印度精英阶层Fintech覆盖率已达23%

近期，J.P.摩根的研究表明，印度金融科技公司已经成功俘获了该国占比23%的富裕精英阶层的芳心，而未来印度经济应向剩余的中、低产阶层靠拢。

这家美国银行的研究显示，最具潜能的中低收入人群占据了人口的47%，面向这些人群的市场存在极高的发展空间。

印度中低收入人群的平均收入从一天2美元（约13人民币）增至了10美元（约67人民币）。

研究还表示，中低收入群体中大约有3.47亿人口为城市居民，他们拥有智能手机，深谙互联网之道，同时经济独立，喜好便利，愿意为良好的服务消费。

当前，印度金融科技公司多为一线地区富裕技术人士的“专属”企业，已知的中低收入群体中有80%并没有接触过这些公司的服务。“尽管金融科技公司与投资人、企业之间在意识上存在着不可逾越的鸿沟，中低收入群体为金融科技公司、投资商、捐助方和企业这些不同类型的利益相关方提供了可观的契机。”

比起考虑支付能力，中产阶层更倾向于便捷、便利的生活方式。他们还会想方设法使用电子平台获得高效的金融服务，这些金融服务包括支付转账、信贷产品、保险储蓄以及投资。

不过，调查还强调，这个国家金融科技产业的发展存在极大的不平衡性。印度拥有大约1500家金融科技公司，其中82%聚集在德里、孟买和班加罗尔这三大创投圣地。投资项目上，支付和信贷最受投资者的青睐，储蓄、保险都与前者存在着不小的差距。总体而言，前十家金融科技公司掌握了75%的投资资产，同时，74%的投资都流进了支付和信贷领域。

包括印度保险和发展局IRDA以及印度证券交易委员会SEBI在内，一个由多家监管机构成员组成的印度储备银行RBI专家小组在近期提交的论文中写道，“目前，印度还有40%的人口没有办理过银行业务、享受过银行的服务，现金充斥着人们的日常生活，占据了他们87%的支付日常生活。对这个国家的金融服务科技创业公司而言，这种局面则意味着一个巨大的、未开发的市场。2018年，移动手机的使用率有望从当前的53%上升至64%，互联网的普及率也在稳步提升，从各方面来说，印度金融科技公司的增长潜力都是不容小觑的。”

值得注意的是，莫迪的平民金融计划（Pradhan Mantri Jan Dhan Yojana）带动了110亿美元（约741亿人民币）储蓄金，印度自助团体也在2017年调动了25亿美元（约168亿人民币）。除此之外，微型企业的债务缺口预计达到了460亿美元（约3099亿人民币）。这些客观条件都为开拓中低收入群体市场打下了基础。

不过，金融科技公司在扩大用户群方面也遇到了许多困难。“处于早期阶段的金融科技公司在筹集投资资金上遭遇了瓶颈。投资者往往着眼于投资的单位经济效益，但中低消费市场似乎并不吃这一套。”

智能投顾基础知识

       当金融投资遇到人工智能，智能投顾(Robo-Advisor)应运而生。

　　智能投顾，又称机器人投顾，是一种结合人工智能、大数据、云计算等新兴技术以及 MPT(现代投资组合理论)的在线投资顾问服务模式，是 2008 年金融危机之后兴起的在线智能财富管理服务。

　　对于智能投顾的科学性，笔者认为，智能投顾根据投资者的收入状况、风险承受能力、投资目标等信息，通过智能算法为客户推荐的综合投资方案，能够保障资产的安全性、收益性和流动性的均衡。机器学习辅助的介入，使得智能投顾的投资模型参数，可做到实时变化以达到自动优化的效果，有效克服了人工服务可能出现的投机性。

        智能投顾的优势，一方面是高效，可 7×24 小时响应客户需求；另一方面，资产配置的分散度更高，传统模式受人力限制，只能对有限的投资标的进行维护管理。

　　从这种意义上来看，智能投顾降低了投资门槛，让更多人得以享受财富管理服务，让普惠金融的实现成为可能。

　　境外领先发展已渐趋成熟

　　2008 年，全球第一款智能投顾产品诞生，由美国公司Betterment推出。

　　自 2012 年起，智能投顾市场呈现“ 井喷式 ” 发展。 据 A.T.Kearney(科尔尼管理咨询公司)预测，美国智能投顾行业的资产管理规模，将从 2016 年的 3000 亿美元增长至 2020 年的 2.2 万亿美元，年均复合增长率将达到 68%。

　　境外智能投顾服务，已经从最初单纯的投资组合策略推荐，向综合性财务规划服务转变，包括退休养老规划、税收损失收割等。大量初创公司为智能投顾的发展探明了道路，传统金融业机构券商、做市商紧随其后，迅速展开布局。

　　2017 年， 传统券商 TheVanguard Group 成为世界最大的智能投顾服务机构。笔者认为，传统金融行业必将成为智能投顾发展的核心力量。

　　中国紧跟步伐上升潜力大中国的智能投顾，自 2015 年开始发展，迈出第一步的是互联网公司等第三方机构。

　　2016 年，某股份制银行推出摩羯智投，成为第一个进军智能投顾的传统银行。

　　2017 年，国有五大行中，有的自己推出了智能投顾服务，有的与独立或第三方机构展开智能投顾的合作开发。全国性股份制银行相继跟进，部分城市商业银行也已正式公布了自己的智能投顾服务。

