仅在 80 年代和 1990 年代才出现的量化股权投资领域，现在已成为资产管理行业的成熟部分。虽然金融服务行业的许多领域都受到技术和新分销渠道的干扰，但量化投资继续蓬勃发展。

       市场的持续全球化也将在未来发挥作用，因为投资者将能够进入新市场。最大的机会可能在于人工智能和大数据。这些技术一起使用时，可以让分析师找到股票价格与投资者传统上不使用的数据之间的关系。卫星图像、社交媒体内容以及来自车辆和设备的 GPS 数据都是潜在的情报来源。

       情绪是量化投资越来越重要的一个因素。人工智能和大数据都被广泛用于对情绪及其预测能力进行建模。人工智能的进步可能最终允许对定性因素进行建模。通过考虑更多的主观因素，这将缩小量化与传统主动基金管理之间的差距。

       量化策略通常需要很长时间才能执行，并且在较短的时间范围内通常会低于其基准。并非所有量化基金都是如此，现在正在使用新的数据源来创建可在短期内生成 alpha 的模型。

       大多数量化项目无法考虑主观因素。虽然具有强烈动量倾向的基金可以捕捉成长股的表现，但基于其他因素的基金通常会错失高成长股。量化策略容易受到其他算法交易策略可能造成的波动性和闪崩的突然增加的影响。量化基金的管理没有任何自由裁量权，这一事实可能是一把双刃剑。在大多数情况下，冷静的决策本质是一种优势，但在某些情况下，它也可能是一种劣势。

       量化投资模型基于概率和预期回报分布。这意味着可以更准确地预测预期的风险和回报，但这也需要足够大的样本量才能有效。因此，量化基金通常持有比主动管理基金更多的证券。主动管理型基金的投资决策由基金经理做出，具有很大的自由裁量权。

       量化投资使三件事成为可能——同时研究大量项目、基于经验证据而非主观预测的决策，以及投资组合管理的系统方法。早期研究确定存在某些异常现象来解释股价表现。价值、动力和市场价值是被发现导致表现优异的第一个因素。

       亿启量化智能平台将基本面、定量和技术分析与一些常识相结合，随着时间的推移，已经发现其他因素和因素的组合表现优异。

来源：金色财经

       量化交易是量化金融行业中最为尖端的一个领域，它主要是运用数学公式来构建模型，经过大量数据来判断将来价格走势，并且由程序进行择机选股的一种方式。其有2层含义：首先，从狭义上来讲，是指量化交易的内容，将交易条件转变成为程序，自动下单；其次，从广义上来讲，是指系统交易方法，就是一个整合的交易系统。它的特点是高换手、高交易量，由于A股是T+1交易制度，因而1天最多2倍换手，1年最多480倍换手，现在国内的高频交易团队换手率在180倍以上。而且，成熟资本市场的交易量70%是由量化团队贡献的。

       了解了量化交易的基本概念，那么，量化交易系统是什么样的呢？其实，量化交易系统主要有四个组件：

       01策略构建：量化交易开始于研究，其整个过程包含了选定策略、校验策略、优化策略等等过程。找到一个类似的已有策略，并不断优化，构建自身的策略。一旦策略/策略集构建完成，就会需要用历史大量数据进行收益能力的评估测试。接下来，则到了策略回测的环节。

      02策略回测：这是量化交易中要求最为精细的一个环节，它的目的在于使用历史以及样本数据对策略进行验证，确定其是否创造预期收益，其结果也会被看成该策略实盘操作的一个预期值。但是实盘会涉及很多复杂的因素，所以，回测并不能完全确保策略的成功。执行回测会在一些专业的软件平台上，像Tradestation、MATLAB等。

       03指令执行系统：通过此系统，策略产生的交易指令被传送给经纪商并执行。构建此系统最关键的是对接券商的接口、降低交易费用的策略以及处理实盘与回测预测业绩差异。

       04风险控制管理：只要会影响交易进行的因素，都可能带来风险。其中，风险管理还需要确定最优资本配置，需要将资本分配到不同的策略上执行，这个过程非常复杂，且需要过硬的数学技能。目前，凯利公式是业界公认进行资产及杠杆配置的标准，不过在真实的金融市场中，偶尔也会出现偏差，一般交易员使用时比较保守。

       如果你想从事这个行业，建议一定要提前准备相关的工作，这一过程会花费大量的时间与精力去学习相关的专业知识，尤其是数学、计算机、金融等相关知识。不仅如此，你还需要有过硬的编程技术，至少需要精通一门高级编程语言（如MATLAB、R或Python），而且伴随着高频交易策略的日益盛行，技术层面对于策略执行效果越来越至关重要，掌握Linux内核、C/C++，汇编及网络延迟优化等技能是最佳的选择。

