点击上方“宜人智库” 可以订阅哦！
CHAPTER 1
金融科技产业的阶段概况
赴美上市金融科技公司现状欠佳
从赴美上市的金融科技公司中，除去宜人贷及乐信外，其余全部跌破发行价，情况惨淡。截至2018年6月28日，市值10亿美元以上的公司有5家。
经营表现中，宜人贷、拍拍贷、乐信3家互金公司净利润同比都获得增长，且除了信而富及简普科技均实现盈利。此外，由于受到监管趋严等因素影响，平台逾期率大多有所增长。
在行业阴云笼罩下，发展金融科技能力是强监管时期各平台的重要发展方向。
行业新进入者和投融资事件均明显下降
金融科技行业新注册公司数量，投融资事件数量和投资金额在2014-2017年均呈现明显的下行趋势。一方面原因是由于行业风口的轮换，另一方
面讲金融科技行业的进入门槛越来越高。未来在该领域中，新进入者的机会可能不会太多，且可以预测头部玩家的竞争将更加激烈。若想从竞争
中突围取胜，需要参与者们增强并充分发挥在金融科技领域的核心竞争优势。
金融科技行业的发展空间依旧广阔
根据百度金融研究的估算，中国金融科技行业在信贷、理财资管、保险等领域的线上化率均不超过10%。未来通过科技的手段提高金融各领域服务效率和客户体验都是一个相当值得期待的市场。根据目前的金融科技竞争态势来看，该市场能否被补充和占据的关键决定因素不再是流量的争夺，而是能否通过有突破性的创新手段提供颠覆业态的产品。
超越流量，金融科技行业走向技术军备竞赛时刻
BAT等巨头已经在市场中形成了较为稳定的竞争优势，流量集中的行业特征已经极为明显。因此，“不得已“走向技术军备竞赛的方向是目前金融科技企业选择差异化竞争的核心策略；而与此同时，网民增长红利消磨殆尽、移动互联网时代即将落幕，人工智能走上前台，信息科技行业再次进入了技术创新并寻求商业模式变现的新阶段。
技术基础：三大技术构成核心技术基础
纵观目前阶段下的金融科技创新方向，我们认为，大数据、人工智能和区块链将是继互联网/移动互联网之后的Fintech发展的三大核心技术基础。三大技术之间既彼此独立，又相互配合，支撑Fintech发展。
CHAPTER 2
三大技术构成核心技术基础
大数据：新阶段下的风险控制及风险定价体系
数据是金融的核心，因此在大数据时代下，大数据必将触及金融最紧绷的那跟弦——风险定价与风险控制。
若将大数据分析分为四个层次，互联网金融发展阶段中，大数据技术主要应用于数据架构和信息整合（第1层+第2层）, 可实现初步的分析和决策（第3层）。
非结构化数据体系下，人工建模+数据已经难以满足数据分析需求。由于传统数据分析模型对于多维度、多形态的数据存在不适用的情况，因此该类技术应用仅仅是大数据分析的初级阶段。
大数据+机器学习是金融数据计算分析的未来。在目前的状态下，数据体量异常巨大、数据类型异常繁多、价值密度极低，因此需要通过更为强大的机器算法能够实现模型的迅速矫正，因此，机器学习+大数据将是金融数据分析的核心方向。
大数据：多维度多层次的大数据分析
经过多年的数据发展和积累，大数据的数量、分析速度与数据种类都发生着极速的变化。可穿戴设备、智能家居等智能硬件的兴起，再次扩充了数据的维度，使得可获取的数据维度扩展到线下。
目前，大数据已经发展到公司及第三方处理分析大量终端用户数据的阶段，为金融科技公司提供了良好的数据基础，进而促进了个人征信、授信、风控以及保险定价等金融领域的发展。
大数据分析的主要金融应用：征信与风控
大数据分析的主要金融应用：个人征信、授信与风控个人征信、授信及风控主要是围绕借贷环节进行的，覆盖贷前评估、贷中监控和贷后反馈三个环节。
1、贷前评估：国内个人征信试点于2015年才开始试行，最具代表的是芝麻信用。阿里体系的交易数据以及蚂蚁体系的金融数据形成强有力的数据支撑，自主研发信贷模型可用以支持银行、小贷机构进行征信及授信活动。信贷模型的训练需要人工智能技术作为辅助，通过机器学习不断完善模型并实时校正。
2、贷中监测：主要是通过用户在贷款期的行为数据来发现问题客户并及时报警。
3、贷后反馈：基于用户本次贷款期间的数据，对该用户原有信贷记录评分进行补充，提升或降低其信用额度以供后续使用。
大数据分析的主要金融应用：保险定价
保险定价的主要场景是车险及运费险。
车险：根据车主的日常行车路线、里程、行车习惯、出险记录以及车主的属性比如年龄、职业、性别等，给出适合于该车主的车险定价。其中，车载智能硬件的发展使得行车数据的的获得变得简单且准确。
运费险：运费险是近年才出现的险种，电商的发展是必不可少的促进因素。运费险是“小而美”的金融产品代表。据相关资料显示，其业务量近年的增长超过100%。
人工智能：从分析到最终决策