　　现阶段，我国银行智能投顾管理的最大金融资产规模仅 80 亿元。依据 BCG(波士顿咨询公司)预测，到 2021 年，我国私人财富规模将达220 万亿元人民币，市场上升潜力巨大。

　　国际上智能投顾的发展，领先中国约 5 到 6 年。中国在这一领域仍处于发展初期，仔细研究我国的智能投顾产品，不难发现人工智能化程度相对偏低，甚至有很多机构以智能之名行卖产品之实，在投资策略应用上离不开大量的人工干预。在国外，有一定比例的智能投顾已实现全权委托，即在一定的投资范围内可代客户进行投资决策。相比较，国内的智能投顾产品大都处于辅助角色，仅为客户作产品推荐，最终的投资决定权依然在客户手中。

　　笔者认为，未来智能投顾在中国的发展方向大致有三个：从目前“投资标的偏少”走向产品专业化；从行业鱼龙混杂走向机构专业化；对投资者观念进行扩展教育。笔者曾凭借对这一方向的把握，摘得“最佳金融科技技术贡献奖”。

　　2017 年 7 月，国务院发布了《国务院关于新一代人工智能发展规划的通知》，从国家战略层面搭建了我国人工智能发展的顶层设计，助力人工智能发展。

　　金融行业，尤其是传统银行业，应当依托自身优势，抓住人工智能与行业结合点，在智能投顾领域，积极推进自动化、智能化的投资顾问服务。抓住人工智能的机遇，为投资者提供高质量的普惠金融服务。

2017 fintech大总结

2017年可谓是FinTech企业蓬勃发展的一年，随着部分国内金融科技企业的境外上市，全球创投领域都将目光集中到了中国FinTech的发展上。在行业日趋成熟和监管越来越规范的环境下，如今的全球FinTech投融资领域又有了哪些新的亮点，2018年又将呈现出了哪些新的趋势？

2017FinTech投资“五个创记录”

报告数据显示，2017年全球金融科技融资依然保持强劲，尽管相比金融科技融资巅峰时期的2015年有所下降，但融资金额依然保持增长，金融科技投资机构出现明显变化，B2B持续成为知名投资机构的优先选择。以下列举出了五大“创历史记录”数据：

金融科技领域获得私募股权投资的数量创记录

2017年PE对技术型企业的兴趣不断增加，这在全年都是一个持续的趋势，而且金融科技公司也不例外，由于很多知名PE公司在金融领域都非常专业，所以PE大举投资金融科技企业也是非常合理的。

公司创投机构CVC参与投资次数创记录

尽管风险投资总额有所下降，但公司创投机构投资仍然比较积极，很明显2017年公司创投参与投资比重比较高，值得注意的是，2015年和2016年的数据比较高是因为蚂蚁金服的投资，所以2017年公司创投机构在金融科技领域投入54亿美金说明公司创投参与的积极性也很高，尽管企业估值也很高。

2017年风险投资退出案例创新高

风险投资退出情况变化很大，主要是因为很多金融科技细分领域 仍然处于发展初期，所以还没有经历完整的周期 。但是，2017年退出金额非常高，2017年4季度也经历了退出金额最高的一个季度，主要是由于10月份某中国金融科技企业在纽约交易所上市推动的，有些金融科技领域已经非常成熟，行业内的企业可以通过上市获得流动性。

2017年保险科技领域投资案例数创新高

保险科技领域逐渐成熟会出现一些并购案例，但是也是一个新兴领域，大量的风投资金投向这个领域的新创企业，希望能够抓住保险领域中不同的利基市场。成熟的企业比如Lemonade也希望募集大金额资金，同时财大气粗的投资机构也投入巨资，由此2017年我们看到保险科技领域投资金额和投资案例数都创新高。

投资区块链技术的风投机构远超以往

2017年是加密数字货币大爆发的一年，其关键基础技术区块链大有潜力，被各方看好，而且也有了很多潜在的应用场景。从技术角度看，目前区块链还存在很多问题，但是像智能合约这种应用很有发展前景，所以吸引了风险投资机构投入大量资金。

2018年全球金融科技体系继续以较快速度成熟发展，比较重大的发展包括开放银行、监管日趋清晰和人工智能以及区块链的成熟应用，2018年将会是金融科技发展的重要一年，以下是毕马威对2018年全球金融科技发展的十大预测：