来源：腾讯网

       "全民基民”的揶揄声中，2021年上半年公募基金成为最受投资者欢迎的投资标的之一。

       伴随基金走红的，不仅有明星基金经理，这个被不少投资者视作硬性指标的参考因素，被外界频频提及的还有人工智能技术和投资的跨界组合。

       随着人工智能商业化浪潮的涌动，越来越多的传统金融机构、互联网巨头、第三方机构入局智能化的理财投顾服务。AI选股真的能跑赢大盘吗？如果答案是肯定的，想象空间又有多大？

       近日，国外一支基金的走红拓宽了不少投资者对这个问题的认知边界。6月，人工智能驱动的AMOM基金将特斯拉和亚马逊从其投资组合中剔除，转而选择增持高通、Snap和GameStop等公司的股票，GameStop在此期间已飙涨175%。

       在国内，也出现了华夏基金这样将AI和投资结合的成功案例，据华夏基金总经理李一梅介绍，得益于和微软亚洲研究院AI技术的合作，旗下一只基金年化超额收益接近10%，另一只接近15%。

        AI+投资的故事看上很美好，在AI的加持之下，投资这件事真的就能做到万无一失吗？

       在近日举办的第四届微软亚洲研究院创新论坛上，李一梅透露，AI和投资结合一开始并不是“闪亮登场、大杀四方”，而是在数据领域、人工智能领域经过了长达四年的深入探索。

       她表示，双方合作的第一个着力点定位在了应用于量化投资和指数增强的实践上，通过不断地用逻辑和数据训练机器，最后才形成一套在行业里非常领先而有效的指数增强技术。

       微软亚洲研究院副院长刘铁岩也向36氪表示，针对针对我国金融市场自身特点的智能研究，是一件既有挑战又有机会的事情。

       挑战上看，A股市场的复杂性，除了政策监管外，还有散户群体的行为相对更主观，与美股市场主要是机构参与的情况相比，效率要相对低一些；机会上看，金融领域，尤其是投资领域在数字化上走得非常靠前，这给AI介入提供了良好的基础。

        “A股因为有很多散户存在，市场效率并不算高，所以里面有非常多的个人喜好数据存在，这对于我们进行市场洞察很有帮助，对于大家理解这个市场非常有用。”

       对于当前明星基金经理备受追捧的现象，刘铁岩则表示，“正是因为大家对这个领域的知识储备不够，才希望能够借鉴专业人士的判断。但人难免会有局限性，很难把这么多的资金照顾周全。”随着智能投顾市场不断成熟，当更多的投资者有足够的知识和技术去做决策时，我们将会迎来一个更加高效、更加有效的市场。

       需要警惕的是，2008年金融危机中，过度依赖计算机被认为是一大诱因，如今的AI技术是否能避免重蹈覆辙？

对此，刘铁岩表示，技术和对技术的监管总是一对双生子，所有的技术其实都是工具，技术导致的各种后果其实都是人使用带来的结果。“不管是高频的算法交易，还是人工智能的预测技术，我们怎么使用它、监管它，这是非常重要的环节。”

来源：36Kr

       利用平台大数据有助于降低金融领域信息不对称，这一点得到学术研究的验证与肯定。但是，如何确保平台大数据在金融领域使用的合法性、合规性，仍存在诸多亟待解决的问题。本文综述了平台大数据对于提升金融业效率的主要研究，明确了我国政府将数据作为重要要素市场建设的政策方向，梳理出当前存在的问题，提出了API模式、数据库模式和工作站模式等三种共享框架，并比较研究了这三种框架方案。

平台大数据对于金融业提升效率具有重大意义

        1961年斯蒂格勒研究了信息的成本与价格，以及信息对价格、工资和其它生产要素的影响。在保罗·罗默（Paul Romer，1990）、格罗斯曼和赫尔普曼（Gene M. Grossman & Elhanan Helpman，1991）提出的新增长理论中，将知识和技术对产出的贡献进行了研究，指出知识在经济增长中产生巨大作用。2019年5月17日，日内瓦世界经济论坛以“银行业的未来”为主题探讨BigTech对银行业的影响，国际清算银行（简称BIS）首席经济学家Shin在日内瓦世界经济论坛上发布工作论文，对使用电商平台的订单大数据来发放贷款产品进行了实证研究，验证了订单等大数据对金融业降低信息不对称、服务实体经济的成效，充分肯定平台大数据对实体经济的金融支持效率。经过多年来信息经济学的发展，2020年4月10日，《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》分类提出了土地、劳动力、技术、数据五个领域改革的方向，明确了完善要素市场化配置的具体举措。2020年10月召开的十九届五中全会提出“要素价格市场决定、流动自主有序、配置高效公平”，为数据要素市场指明方向。

