本文所要探討的說白了就是人工智能和錢之間的問題。

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

作者第一次接觸這個領(lǐng)域，還是2015年春在紐約讀書的時候，機緣巧合參加了一次Cornell University和Capital One主辦的FinTech Data Hackathon，后來在紐約的私募做過quant，北大的金融研究院做過research，直到現(xiàn)在來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。

通過幾年的工作經(jīng)歷，我所總結(jié)的金融科技實質(zhì)上應該是利用科技手段給金融機構(gòu)賦能，幫助金融機構(gòu)更好的服務(wù)于人民生活，而這其中就離不開一些人工智能和機器學習算法的應用。目前業(yè)內(nèi)算法應用比較集中的場景主要有如下四點：信貸風控、智能反欺詐、精準營銷和量化投資。

信貸風控：

信貸風控是目前行業(yè)內(nèi)機器學習應用最廣并且相對成熟的場景。這其中大致有兩個原因：

第一，國內(nèi)信貸業(yè)務(wù)增長迅速，人民超前消費欲望強烈，催生了許多貸款余額千億級的信貸平臺，比如螞蟻花唄借唄、京東白條金條等，每天上十萬筆的貸款申請依靠傳統(tǒng)的人工審批已經(jīng)無法支持，因而需要更加智能的機器學習算法來輔助甚至替代人類完成這種重復性高的工作。

第二，前幾年開展的信貸業(yè)務(wù)，已經(jīng)為模型積累了豐富的訓練樣本和好壞人標簽，并且業(yè)內(nèi)日益規(guī)范化的數(shù)據(jù)源，例如央行征信報告、電商流水、運營商數(shù)據(jù)等，為模型的底層特征工程提供了數(shù)據(jù)支持，這使得機器學習算法有了應用的天然沃土。

目前信貸風控這塊常用的機器學習算法主要以分類模型為主，有邏輯回歸、決策樹、Xgboost等，這幾年也有嘗試將深度學習中的BP和RNN應用進來的。從改變生活的角度，采用機器學習模型的平臺和資方，審貸速度普遍由原來的3-5天，縮短到了現(xiàn)在的短短1小時以內(nèi)，并且模型的好壞人區(qū)分度KS都能達到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：

由于和錢掛鉤，金融行業(yè)處處隱藏著欺詐風險，并且肉眼已經(jīng)越來越難以辨別。

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

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

機器學習算法方面，無監(jiān)督的iForest與銀行交易反欺詐，圖論與團伙作案和反洗錢，RNN與還款行為欺詐，是我接觸過的這兩年行業(yè)內(nèi)比較經(jīng)典的案例。

精準營銷：

與風控一樣，營銷也是金融機構(gòu)對于科技公司需求比較旺盛的領(lǐng)域，優(yōu)質(zhì)的營銷活動可以為公司帶來豐厚的市場份額和市場回報。

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

然而近幾年隨著人口紅利的逐漸消失，產(chǎn)品的精細化運營越來越受到重視，如何不過分打擾客戶、提高客戶產(chǎn)品體驗，成為了許多金融機構(gòu)的痛點。

這種背景下，機器學習算法在營銷場景中千人千面、精準觸達的特性得到了廣泛推崇和驗證。例如京東金融旗下的“借錢”和“銀行+”平臺業(yè)務(wù)，都利用京東側(cè)的電商數(shù)據(jù)和營銷渠道，幫助金融機構(gòu)更好的營銷貸款和理財產(chǎn)品，找到目標客戶。

營銷場景中常用的模型方法有客戶畫像、生命周期和推薦系統(tǒng)，其中客戶畫像和生命周期都是基于客戶的歷史數(shù)據(jù)，利用聚類和評分卡的方式，將客戶劃分到不同人群和營銷階段，從而建立多個子模型；推薦系統(tǒng)中例如多分類模型和協(xié)同過濾，可以綜合考慮用戶的購買習慣和產(chǎn)品特性，給客戶推薦最大概率購買的金融產(chǎn)品。

量化投資：

最后談一談機器學習算法在市場投資中的應用，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)的應用已經(jīng)非常廣泛和成熟，由于其提前預測以及客觀準確的特性，許多北美的基金公司已經(jīng)逐步或者完全利用機器學習算法替代人工交易員，誕生了許多例如BridgeWater這樣的神話級量化基金公司。

國內(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。

這些機器學習模型的應用，為更多非金融背景的用戶降低了投資的門檻，也幫助許多金融從業(yè)者更好的規(guī)避市場和心理活動帶來的投資風險。

說了這么多，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)域的應用，以及關(guān)注到我們這群在金融機構(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人觀點。