1、人工智能加快应用

作为基础技术人工智能的应用和创新会持续推进；

2、监管科技崛起

全球范围内对监管科技的投资会持续增加；

3、加强合作

大型金融机构和金融科技企业之间加强合作；

4、下一代数字化贷款

互联网抵押技术和平台崛起；

5、超越应用场景

区块链技术具备生产能力的应用取得初步成功；

6、开放式银行

开放APLs为欧洲和全球的第三方开发者开辟新路；

7、新型挑战者银行

传统金融机构打造资金的数字化银行；

8、保险科技创新

投资涌入推动保险科技创新并在全球打造保险科技枢纽；

9、提供全方位服务

成熟的金融科技企业拓展金融服务业务；

10、知名科技巨头介入

金融科技企业和高科技巨头之间会出现更多合作。

人工智能的十大应用趋势

1、金融机构智能化转型在即

2018年将是金融机构全面智能化转型的一年，无论是商业银行、证券基金公司、交易所、保险机构，还是持牌消费金融公司、互联网小贷、监管机构等，都面临着从企业架构、组织架构到业务流程架构的智能化改造。首先是提升、优化客户服务能力的需要，通过快捷、智能化的服务体验提供同业差异化、专业化的产品和服务能力;其次是市场竞争的压力和需要，在风险管理、客户体验、用户运营成本等多角度向互联网金融、金融科技公司取经，从传统规模优势走向智能驱动、集约发展;最后是优化内部运营管理结构，降低成本、提升效率，形成精益化运营优势。可以说，无论是大型机构的平台战略与中小型金融机构的专业垂直战略，都离不开智能化转型。

2、人工智能全面应用于金融服务

人工智能将成为金融机构的一种核心能力。人工智能思维模式和研究范式，包括不限于数据驱动决策、算法建模、数据科学与工程、以数据为中心、数字化协同，将逐渐下沉，渗透到从企业到业务条线再到个人，而不是停留在过去科技部门主导的应用系统建设层面。各业务条线将会主动推动数据驱动、智能决策的理念，结合数据运营、产品运营和用户运营，不仅仅是直面客户的零售和经纪类业务，还包括过去AI触及较少的中后台业务，如风控、合规、稽核审计、财务、战略规划和人力资源管理，都将形成决策智能化和流程自动化(RPA)的服务模式。所以，当前较热的智能客服、智能营销、智能投顾、智能运营和风控只是AI的垂直应用，而贯穿于价值链各环节的智能应用将越来越多，机构的“All in AI”即将开始。

3、人工智能服务私有云化

AaaS(AI-as-a-Service)已经被一些金融机构和IT供应商所采用。这是适用于现代新金融机构较好的一种技术运用模式。在IaaS层提供AI必须的硬件算力支撑，在PaaS/DaaS层构建AI应用所需的大数据计算和存储引擎，在SaaS层提供算法与建模、知识图谱、自然语言处理、计算机视觉、语音识别、图像和视频识别服务。通过这种自下而上的人工智能私有云服务，串联起金融机构业务和科技协作流程，已经成为大型金融机构在实践企业级人工智能中考虑的重点。无论是建立大数据和人工智能实验室、还是形成专门组织独立于科技和业务，都离不开服务模式创新。AaaS对于BATJ们并不新鲜，但对于多数金融机构来说是值得思考和建设方向。

金融科技ABC架构的顶层以AI服务体现

4、机器学习仍是实践AI的主要技术

人工智能的概念非常广泛，但无论怎样，金融机构实践AI所用到的技术仍是机器学习，即应用算法、模型分析数据，测定、判断、预测业务、产品、用户和市场，从而实现机器自动化、自主化决策的方式。机器学习算法本身的革新仍在继续，但基础类算法的运用将会越来越普及到IT系统建设中，不具备机器学习功能的纯流程性系统(如传统OA)将逐渐失去竞争力。此外，具备数据处理、机器学习和深度学习算法、建模、特征工程的分布式机器学习平台将成为企业IT建设标配，逐渐抢占传统数据分析工具如SAS、SPSS的市场空间。

机器学习是金融机构实践AI中用到的主要技术

5、深度学习应用规模化

深度学习在金融领域的应用目前仍然很有限。由于不少金融机构自身数据存在着质量不高、数据维度不足的问题，深度学习效果受到了很大制约，以至于目前除了人脸识别、语音识别等为数不多的场景外，仍然缺乏可落地的案例。这与深层神经网络本身的特性有关，作为机器学习的一个子集，深度学习比前馈神经网络有更多的神经元、多隐层的连接方式更复杂、训练所依赖的算力也更高，所以如果规模化应用带来的价值低，企业将很难投入大量资源于其中，多成为实验性质的AI探索(例如RNN运用于量化投资、高频交易的策略选择)。随着深度学习技术的成熟，金融机构逐步提升数据治理与数据运营水平，以及深度学习框架(如TensorFlow、Keras和MXNet等)的工具化、便捷化，应用也将逐渐规模化，如基于图片和文本分析的保险定损、基于非结构化文本的信息提取、营业网点的客户身份识别与产品推荐等。

6、从All in AI到Everyone in AI

过去，数据、算力和算法的运用都需要专门分工协作来完成，这对于金融机构在人才招募上带来了很大的困难，信息技术部门需要关注从业务分析、数据分析、数据科学、数据产品、系统开发、运维的全流程人员。这在绝大多数金融机构中是不现实的，事实上很多机构也是通过人力外包、结合供应商实施来完成AI平台及应用的部署。虽然AI基础技术仍存存在很多难以突破的领域(如具备跨领域推理能力、掌握常识与认知的通用人工智能)，但当下的趋势就是人工智能逐渐走向应用化和工具化，随之带来的是应用门槛的降低，并逐渐出现全栈式(Full Stack)的AI科学家——既具备业务理解能力，又具备算法和建模能力，同样可落地到AI产品中的专业人士。事实上现在机构中的某些岗位由于职能所需已经具备了这种能力，如商业银行的金融分析、风险管理岗、证券基金中的量化投资、金融工程岗、保险公司的精算岗等。随着AI工具化的普及，在2018年金融机构逐渐形成Everyone in AI的能力。

