第四节 智能金融
金融业在所有产业中收益相对较高，同时对市场反应较为敏感，金融信息化建设一直是技术与商业探索的热点。近年来，基于普惠金融等需求，国家对金融提出了自动化和智能化的发展要求，银行业最早尝试利用人工智能打造智能化运维体系，推动科技与金融融合。
人工智能拓展了金融服务的广度和深度。智能金融是人工智能与金融的全面融合，是以人工智能等高科技为核心要素，全面赋能金融机构，提升金融机构的服务效率，拓展金融服务的广度和深度，实现金融服务的智能化、个性化和定制化。提升内部效率，降低沟通成本同时提供更多的渠道来服务金融客户是智能金融的根本出发点。可以说，智能金融正是新一代人工智能发展的必然趋势。
尤其是，按照《新一代人工智能发展规划》的要求：未来金融体系要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。
从政策、经济、社会和技术宏观环境来分析，也可以发现，智能金融是金融业未来发展的方向（图1-31）。
图1-31 智能金融的综合环境分析
从政策角度来看，国家对金融业提出了自动化和智能化发展要求，并以《新一代人工智能发展规划》等提供了政策支持；从经济角度来看，金融科技项目投资热度日益高涨，备受资本青睐，同时供给侧改革对金融业的改革提出了迫切需求；从社会角度来看，居民可支配收入和可投资资产增加，金融服务的需求随之扩大，与此同时，国家培育了大量的金融人才和人工智能科技人才；从技术角度来看，金融业务的开展过程积累了大量数据，新一代人工智能技术也日渐走向成熟。
人工智能已被广泛应用于银行、投资、信贷、保险和监管等多个金融业务场景。目前，传统金融机构、大型互联网公司和人工智能公司纷纷布局金融领域，智慧银行、智能投顾、智能投研、智能信贷、智能保险和智能监管是当前人工智能在金融领域的主要应用，分别用于银行运营、投资理财、信贷、保险和监管等业务场景，但整体来看人工智能在金融领域的应用尚不成熟。应用在金融领域的人工智能相关技术主要包括机器学习、生物识别、自然语言处理、语音识别和知识图谱等技术。尽管人工智能目前在智能金融领域的应用还处于起步阶段，大部分是人机结合式的，对金融业务主要起辅助性作用，但是，金融业务场景和技术应用场景都具有很强的创新潜力，长远来看，在金融投顾、智能客服等应用方面人工智能对行业可能产生颠覆性的影响。
智能金融服务于金融机构的前台、中台和后台。按照金融机构前台、中台、后台三大主要模块来看，智能金融应用场景都有涉及，前台为智能客服、智能支付；中台为智能风控、智能投顾和智能投研；后台为智能数据（图1-32）。
图1-32 智能金融的应用场景
（一）智能客服
随着人力成本的提高、客户消费体验要求的提升以及人工智能技术的发展，劳动力密集型的传统客服已经不能适应市场的需求，智能客服开始出现。智能客服通过网上在线客服、智能手机应用、即时通信等渠道，以知识库为核心，使用文本或语音等方式进行交互，理解客户的意愿并为客户提供反馈和服务。
智能客服主要解决一些重复性的服务请求，应用相对比较成熟。对于处在服务业价值链高端的金融业而言，人工智能技术将对金融领域中的服务渠道、服务方式、风险管理、授信融资、投资决策等各个方面带来深刻的变革式影响，成为金融行业沟通客户、发现客户需求的重要决定性因素。目前，交通银行、平安保险等金融机构已经开始运用人工智能技术开展自然语言处理、语音识别、声纹识别，为远程客户服务、业务咨询和办理等提供有效的技术支持，这不仅有效地响应了客户的要求，而且大大减轻了人工服务的压力，有效降低了从事金融服务的各类机构的运营成本。
（二）智能支付
数据显示，2016年中国第三方支付市场规模达到11.41万亿美元（包括互联网支付和移动支付），其中移动支付的占比已经超过互联网支付，达到75%。在移动支付发展过程中，支付验证技术也经历了快速迭代，包括密码支付、指纹支付、声波支付（支付宝有应用，规模较小），而人脸识别技术的成熟和人们对支付安全性与便捷性需求的提高，使得“刷脸支付”出现在大众视野。
