1、 1 中国中国金融科技金融科技前沿技术发展趋势前沿技术发展趋势 及应用场景研究及应用场景研究 中国信息通信研究院中国信息通信研究院 云计算与大数据研究所云计算与大数据研究所 金融科技研究团队金融科技研究团队 2012018 8 年年 1 1 月月 3 前 言 前 言 国家高度重视金融科技应用对于强化金融监管能力和促进金融转型发展的双重作用。在强化监管方面，以降低合规成本、有效防范金融风险为目标的监管科技(Regtech)正在成为金融科技的重要组成部分。在促进发展方面，金融科技应用能够有效提升金融服务效率，强化对实体经济的服务能力。随着云计算、大数据、 人工智能和区块链等新兴技术在金融领域的广泛

2、应用，金融科技正在以迅猛态势深刻改变金融行业生态和服务模式。 本报告聚焦云计算、大数据、人工智能和区块链等四大新兴技术领域，从应用价值、关键技术、应用场景和典型产品分析等四个方面，深入剖析四大新兴技术在金融领域的应用情况。首先，从金融行业应用需求出发，明确技术应用的市场价值；接着，深入浅出的阐述技术基本原理，明确在金融领域技术应用的特殊属性；然后，重点分析技术应用的具体场景，详细描述应用细节；最后，对典型技术产品进行技术指标的对比分析。 本报告还重点关注了金融科技应用背景下的信息安全问题， 基于对金融科技应用带来的信息安全风险的深入分析， 从个人信息安全保护和金融信息跨境流动两个焦点领域，分析

3、其治理途径和防范措施。 最后，本报告分析了云计算、大数据、人工智能和区块链等新兴技术在金融领域的应用发展前景，并从监管科技发展、行业需求推动和技术融合生态等多个角度，进一步分析预判了金融科技前沿技术应用发展的最新趋势。 4 目目 录录 一、金融科技发展一、金融科技发展的背景分析的背景分析 . 6 （一）国家高度重视金融科技应用的重要价值 . 6 （二）金融科技应用正在深刻改变金融行业生态 . 6 （三）传统金融机构转型发展带来金融科技应用的广阔空间 . 7 （四）新兴科技快速演进不断强化金融科技应用能力 . 8 二、云计算在金融领域的应用二、云计算在金融领域的应用 . 9 （一）云计算在金融领

4、域的应用价值探讨 . 9 （二）云计算在金融领域应用的关键技术剖析 . 10 （三）云计算在金融领域的应用场景解读 . 12 （四）云计算在金融领域应用的典型产品对比分析 . 13 三、大数据在三、大数据在金融领域的应用金融领域的应用 . 15 （一）大数据在金融领域的应用价值探讨 . 15 （二）大数据在金融领域应用的关键技术剖析 . 15 （三）大数据在金融领域的应用场景解读 . 17 （四）大数据在金融领域应用的典型产品对比分析 . 20 四、人工智能在金融领域的应用四、人工智能在金融领域的应用 . 21 （一）人工智能在金融领域的应用价值探讨 . 21 （二）人工智能在金融领域应用的关

5、键技术剖析 . 22 （三）人工智能在金融领域的应用场景解读 . 25 （四）人工智能在金融领域应用的典型产品对比分析 . 28 五、区块链在金融领域的应用五、区块链在金融领域的应用 . 31 （一）区块链在金融领域的应用价值探讨 . 31 （二）区块链在金融领域应用的关键技术剖析 . 32 （三）区块链在金融领域的应用场景解读 . 34 （四）区块链在金融领域应用的典型产品对比分析 . 37 六、金融科技应用背景下的信息安全管控六、金融科技应用背景下的信息安全管控 . 38 5 （一）金融科技应用对信息安全产生的影响 . 38 （二）金融领域个人信息安全保护措施分析 . 38 （三）金融信息

6、跨境流动的安全治理途径分析 . 39 七、金融科技前沿技术应用发展趋势七、金融科技前沿技术应用发展趋势 . 40 （一）云计算应用进入深水区，将更加关注安全稳定与风险防控 . 40 （二）大数据应用走向跨界融合，标准与规范是未来发展关键 . 40 （三）人工智能应用加速发展，从计算向感知与认知的高阶演进 . 41 （四）区块链从概念走向应用，前景广阔但仍面临多重制约 . 41 （五）监管科技正得到更多关注，将成为金融科技新应用爆发点 . 42 （六）行业应用需求不断扩展，将反向驱动金融科技持续创新发展 . 42 （七）新一代信息技术形成融合生态，推动金融科技发展进入新阶段 . 43 6 一、一

7、、金融科技发展金融科技发展的背景分析的背景分析 （一）（一）国家高度重视金融科技应用的重要价值国家高度重视金融科技应用的重要价值 国家高度重视金融科技应用对于强化金融监管能力和促进金融转型发展的双重作用。2017 年 6 月，中国人民银行印发中国金融业信息技术“十三五”发展规划明确提出， “十三五”期间金融信息技术工作的发展目标包括金融信息基础设施达到国际领先水平、信息技术持续驱动金融创新等。2017 年 7 月，国务院印发的 新一代人工智能发展规划 专门提出了 “智能金融” 的发展要求，指出要建立金融大数据系统，提升金融多媒体数据处理与理解能力；创新智能金融产品和服务，发展金融新业态；鼓励金

