本文所要探討的說(shuō)白了就是人工智能和錢(qián)之間的問(wèn)題。

金融科技（Financial Technology，簡(jiǎn)稱(chēng)FinTech）的概念最早于上世紀(jì)90年代的華爾街提出，近些年才逐步引入到國(guó)內(nèi)的金融和互聯(lián)網(wǎng)圈。

作者第一次接觸這個(gè)領(lǐng)域，還是2015年春在紐約讀書(shū)的時(shí)候，機(jī)緣巧合參加了一次Cornell University和Capital One主辦的FinTech Data Hackathon，后來(lái)在紐約的私募做過(guò)quant，北大的金融研究院做過(guò)research，直到現(xiàn)在來(lái)到京東金融的金融科技業(yè)務(wù)部做algorithm，也算是走上了FinTech的不歸路。

通過(guò)幾年的工作經(jīng)歷，我所總結(jié)的金融科技實(shí)質(zhì)上應(yīng)該是利用科技手段給金融機(jī)構(gòu)賦能，幫助金融機(jī)構(gòu)更好的服務(wù)于人民生活，而這其中就離不開(kāi)一些人工智能和機(jī)器學(xué)習(xí)算法的應(yīng)用。目前業(yè)內(nèi)算法應(yīng)用比較集中的場(chǎng)景主要有如下四點(diǎn)：信貸風(fēng)控、智能反欺詐、精準(zhǔn)營(yíng)銷(xiāo)和量化投資。

信貸風(fēng)控：

信貸風(fēng)控是目前行業(yè)內(nèi)機(jī)器學(xué)習(xí)應(yīng)用最廣并且相對(duì)成熟的場(chǎng)景。這其中大致有兩個(gè)原因：

第一，國(guó)內(nèi)信貸業(yè)務(wù)增長(zhǎng)迅速，人民超前消費(fèi)欲望強(qiáng)烈，催生了許多貸款余額千億級(jí)的信貸平臺(tái)，比如螞蟻花唄借唄、京東白條金條等，每天上十萬(wàn)筆的貸款申請(qǐng)依靠傳統(tǒng)的人工審批已經(jīng)無(wú)法支持，因而需要更加智能的機(jī)器學(xué)習(xí)算法來(lái)輔助甚至替代人類(lèi)完成這種重復(fù)性高的工作。

第二，前幾年開(kāi)展的信貸業(yè)務(wù)，已經(jīng)為模型積累了豐富的訓(xùn)練樣本和好壞人標(biāo)簽，并且業(yè)內(nèi)日益規(guī)范化的數(shù)據(jù)源，例如央行征信報(bào)告、電商流水、運(yùn)營(yíng)商數(shù)據(jù)等，為模型的底層特征工程提供了數(shù)據(jù)支持，這使得機(jī)器學(xué)習(xí)算法有了應(yīng)用的天然沃土。

目前信貸風(fēng)控這塊常用的機(jī)器學(xué)習(xí)算法主要以分類(lèi)模型為主，有邏輯回歸、決策樹(shù)、Xgboost等，這幾年也有嘗試將深度學(xué)習(xí)中的BP和RNN應(yīng)用進(jìn)來(lái)的。從改變生活的角度，采用機(jī)器學(xué)習(xí)模型的平臺(tái)和資方，審貸速度普遍由原來(lái)的3-5天，縮短到了現(xiàn)在的短短1小時(shí)以?xún)?nèi)，并且模型的好壞人區(qū)分度KS都能達(dá)到0.3以上，這樣不僅能夠幫助借款人快速的完成資金周轉(zhuǎn)，也能夠幫助貸款方安全高效的發(fā)放一筆貸款。

智能反欺詐：

由于和錢(qián)掛鉤，金融行業(yè)處處隱藏著欺詐風(fēng)險(xiǎn)，并且肉眼已經(jīng)越來(lái)越難以辨別。

在北美和歐洲，金融機(jī)構(gòu)之間通常會(huì)共享欺詐名單庫(kù)，由第三方科技公司統(tǒng)一匯總并開(kāi)發(fā)反欺詐模型系統(tǒng)，例如北美征信巨頭Fico開(kāi)發(fā)的Falcon Cybersecurity。

而在國(guó)內(nèi)，金融行業(yè)的欺詐名單庫(kù)這幾年才開(kāi)始慢慢積累，并且各家之間存在明顯的數(shù)據(jù)壁壘，使得反欺詐領(lǐng)域的模型應(yīng)用存在限制。目前國(guó)內(nèi)反欺詐這一塊，還多以黑名單以及規(guī)則庫(kù)的方式為主，誕生了像同盾、百融這樣的老牌獨(dú)角獸。