人工智能在金融领域中的应用，相较于大数据而言的核心突破在于深度学习、智能分析和最终的智能决策。大数据、云计算、智能硬件以及后续的区块链技术等都是支撑人工智能上层技术的基础。
智能数据分析在金融领域涵盖了投资、借贷、保险和征信行业，相关技术的运用成为业务开展的基础，同时也支持了金融产品的创新，包括新型的保险及投资产品。
在金融领域，人工智能主要有以下四类应用：①自动报告生成、②金融智能搜索、③辅助量化交易、④智能投顾方向。
人工智能：自动报告生成——初阶应用
自动报告生成主要运用自然语言处理（NLP）中的自然语言理解（NLU）、自然语言生成（NLG），以及光学字符识别（OCR）。
人工智能：量化交易——大有可为
机器学习：从人工设计到模型自演进
量化交易分析师们对财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。
利用传统的回归分析等方法来建模交易策略存在一定弊端：数据不够丰富，仅限于交易数据，更重要的是它受限于特征的选取与组合，模型的有效与否取决于所选取变量的特征和变量间的组合，最终取决于分析员对数据的敏感程度。
而通过机器学习则可以实现模型的动态变化。结合预测算法，响应新的信息和历史经验从而不断演化，利用人工智能预测股票的波动及其相互关系来创建一个平衡的投资组合风险和预期回报，利用机器的严谨超越人类情感的陷阱。模型将随着市场变化而变化，不断适应新的信息，而不是遵循静态指令。
自然语言处理：追踪市场动态，引入更多变量
为了解决由数据推测模型的局限性，通过自然语言处理技术，引入新闻、政策以及社交媒体中的文本，将非结构化数据进行结构化处理，并从中寻找影响市场变动的因素。
除了可以丰富模型变量外，自然语言处理可以实现“智能投融资顾问助手”。集合自然语言搜索、用户界面图形化及云计算，智能助手可以将问题与实践关联市场动态，提供研究辅助、智能回答复杂金融投融资问题。
知识图谱：降低黑天鹅事件及虚假关联性对预测的干扰
在黑天鹅事件发生时，机器学习和自然语言处理会失效。由于人工智能系统内没有载入类似事件及后果，无法从历史数据中学习到相关模式。此时，由人工智能决策的投资就会出现较大风险。
虚假关联性对人工智能处理数据的影响不小于黑天鹅事件。人工智能擅长发现数据间的相关性而非因果性。强相关性的变量间并不一定具备经济学关联，而人工智能的机器学习无法区分虚假关联性。
为了降低黑天鹅事件及虚假关联性对于人工智能自学习过程的干扰， 知识图谱提供了从“关系”的角度去分析问题的能力，专家则通过经验设立“规则”。
人工智能：智能投顾——平价财富顾问
智能投顾是指通过互联网帮助用户进行资产管理和投资等业务，利用模型和智能算法得出投资组合。
智能投顾的目的在于提供自动化的资产管理服务，为投资者提供符合其风险偏好的投资建议。智能投顾平台借助计算机和量化交易技术，为经过问卷评估的客户提供量身定制的资产投资组合建议，提供的服务包括股票配置、债券配置、股票期权操作、房地产资产配置等。
区块链（Blockchain） 是一种分布式共享数据库
从技术角度来看，比特币的系统包括三层：底层技术——区块链；中层链接——协议；上层——货币。上层是货币，在这里指的是比特币。中间层是协议，也就是基于区块链的资金转账系统；底层技术是区块链，去中心化、分布式记录的公开透明的交易记录总账，其交易数据全网节点共享。矿工负责记录，全网监督。
区块链建立了“强制信任”的关系
强制信任：智能合约。在合同中约定的条件被触发时，合约内容能够自动生效执行。智能合约的原理类似于计算机中的If-Then语句，它能够帮助我们在金融领域建立一种智能管理的体系。当保险合约等自动判断满足赔付条件时，保险费将自动划拨赔付，从而免去了以往的保险理赔中中间一系列的流程。当然，“强制信任”可被用于诸多领域。
区块链将重塑传统互联网的底层基础
AI-区块链之间相互影响
AI在金融量化领域的核心： GAN模型
免责条款：本报告中行业数据及相关市场预测主要采用桌面研究、行业访谈、市场调查及其他研究方法获得，仅供参考。由于调研方法及样本的限制，调查资料收集范围的限制，该数据仅代表调研时间和人群的基本状况，仅服务于当前的调研目的，为市场提供基本参考，我们对该等信息的准确性、完整性或可靠性不作任何保证。受研究方法和数据获取资源的限制，本报告仅作为市场参考资料，对该报告的数据和观点不承担法律责任，不构成任何投资建议。
研究创造价值 智慧引领行业
立足宜人贷多年行业经验及强大的研究能力，聚焦金融科技行业、关注监管、分析模式、解读热点、洞察趋势。致力于持续输出高质量文章、报告、及独家观点；促进行业交流，推动行业创新及规范发展。每周推送原创文章，每月发布行业报告。
关注“宜人智库”（yirenzhiku）
回复“金融科技”提取完整报告