7、实时计算与机器学习的结合

海量、实时计算能力不仅是大数据平台的能力，在对低延迟(秒级、毫秒级)有要求的业务场景(如实时风控、预警、交易反欺诈等)越来越需要机器学习技术的能力。流式计算框架如Storm、Spark Streaming、Smaza、Flink目前逐渐在金融机构内部署，以事件驱动(Event,如Storm)和微批模式(Mini Batch,如Spark Streaming)为代表的流处理技术，能够满足低延时、实时大数据分析的复杂应用场景需求。2018年金融机构将大规模部署实时计算引擎(具备CEP复杂事件处理能力)，结合机器学习技术应用于实时反欺诈、交易风控、行为分析、高频交易等领域。

实时计算与机器学习的整合应用于金融场景

8、从分布式架构到量子计算

硬件算力是制约人工智能的主要因素。当前金融机构部署人工智能平台的主要架构仍是开源分布式框架，如底层基于Hadoop/Spark框架提供大数据计算层，数据存储层多以HBase/MongoDB/Redis/HDFS模式，机器学习框架如TensorFlow、Keras、MXNet提供深度学习支撑，中间服务层包括图计算、自然语言处理。这种架构只考虑用分布式服务器架构实现算法和模型的并行训练，但没有本质提升硬件算力，处理性能仍受限于磁盘I/O、多GPU内核加速，也带来硬件机房维护、硬件成本高昂的问题。随着量子计算的发展，可以解决人工智能系统的小型化和轻量化，真正实现高速处理海量数据。2018年预计量子计算将在金融行业实现探索性应用部署。

9、数据治理仍是人工智能应用基础

对于人工智能在金融领域的应用来说，本质上数据科学的一种运用模式。数据科学离不开数据管理与治理，而数据问题又是制约人工智能的又一大因素。数据质量差、数据维度不全已经成为金融机构的通病。金融机构已经意识到需要有效地管理其日益重要的数据和信息资源，也需要通过数据型组织控制数据和信息资产。由于缺乏数据治理和数据管理的标准体系，在数据架构、数据质量、元数据、数据安全、数据应用管理等方面，无论是商业银行、还是证券基金机构，都将继续夯实其数据基础，从而为AI大规模实践提供支撑。

10、金融与科技业深化AI领域合作

在金融科技与服务中，巨头们逐步意识到扬长避短是一种双赢策略。机构在专业性、客户基础、服务覆盖面上更具优势，缺少的是业务创新和领先技术，而这些是互联网公司的特长。金融和互联网的合作模式并不细心，背后的逻辑是在面对激烈严峻的竞争态势下抱团取暖、提升想象力。2018年将有越来越多的金融机构“站队”，BATJ们将在技术输出、场景合作、服务协同等方面与商业银行、证券公司、保险机构进行合作。对于金融机构来说，形成了互联网合作经营生态圈，强化客户资源共享，拓展消费金融，共同探索智能金融的应用场景;对于互联网机构来说，获取金融专业渠道流量，在传统业务之外提供高附加值科技产品和服务。

浅析高大上的量化投资

如果说当前是第五次工业革命，那我们正处于人工智能的大时代。在交通领域，AI的代表作是无人驾驶;在媒体领域，AI的代表作是写稿机器人，在金融领域，AI的代表作则是量化投资。那么，量化投资到底是何方神圣?它打败传统资产管理的利器在哪里?

量化投资，简单说就是利用计算机技术和数学模型去实现投资策略的过程。根据上面的定义，理解它的话，咱们只要记住3个关键词：1数学模型：需要数学公式或模型进行计算;2计算机技术：用计算机来进行自动化交易;3投资策略：将这种方法形成一种惯用投资策略。

我们都知道，每个人都是相对理性的，投资很容易受到情绪的影响而产生偏差。而由机器人操盘的量化投资，其最大的优势在于：在某些方面可以做到绝对理性化，比如止盈或止损。因为它能克服人性的优柔寡断与贪婪。

诚然，量化投资在国内还是这几年才兴起的新鲜事，但在国外的发展已经有超过50年的历史。

1969年，爱德华·索普利用他发明的"科学股票市场系统"(实际上是一种股票权证定价模型)，成立了第一个量化投资基金。该基金名为普林斯顿-纽波特合伙基金，主要从事可转换债券的套利。令人惊奇的是，该基金成立后连续11年内没有出现年度亏损且持续跑赢标普指数。量化投资成功地吸引了人们的注意!

