人工智能在金融科技领域有哪些应用？

人工智能目前在金融领域的应用已经算得上硕果累累，得益于金融领域的大容量、准确的历史数据和可量化等特点，它非常适合与人工智能技术结合。同时由于我们当前拥有强大的计算能力和方便易用的机器学习工具（如谷歌的 TensorFlow），人工智能领域的核心技术机器学习在金融科技方面的应用从未如此便捷。（介系你从未体验过的船新体验...）

从批准借贷到管理资产，再到风险评估，机器学习在金融生态体系中的作用越来越不可或缺。下面我们一起看看机器学习在金融、银行和保险等泛金融领域的当前应用，然后再探究人工智能在金融方面的未来前景。（其中有些应用使用了多种AI技术，不仅仅是机器学习。）

金融投资管理

“智能投顾”（robo-advisor），即智能投资顾问，也叫机器人投顾，这个术语在几年前哪怕是金融从业人员都没听过，但是现在逐渐成为金融行业很常见的场景。虽然这个词的原文里虽然有机器人这个词，但实际上并没有涉及到机器人。所谓智能投顾，是一种机器学习算法，可以根据客户的收益目标及风险承受能力自动调整金融投资组合。

客户输入自己的收益目标（比如预计 65 岁退休时会有 25 万美元的存款），年龄，收入以及当前资产，然后“智能投顾”会将客户的投资以合适的资产类别和金融工具进行组合，以实现客户的收益目标。

不仅如此，算法还能根据客户收益目标的变动和市场行情的实时变化自动调整投资组合，始终围绕客户的收益目标为客户提供最佳投资组合。目前美国的一些大中型投资公司如 Betterment（资产管理规模 100 亿美元）和 WealthFront（资产管理规模 80 亿美元）已经用“智能投顾”为客户提供服务，且收费相当低廉。这种 AI 投资顾问主要服务对象为千禧一代这样的年轻人，他们并不喜欢和人类投资顾问打交道，也不愿意付给人类投资顾问不菲的佣金。

算法交易

其实算法交易（有时也叫“自动交易系统”，这个描述可能更准确一些）最早可追溯至上世纪 70 年代，它利用复杂的 AI 系统能极其迅速的做出交易决策。

算法交易系统通常每天做出几万甚至上数十万比交易，因而“高频交易”（HFT）也被视为算法交易的一个分支。虽然大部分对冲基金和金融投资机构不愿公开谈及自家用于交易的 AI 方法（原因你懂得），但是机器学习和深度学习正在调整交易决策方面起着越来越重要的作用，已经是公开的秘密。

不过机器学习目前在股票和商品期货交易方面的应用仍存在一定的局限性。

欺诈检测

以往金融欺诈检测系统非常依赖复杂和呆板的规则，面对现今一些越来越高明金融欺诈行为时，越来越显的力不从心。

而这正是机器学习在防范金融欺诈方面的用武之地。借助机器学习，系统可以检测出异常的活动或行为，并将它们自动发送为安全团队。其面临的主要挑战是假阳性情况，也就是一些正常的交易行为会被系统误判为存在风险。不过机器学习专家认为随着机器学习技术的发展，伴以更多的学习数据和日益提高的学习能力，未来 5 到 10 年内，机器学习技术能过解决这个问题。

借贷/保险承销

目前机器学习在金融领域的借贷和保险承销方面表现非常好，当然这也让业内人士担忧 AI 会在承销岗位上取代人类。

特别是一些大型公司（大银行和公开交易保险的公司），已经用数以百万的消费者数据（年龄，职业，婚姻状况等），金融借款和保险情况（是否有违约记录？还款时间，车辆事故记录？）等这些信息训练机器学习算法。

然后这些公司就可以用训练后的算法评估潜在趋势，并不断进行分析以检测可能影响未来借贷和保险情况的趋势，比如是不是越来越多的年轻人会出现交通事故？过去几年客户的违约率是不是越来越高？

这些分析和预测对金融领域的公司非常重要，但目前主要是一些大型公司在应用这些技术，因为它们有能力雇佣数据科学家，也有足够的数据用以训练算法。

一些保险业巨头，如 State Farm，Liberty Mutual 等都已经将人工智能应用在借贷/保险承销业务上。

未来机器学习在金融领域的发展前景

下面提到的这些应用，有些目前已经在业内试水，有些仍然处于规划状态。

客户服务

像聊天机器人和对话式界面正迅速英语在风险投资和客户服务预算等领域。一些公司如Kasisto已经开始搭建专用于金融领域的聊天机器人，通过聊天帮助客户解答问题，比如“上个月我投资了多少？”“我的个人账户两个月前的余额有多少？”等。

打造这些智能助手要依赖优良的自然语言处理引擎和金融客服专业知识。应用这种新型服务和咨询模式的银行及金融机构，或许能够从仍然需要客户到营业厅自己查询的传统银行机构手中夺取用户。

未来 5 年来，业内人士预计这种智能聊天机器人会在金融领域遍地开花，而且不只应用在金融业务上，在多个行业都会大展身手。

安全 2.0

未来 5 年内，用户名、密码和安全问题等或许不再是用户安全的常见形式。银行和金融领域的用户安全问题非常重要，除了如目前正在研发的应用在欺诈检测方面的异常检测技术外，未来的用户安全评估或许需要使用人脸识别、语音识别或其它生物识别技术。

情感/新闻报道分析

对冲基金总是把自己压箱底的“秘密技术”藏得严严实实，因此外界很难得知它们是如何利用情感分析和新闻分析为金融投资服务的。不过，业内专家预计未来会有很多机器学习应用用于理解和分析社交媒体、新闻趋势等其它数据源，用来辅助预测股市，而不是只用于股票交易。