刷脸支付，即基于人脸识别技术的新型支付方式，将用户面部信息与支付系统相关联，通过拍照把获取的图像信息与数据库中事先采集的存储信息进行比对来完成认证。依照刷脸支付的应用现状来看，刷脸支付确实提高了支付的便捷性，支付过程简便，完成整个支付流程不到10秒；在支付的安全性方面，通过人脸识别+手机号验证的方式构成了双重保险。理论上，刷脸支付是值得期待的。
人脸识别技术是刷脸支付背后的人工智能技术支撑。刷脸支付之所以成为现实，主要依赖于人脸识别技术。人脸识别技术，是生物特征识别领域中一种基于生理特征的识别，是通过计算机提取人脸特征，并根据这些特征进行身份验证的一种技术。
人脸识别技术的发展历史悠久，1964年就已经出现，经历了机器识别、半自动化、非接触式和智能识别四个阶段（图1-33）。智能识别出现之前，人脸识别技术的识别率低于74%，并未得到大规模应用。在2014年以前，学术界在FDBB人脸数据集上取得的最好的识别精度是84%的检测率，而之后众多基于卷积神经网络算法的人脸检测器在相同条件下取得了90%以上的检测率，目前人脸识别系统最高的识别率可以达到99%以上，人脸识别系统的精度已经超过了人眼。
图1-33 人脸识别技术发展四阶段
处于智能识别阶段的人脸识别流程主要包括人脸检测、人脸特征提取和人脸匹配三部分。
通常认为，人脸识别技术经历了四个阶段。20世纪90年代以前主要是以机器识别为主，研究人脸面部特征，算法不够成熟，不能自动识别。20世纪90年代到2000年主要研究人工算法识别，人脸识别技术快速发展，处于半自动化阶段。2001年至2010年主要研究非接触式的人脸识别，但识别率低于74%。2011年以来主要研究深度学习在人脸识别中的应用，目前识别率已经超过人眼的94.9%。目前，国内机场和高铁车站的安检通道几乎都应用了人脸识别技术。
首先通过摄像头拍摄人脸图片，检测人脸的大小并定位。然后，利用卷积神经网络算法提取人脸特征，根据人脸特征在人脸图片大数据中进行查找。最后，判定人脸是不是数据库中存在的，进而在数据库中找到匹配度最高的人脸（图1-34）。
图1-34 人脸识别流程示意图
（三）智能数据
对于金融公司来说，数据是最重要的资源。而今天，存在海量形态与结构各异的金融数据：从社交媒体活动到市场数据和交易细节。金融专家经常需要处理半结构化或非结构化数据，手动处理这些数据是一个巨大的挑战。
智能数据为金融行业带来了裂变式的创新活力，其应用潜力有目共睹。金融行业一直较为重视大数据技术的发展。相比常规商业分析手段，智能数据可以使业务决策具有前瞻性，让企业战略的制定过程更加理性化，实现生产资源的优化分配，依据市场变化迅速调整业务策略，提高用户体验以及资金周转率，降低库存积压的风险，从而获取更高的价值和利润。
智能数据在风险管理中最重要的应用是识别潜在客户的信誉。使用机器学习算法来分析过去的支出行为和模式，为特定客户建立适当的信用额度。这种方法在机构与新客户或具有简短信用记录的客户合作时也很有用。
当前，将机器学习技术与管理过程集成仅仅是从数据中提取真实知识的必要条件。智能数据，特别是利用人工智能自然语言处理技术之后，将使数据挖掘和文本分析更加智能化，有助于将数据转化为更好的业务解决方案，从而提高盈利能力。
如今，各种数据报表分析是金融服务的核心。对流失率和股市走势等指标的预测主要应用的都是智能数据。实时分析足够的智能数据能揭示未来事件的数据模式，为采取投资行动提供科学依据。
（四）智能风控
金融的本质在于风险定价，风控对于金融机构和平台来说都是一种保障。伴随着互联网金融、智能金融的出现，金融业务面临的风险挑战越来越大，对智能风控提出了需求。