经过近半个世纪的发展，截至2016年底，全球量化投资基金总规模已突破3万亿美元，是全球基金规模的比例的30%左右。

而在国内，2010年可以说是中国量化投资元年，沪深300股指期货的推出、ETF及分级基金的迅速发展使得各类量化策略有了用武之地。与此同时，公募、私募基金也都发行了大量的量化策略基金。

根据总结的三个关键词，它的投资策略也基本可在此基础上得以展开。为了方便理解，本文将量化策略简单分成以下几类：

1、量化对冲

其实，量化和对冲本身并不是“一家人”，之所以最终能“终成眷属”，是因为二者结合后能获得超额收益的“结晶”。举个例子：笔者利用量化方法，选出能够跑赢指数10%的股票并买入。当市场上涨20%时，笔者的股票就上涨了30%。但笔者此前已经做了对冲操作，即做空指数(卖空股指期货)，所以会在指数做空上丢掉20%的收益(做空意味着看跌)，这样一增一减会净赚10%;相反，如果市场下跌20%，那笔者则会损失10%的收益，但由于之前做空指数，笔者会因为做空赚20%，一减一增依然净赚10%。是不是很神奇?!这就是量化对冲的魅力!而这种方法，也被大家称为市场中性策略。

2、多因子选股模型

具体的选股模型非常复杂，但别怕!原理很简单。

多因子选股，就是以多个因子作为参照标准进行选股，这跟咱们找工作、找房子等等是一样一样的，只是它的叫法高大上罢了。

找工作的话，咱们要考虑它的薪资水平因子、公司发展前景因子、岗位匹配因子等等。找房子的话，要考虑它的交通配套因子、小区卫生、噪音、安全因子等等。所以，选股也是一样。不过，选股的因子很多，专家们就把这些因子分成了四大类：技术类，像价格、交易量、波动率等;基本面类，如价值因子、成长因子、公司债务因子等。研究类，如研究报告、目标价格、盈利预测、评级等。其它类，如机构持仓、媒体关注因子等。

正是因为因子太多了，不可能全面考虑，所以，专家们就做了一个模型，根据因子的权重，进行综合加权考虑。

而引入多因子的目的，就是为了让收益更加稳健，波动更少。找房子时，考虑的因素越多，或许最终选择的就越好;找工作时，综合权衡后的岗位或许更令你满意。换成量化投资的话，夏普比率越高，单位风险带来的单位收益也就越高，反过来想，单位收益的波动将引起更小的单位风险波动。所以，引入的因子越多，收益就更稳健，收益曲线就越平滑。

3、量化择时

择时，不仅困扰这个人投资者，也同样令机构投资者很头疼。如果说量化选股解决的是超额收益的问题，那么量化择时解决的则是相对收益的问题。而所谓量化择时，则是对各类预测指标的应用，通过分析并得到对市场未来方向的预判。常用的择时方法有：趋势量化择时、市场情绪量化择时等。

趋势量化择时基本可以认为是趋势投资的延续，若趋势发生逆转则需平仓止损。与趋势投资一样，趋势量化择时具有滞后性，只有市场出现了某种趋势后，才可顺势操作。

市场情绪量化择时就是利用投资者的热情程度来判断大势方向，当投资情绪高涨，大家积极入市时，大盘可能会继续涨;当投资者情绪低迷、不断撤出市场的时候，大盘可能继续下跌。

量化择时还有其他的方法，受限于篇幅这里就不再展开。

量化投资的优势在哪?

可以总结以下几点：纪律严明、反应迅速和分散风险。

1、纪律严明

市场不会随着人的意志而转移，我们唯一能控制的只有自己。量化投资在既定的计算机程序下，会根据市场行情严格执行投资策略，就像咱们遇到市盈率较低的个股时，可能会立刻买入，也可能会继续等待更低的买点。但量化选股则直接精确到数值，只有触发选股条件才会操作，完美地克服贪婪、恐惧、侥幸心理的人性弱点。

2、反应迅速

这更多的是体现在重大事件、黑天鹅等事件驱动策略方面。计算机媒体能处理大量的公告和新闻，实时跟踪市场变化，所以在遇到重大利好或黑天鹅事件时，同样也能够第一时间把握机会或逃脱。

3、分散风险

利用计算机大数据，量化投资可以做到比证券分析师更好的历史回测，不断地从历史中挖掘有望在未来重复的历史规律并且加以利用，而历史规律都是较大概率取胜的法宝。另一方面，就回到了选股方面，通过多因子选择一揽子股票，从而捕捉大概率获胜机会。

浅谈人工智能与量化投资

人工智能从1956 年在Dartmouth学会上被提出发展至今已经60余年，2016年的人工智能经围棋之战震惊世人，关于人工智能的种种猜想也引发了全球范围内的讨论，如今如火如荼的发展势头，成为引发人类不安的导火索，有人认为人工智能或将取代人类，随之而来的失业潮或引发生存问题。

其实，早在20世纪的华尔街，人工智能替代人类完成部分工作的苗头就已显现。世界级数学家、最伟大的对冲经理之一——詹姆斯·西蒙斯带着他的文艺复兴科技公司在全球市场中进行投资，与之前的金融公司不同的是，在这家投资公司里计算机更多的取代了金融分析师的工作，传统华尔街分析师的席位寥寥无几。这家公司就是有名的量化投资型基金——大奖章基金的孵化池，量化投资也就此来到大众视野。

在量化投资世界，人工智能已经取代人类完成了部分工作，但这是否就意味着人工智能将取代人类呢?答案是否定的，人工智能所替代的部分是完成工作的能力，而不是替代人类。尤其是在量化投资世界，人工智能只是工具，强强联合带给投资者最优的投资组合和收益。