股票市场的动向事关大量的因素，人们希望机器学习能够发现新的趋势和信号，从而增强人类在金融活动中的“直觉”。

金融产品销售及推荐

金融产品销售的自动化应用目前已经存在了，虽然其中有些并未涉及到机器学习技术，但是像“智能投顾”这样的算法可以用于为客户调整投资组合提供建议。而且当前已经有不少保险推荐网站采用 AI 技术为客户推荐针对性的车险和家庭保险。未来，更加个性化和精准化的智能应用及助手会比人类投资顾问更值得相信、更客观和可靠。

正如亚马逊的 Alexa 及 Netflix 的 AI 推荐系统比所谓人类的“专家”能更好的为用户推荐书籍和影视剧，不断发展的金融服务智能助手也能像它们一样为客户推荐金融产品，而且目前保险行业已经出现这一趋势。

附相关公司案例

下面是前文提到的应用了人工智能技术的一些金融公司：

金融投资管理—— Betterment（https://www.betterment.com/），Schwab Intelligence https://intelligent.schwab.com/）

算法交易—— Renaissance Technologies（https://www.rentec.com/Home.action?index=true），Walnut Algorithms（http://www.walnutalgorithms.com/）

欺诈检测—— Kount（https://www.kount.com/），APEX Analytics（https://www.apexanalytix.com/controls-analytics-software/fraud-risk-monitoring）。

借贷/保险承销—— http://Compare.com （http://compare.com/）。

客户服务 —— Kasisto （http://kasisto.com）。

安全2.0——FaceFirst（https://www.facefirst.com/）。

情感/新闻分析 —— Hearsay Social（http://hearsaysocial.com/）。

参考资料：
https://www.techemergence.com/machine-learning-in-finance/

先放一个自己整理的Github仓库，收录了近几年计算机顶会上与金融科技相关的论文，数据。

前面的几个回答都是从业界应用的角度来说，我从学术研究的方向来聊聊这个问题。从研究的问题来说，主要有以下几种：

1. 量化交易。这是金融科技中最吸引人的方向，但也是最神秘的方向。谁不希望有一个像alpha go一样的AI可以战胜巴菲特，帮自己发家致富走向人生巅峰呢？但是这也是学术研究中比较不靠谱的方向，因为资产价格数据本身存在信噪比低，波动性大，随机性强等特点，想要挖掘出真正的规律，找出有价值的因子，是一件非常难的工作。此外，因为这方向的研究和收益直接挂钩，靠谱的论文不多，因为扪心自问，如果有一个靠谱的策略，你会把它作为论文写出来吗？所以大部分论文只能提供思路和参考，这个方面比较有意思的工作推荐MSRA发在KDD上的两篇论文：Individualized Indicator for All: Stock-wise Technical Indicator Optimization with Stock Embedding，Investment Behaviors Can Tell What Inside: Exploring Stock Intrinsic Properties for Stock Trend Prediction
2. 欺诈检测。这也是金融科技中一个比较热门的方向，也是很多金融科技公司的主要业务，相比于传统金融服务公司，金融科技公司最大的长处在于对于用户数据更好的挖掘和利用上，主要体现在更好的风控。当然这里的欺诈检测是一个广义的范畴，既包括个人信贷层面的信用卡欺诈，企业层面的贷款违约预测（蚂蚁金服在IJCAI上的工作：Financial Risk Analysis for SMEs with Graph-based Supply Chain Mining），也包括监管层面的会计欺诈检测，虽然数据形式各异，但基本都可以归为机器学习中的异常检测，面临着比较严重的类别不平衡问题。
3. 智能投顾，为用户提供个性化的投资、理财建议，在我的认知里应该和智能客服差不多。应用前景也不错，但是是一个更加复杂，更加系统性的问题，涉及到AI领域有个性化推荐，对话系统，阅读理解等。
4. 其他的一些研究方向，这些研究方向距离落地或者应用就比较远了，但是大家总是要发文章升职吃饭的，一些问题主要有：金融文本情感检测，金融知识图谱，并购预测等等，还有拿人脸识别讨论上市公司高管的脸对公司业绩影响的（说实话，这个研究撇开用处不谈，至少在有趣程度上比大多数灌水之作都强）

在创新性方面，主要是模型和数据两方面的创新：

1. 模型创新上，很难说有革命性的创新成果，主要是一些AI领域的常规套路，借用刘知远老师的一句话就是"图模型加圈、神经网络加层、优化目标加正则，花式堆门、注意、记忆"。这一块感觉强化学习和集成学习比较有前景，其他很难说。比较有趣的工作推荐两篇：Enhancing Stock Movement Prediction with Adversarial Training ， DoubleEnsemble: A New Ensemble Method Based on Sample Reweighting and Feature Selection for Financial Data Analysis
2. 数据创新更靠谱一些，主要是利用自然语言处理，音频信号处理，图神经网络等一些模型把更多的数据加入预测当中，但是创新性不强，主要还是把一些成熟的模型直接迁移过来。

最后说一下个人对于这些研究的看法，这些研究一方面因为近几年AI研究可复现性以及过拟合数据集的问题（虽然已经比大部分学科要良心很多了，但懂得都懂），另一方面因为金融数据本身的隐私方面的问题，真正可以实用的其实凤毛麟角。但为什么还要研究这个领域，为什么要推荐上面这些论文？因为它们提供了一个看待问题的新角度，提供了一种理解这个问题的新思路，比如量化交易不一定就只跟时序信号建模有关，我们可以从推荐系统的角度做股票的向量化表示，可以从对抗训练的角度提高模型的抗噪能力，这些都是值得借鉴的。

最后推荐下自己的专栏，分享金融科技相关的学术论文，开源项目，行业资讯。

对这方面感兴趣的童鞋可以加我微信 sangyx97 交流~