司主要以XX、阿里巴巴和腾讯三家互联网企业为代表(以下简称“BAT”）。BAT不仅开展人工智能技术的基础性研究工作,而且本身具备强大的智能金融应用场景，因此处于人工智能金融生态服务的顶端.阿里巴巴旗下的蚂蚁金服在人工智能金融领域的应用最为深化。 蚂蚁金服已将人工智能运用于互联网小贷、保险、征信、智能投顾、客户服务等多个领域。根据蚂蚁金服公布的数据，网商银行在“花呗与“微贷”业务上,使用机器学习把虚假交易率降低了近10倍；基于深度学习的OCR系统使支付宝证件校核时间从1天缩短到1秒，同时提升了30%的通过率.此外，蚂蚁金服联合华为、三星等共同发起了互联网

9、金融身份认证联盟（IFAA）,现已成为国内市场上支持设备与用户最多的互联网金融身份认证行业标准. 除BAT等金融智能生态企业外，一些传统金融机构、金融科技公司在人工智能领域加大投入,在人工智能的垂直细分领域得到了快速发展。同花顺、网信集团、恒生电子、东方财富、东吴在线等金融科技公司开发的产品已应用于证券行业的智能投顾、量化交易等金融细分领域;第四范式、佳都科技、银之杰、科大讯飞的产品主要应用于风险管理、信用评估、远程开户、票据影像识别等方面. 人工智能在金融领域的应用情况 目前，人工智能技术在金融领域应用的范围主要集中在身份识别、量化交易、投资顾问、客服服务、风险管理等方面。 客户身份识别 客

10、户身份识别主要是通过人脸识别、虹膜识别、指纹识别等生物识别技术快速提取客户特征进行高效身份验证的人工智能应用。技术的进步使生物识别技术可广泛应用于银行柜台联网核查、VTM机自助开卡、远程开户、支付结算、反欺诈管理等业务领域中，可提高银行柜台人员约30%的工作效率,缩短客户约40的平均等待时间。互联网银行已将人脸识别技术视为通过互联网拓展客户的决定性手段；传统金融机构也开始重视人脸识别技术的应用。 智能量化交易 量化交易是指通过对财务数据、交易数据和市场数据进行建模,分析显著特征，利用回归分析等算法制定交易策略。传统的量化交易方法严格遵循基本假设条件，模型是静态的,不适应瞬息万变的市场。人工智能

11、量化交易能够使用机器学习技术进行回测，自动优化模型，自动调整投资策略,在规避市场波动下的非理性选择、防范非系统性风险和获取确定性收益方面更具比较优势，因此在证券投资领域得到快速发展。 智能投顾 智能投顾又称机器人投顾（Ro b o-A d v i s or），主要是根据投资者的风险偏好、财务状况与理财目标，运用智能算法及投资组合理论，为用户提供智能化的投资管理服务.智能投顾主要服务于长尾客户,它的应用价值在于可代替或部分替代昂贵的财务顾问人工服务，将投资顾问服务标准化、批量化,降低服务成本，降低财富管理的费率和投资门槛,实现普惠金融。 智能客服 智能客服主要是以语音识别、自然语言理解、知识图谱

12、为技术基础，通过电话、网上、APP、短信、微信等渠道与客户进行语音或文本上的互动交流，理解客户需求,语音回复客户提出的业务咨询,并能根据客户语音导航至指定业务模块。智能客服为广大长尾客户提供了更为便捷和个性化的服务，在降低人工服务压力和运营成本的同时进一步增强了用户体验. 征信反欺诈 知识图谱、深度学习等技术应用于征信反欺诈领域,其模式是将不同来源的结构化和非结构化大数据整合在一起,分析诸如企业上下游、合作对手、竞争对手、母子公司、投资等关系数据,使用知识图谱等技术可大规模监测其中存在的不一致性，发现可能存在的欺诈疑点。 信贷决策 在信用风险管理方面，利用“大?稻？+人工智能技术”建立的信用评

13、估模型，关联知识图谱可以建立精准的用户画像，支持信贷审批人员在履约能力和履约意愿等方面对用户进行综合评定，提高风险管控能力. 主要问题和政策建议 主要问题 智能金融的应用领域有限。目前人工智能已在身份识别、智能客服、量化分析等金融领域取得了一定进展，但除人脸识别技术成熟度较高,具备大范围推广使用条件之外，其他应用还比较单一、行业大规模应用尚需时日。德勤发布的银行业的AI数字化银行报告显示，只有15%的金融机构在使用AI与同行竞争，银行业对AI的部署远远落后于其他行业. 计算机处理能力不足。金融行业是智力密集型行业，人工智能在金融行业的模型算法非常复杂，数据训练工作量很大。主流的深度神经网络算法

14、要求计算机具备先进的半导体、微处理器和高性能计算技术，能够并发处理超大规模数据，目前的计算机处理能力虽有长足进步，但应付复杂人工智能应用仍有待提高。尤其是我国人工智能的硬件GPU依赖进口，不仅成本高，还面临着发达国家的贸易壁垒。 金融数据共享性不足.机器学习是人工智能的核心技术，需要依靠大量数据训练，训练的准确性与数据量成正比。金融行业的数据积累量较大，但除公开的金融市场交易数据外，各家金融机构出于金融数据安全考虑，很难主动向金融科技公司开放其内部海量数据，在一定程度上制约了人工智能在金融领域的创新应用。 政策建议 加强智能金融产业创新体系建设，加快推动应用创新.未来可考虑设立一些国家级智能金

15、融创新中心和重点实验室，加强智能金融标准化工作，研究专利合作授权机制和风险防控机制；推动智能感知、模式识别、智能分析、智能控制等智能技术在智能金融领域的深入应用；促进传统金融机构加大对智能金融的投入，提升人工智能技术创新和应用水平。 加快智能金融关键技术研发,夯实基础产业能力。加快研发深度学习、增强学习、迁移学习等基础算法；加强计算机视听觉、生物特征识别、自然语言理解、机器翻译、智能决策控制等共性技术的研发；加快发展面向智能金融的计算芯片、智能传感器、操作系统、存储系统、中间件、重点设备等基础软硬件、开发平台；研发下一代通信网络、物联网、网络安全等关键网络支撑技术。 加快智能金融大数据基础设施

16、建设。可考虑由监管部门牵头，协调各方利益，逐步推动建立智能金融大数据系统，为将来人工智能在金融领域的应用推广夯实数据基础。 加强智能金融领域的法规政策研究。与其他新技术一样,人工智能技术也是一把“双刃剑”，在促进经济社会发展的同时，也可能带来改变就业结构、冲击法律与社会伦理、侵犯个人隐私、挑战国际关系准则等问题。在大力发展智能金融的同时，必须高度重视可能带来的安全风险挑战，加强前瞻预防与约束引导，最大限度地降低风险,确保智能金融走上安全、可靠、可控的发展轨道。未来须围绕人工智能在金融领域的应用可能遇到的法律法规问题开展前瞻性研究,为新技术的快速应用奠定法律基础.加强人工智能在金融领域的应用带来的合法合规性问题的研究。