平台大数据应用于金融业存在的问题

       2021年我国已经开始实施的《民法典》,明确消费者在平台产生的数据属于消费者与平台共同所有，为金融业共享平台大数据奠定了法律基础，但也引出了超授权使用、利益分配、数据保护和技术完备性等难题亟待解决。
（一）超授权使用问题：法律已经重塑数据权属关系，但消费者如何有效行使自身权利？
       平台方在跨平台加工利用消费者数据时，过去不向消费者明示数据权益甚至让消费者干脆不知情的做法是难以为继的。消费者产生的数据存储在平台本身并不是问题，超授权使用甚至非法使用这些数据才是问题。但是如果频繁授权，也可能导致消费者被过度打扰。
（二）利益分配问题：经济学对数据要素的界定引发利益分配问题，消费者和平台如何共建数据要素市场？
       消费者在平台上产生的数据成为生产要素之后，作为一种生产资料，或者说作为一种资产，它产生的成果该如何分配？（杨凯生，2020.12）由于消费者在平台产生的数据属于消费者与平台共同所有，那么企业通过对外交换数据赚取利润后，消费者有权向企业要求利润分成，但这个问题在现实中没有得到很好解决。特别是，在传统经济模式中，消费者与平台相比处于弱势，很难控制平台操作。同时，平台也没有条件、更没有动力将双方达成一致的利润发放到消费者手里。
（三）数据保护问题：数据流动性强、复制成本近乎为零，如何保护消费者数据不泄露？
       数据只要发生转移，就可能出现二次销售的可能性，进而衍生出数据被滥用的更大可能性，如何从源头上堵住数据泄露的口子是当务之急，同时也不能因噎废食，将数据只留存在原始平台中，产生不了价值。
（四）技术完备性问题：解决这一新型难题将采取什么样的技术方案？
       有人期待使用新技术来解决新问题，比如区块链，但是这些技术在没有成熟先例的前提下，需要慎重考虑在全国性金融信息基础设施上应用。另外，当前数据隐私保护技术蓬勃发展，但这些新技术依然存在通用性不强、技术门槛高、消费者获得感不强等问题。很多平台宣称自身数据都是经过脱敏处理，且可以采取“数据可用不可见”的方式，但这种方式无法支持复杂的机器学习建模，而且各平台的方法各异，消费者对各种具体保护方法并不熟悉。

解决思路
       在中国人民银行发布的《征信业务管理办法（征求意见稿）》中，明确“利用个人信用信息对个人作出的画像、评价等业务”被纳入征信业务范畴，为平台大数据合法合规应用于金融业提供新的契机。

（一）“一点授权、全网管理”，解决消费者大数据的代理授权问题
       可以考虑由同一家中立、共有性质数据平台接受消费者“一点授权、全网管理”的请求，由消费者发起请求，消费者本人授权，该平台代理行使消费者在所有平台上数据的所有权；也可以由金融机构与每家平台公司研发API接口对接，实现消费者对一家金融机构与一家平台公司之间数据转移的授权。
（二）集中管理，借助成熟技术，解决利益分配问题
       可以考虑设立一个类似百行征信的第三方平台，或者直接由百行征信承担，借助线上渠道与网络支付等我国成熟技术，在金融数据产生利润的场景下（谢文武，2021.04），实现利润的集中归集、分成与支付。
（三）集中保护，集中监管，解决数据保护问题
       可以考虑建立国家级金融信息基础设施平台，凡是以金融目的获取非金融数据请求，持牌金融机构必须对接这个平台，以此实现统一管理、集中保护。只要发现数据被金融机构滥用的现象，则由该机构实施制裁并督促整改。
（四）积极稳妥，重视标准化，解决技术完备性问题
       可以考虑初期均使用成熟技术，规避未大规模应用的新技术。例如，数据交换涉及到的API接口均比照《商业银行应用程序接口安全管理规范》（JR/T0185-2020），制定并实施一套标准的数据脱敏规则，遴选并研发优秀的数据隐私保护技术，如同态加密、多方安全计算、数字水印等，采取成熟一个推广一个的审慎方式，不断增强消费者权益保护。

几种面向金融业的大数据共享框架
        框架研究的思路立足于解决当前难题，同时面向未来保持可扩展性，借鉴网联等金融信息基础设施建设经验，采用成熟技术，以改善消费者体验和保护数据安全为目标，明确平台大数据只有在持牌金融机构需要且有消费者授权时才可以用于金融目的，初步梳理了API、数据库、工作站等三种模式来实现面向金融业的大数据共享。
（一）基于API模式的大数据共享市场
       API模式是金融机构与非金融平台直接通过API（应用程序接口）进行非金融数据交换的模式。这种模式与英国央行在2020年3月、国际清算银行在2020年12月提出的架构类似，消费者在接受金融服务时，金融机构为了提供更好的金融服务，询问消费者是否愿意提供某平台数据用于金融目的，消费者同意并授权金融机构获取其平台数据用于金融目的后，金融机构通过API链接平台公司登录验证界面，消费者通过平台公司验证后，平台公司将消费者的脱敏数据（金融标准）反馈给金融机构。