8、融行业应用智能客服、智能监控等技术和装备；建立金融风险智能预警与防控系统。 在强化监管方面，以降低合规成本、有效防范金融风险为目标的监管科技(Regtech)正在成为金融科技的重要组成部分。利用监管科技，一方面金融监管机构能够更加精准、快捷和高效的完成合规性审核，减少监管的人力支出，并实现对于金融市场变化的实时把控，从而进行监管政策和风险防范的动态匹配调整。另一方面金融从业机构能够无缝对接监管政策，及时自测与核查经营行为，完成风险的主动识别与控制，有效降低合规成本，增强合规能力。 在促进发展方面，金融科技应用能够有效提升金融服务效率，强化对实体经济的服务能力。大数据、人工智能等新技术应用能够帮

9、助金融机构更好地识别风险，降低金融服务成本，为普惠金融服务创造有利条件，还能加强金融精准服务能力，设计提供更个性化的金融服务产品。此外，金融科技的应用能够更广泛的收集、整理和分析金融客户信息，让更多弱势群体进入金融服务范围，有效提升金融服务覆盖能力。 （二）（二）金融科技应用正在深刻改变金融行业生态金融科技应用正在深刻改变金融行业生态 随着金融科技的广泛应用， 金融行业的对外服务模式和对内管理模式都在发生深刻变革。金融科技已经全面覆盖客服、风控、营销、投顾和授信等各大金融 7 业务核心流程，衍生出互联网银行、直销银行、互联网保险、互联网证券、消费金融、小额信贷、网上征信、第三方支付等一系列新兴

10、金融业务领域。金融科技正在重塑金融行业的产业链、供应链和价值链。 一是互联网金融快速兴起，对传统金融行业带来巨大冲击。首先，互联网技术极大拓展了信息传播的渠道、方式，大幅减小了信息不对称的现象，扩展了金融服务供需双方的客户群。其次，互联网金融模式下，交易双方直接在网上进行互动，打破了时空上的限制，提高了交易效率，减少了中间环节与中间成本的消耗。再者，互联网利用先进的技术实现资源高度实时共享，能够使业务处理逐步实现自助化、自动化与系统化，使交易更加便捷、有效。 二是大量非金融企业进入金融行业，金融市场主体出现显著变化。一方面大量科技企业借助金融科技发展契机，积极获取金融牌照，跨界提供金融服务，

11、“科技+牌照”成为趋势。另一方面，大量具有 To C 服务经验的传统企业，发挥用户规模优势， 通过用户数据资源与金融科技的结合， 也积极跨界提供金融服务。 此外，大量依托于金融科技的新兴创业企业，成为金融市场的新兴力量，在金融科技领域的技术和商业模式创新成为其核心竞争力。 （三）（三）传统金融机构转型发展带来金融科技应用的广阔空间传统金融机构转型发展带来金融科技应用的广阔空间 面对 P2P、移动支付、众筹等互联网金融业态的快速发展，传统金融行业在挑战和压力下纷纷转型升级。为了抓住金融服务结构化调整升级机遇，抢占增量市场价值，传统金融结构纷纷将小微金融、普惠金融和智能金融，列为战略发展重点方向，

12、从而带来了金融科技更加广阔的应用空间。 在普惠金融方面，金融科技所带来的金融创新能够降低成本、提高效率，扩大覆盖面，真正服务于基层。例如，大数据技术能将各方信息汇总并综合评估判断，扩展信用数据边界，将原本非信用数据作为信用评估的来源，覆盖原本没有被传统征信系统记录的人群或企业，从而提升信贷的覆盖面。 在小微金融方面，面对小微企业个性化、特色化和专业化金融需求特征，金额科技能够为商业银行解决小微企业金融服务中存在的信息不对称、 交易成本高、场景服务不足和风控难等问题，为小微金融服务提供解决方案。 8 在智慧金融方面，以 P2P 网贷平台、职能投顾、大数据征信行业为代表的依托金融科技手段的智慧金融

13、能够使金融行业在业务流程、 业务开拓和客户服务等方面得到全面的智慧提升，实现金融产品、风控、获客、服务的智慧化。 （四）（四）新兴科技快速演进不断强化金融科技应用能力新兴科技快速演进不断强化金融科技应用能力 当前， “大智移云”等新兴科技快速演进，人类社会正在从信息化走向数字化和智能化。随着云计算、大数据、人工智能和区块链等新兴技术在金融行业的深入应用，科技对于金融的作用被不断强化，创新性的金融解决方案层出不穷，金融科技发展进入新阶段。 其中，云计算技术能够为金融机构提供统一平台，有效整合金融结构的多个信息系统，消除信息孤岛，在充分考虑信息安全、监管合规、数据隔离和中立性等要求的情况下，为机构

