第2章
智能金融：人工智能与金融深度融合
金融与科技的结合贯穿整个金融业的发展过程，尤其是20世纪下半叶，科技进步的加快也推动了金融与科技的深度结合。可以说，在过去半个多世纪的时间里，每一次新的技术突破的出现，金融业都是率先应用新技术的领域之一。如图2-1所示，无论是ATM机还是智能卡，再到电子支付、POS终端，最后到最近的网上银行、移动银行，金融始终在应用新技术方面走在前列。进入21世纪，互联网技术的发展推动了互联网金融的出现，同时也催生了大数据、云计算、人工智能等新技术的出现，如果说互联网金融是互联网对金融业务模式的浅层次改变的话，那么大数据、云计算和人工智能，甚至区块链技术的应用则将互联网金融推向金融科技，对金融业带来深层次的变革。随着人工智能应用的深入，金融科技又开始向以人工智能应用为代表的智能金融发展，并引领金融业向数据化、自动化和智能化迈进。
人工智能的发展历程
如图2-2所示，人工智能的发展历史也经历了起伏波折，从1956年达特茅斯会议到现在大致经历了三次人工智能发展浪潮。第一次全球人工智能发展浪潮始于1956年的达特矛斯会议，此次会议由麦卡锡、明斯基、罗彻斯特和香农发起，这次会议的举办标志着人工智能学科的诞生。从1956年到1974年，全球人工智能领域迎来第一波发展浪潮，出现了很多世界级的算法发明，其中增强学习的雏形（即贝尔曼公式），就是谷歌AlphaGo算法的核心内容。此后，在1974年至1980年人工智能经历了第一次寒冬，人工智能的数学模型和数学手段存在一定缺陷，并且当时的计算能力无法完成所需要的计算任务。
进入20世纪80年代，卡内基·梅隆大学为DEC公司制造出了专家系统（1980），可以帮助DEC公司每年节约4000万美元，特别是在决策方面能提供有价值的内容，这也促使日本和美国再次投入巨资开发所谓的人工智能计算机。这期间，人工智能数学模型方面出现了很多重大发明，包括多层神经网络和BP反向传播算法等。1987年，苹果和IBM生产的台式机性能不断提升，计算机开始进入个人家庭，且费用远远低于专家系统所使用的Symbolics和Lisp等机器，导致人工智能出现了第二波发展低潮。
从1993年到现在近25年的发展过程中，人工智能迎来了第三次发展高潮，这一阶段中计算机的发展、互联网的普及使人工智能芯片、模型和数据都出现了飞跃和提升，人工智能进入一个前所未有的繁荣期，并出现了许多人工智能历史上的里程碑事件。1997年5月，IBM开发的深蓝战胜了国际象棋世界冠军卡斯帕罗夫；2005年，斯坦福开发的一台机器人成功自动行驶131英里，赢得DARPA挑战大赛头奖；2007年，Siri研发成功，后被苹果收购应用在iOS中；2010年，谷歌研发的无人驾驶汽车面世；2011年，IBM沃森系统（如图2-3所示）参加《危险边缘》节目打败人类选手；2016年3月和2017年5月，AlphaGo连续打败围棋世界冠军李世石和柯洁。
人工智能之所以能够取得现在的成就，其核心在于深度学习的发展。深度学习使得机器学习能够实现众多的应用，并拓展了人工智能的领域范围。谷歌最杰出的工程师杰夫·迪恩说：“我认为过去5年，最重大的突破应该是对于深度学习的使用。这项技术目前已经成功地被应用到许多场景中，从语音识别到图像识别，再到语言理解。而且有意思的是，目前我们还没有看到有什么是深度学习做不了的。希望在未来我们能看到更多更有影响力的技术。”人工智能、机器学习、深度学习的隶属关系如图2-4所示。
到现在，我们可以看到人工智能已经应用到很多领域，金融、贸易、政府、法律、物流、电商等行业都可以看到人工智能的应用，比如医疗行业的医疗影像识别、精准医疗、辅助诊断及药物研发，汽车行业的辅助驾驶，金融领域的量化投资、智能投顾、风险管理（这些是金融业中与数据分析关联性较大且依赖度较强的细分领域）等。在未来我们将看到人工智能所影响的领域和行业会越来越多，人工智能会对人类社会的经济、政治、法律、伦理等各个方面产生深远的影响。中国各个产业的人工智能应用情况如表2-1所示。