智能风控主要依托高维度的大数据和人工智能技术对风险进行及时有效的识别、预警、防识。基本包含数据采集、行为建模、用户画像和风险定价四个流程（图1-35）。
图1-35 智能风控流程图
利用人工智能技术进行智能风控在一定程度上突破了传统风控的局限，在利用更高维度、更充分的数据时降低了人为的偏差，减少了风控的成本，可以应对风控对金融业务提出的新挑战。
人工智能技术在智能风控方面的应用发展较快，随着互联网金融的快速发展，如蚂蚁金服、京东金融等不少金融机构和互联网金融公司大力发展智能信贷服务。智能风控主要依托高维度的大数据和人工智能技术对金融风险进行及时有效的识别、预警和防范。金融机构通过人工智能等现代科技手段对目标用户的网络行为数据、授权数据、交易数据等进行行为建模和画像分析，开展风险评估分析和跟踪，进而推测融资的风险点。根据某些可能影响借款人的还贷能力的行为特征的先验概率推算出后验概率，金融机构能够对借款人的还贷能力进行实时监控，有助于减少坏账损失。
（五）智能投顾
智能投顾最早在2008年左右兴起于美国，又称机器人投顾（Robo-Advisor），系依据现代资产组合理论，结合个人投资者的风险偏好和理财目标，利用算法和友好的互联网界面，为客户提供财富管理和在线投资建议的服务。
投资者对于投资顾问的需求主要体现在“情绪管理”和“投资策略/建议”：一方面，投资者在投资过程中容易产生贪婪或恐慌的情绪波动；另一方面，投资者对金融市场信息了解相对较少，处于信息不对称的不利地位。
与传统投顾相比，智能投顾具有低门槛、低费用、投资范围广、透明度高、操作简单、个性化定制等优势。因此，智能投顾更容易满足投资者的需求。根据美国金融监管局（FINRA）2016年3月提出的标准，理想智能投顾服务包括：客户分析、大类资产配置、投资组合选择、交易执行、组合再选择、税负管理和组合分析。传统投顾和智能投顾都是基于以上七个步骤，只是实施的方式不同，而智能投顾本质上是技术代替人工实现投顾。
随着人工智能的爆发式发展，智能投顾也以强劲的姿态进入我们的视线。其实，智能投顾并不是一个新概念，因为算法基础早在20年前就已然扎根成型，而智能投顾近年来的发展主要得益于大数据分析和计算能力的提升。
智能投顾主要指根据个人投资者提供的风险偏好、投资收益要求以及投资风格等信息，运用智能算法技术、投资组合优化理论模型，为用户提供投资决策信息参考，并随着金融市场的动态变化对资产组合及配置提供改进的建议。智能投顾不仅在投资配置和交易执行能力上可以超越人类，还可以帮助投资者克服情绪上的弱点。据花旗银行预计，到2025年，智能投顾管理的资产总规模将会高达5万亿美元。伴随着人工智能神经网络、决策树技术的不断迭代创新和发展，智能投顾在金融业中将会得到进一步的应用和发展。
（六）智能投研
金融业对数据有极强的依赖性，金融从业人员每天一半的时间都用来收集和处理数据。因此，节省这些用于收集和处理数据的时间，是金融业对人工智能提出的需求。
智能投研是基于知识图谱和机器学习等技术，搜集并整理信息，形成文档，供分析师、投资者等使用。智能机器效率较高，但创新性不足，而人机结合将大大提高决策的效率和质量。
人工智能对金融市场、金融机构和消费者都会产生深刻影响。对金融市场来说，人工智能减少信息不对称程度，提升市场效率与稳定性；改善整个金融市场的价格发现机制，降低整体交易成本；有效提升交易速度与效率，增加金融市场的流动性。对金融机构来说，人工智能促进更多金融机构使用人工智能实现日常业务流程自动化，有效识别客户需求并提供定制产品，显著提升业绩；促使金融机构提前检测欺诈、可疑交易、违约和网络攻击等风险，提升风险管理水平。对消费者与投资者来说，人工智能降低消费者和投资者的金融服务成本，促进其获得更广泛的金融服务；通过智能数据分析把握每位消费者或投资者的偏好，便于提供更多定制化与个性化的金融服务。