（二）基于数据库模式的大数据共享市场
       数据库模式是金融机构与非金融平台通过一个公共性质的数据库进行非金融数据交换的模式。首先，消费者对拟建的全国性大数据平台一次性授权获取全国各非金融平台相关数据，消费者在所有平台中的脱敏数据均反馈给平台存储。之后，消费者在接受金融服务时，金融机构为了提供更好的金融服务，询问消费者是否愿意提供某平台数据用于金融目的，消费者同意并授权金融机构获取其平台数据用于金融目的后，金融机构获取消费者全网的脱敏数据，然后，向拟建的全国性大数据平台支付数据服务费，该平台再将分成后的数据服务费分别支付给消费者及相关平台。

（三）基于工作站模式的大数据共享市场
       工作站模式是数据库模式的升级版，但金融机构与非金融平台不交换任何消费者数据，由金融机构提出数据建模需求，数据库平台完成建模运行并将结果反馈金融机构。主要流程与数据库模式保持一致，只是当消费者同意授权金融机构获取其平台数据用于金融目的后，金融机构不会获取消费者数据，而是将自身模型放到拟建的全国性大数据平台上运行，平台向金融机构反馈模型运行结果。见下图3。

图3 基于工作站模式的大数据共享市场

三种框架的优缺点对比分析
（一）API模式
       优点：消费者数据存储主体依然保持现状。缺点：每家金融机构都需与平台开发一一对接的API，即便制定这种API的金融标准且全行业推广，也存在几种风险：一是全行业难以执行统一管理标准，比如即便将脱敏规则做成金融标准，但实践中贯彻落实仍有可能出现偏差；二是依然可能出现一两家大平台垄断绝大多数数据流量的情况，进而形成事实上的系统重要性平台；三是消费者无论是与平台还是金融机构打交道时，都处于C to B的弱势角色，不利于消费者维权；四是消费者跳转登录平台时的设计体验，关乎整个流程的成功与否，与超级网银推广难题类似，大平台公司如果不愿意改善设计体验，将使这个模式难以推广；五是金融机构如果需要对接多家平台，消费者需要对每家平台都授权，理论上最多n*m次授权，消费者的体验不好；六是如果支持联邦学习、多方安全计算、同态加密等“可用不可见”的模式，将会对平台增加计算负担；七是消费者在得到金融服务的同时，金融机构向平台支付数据服务费，但是平台能否将数据服务费向消费者合理分成依然存疑。
（二）数据库模式
       优点：一是全行业执行统一管理标准，大幅降低金融行业与各平台去对接的数量规模，从n*m减少到n+m（n与m见图2），远比现在开通第三方支付要快捷；二是避免任何平台与金融机构形成垄断；三是集中授权管理，相当于将API模式的C to B变成了B to B，有利于增加消费者权益；四是与平台对接金融机构不同，数据库模式是统一标准，无需金融机构或各类平台多次对接，降低了金融机构和各类平台负担，推广难度小；五是消费者授权次数大大减少，体验会更好，理论上最多m次授权即可；六是方便解决数据收益分成问题，消费者在得到金融服务的同时，金融机构向全国性大数据平台支付数据服务费，该平台再二次分成给消费者与有关平台，也可以由全国人大立法，不再给消费者分成，以其他形式维护消费者合理权益。缺点：一是直接提供数据给金融机构，虽然效率高，符合现有法规，但在数据保护上，仍然扩大了消费者数据的扩散范围，数据存在二次销售的可能；二是将消费者数据集中于新的数据平台，形成新的金融信息基础设施，存在大规模泄露的风险，例如，美国信用评估巨头Equifax在2017年发生的1.43亿个人信息泄露事件。
（三）工作站模式
       优点：具备数据库模式的几乎所有优点，而且彻底堵住了消费者数据在金融领域可能被销售或非授权转移的口子。缺点：一是目前联邦学习、多方安全计算、同态加密等诸多技术依然处于发展期，还不够成熟，特别是复杂计算的效率会影响到消费者体验，甚至模型无法运行；二是工作站模式将极大地增加新平台的计算负荷。

（四）对比结论
       根据分析，数据库模式可以解决当前问题，并且风险可控，而且还具有未来可拓展性。数据库模式统筹消费者和平台共同作为大数据的供给方,统筹持牌金融机构作为大数据的需求方,以消费者授权和获益为前提，能够兼顾当下与长远，最终形成“1个买方+2个卖方+1个交易所”的大数据交易模式。在数据库模式筹建期间允许金融机构与非金融数据平台之间的API模式在管控下适度发展，待建成后统一迁移到数据库模式。当大数据共享市场稳定运行后，可以开放部分工作站服务，在未来隐私保护技术成熟后，有序过渡到工作站模式。

文章来源：《中国金融》2021年第12期杂志

       ESG在中国的发展方兴未艾，投资领域进行了诸多积极的探索。在近日举行的第15届中国证券投基金业年会的中国ESG发展论坛上，景顺长城基金副总经理黎海威对量化投资与ESG的结合分享了自己的实践经验。黎海威表示，量化投资在ESG领域具有独特的优势，可以借助量化的方法和大数据整合能力，更好地挖掘ESG超额收益潜力，未来大有可为。