那么，人工智能又给量化投资带来了哪些优势呢?在大多数人眼里，量化投资是一个神秘的领域，“黑匣子”更是让人摸不着头脑。但其实量化投资就是通过数量化方式及计算机程序化发出买卖指令，以获取稳定收益为目的的交易方式;通过建立模型——黑匣子，进行估值、择时及选股。

这样的投资交易模式会在选股时，把公司基本面的一些数据作为模型指标，并在模型里加上市场的趋势指标，最终的交易决策则是模型综合所有指标运行的结果。这样的投资交易优势有：

1 纪律性：择时、选股等交易决策由模型决定，避开情绪性、贪婪等可能导致投资失误的心理因素干扰;

2 系统性：多层次，多角度的量化投资模型。在大类资产配置，行业精选，个股配置上都有各自的子模型;同时对市场周期，结构，估值，市场情绪等建立跟踪指标;

3 套利思维：在每一个市场的时刻，用模型分析获取超过市场的α收益;

4 概率取胜：在风云诡谲的市场中，再完善的模型也无法做到绝对的胜率。量化投资依靠超过市场平均的获胜概率，微赢微输，积沙成塔，最后获取可观的收益。

那么除了以上的优势点，人工智能的加入对于量化投资还有哪些益处呢?那就是1+1﹥2。

有了人工智能的大数据支持，再加上量化宽客恰当的投资策略，量化投资被称为震荡市的利器。

截至2016年年底，在我国量化基金的数目共有123只，根据投资策略不同，可划分为主动型、指数型、对冲型三种类型，其中主动型多为主动股混型量化基金，采用多因子选股、事件驱动等策略;指数型则多采用量化方法辅助指数跟踪或增强;对冲型则是加入了市场中性策略对冲风险。

主动型量化基金

主动型量化基金青睐于窄幅震荡，主动型量化基金具有持股仓位较高、持股数量大且分散度高、波动率及Beta值较高、择股能力优于择时能力等特点。因此，主动型量化基金的选股模型具备一定的时效性，一般说来，主动型量化基金在震荡行情、成长牛市行情、牛市行情表现较好，而在蓝筹牛市、熊市行情表现较差。

指数型量化基金

指数增强型基金逢低进场。增强型指数基金通常采用“指数化投资为主、主动性投资为辅”的投资策略，在被动跟踪指数的基础上，加入增强型的积极投资手段，来额外获得市场收益。在中长期的配置下，指数增强型产品的下行风险可以得到有效控制，并在行情上涨时获得Beta和Alpha的共同收益。逢低进场决定了该类型基金能在很长一段时期内能够提供一个较好的增长率，并为投资者带来一个理想的回报。

对冲型量化基金

对冲型量化基金不惧市场下跌风险。量化对冲的投资方式可以回避单边做多市场的主要缺陷，一方面建立能够获取超额收益的投资组合的多头头寸，另一方面建立股指期货的空头头寸，对冲现货组合的系统风险，从而获取正的绝对收益。换言之，量化对冲基金预期收益率与市场涨跌无关，通过不断套利，积小胜为大胜，成为低行情时的抗跌典范。

以上三种量化投资类型孰优孰劣，难以论断。每一种类型，都有获利丰厚的可能;最后的胜负，跟量化宽客的市场前瞻能力成正比，因时制宜，在市场低点持续吸筹，高点不急于追涨杀跌，才能在最后笑傲基金江湖。

其实，投资如同沙场厮杀，需要知己知彼才能百战不殆。人工智能给量化投资创造了得数据者得天下的优势，量化投资也给了人工智能绽放实力的舞台，所以人工智能和量化投资“鹤立”震荡市，看似偶然实则必然。

人工智能在金融风控中的探索与实践

经历了以计算机出现为标志的信息化时代，人类社会进入了人工智能引领的第四次工业革命时代。如果说信息化时代追求的是数据的采集和存储，那么人工智能时代解决的就是随着信息技术的深入和信息爆炸而导致信息处理能力的不足。帮助人们处理海量信息，对数据进行分析和利用，是人工智能的时代宗旨。

人工智能在国内的应用在智能投顾领域，2016年招商银行推出的摩羯智投就是其中最具代表性的产品。随着互联网技术的蓬勃发展和金融科技的兴起，智能风控、智能客服的落地条件逐渐成熟，图像识别、活体检测等技术进行身份核实的场景开始变得丰富，为人工智能和金融服务的有机融合创造了有利环境。

智能风控是传统风控的有效补充，传统金融机构采用传统评分卡模型和规则引擎等“强特征”进行风险评分，而智能风控根据履约记录、社交行为、行为偏好、身份信息和设备安全等多方面行为“弱特征”进行用户风险评估。两种风控方式从操作到场景都呈现明显的区别化效应，进入移动互联网时代后，智能风控的优势愈加凸显，成为传统风控的有效补充。

侧重人工审核、强调因果关系的传统风控会面临的几个关键问题。首先，传统风控的时间跨度至少以周单位，业务流程需要层层审批，涉及多个人员和环节，导致效率低下；其次，长时间的业务流程，无法及时满足用户资金要求，导致糟糕的用户体验；最后，对于金额较小的业务，传统风控复杂的审核程序导致的高成本使得银行等机构无利可图，从而这部分庞大的市场被放弃。

