搜索
系列四：人工智能应用——金融数据量巨大的金融行业是人工智能应用的温床。金融行业每天产生的数据量在各个行业中遥遥领先，并且与其它行业不同，金融行业对数据的依赖性十分高，大部分金融从业人员每天都要花费大量的时间对数据进行处理与分析，因此金融数据往往标注准确且公开透明。目前互联网化的金融每年产生的数据都在呈现指数型增长，海量的金融数据给以数据为基础进行深度学习的人工智能的应用奠定了基础。人工智能降低成本，抓住金融长尾市场。目前除了一些新兴的互联网金融机构愿意为低净值的客户提供完善的投资与资产管理等业务外，绝大多数传统金融机构将大量的资源投入到服务政府、大型企业以及高净值客户中，因拉拢、征信及制定投资策略等高成本问题而主动放弃了长尾市场中的大量客户。从蚂蚁金服推出的余额宝火热增长可以看出，低净值客户的投资热情高涨，不简单满足于银行低利率的活期存款，而希望能够得到更多的金融服务。人工智能的应用可以大大降低成本，从而抓住更多的客户。图1：长尾市场存在大量未开发客户目前人工智能领域在金融行业比较成熟的应用主要有智能投顾、智能量化交易与智能客服,主要采用的方法有机器学习、自然语言处理、知识图谱和计算机视觉等。表1：AI+金融三大应用简介应用AI技术简介应用成熟度未来发展预期智能投顾机器学习、知识图谱、自然语言处理利用机器学习技术，结合预测算法，可根据历史经验和新的市场信息来预测金融资产的价格波动趋势，以此创建符合风险收益的投资组合技术逐步改良、进步代替人工投资顾问智能量化机器学习、知识图谱、自然语言处理知识图谱将提供更深度、更有效的市场动态、资金流向和公司基本面等信息深度呈现；机器学习使机器能够自动调整模型以适应变化技术较为成熟智能量化交易将取代人工量化交易智能客服机器学习、自然语言处理利用自然语言处理技术，提取客户意图；通过知识图谱构建客服机器人的理解和答复体系，进而帮助金融企业节省人力客服成本规则场景的技术较为成熟机器人客服是该行业大势所趋，将逐渐被机构所采用1、智能投顾:人工智能下的投资顾问智能投顾（Robo-Advisor）是AI+投资顾问的结合体，指网络虚拟人工智能产品基于客户自身的理财需求、资产状况、风险承受能力、风险偏好等因素，运用现代投资组合理论，通过算法搭建数据模型，利用人工智能技术和网络平台提供理财顾问服务。根据美国金融监管局（FINRA）提出的标准，智能投顾的主要流程包括客户分析、资产配置、投资组合选择、交易执行、组合再选择、税收规划和组合分析。客户分析主要通过问询式调研和问卷调查等方式收集客户的相关信息，推断出客户的风险偏好以及投资期限偏好等因素，再根据这些因素为客户量身定制完善的资产管理计划，并根据市场变化以及投资者偏好等变化进行自动调整。图2：智能投顾主要流程资料来源：亿欧智库，FINRA智能投顾降低了投资的门槛，较低的费率以及边际服务成本无限趋近于零。相比于传统投资顾问专注于寻找高净值客户，智能投顾对投资人的资金最低要求普遍在一万元左右，部分智能投顾甚至实现了零门槛，此外，智能投顾收取的费率相对较低，资产管理费多数在0.15%-1%之间，多数在0.50%以内。智能投顾利用互联网平台，采用机器算法基于大数据可以为每个网络用户提供顾问服务，增加的边际服务成本基本为0，且随着用户的扩大，累积的数据量越多，为用户提供的服务也会越精准。智能投顾拥有较高的专业化程度以及无视人性缺点的策略执行力。智能投顾基于发展成熟的经典资产配置理论如现代投资组合理论（MPT）与马科维茨均值方差原理（MVO）等，为客户提供量身定制的资产配置方案，拥有非专业人士无法拥有的专业性；资本市场变动十分频繁，智能投顾的投资组合选择也在不断地变化，在投资组合调整的过程中，智能投顾基于机器的判断，能够做出更理性的选择，避免受到传统投资顾问或客户因市场行情变动牵动情绪影响策略的有效运行。图3：传统私人理财顾问的服务流程资料来源：搜狐智能投顾简化服务流程，为客户提供快捷的理财服务。传统投资顾问一对一的投资理财询问服务往往要经过十分复杂的流程，需要客户与顾问进行面对面交谈并签订一系列的书面协议，而得益于互联网的发展，智能投顾全流程均可以在线上实现，不仅能高效、精准匹配用户资产管理目标，还能7X24小时随时响应客户需求。图4：智能投顾的优势智能投顾专业化执行力简化服务流程低门槛低费率资料来源：中国银河证券研究部2、智能量化交易：智能数据分析与智能模型训练的结合传统的量化交易利用回归分析等数学与统计方法，对历史数据进行量化分析，海选出能够带来超额收益的多种“大概率”事件以制定策略，并将这些策略运用到实际交易中以获得持续的、稳定且高于平均收益的超额回报。图5：传统量化交易实现过程资料来源：和讯网目前一些私募基金已将人工智能中的知识图谱、机器学习和自然语言处理融入到策略当中。知识图谱可以从知识关联的角度进行分析，分析数据之间的关系。建立起各类数据、信息与股票的关系，以及股票与股票之间的关系，所以可以第一时间通过各种信息的热度变化来分析股票未来可能的走势。机器学习对模型进行训练，自动优化模型参数。金融市场瞬息万变，机器学习通过对即时更新的数据进行学习，更好地应对市场的变化。自然语言处理解析非结构化数据并纳入量化模型。金融数据中同样存在大量的非结构化数据，自然语言处理可以快速地解析非结构化数据纳入到模型当中，为模型的进一步开发提供了数据基础。初始构想模型开发获取数据构建模型模型检验测试交易确定交易资金历史数据回测样本外测试完善风险模型正式交易评估模型假设确定风险模型设定经纪商资产组合管理图6：人工智能在量化交易中的应用资料来源：亿欧智库3、智能客服：7X24小时智能应答智能客服能够降低人工成本，全天候高效率应对客户的咨询。智能客服已完全实现在金融领域中的应用，人工客服日渐减少，目前支付宝智能客服的自助率已经到97%，智能客服的解决率达到78%，比人工客服的解决率还高出了三个百分点。智能客服更多服务简单话务，人工客服向高端化转变。人工智能机器人在实时服务、快速高效、稳定精准等方面已经表现出了无可取代的优势。智能客服技术的快速发展，将使得简单话务被智能机器取代，人工服务向高端化、专业化转变，以顾问的身份帮助客户解决业务问题，维系客户关系图7：腾讯云智能客服资料来源：腾讯云，中国银河证券研究部