　　ESG是环境、社会和治理的缩写，是一种关注环境、社会、公司治理绩效而非仅仅财务绩效的价值理念、投资策略和评价工具。在特殊时期的影响下，ESG投资在全球出现史无前例的增长。截至2021年3月31日，UN PRI(联合国责任投资原则组织)协议签署主体已超过3800家，总资产管理规模达到121.3万亿美元。黎海威认为，ESG投资是大势所趋，资产管理机构未来的投资将越来越多地受ESG策略驱动或影响，ESG在全球投资前景十分广阔，量化投资领域也将顺应趋势与ESG进行越来越紧密地结合。

　　量化投资在ESG领域具有独特的优势，首先表现在ESG大数据的整合需要量化框架和能力。黎海威指出，ESG的数据源非常繁杂，上市公司、政府监管部门、新闻舆情、非政府组织及行业协会等等多数据来源，具有覆盖度低、碎片化、非结构化、行业特征明显等特点，需要借助量化的方法和大数据整合能力进行数据处理，为下一步的风控和投资提供坚实的基础。在黎海威的实践中，对ESG数据的处理有三个要点，首先是借助大数据技术及自然语言处理(NLP)方法生成高质量底层数据。其次，不光是处理数据，还要加入自己的理解，比如对本土的理解，包括负面清单的处理，包括行业和数据结构进行本土化的方法，即基于对行业和数据的理解构建本土化ESG评级体系。最后，有一套比较成熟的因子投资的框架和经验挖掘ESG中的超额收益。

　　黎海威表示，ESG的信息或者作为一类因子来用，比较大的好处是与传统的投资风格相关性低。这可能是因为ESG投资关注角度与传统投资有较大差异，如传统投资者关注投资后得到的现金流，而ESG关注企业的社会贡献与内部成本外部化的行为;传统投资者的视角偏短期，而ESG对企业的影响偏长期。同时，ESG关注的信息难以获取，或者为投资者所忽视。因此，ESG因子与传统常见因子相关度较低。

　　此外，据黎海威的研究，ESG因子有较强的超额收益潜力。同时，由于ESG关注企业的社会贡献和行为模式，与每年的经营业绩相比，是一个相对慢的变量，着眼于企业长期可持续发展的公司往往也是行业领先者，市值较大，因此ESG相关策略换手较低，相应的策略容量大，很适合机构和养老资金长期配置。

　　作为在在量化领域具有长期领先优势的基金管理公司，黎海威带领的景顺长城量化投资团队在ESG策略方面进行了深入的研究，对ESG因子的运用反复实验，未来将在该领域进行产品布局。据了解，景顺长城已经构建起完善的量化产品线，覆盖指数增强、主动量化、Smart Beta等多种策略、不同收益/风险特征的产品，跟踪的指数涵盖大中小市值，涌现出如景顺长城沪深300指数增强、景顺长城量化新动力等一批超额收益持续稳健的绩优量化投资产品。同时，历经多年打磨，景顺长城已拥有经验丰富、团队成员稳定、投资实力过硬的量化投资团队，团队成员平均从业年限超过8.8年，平均加入公司时间达5.3年(截至2021年6月30日)。

来源：中国经营网

       流量、场景、数据成为金融科技未来发展的基石，在这一基础上延伸出的智能营销、智能解决方案、智能风控、反欺诈、智能催收、智能投顾等业务百花齐放。虽然过程坎坷起伏，但终点明确又清晰。金融科技定会成为金融产业下一阶段竞争的核心。

       2018年是中国金融科技产业发展的转折点。

       这一年，百行征信成立，国内征信体系建设大踏步前进；

       这一年，持牌消费金融渐入正轨，有望在2019年进入爆发式增长；

       这一年，网贷行业出清效果初显，P2P产业在分化中迎来下半场；

       这一年，银行、保险、证券业向外资进一步开放，中国金融产业将在世界舞台上参与全球化竞争；

       这一年，保险科技行业中后台从后端向前端延展，保险科技TO B服务成为行业新赛道；

       这一年，监管科技、银行科技发展驶入快车道。

       尤其值得关注的是，在全球经济跌宕起伏变化下，在黑天鹅事件频出的世界范围内，“不确定性”成为整个国内金融产业“压力测试”的试金石，众多金融机构在这一年开始意识到产业升级、行业变革的紧迫性。

       在焦虑的银行业里，以大型商业银行、股份制银行、城商行与民营银行为代表，数百家银行开始第一次站在同一起跑线线上，竞备金融科技淘汰赛。

       在国内银行业转型升级的关键时期，利用金融科技促转型、助升级，已成为当下商业银行普遍关注的焦点，而通过与金融科技公司的合作，驶入创新发展超车道甚至建立起竞争壁垒，更是焦点中的焦点。

      在此之前，上千家曾试水过金融业务的互联网企业在“金融的归金融，科技的归科技”这一监管背景下，转而向TO B端输出技术、经验、解决方案等等。金融科技从TO C业务转向TO B服务，“BATJS”率先垂范，与“五大行”相继结盟，将金融科技公司与银行业的合作推到了风口上。