智能风控侧重大数据、算法和计算能力，强调数据间的相关关系，其在风控环节中的应用主要有三：计算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份；反欺诈识别，智能风控利用多维度、多特征的数据预示和反映出用户欺诈的意愿和倾向；正常用户的还款意愿和能力的评估判断。对于交易、社交、居住环境的稳定性等用户行为数据，运用神经网络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。

智能风控在互联网经济下“规模性”增长的消费金融市场中，捕捉非传统金融数据，增加弱金融相关特征，采用机器建模分析的方法为传统风控进行了非常及时有效的补充。首先，智能风控带来闪电般的审核速度，时间跨度以分、秒来计算，为用户带来更好的服务体验；其次，对用户行为数据的分析抵达更为精准化的评估；最后，风险预测上，运用数据模型能够精准量化未来风险最可能发生的时间和场景。从快牛金科的实际应用来看，风险量化预测的结果和真实风险的表现非常符合，误差很小，而风控标准的放松和收紧导致的坏账表现程度的变化都可以用数据直观测量，对实际业务操作非常有利。

目前在信用贷、消费贷等需求个性化、规模化的小额贷款场景下，智能风控具备充分的优势，但在房产贷款、大型企业的供应链金融等涉及资产评估的大额贷款及交易真实性的验证上，传统风控依然无可替代，两种风控模式仍将在较长时间内共同存在。

中国Fintech：正在改变中国的金融业

一、全球Fintech市场：电子支付和个人金融主导，中美领先

在互联网金融监管趋严的环境下，中国的金融科技受到广泛的关注。从阶段划分看，目前中国正处于金融科技2.0（互联网金融）向金融科技3.0过渡的阶段。未来中国的金融科技将走向何方？金融科技的监管又该如何是好？敬请阅读。

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。

从地域来看，中国Fintech交易金额位居世界第一。2016年中国Fintech交易金额达到1.08万亿美元居第一位，其次为美国1.02万亿美元。中美两国交易金额相比于第三位的英国地区（0.19万亿美元）已经拉开数量级的差距。

二、Fintech目前究竟包含哪些领域？

金融科技通常被界定为金融和科技的融合，就是把科技应用到金融领域，通过技术工具的变革推动金融体系的创新。2016年3月，全球金融稳定委员会发布了《金融科技的描述与分析框架报告》，这是第一次从国际组织层面对金融科技做出初步定义，即金融科技是金融与科技相互融合，创造新的业务模式、新的应用、新的流程和新的产品，从而对金融市场、金融机构、金融服务的提供方式形成非常重大影响的业务模式、技术应用以及流程和产品。金融科技的外延囊括了支付清算、电子货币、网络借贷、大数据、区块链、云计算、人工智能、智能投顾、智能合同等领域，正在对银行、保险和支付这些领域的核心功能产生非常大的影响。

三、把Fintech大致分为渐进前行的三个发展阶段

如果从IT技术对金融行业推动变革的角度看，目前可以把它划分为三个阶段。

第一个阶段可以界定为金融IT阶段，或者说是金融科技1.0版。在这个阶段，金融行业通过传统IT的软硬件的应用来实现办公和业务的电子化、自动化，从而提高业务效率。这时候IT公司通常并没有直接参与公司的业务环节，IT系统在金融体系内部是一个很典型的成本部门，现在银行等机构中还经常会讨论核心系统、信贷系统、清算系统等，就是这个阶段的代表。

第二个阶段可以界定为互联网金融阶段，或者金融科技2.0阶段。在这个阶段，主要是金融业搭建在线业务平台，利用互联网或者移动终端的渠道来汇集海量的用户和信息，实现金融业务中的资产端、交易端、支付端、资金端的任意组合的互联互通，本质上是对传统金融渠道的变革，实现信息共享和业务融合，其中最具代表性的包括互联网的基金销售、P2P网络借贷、互联网保险。

第三个阶段是金融科技3.0阶段。在这个阶段，金融业通过大数据、云计算、人工智能、区块链这些新的IT技术来改变传统的金融信息采集来源、风险定价模型、投资决策过程、信用中介角色，因此可以大幅提升传统金融的效率，解决传统金融的痛点，代表应用就是大数据征信、智能投顾、供应链金融。

大致判断，中国正处于金融科技2.0（互联网金融）向金融科技3.0过渡的阶段，现阶段金融科技备受一级市场关注的两个领域：人工智能和区块链技术，是金融科技3.0的核心底层技术，行业正在对金融科技3.0领域开展从0到1的积极探索。

四、中国的Fintech究竟会如何剧烈地改变现有的金融体系：竞争OR互补？

Fintech与传统金融究竟是什么关系，取决于不同的市场环境，以及不同市场环境下不同行业的竞争者的博弈互动。从目前涉及到的几个主要的金融领域看：

1、支付结算类

互联网第三方支付业务发展迅速并趋于成熟，但由于其对银行支付系统仍有一定程度的依赖，并未从根本上替代银行的支付功能或对银行体系造成重大冲击，二者更多是实现分工协作，优势互补。网联的诞生，更为强化了这种优势互补的定位。

2、存贷款与资本筹集类

此类业务主要定位于传统金融服务覆盖不足的个人和小微企业等融资需求，也就是通常所说的长尾客户群，虽然发展较快，参与机构数量众多，但与传统融资业务相比，所占比重仍然较低，更多是对现有金融体系的补充。