機(jī)器學(xué)習(xí)算法方面，無(wú)監(jiān)督的iForest與銀行交易反欺詐，圖論與團(tuán)伙作案和反洗錢(qián)，RNN與還款行為欺詐，是我接觸過(guò)的這兩年行業(yè)內(nèi)比較經(jīng)典的案例。

精準(zhǔn)營(yíng)銷(xiāo)：

與風(fēng)控一樣，營(yíng)銷(xiāo)也是金融機(jī)構(gòu)對(duì)于科技公司需求比較旺盛的領(lǐng)域，優(yōu)質(zhì)的營(yíng)銷(xiāo)活動(dòng)可以為公司帶來(lái)豐厚的市場(chǎng)份額和市場(chǎng)回報(bào)。

前幾年國(guó)內(nèi)的金融和互聯(lián)網(wǎng)公司尚處于人口紅利時(shí)代，鋪天蓋地的產(chǎn)品宣傳和野蠻生長(zhǎng)成為了行業(yè)主旋律。

然而近幾年隨著人口紅利的逐漸消失，產(chǎn)品的精細(xì)化運(yùn)營(yíng)越來(lái)越受到重視，如何不過(guò)分打擾客戶(hù)、提高客戶(hù)產(chǎn)品體驗(yàn)，成為了許多金融機(jī)構(gòu)的痛點(diǎn)。

這種背景下，機(jī)器學(xué)習(xí)算法在營(yíng)銷(xiāo)場(chǎng)景中千人千面、精準(zhǔn)觸達(dá)的特性得到了廣泛推崇和驗(yàn)證。例如京東金融旗下的“借錢(qián)”和“銀行+”平臺(tái)業(yè)務(wù)，都利用京東側(cè)的電商數(shù)據(jù)和營(yíng)銷(xiāo)渠道，幫助金融機(jī)構(gòu)更好的營(yíng)銷(xiāo)貸款和理財(cái)產(chǎn)品，找到目標(biāo)客戶(hù)。

營(yíng)銷(xiāo)場(chǎng)景中常用的模型方法有客戶(hù)畫(huà)像、生命周期和推薦系統(tǒng)，其中客戶(hù)畫(huà)像和生命周期都是基于客戶(hù)的歷史數(shù)據(jù)，利用聚類(lèi)和評(píng)分卡的方式，將客戶(hù)劃分到不同人群和營(yíng)銷(xiāo)階段，從而建立多個(gè)子模型；推薦系統(tǒng)中例如多分類(lèi)模型和協(xié)同過(guò)濾，可以綜合考慮用戶(hù)的購(gòu)買(mǎi)習(xí)慣和產(chǎn)品特性，給客戶(hù)推薦最大概率購(gòu)買(mǎi)的金融產(chǎn)品。

量化投資：

最后談一談機(jī)器學(xué)習(xí)算法在市場(chǎng)投資中的應(yīng)用，也就是大家熟知的量化交易。

模型和算法在北美投行圈內(nèi)的應(yīng)用已經(jīng)非常廣泛和成熟，由于其提前預(yù)測(cè)以及客觀準(zhǔn)確的特性，許多北美的基金公司已經(jīng)逐步或者完全利用機(jī)器學(xué)習(xí)算法替代人工交易員，誕生了許多例如BridgeWater這樣的神話(huà)級(jí)量化基金公司。

國(guó)內(nèi)目前也有很多量化基金公司，基金經(jīng)理間的策略和模型也是花樣繁多，同時(shí)也有像摩羯智投這樣幫助普通人完成量化資產(chǎn)配置的智能投顧。

這些機(jī)器學(xué)習(xí)模型的應(yīng)用，為更多非金融背景的用戶(hù)降低了投資的門(mén)檻，也幫助許多金融從業(yè)者更好的規(guī)避市場(chǎng)和心理活動(dòng)帶來(lái)的投資風(fēng)險(xiǎn)。

說(shuō)了這么多，希望大家可以了解到一些人工智能算法在我們生活中尤其金融科技領(lǐng)域的應(yīng)用，以及關(guān)注到我們這群在金融機(jī)構(gòu)背后默默提供技術(shù)服務(wù)的金融科技工（xiao）作（ku）者（bi）們，以上文字均只代表個(gè)人觀點(diǎn)。