金融领域中的人工智能关键技术
在金融领域应用中，人工智能主要包括5个关键技术：机器学习、生物识别、自然语言处理、语音技术以及知识图谱，如图2-5所示。这5种人工智能关键技术广泛应用于金融领域的各个业务环节，在提高效率、降低成本、防控风险、促进普惠金融方面发挥了重要作用。
- 机器学习
机器学习具有多种衍生方法，包括监督学习、无监督学习、深度学习和强化学习等。在监督学习中，算法可以使用一些包含有标签的“训练”数据。比如，一个交易数据集可能包含一些在欺诈和非欺诈数据点进行标注的标签。算法就会“学会”分类的通用规则，并且可以用这些规则来对数据集中其余数据进行预测，并进行标注。无监督学习是指数据提供给算法时没有任何标注的情况。算法会被要求去识别数据中隐藏的规律。比如，一个无监督机器学习算法会被要求去寻找一些和难以定价的非流动证券具有类似特征的证券。如果算法发现了一组非流动证券簇，那么簇中其他证券的定价模式可以用于对非流动证券进行定价。强化学习介于监督学习和无监督学习之间。在这种情况下，这种算法会被输入无标注的数据集，为每一个数据点选择一个行为，并获得可以帮助算法学习的反馈（可能来自人类）。比如，强化学习可以用于机器人、博弈理论和无人驾驶汽车。深度学习是一种机器学习，根据人脑结构和功能特点设计出“层”，深度学习使用的算法就在这些“层”上发挥作用。深度学习算法，其结构也被称为人工神经元网络，可以用于监督学习、无监督学习或强化学习。
- 生物识别
生物识别技术（biometrics，也称生物测定学）是指用数理统计方法对生物进行分析，现在多指根据生物体（一般特指人）本身的生物特征来区分生物体个体的计算机技术。研究领域主要包括语音、脸、指纹、手掌纹、虹膜、视网膜、体形、个人习惯（例如敲击键盘的力度和频率、签字）等，相应的识别技术有说话人识别、人脸识别、指纹识别、掌纹识别、虹膜识别、视网膜识别、体形识别、键盘敲击识别、签字识别等。指纹识别、人脸识别、虹膜识别和指静脉识别是金融行业应用范围较广的4项生物识别技术。指纹识别技术涉及指纹样本采集、存储以及OCR技术，通过摄像头提取指纹后经过指纹识别算法完成身份识别认证；人脸识别过程主要包括获取人脸图像、进行特征提取、根据特征进行决策分类、完成匹配识别；虹膜识别采用红外成像技术，将虹膜纹络特征输入计算机，成为可供自动识别的人体身份证；指静脉识别通过指静脉识别仪取得个人手指静脉分布图，将特征值存储，然后进行匹配，进行个人身份鉴定的技术。目前，以上生物识别技术应用于客户身份验证、远程开户、无卡取款、刷脸支付、金库管理和网络借贷等金融场景。
- 自然语言处理
自然语言处理是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理在金融领域有着广泛的应用，多数金融行业的信息为文本形式，比如新闻公告、年报、研究报告。通过用自然语言处理和知识图谱，大大提升了获取数据、数据清洗、深度加工的效率。目前在智能投研领域中，自然语言处理技术可对海量复杂的企业信息进行处理，以提取出行业分析人员最关注的数据指标，并进行投资分析总结，最大化减少不必要的重复人力劳动，帮助分析人员进行投资决策。在智能客服领域，可以利用自然语言处理技术让智能客服理解客户需求，通过与知识库的对接为客户解决问题。
- 语音技术
在金融领域应用中，语音识别通常与语音合成技术结合在一起，提供一个基于语音的自然流畅的人机交互方法。语音识别整个过程包含语音信号处理、静音切除、声学特征提取、模式匹配等多个环节。其应用遍布各大银行及证券公司的电话银行、信用卡中心、委托交易、自助缴费、充值等各项业务，以及语音导航、业务咨询、投诉申报、账户查询、政策咨询等非交易性业务中。由于金融行业带有明显的客户服务属性，加上完整而庞大的业务及数据积累，因此成为语音技术的重要应用阵地。
- 知识图谱
