第2章
智能金融：人工智能與金融深度融合
金融與科技的結合貫穿整個金融業的發展過程，尤其是20世紀下半葉，科技進步的加快也推動了金融與科技的深度結合。可以說，在過去半個多世紀的時間裡，每一次新的技術突破的出現，金融業都是率先應用新技術的領域之一。如圖2-1所示，無論是ATM機還是智能卡，再到電子支付、POS終端，最後到最近的網上銀行、移動銀行，金融始終在應用新技術方面走在前列。進入21世紀，網際網路技術的發展推動了網際網路金融的出現，同時也催生了大資料、雲計算、人工智能等新技術的出現，如果說網際網路金融是網際網路對金融業務模式的淺層次改變的話，那麼大資料、雲計算和人工智能，甚至區塊鍊技術的應用則将網際網路金融推向金融科技，對金融業帶來深層次的變革。随着人工智能應用的深入，金融科技又開始向以人工智能應用為代表的智能金融發展，并引領金融業向資料化、自動化和智能化邁進。
人工智能的發展曆程
如圖2-2所示，人工智能的發展曆史也經曆了起伏波折，從1956年達特茅斯會議到現在大緻經曆了三次人工智能發展浪潮。第一次全球人工智能發展浪潮始于1956年的達特矛斯會議，此次會議由麥卡錫、明斯基、羅徹斯特和香農發起，這次會議的舉辦标志着人工智能學科的誕生。從1956年到1974年，全球人工智能領域迎來第一波發展浪潮，出現了很多世界級的算法發明，其中增強學習的雛形（即貝爾曼公式），就是谷歌AlphaGo算法的核心内容。此後，在1974年至1980年人工智能經曆了第一次寒冬，人工智能的數學模型和數學手段存在一定缺陷，并且當時的計算能力無法完成所需要的計算任務。
進入20世紀80年代，卡内基·梅隆大學為DEC公司制造出了專家系統（1980），可以幫助DEC公司每年節約4000萬美元，特别是在決策方面能提供有價值的内容，這也促使日本和美國再次投入巨資開發所謂的人工智能計算機。這期間，人工智能數學模型方面出現了很多重大發明，包括多層神經網絡和BP反向傳播算法等。1987年，蘋果和IBM生産的桌上型電腦性能不斷提升，計算機開始進入個人家庭，且費用遠遠低于專家系統所使用的Symbolics和Lisp等機器，導緻人工智能出現了第二波發展低潮。
從1993年到現在近25年的發展過程中，人工智能迎來了第三次發展高潮，這一階段中計算機的發展、網際網路的普及使人工智能晶片、模型和資料都出現了飛躍和提升，人工智能進入一個前所未有的繁榮期，并出現了許多人工智能曆史上的裡程碑事件。1997年5月，IBM開發的深藍戰勝了國際象棋世界冠軍卡斯帕羅夫；2005年，斯坦福開發的一台機器人成功自動行駛131英裡，赢得DARPA挑戰大賽頭獎；2007年，Siri研發成功，後被蘋果收購應用在iOS中；2010年，谷歌研發的無人駕駛汽車面世；2011年，IBM沃森系統（如圖2-3所示）參加《危險邊緣》節目打敗人類選手；2016年3月和2017年5月，AlphaGo連續打敗圍棋世界冠軍李世石和柯潔。
人工智能之是以能夠取得現在的成就，其核心在于深度學習的發展。深度學習使得機器學習能夠實作衆多的應用，并拓展了人工智能的領域範圍。谷歌最傑出的工程師傑夫·迪恩說：“我認為過去5年，最重大的突破應該是對于深度學習的使用。這項技術目前已經成功地被應用到許多場景中，從語音識别到圖像識别，再到語言了解。而且有意思的是，目前我們還沒有看到有什麼是深度學習做不了的。希望在未來我們能看到更多更有影響力的技術。”人工智能、機器學習、深度學習的隸屬關系如圖2-4所示。
到現在，我們可以看到人工智能已經應用到很多領域，金融、貿易、政府、法律、物流、電商等行業都可以看到人工智能的應用，比如醫療行業的醫療影像識别、精準醫療、輔助診斷及藥物研發，汽車行業的輔助駕駛，金融領域的量化投資、智能投顧、風險管理（這些是金融業中與資料分析關聯性較大且依賴度較強的細分領域）等。在未來我們将看到人工智能所影響的領域和行業會越來越多，人工智能會對人類社會的經濟、政治、法律、倫理等各個方面産生深遠的影響。中國各個産業的人工智能應用情況如表2-1所示。