      事实上，除了银行体系自身外，以平安集团、蚂蚁金服、京东金融为代表的互联网金融巨头，以浪潮科技、神州信息、东软集团、长亮科技、宇信科技、恒生电子等为代表的传统金融IT服务商，以百融金服、同盾科技等为代表的金融科技服务公司都在积极为银行业赋能。

       当然，以上阵营并不是金融科技服务银行业的全部，市场上还有众多征信及信用服务商、大数据服务商、风控反欺诈服务商、保险科技服务商、智能投顾服务商在同步掘金金融科技。

       亿欧认为，金融科技公司服务银行贯穿银行运营的三个层次体系：管控层（银行体系架构的“神经中枢”，即基础架构）、交付层（处理银行业务活动的作业“后台”）及界面层（与客户直接交互的界面和触点），主要涉及八大应用场景——银行云、智能营销、智能风控、智能审计、智能投顾、智能投研、智能客服、生物认证。

       结合当下市场发展脉络分析，新技术、新理念、新政策应用于金融产业，将对金融产品创新、金融模式更迭、金融服务升级带来巨大变量，在改善客户体验、降低交易成本、提高服务效率上，更好地满足用户对金融全方位、多品类、个性化的立体需求。

      金融科技的出现，让新技术从中后台传导至前端展业。在金融科技赋能金融机构实现升级，服务实体产业的过程中，金融科技本身释放的能量足以产生“核聚变”。

       在互联网金融模式创新，传统金融机构数字化转型过程中，在这种不断创新发展、智能融合、技术推动的新形势下，流量、场景、数据成为金融科技未来发展的基石，在这一基础上延伸出的智能解决方案、智能风控、反欺诈、智能营销、智能催收、智能投顾等业务百花齐放。虽然过程坎坷起伏，但终点明确又清晰。未来，金融科技将成为金融产业下一阶段竞争的核心生产力。

       “狭路相逢勇者胜，勇者相逢智者胜”，在金融科技大潮汹涌澎湃的进程中，万千产业创新者“勇立潮头踏歌行”，他们为全球金融产业的变革奉献着自己的时间、智慧甚至生命。

来源：亿欧

      头部梯队硝烟四起，第二梯队加速入局，战场不断外扩，构成了当前量化私募的“战况”。

      近年来，量化私募迅速崛起，百亿级量化私募不断扩容，千亿级巨头也开始涌现。然而，在光鲜背后，行业竞争愈发激烈。私募排排网数据显示，截至7月14日，已经有两家私募退出百亿级梯队。

      多位业内人士直言，量化私募仍存在较大的发展空间，不过，相比于主观多头策略，量化私募机构间的竞争更为直接和激烈，核心策略团队的稳定性、能力圈的逐渐拓展或是量化私募机构在长跑中胜出的重要基础。

头部量化梯队洗牌

       私募排排网数据显示，截至7月14日，运行中的量化策略基金共有17126只，而2020年同期运行中的量化策略基金仅为9153只，2019年同期运行中的量化策略基金为5710只。另外，百亿级私募梯队中也频现量化私募的身影。截至7月14日，百亿级量化私募数量高达13家。

       不过，在高速发展的同时，行业竞争愈发激烈。据私募排排网网统计，截至7月14日，佳期投资和上海锐天投资已经掉出百亿级梯队。与此同时，百亿级梯队也迎来了新鲜血液。

       “量化私募机构间的竞争尤为残酷，因为主观多头策略私募可以用投资理念尽量寻找到一路同行的投资人，而量化私募只能用业绩说话。一旦核心策略失效或者短期业绩表现不好，资金会选择撤出，寻找更有效的策略，所以量化私募头部梯队的加速洗牌是行业激烈竞争的表现。”沪上某FOF基金经理直言。

       团队稳定性至关重要

       头部梯队内部的激烈竞争，让人不禁发问，如今的量化投资究竟是蓝海还是红海？

       厚石天成总经理侯延军认为，量化投资的发展很难用红海或蓝海来形容，不过量化投资中部分短线类型的具体策略，可能正在形成所谓的红海。比如以交易市场微观结构为主的量化策略，会由于容量问题和趋同性问题，产生各细分策略间的激烈交锋。

       “相比于海外成熟市场，我国量化投资规模还有很大差距，所以量化投资的发展仍是一片蓝海。不过，随着头部效应的逐步显现，如今量化私募需要重新审视公司长期发展的核心因素，即团队稳定性和核心策略的进化迭代，那种靠一两个人战胜市场、找到赚钱模型的故事基本上不会再出现了。”某量化私募人士坦言。

       鸣石投资创始人袁宇也表示：“一家量化私募若想长远地走下去，必须依靠多核驱动，有生命力的团队才能具备较强的研发和风控实力，在不同的市场中稳步前行。另外，随着量化投资进入新时代，量化私募需要凭借更高的技术和更专业的团队，为资管行业提供更优的解决方案。”