知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论和方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构以达到多学科融合目的的现代理论。知识图谱在金融智能化的过程中发挥了无可替代的作用，可以说知识图谱是智能金融发展的基础。在金融行业的数据中，存在着大量的实体和关系。通过知识图谱技术将其建立连接形成大规模的实体关系网络，可以突破传统的计算模式，从“实体-关系”的角度整合金融行业现有数据，结合外部数据，从而更有效地挖掘潜在客户、预警潜在风险，帮助金融行业各项业务提升效率、发挥价值。
人工智能在金融领域的主要应用场景
金融本质上的功能就是处理信息，而在这方面人工智能有着天然的优势，人工智能可以在短时间内处理海量信息，从海量信息中挖掘出有价值的内容，帮助金融机构做出决策。目前，在金融业务流程的各个环节，获客端、运营端、交易（投资）端以及监管端都涉及人工智能的应用，具体的应用场景则覆盖金融各个细分行业，如银行、保险、证券、信托，以及新兴金融领域如P2P、消费金融、股权众筹、商业保理等，如图2-6所示。
- 面向金融客户端的应用场景
目前在金融机构前台业务领域，主要是在获取客户、服务客户环节，人工智能已经有很多的应用。在智能客服、智能营销、信用评估、智能支付、智能认证以及保险定价、承保核保方面都已经应用人工智能技术提高客户服务质量，优化客户服务流程，满足客户各类需求。
- 面向运营环节的应用场景
在金融机构的运营领域的业务中，人工智能技术的应用也越来越广泛。人工智能和机器学习可以提高资本利用效率，优化资本配置；人工智能和机器学习可以用于安防监控，有效监控员工行为，对员工异常行为进行预警，保证员工行为合法合规；人工智能和机器学习还可以用于模型验证和压力测试，保证大型系统重要性金融机构找出压力测试模型中的异常预测值；此外人工智能和机器学习还可以用于市场影响分析，帮助金融机构分析其大宗交易对市场价格可能带来的影响进行评估，金融机构从而可以选择最佳的交易时间，降低交易成本。
- 在交易和投资管理中的应用场景
在交易和投资领域，金融机构积累了海量数据，纽约证券交易所每天产生的交易数据规模就达到1TB，所以人工智能和机器学习在交易和投资领域有很强的优势。目前，人工智能和机器学习可以利用社交媒体（如推特、微博和脸书）上的数据，对股票市场走势或个股走势进行预测；在量化交易中，人工智能和机器学习也可以发挥重要作用，辅助投资决策，提高量化交易效率，未来甚至可以做到自主学习、自主投资；在投资组合配置方面，人工智能和机器学习可以按照系统要求，根据市场变化和公司基本情况，合理配置投资组合，提高投资组合绩效；现在人工智能在投资领域最火的莫过于智能投顾，人工智能可以根据客户的个性化需求，做到千人千面，为客户提供定制化的投资顾问服务，冲击传统的投顾业务模式；现在，投研领域应用人工智能之后也越来越智能，利用自然语言处理技术读取公司财务报表，读取上市公司定期公告，辅助投资经理更好地进行投资决策。
- 面向监管合规的应用场景
2008年全球金融危机过后，全球范围内的金融监管愈加严格，监管文件层出不穷，为了应对不断升级的监管要求，金融机构开始加强在合规领域的投入，加快利用人工智能和机器学习技术强化监管合规能力。在AML（反洗钱）/KYC（了解你的客户）方面，金融机构可以利用人工智能和机器学习更有效地发现金融犯罪活动，同时也可以更好地完成客户认证，简化客户登录流程，提升客户体验；在监控市场操纵方面，监管机构以及交易所组织可以利用人工智能和机器学习发现市场交易中的异常行为，打击市场操纵，维护市场运行；在欺诈识别方面，金融机构可以利用机器学习对多源数据进行深度挖掘，利用复杂网络关联分析技术从历史违约数据中发现实时欺诈业务风险指标，建立人工智能反欺诈模型，提升银行识别欺诈风险的能力；对于系统性风险，人工智能和机器学习也可以根据社交媒体数据、金融体系内部数据等多个来源数据建立相关预测模型，有效预测系统风险的发生，提前预警。