金融領域中的人工智能關鍵技術
在金融領域應用中，人工智能主要包括5個關鍵技術：機器學習、生物識别、自然語言處理、語音技術以及知識圖譜，如圖2-5所示。這5種人工智能關鍵技術廣泛應用于金融領域的各個業務環節，在提高效率、降低成本、防控風險、促進普惠金融方面發揮了重要作用。
- 機器學習
機器學習具有多種衍生方法，包括監督學習、無監督學習、深度學習和強化學習等。在監督學習中，算法可以使用一些包含有标簽的“訓練”資料。比如，一個交易資料集可能包含一些在欺詐和非欺詐資料點進行标注的标簽。算法就會“學會”分類的通用規則，并且可以用這些規則來對資料集中其餘資料進行預測，并進行标注。無監督學習是指資料提供給算法時沒有任何标注的情況。算法會被要求去識别資料中隐藏的規律。比如，一個無監督機器學習算法會被要求去尋找一些和難以定價的非流動證券具有類似特征的證券。如果算法發現了一組非流動證券簇，那麼簇中其他證券的定價模式可以用于對非流動證券進行定價。強化學習介于監督學習和無監督學習之間。在這種情況下，這種算法會被輸入無标注的資料集，為每一個資料點選擇一個行為，并獲得可以幫助算法學習的回報（可能來自人類）。比如，強化學習可以用于機器人、博弈理論和無人駕駛汽車。深度學習是一種機器學習，根據人腦結構和功能特點設計出“層”，深度學習使用的算法就在這些“層”上發揮作用。深度學習算法，其結構也被稱為人工神經元網絡，可以用于監督學習、無監督學習或強化學習。
- 生物識别
生物識别技術（biometrics，也稱生物測定學）是指用數理統計方法對生物進行分析，現在多指根據生物體（一般特指人）本身的生物特征來區分生物體個體的計算機技術。研究領域主要包括語音、臉、指紋、手掌紋、虹膜、視網膜、體形、個人習慣（例如敲擊鍵盤的力度和頻率、簽字）等，相應的識别技術有說話人識别、人臉識别、指紋識别、掌紋識别、虹膜識别、視網膜識别、體形識别、鍵盤敲擊識别、簽字識别等。指紋識别、人臉識别、虹膜識别和指靜脈識别是金融行業應用範圍較廣的4項生物識别技術。指紋識别技術涉及指紋樣本采集、存儲以及OCR技術，通過攝像頭提取指紋後經過指紋識别算法完成身份識别認證；人臉識别過程主要包括擷取人臉圖像、進行特征提取、根據特征進行決策分類、完成比對識别；虹膜識别采用紅外成像技術，将虹膜紋絡特征輸入計算機，成為可供自動識别的人體身份證；指靜脈識别通過指靜脈識别儀取得個人手指靜脈分布圖，将特征值存儲，然後進行比對，進行個人身份鑒定的技術。目前，以上生物識别技術應用于客戶身份驗證、遠端開戶、無卡取款、刷臉支付、金庫管理和網絡借貸等金融場景。
- 自然語言處理
自然語言處理是計算機科學領域與人工智能領域中的一個重要方向。它研究能實作人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理在金融領域有着廣泛的應用，多數金融行業的資訊為文本形式，比如新聞公告、年報、研究報告。通過用自然語言處理和知識圖譜，大大提升了擷取資料、資料清洗、深度加工的效率。目前在智能投研領域中，自然語言處理技術可對海量複雜的企業資訊進行處理，以提取出行業分析人員最關注的資料名額，并進行投資分析總結，最大化減少不必要的重複人力勞動，幫助分析人員進行投資決策。在智能客服領域，可以利用自然語言處理技術讓智能客服了解客戶需求，通過與知識庫的對接為客戶解決問題。
- 語音技術
在金融領域應用中，語音識别通常與語音合成技術結合在一起，提供一個基于語音的自然流暢的人機互動方法。語音識别整個過程包含語音信号處理、靜音切除、聲學特征提取、模式比對等多個環節。其應用遍布各大銀行及證券公司的電話銀行、信用卡中心、委托交易、自助繳費、充值等各項業務，以及語音導航、業務咨詢、投訴申報、賬戶查詢、政策咨詢等非交易性業務中。由于金融行業帶有明顯的客戶服務屬性，加上完整而龐大的業務及資料積累，是以成為語音技術的重要應用陣地。
- 知識圖譜