       头部机构拓展能力圈

       除了保证团队的稳定性和策略的有效性，多家头部私募正不断拓展能力圈，强化自身的资金吸引力与资产配置功能。

        近日，百亿级私募天演资本首次对外发行量化多头产品，不再对标相关指数，并加入了择时因子。深圳某百亿级私募人士也透露，公司正在筹备类似的策略产品，并将主观和量化相结合，发挥自身优势。今年6月份，灵均投资也在渠道发行了量化多头策略产品。

       “百亿级量化私募的团队人数大概在60至100人之间，技术成本和人力成本都很高，只有管理规模较大公司才能覆盖这一成本，并且有能力不断强化投研团队实力，形成正反馈。”上述量化私募人士表示。

来源：中国证券网

       货币政策是指中央银行为实现其特定的经济目标而采用的各种控制和调节货币供应量或信用量的方针和措施的总称。央行的货币政策工具包括：　

　　一、公开市场业务：中央银行公开买卖债券等的业务活动即为中央银行的公开市场业务。1999年以来，公开市场操作已成为中国人民银行货币政策日常操作的重要工具，对于调控货币供应量、调节商业银行流动性水平、引导货币市场利率走势发挥了积极的作用。　

　　二、存款准备金：法定存款准备金率是指存款货币银行按法律规定存放在中央银行的存款与其吸收存款的比率。法定存款准备金率政策的真实效用体现在它对存款货币银行的信用扩张能力、对货币乘数的调节。由于存款货币银行的信用扩张能力与中央银行投放的基础货币存在乘数关系，而乘数的大小与法定存款准备金率成反比。因此，若中央银行采取紧缩政策，中央银行提高法定存款准备金率，则限制了存款货币银行的信用扩张能力，降低了货币乘数，最终起到收缩货币供应量和信贷量的效果，反之亦然。　　

　　三、中央银行贷款：中央银行贷款指中央银行对金融机构的贷款，简称再贷款，是中央银行调控基础货币的渠道之一。中央银行通过适时调整再贷款的总量及利率，吞吐基础货币，促进实现货币信贷总量调控目标，合理引导资金流向和信贷投向。　　

　　再贴现是中央银行对金融机构持有的未到期已贴现商业汇票予以贴现的行为。在我国，中央银行通过适时调整再贴现总量及利率，明确再贴现票据选择，达到吞吐基础货币和实施金融宏观调控的目的，同时发挥调整信贷结构的功能。　　

　　四、利率政策：利率政策是我国货币政策的重要组成部分，也是货币政策实施的主要手段之一。中国人民银行根据货币政策实施的需要，适时的运用利率工具，对利率水平和利率结构进行调整，进而影响社会资金供求状况，实现货币政策的既定目标。　　

　　目前，中国人民银行采用的利率工具主要有：1、调整中央银行基准利率，包括：再贷款利率，指中国人民银行向金融机构发放再贷款所采用的 利率；再贴现利率，指金融机构将所持有的已贴现票据向中国人民银行办理再贴现所采用的利率；存款准备金利率，指中国人民银行对金融机构交存的法定存款准备 金支付的利率；超额存款准备金利率，指中央银行对金融机构交存的准备金中超过法定存款准备金水平的部分支付的利率。2、调整金融机构法定存贷款利率。3、 制定金融机构存贷款利率的浮动范围。4、制定相关政策对各类利率结构和档次进行调整等。　　

　　五、常备借贷便利：借鉴国际经验，中国人民银行于2013年初创设了常备借贷便利(StandingLendingFacility，SLF)。常备借贷便利是中国人民银行正常的流动性供给渠道，主要功能是满足金融机构期限较长的大额流动性需求。对象主要为政策性银行和全国性商业银行。期限为1-3个月。利率水平根据货币政策调控、引导市场利率的需要等综合确定。常备借贷便利以抵押方式发放，合格抵押品包括高信用评级的债券类资产及优质信贷资产等。

       上文就是对央行的货币政策工具的简单说明，对这类文章感兴趣的朋友可以关注小编。

       在各种影视的虚拟世界中，人工智能（又称“AI”）研究已经远远超过我们当前的发展水平，万物皆堪垂泪。在现实生活中，AlphaGo机器人于2016年击败了曾18次问鼎世界围棋冠军的李世石，这意味着直觉、战略思维、想象力不再是人类所独有。

       有人说，人工智能现在是人类的学生，未来将成为人类的先生，足见人工智能的想象空间之大。

       近些年，人工智能技术在经历了泡沫后，逐渐开始回归理性，更加注重落地产业。目前，人工智能技术已经取得长远进步，被广泛应用于安防、医疗、金融、制造、教育、城市管理等多个领域，成为世界不可或缺的一部分。