3、投资管理类

主要包括智能投资顾问和电子交易服务，在国内市场目前这两项业务都是处于银行主导的状态，实质上是传统金融培育，服务传统金融的业务模式。

4、市场设施类

此类业务科技属性较强，大部分金融机构会选择外包此类业务。主要应用这类科技创新服务于现有金融业务。

综上，Fintech可以说是技术带动的金融创新，它与传统金融并不是单纯的竞争关系，同时也存在以技术为纽带的合作关系，影响和冲击的主要是传统金融行业低效、高成本的环节，从而从总体上有助于提升金融体系的效率。

如果对比中美两国的Fintech的发展路径,可以发现，美国是活跃的华尔街金融机构积极吸收技术部门的创意，人才是从科技部门流向金融部门；中国的人才流向，则主要是从金融部门流向似乎更有活力、更有竞争力的科技部门，这种流向的差异值得我们深入思考。

当然，金融科技在提高金融市场效率的同时，也带来新的风险。例如，金融科技通常会引入高风险用户，降低风险控制模型的有效性，提高了机构整体风险水平。另外，在金融科技的推动下，跨行业、跨市场的跨界金融服务日益丰富，不同业务之间相互关联渗透，金融风险更加错综复杂，需要及时跟进相应的风险监管举措。

国内银行试水智能投顾 多个领域大显身手

人工智能的旋风目前已刮到了银行业。记者在采访中发现，国内多家银行已经纷纷试水人工智能，应用于营销、客服、风控、智能投顾等各个业务领域。

“以前银行老被指责‘嫌贫爱富’，给中小微企业服务不到位。如果有更好的风控手段，贷款就会实现差异化。人工智能在这个领域大有可为。”中关村银行董事长郭洪说。作为北京首家民营银行，中关村银行近日宣布与人工智能公司“第四范式”开展合作，打造“AI+金融”供应链服务平台，聚集金融机构、保理公司、担保公司、征信机构等合作伙伴，在出行、教育、快消品、线上旅游、三农、汽车后市场、物流等垂直领域落地，目前已为上万家中小微企业授信。

第四范式CEO戴文渊表示，在信贷风控领域，人工智能技术大显身手之处就在于利用算法搭建模型，在读取海量数据的过程中判断风险，覆盖信贷全生命周期的各个关键业务环节，包括风险预警、信息验真、欺诈识别、贷后管理、催收预警等。“在金融行业的支付环节，我们能够生成25亿条盗刷规则，这种超高维度的反欺诈模型，是人力不能完成的。”戴文渊表示。

实际上，不止企业信贷领域，人工智能技术在银行业的应用已经随处可见，普通客户也在随时享受机器人提供的服务。

比如，在开户环节，华夏银行直销银行客户可以借助人脸识别技术开户。在客服领域，微众银行打造了“微金小云”智能客服机器人，一个机器人可替代400位人工客服，如今98%的客服均由智能云客服完成，极大节约了人工成本。

银行智能投顾硬件设备

在购买理财产品环节，中信银行的客户可以享受智能推荐服务。银行针对客户的消费行为以及风险偏好，自动推荐金融产品。客户使用手机银行转账时，银行后台立即启动人工智能反欺诈模型，甄别交易环节是否存在盗刷隐患。

在信贷环节，新网银行在实时授信决策中应用了深度学习、强化学习、迁移学习等算法，对比多组授信策略的表现选择最优路径，实现授信策略快速迭代和更新。

在催收环节，美国征信机构益博睿为中国多家银行提供智能服务，利用催收评分模型优化不同批次、量级的催收及款项回收，平衡风险与报酬，降低相关成本；还可预测客户的还款时间和金额。

人工智能也成为多家银行年报的关键词。招商银行2017年年报中写道，近几年云计算、大数据、人工智能、区块链等技术的发展可能在不远的将来“成果大爆发”，商业银行是抓住这股浪潮完成蜕变，还是让移动支付的失利在其他领域重演，关键是未来三年的作为。

招商银行职能投顾介绍

中信银行信息技术管理部架构管理处处长卫东表示，目前人工智能在银行业的应用刚刚起步，各家银行探索的领域涵盖了银行前台、中台、后台大部分业务，涉及客户获取、接触、识别、产品营销、风险控制、产品定价，以及业务运营与精细化管理等各个领域。差异在于，有的银行选择自主或合作研发人工智能平台，有的银行则是完全外购平台。中信银行是依靠自身力量搭建了基于开源框架的大数据平台、机器学习平台。

“两种做法各有利弊。人工智能需要一个底层基础平台，各种细分的人工智能模型服务都是基于这个平台实现的，如果一开始就采取自主或合作模式研发，把控性会更高，后期升级维护的成本更低。”卫东说，银行完全外购服务的优势就是见效较快，如果在此过程中银行能够不断学习、探索，并转换为自有知识积累，也可以提高对技术的掌握程度。

卫东表示，目前银行业开展人工智能探索的过程中，数据治理不到位及数据质量不完善是最大的短板。银行已有的数据准确性没有问题，但是宽度和广度不足，无法全面地刻画客户360度视图，较难结合应用场景做出综合判断，将会影响人工智能的应用效果。这是银行业面临的普遍挑战。