知識圖譜是通過将應用數學、圖形學、資訊可視化技術、資訊科學等學科的理論和方法與計量學引文分析、共現分析等方法結合，并利用可視化的圖譜形象地展示學科的核心結構、發展曆史、前沿領域以及整體知識架構以達到多學科融合目的的現代理論。知識圖譜在金融智能化的過程中發揮了無可替代的作用，可以說知識圖譜是智能金融發展的基礎。在金融行業的資料中，存在着大量的實體和關系。通過知識圖譜技術将其建立連接配接形成大規模的實體關系網絡，可以突破傳統的計算模式，從“實體-關系”的角度整合金融行業現有資料，結合外部資料，進而更有效地挖掘潛在客戶、預警潛在風險，幫助金融行業各項業務提升效率、發揮價值。
人工智能在金融領域的主要應用場景
金融本質上的功能就是處理資訊，而在這方面人工智能有着天然的優勢，人工智能可以在短時間内處理海量資訊，從海量資訊中挖掘出有價值的内容，幫助金融機構做出決策。目前，在金融業務流程的各個環節，獲客端、營運端、交易（投資）端以及監管端都涉及人工智能的應用，具體的應用場景則覆寫金融各個細分行業，如銀行、保險、證券、信托，以及新興金融領域如P2P、消費金融、股權衆籌、商業保理等，如圖2-6所示。
- 面向金融用戶端的應用場景
目前在金融機構前台業務領域，主要是在擷取客戶、服務客戶環節，人工智能已經有很多的應用。在智能客服、智能營銷、信用評估、智能支付、智能認證以及保險定價、承保核保方面都已經應用人工智能技術提高客戶服務品質，優化客戶服務流程，滿足客戶各類需求。
- 面向營運環節的應用場景
在金融機構的營運領域的業務中，人工智能技術的應用也越來越廣泛。人工智能和機器學習可以提高資本利用效率，優化資本配置；人工智能和機器學習可以用于安防監控，有效監控員工行為，對員工異常行為進行預警，保證員工行為合法合規；人工智能和機器學習還可以用于模型驗證和壓力測試，保證大型系統重要性金融機構找出壓力測試模型中的異常預測值；此外人工智能和機器學習還可以用于市場影響分析，幫助金融機構分析其大宗交易對市場價格可能帶來的影響進行評估，金融機構進而可以選擇最佳的交易時間，降低交易成本。
- 在交易和投資管理中的應用場景
在交易和投資領域，金融機構積累了海量資料，紐約證券交易所每天産生的交易資料規模就達到1TB，是以人工智能和機器學習在交易和投資領域有很強的優勢。目前，人工智能和機器學習可以利用社交媒體（如推特、微網誌和臉書）上的資料，對股票市場走勢或個股走勢進行預測；在量化交易中，人工智能和機器學習也可以發揮重要作用，輔助投資決策，提高量化交易效率，未來甚至可以做到自主學習、自主投資；在投資組合配置方面，人工智能和機器學習可以按照系統要求，根據市場變化和公司基本情況，合理配置投資組合，提高投資組合績效；現在人工智能在投資領域最火的莫過于智能投顧，人工智能可以根據客戶的個性化需求，做到千人千面，為客戶提供定制化的投資顧問服務，沖擊傳統的投顧業務模式；現在，投研領域應用人工智能之後也越來越智能，利用自然語言處理技術讀取公司财務報表，讀取上市公司定期公告，輔助投資經理更好地進行投資決策。
- 面向監管合規的應用場景
2008年全球金融危機過後，全球範圍内的金融監管愈加嚴格，監管檔案層出不窮，為了應對不斷更新的監管要求，金融機構開始加強在合規領域的投入，加快利用人工智能和機器學習技術強化監管合規能力。在AML（反洗錢）/KYC（了解你的客戶）方面，金融機構可以利用人工智能和機器學習更有效地發現金融犯罪活動，同時也可以更好地完成客戶認證，簡化客戶登入流程，提升客戶體驗；在監控市場操縱方面，監管機構以及交易所組織可以利用人工智能和機器學習發現市場交易中的異常行為，打擊市場操縱，維護市場運作；在欺詐識别方面，金融機構可以利用機器學習對多源資料進行深度挖掘，利用複雜網絡關聯分析技術從曆史違約資料中發現實時欺詐業務風險名額，建立人工智能反欺詐模型，提升銀行識别欺詐風險的能力；對于系統性風險，人工智能和機器學習也可以根據社交媒體資料、金融體系内部資料等多個來源資料建立相關預測模型，有效預測系統風險的發生，提前預警。