       金融业作为应用人工智能技术较为成熟的产业，在前、中、后台均有覆盖，贯穿到数字化运营的全生命周期，包括创新的产品和服务，个性化用户体验如智能客服和自动化交易等，以及身份验证等，可以根据个人偏好为用户提供多样化、个性化金融服务，保障业务稳健运营的同时，提高运营效率和用户体验。

       随着人工智能技术的大规模应用，AI将对金融业产生深远的变革，并为其创造更大的增量价值。

人工智能渗透金融业

       安德烈亚斯·卡普兰（Andreas Kaplan）和迈克尔·海恩莱因（Michael Haenlein）将人工智能定义为：系统正确解释外部数据，从这些数据中学习，并利用这些知识通过灵活适应实现特定目标和任务的能力。例如通过人工智能技术可以解释“人何以为人”。

       后疫情时代，人工智能技术的作用逐渐凸显出来，金融机构借此打造数字化、自动化、创新化的金融生态，致力于在数字金融、智慧金融浪潮中站稳脚跟。

       中国工商银行、中国农业银行、中国建设银行、中国银行四大国有银行在财报中多次提及人工智能，并纷纷将人工智能提升到战略地位，逐渐加大在科技方面的投入。

       目前，金融业通过人工智能技术已经在多个应用层面进行落地实践。一是语音识别与自然语言处理。智能客服是金融机构较为成熟的应用，头部机构的问题解决率可高达90%，改变了原本的按键式菜单，通过语音（包括普通话、方言）说出关键词就可以基本解决用户的问题，实现了菜单扁平化，此举不仅可以提升用户体验，降低人工客服的压力，还可以降低金融机构的运营成本。

       持牌消费金融公司作为中国银保监会从金融机构中剥离出来的一个创新行业，在人工智能、大数据、云计算、区块链等前沿技术的应用相对灵活且成熟。

       科技驱动型金融机构马上消费在人工智能技术方面不断探索，自主研发了XMA智能客服系统，该系统拥有100+万金融专业知识的知识库，40+万客户问题语料库，通过自然语言处理、深度神经网络、机器学习等核心技术，为各业务线产品、用户提供全天候、标准化的服务。

       值得一提的是，马上消费“智能客服机器人”领域的项目刚刚获得工信部第一期人工智能产业创新揭榜优胜单位。

       二是计算机视觉与生物特征识别应用。人脸、虹膜、指纹、声纹等生物特征识别是金融机构常见的应用，可以进一步增加系统的安全性，有效防范非法分子的入侵。

       同时通过机器学习、神经网络与知识图谱的应用，可以有效预测欺诈、识别欺诈交易等。在海量金融交易数据的基础上，金融机构通过深度学习技术，可以做到事前干预以减少财产损失。

       随着人工智能技术应用的逐步深化，部分金融机构现已形成了看、听、想、说、做一体化的核心能力，不断进行产品创新和场景的拓展，将金融服务的触角向更广泛的群体延伸，加速普惠金融的进程。

持牌消金公司大有可为

       数字化转型大背景下，银行业务向全面线上化发展。人工智能赋能银行业转型已经成为行业的普遍共识，可以提高自动化程度，同时在风险控制得当的情况下，能提升人为决策的速度和准确度。

       麦肯锡近期发布的报告数据显示，人工智能技术每年可为全球银行业创造高达1万亿美元的增量价值。可以看出，人工智能技术对银行业转型的重要推动作用。

       监管也多次发文鼓励金融机构运用人工智能等技术建立风险定价和管控模型，改造信贷审批发放流程，促进AI技术落地于金融领域的全场景。

       目前，国有大行已经具备了一定的AI能力，中小银行纷纷进行AI赋能下的数字化转型。由于银行业的业务比较复杂、数据庞大，对风控的要求较高，所以成为AI技术的主要需求方。相关数据披露，2022年中国银行业对AI技术的总投入规模将超过220亿元，而且这一数据还在逐年攀升。

       除了国有大行以及部分股份制银行，大部分的中小银行是通过与AI公司合作，采购相应的产品与服务以提升运营效率和提升用户体验，助力传统金融机构向数字化方向转型。“在一段时间内，这将是行业主要的技术获取手段，且智能风控是金融业需求旺盛且AI投入较多的领域。”一位资深分析师指出。

       作为与银行业耦合程度较高的行业，头部持牌消费金融公司凭借灵活、创新等优势，持续深化人工智能等新技术，实现了全业务流程的智能化、数字化，同时在贷前、中、后进行全面风险管理，搭建了完整的风控闭环。

       马上消费充分发挥人工智能三驾马车“算法、数据、硬件”作用，依托海量的数据总结了一套风险管理经验，构建了五位一体的综合维度风险管理体系，同时融入自主研发的收入偿债比模型，加强风控审核机制。目前，马上消费的科技能力已经实现有效赋能，合作银行及金融机构超过200家。

       长远来看，人工智能技术在金融领域的潜力巨大，应用会越来越成熟，场景也会进一步得到拓宽。而在金融数字化转型风口下，头部持牌消费金融公司将迎来更多机遇。

来源：GPLP