14、处理突发业务需求、部署业务快速上线，实现业务创新改革提供有力支持。大数据技术为金融业带来大量数据种类和格式丰富、不同领域的大量数据，而基于大数据的分析能够从中提取有价值的信息，为精确评估、预测以及产品和模式创新、提高经营效率提供了新手段。人工智能能够替代人类重复性工作，提升工作效率与用户体验，并拓展销售与服务能力，广泛运用于客服、智能投顾等方面。区块链技术能够有效节约金融机构间清算成本，提升交易处理效率，增强数据安全性。 9 二、云计算在金融领域的应用二、云计算在金融领域的应用 （一）（一）云计算云计算在金融领域的应用价值探讨在金融领域的应用价值探讨 1.1.有效有效降低金融机构降低金融机构

15、ITIT 成本成本 性能上，云计算通过虚拟化技术将物理 IT 设备虚拟成 IT 能力资源池，以整个资源池的能力来满足金融机构算力和存储的需求。在物理设备上，云计算采用X86 服务器和磁盘阵列作为基础设施。此外，通过云操作系统可以实现 IT 设备的负载均衡，提高单位 IT 设备的使用效率，降低单位信息化成本。因此，在 IT性能相同的情况下， 云计算架构的性价比远高于以大型机和小型机作为基础设施的传统金融架构。 2.2.具有高可靠性和高可扩展性具有高可靠性和高可扩展性 传统金融架构强调稳定性，扩展能力相对较差。在基础资源上，大型机或小型机只能纵向扩展提升能力（scale-up） ，不能实现更加灵活

16、的横向扩展（scale-out） 。因此，随着业务需求增加，服务器越来越大，且交付时间越来越长。传统应用架构强调单体应用，数据库强调数据强一致性，可扩展性差。在可靠性上，云计算可以通过数据多副本容错、计算节点同构可互换等措施，有效保障金融企业服务的可靠性。在可扩展性上，云计算支持通过添加服务器和存储等IT 设备实现性能提升，快速满足金融企业应用规模上升和用户高速增长的需求。 3.3.运维自动化程度较高运维自动化程度较高 目前，主流的云计算操作系统都设有监控模块。云计算操作系统通过统一的平台管理金融企业内服务器、存储和网络设备。通过设备的集中管控，可以显著提升企业对 IT 设备的管理能力，有助于

17、实现精益管理。此外，通过标签技术可以精准定位出现故障的物理设备。通过现场设备更换可以快速实现故障排除。传统金融架构下，若设备发生故障，基本每次都需要联系厂家进行维修，缺少自主维护能力。 4.4.大数据和人工智能的支撑技术大数据和人工智能的支撑技术 云计算技术可以帮助金融机构通过统一平台，承载或管理内部所有的信息系 10 统，消除信息孤岛。此外，信息系统的联通可以将保存在各系统的数据集中到一起， 形成 “数据仓库” ， 从而实现内部数据的集中化管理。 如果说大数据是金矿，金融云则可被看作是矿井。矿井的安全性、可靠性直接决定了金矿的开采效率。此外，云计算还为大数据和人工智能技术提供便利且可扩展的算

18、力和存储能力。 （二）（二）云计算云计算在金融领域应用的关在金融领域应用的关键技术键技术剖剖析析 1 1. .云计算的基本原理云计算的基本原理 在云计算技术架构中，核心是云计算基础设施和云计算操作系统。 云计算基础设施由数据中心基础设施、物理资源和虚拟资源组成。云计算操作系统由资源管理系统和任务调度系统构成。 云计算基础设施指的是计算、 存储和网络等物理资源和虚拟资源组成的资源池。 云计算操作系统是对资源池中的 ICT 资源进行调度和分配的软件系统。云计算操作系统的主要目标是对云计算基础设施中的 ICT 资源进行统一管理， 构建具备高度可扩展性、能够自由分割的 ICT 资源池，做到同时向云计算

19、各服务层提供多种粒度的计算和存储能力。 图图 1 1：云计算云计算技术架构技术架构1 1 云计算白皮书，中国信息通信研究院。 11 2 2. .金融云特性金融云特性 金融行业对业务连续性有着非常严格要求，它的实现涉及到管理制度、技术方案和物理设施等多个层次， 要确保这些关键职能在任何环境下都能持续发挥作用。这就使得金融机构对 IT 系统的稳定性、可用性、网络时延性以及数据安全性具有更高的要求。银行、券商等金融机构的关键业务系统如果停机 10 分钟以上，就属于极度严重的金融事故，会造成巨大的经济损失。 物理设备层，大型金融机构经过数十年的信息化建设，拥有非常复杂的 IT基础设施体系，包括 X86

20、 服务器、小型机、大型机、SAN 存储、NAS 存储、OSD存储和网络等。虚拟化层，不同的设备拥有各自的虚拟化软件，各类设备组成多个资源池。因此，金融机构需要一个多云管理平台来统一管理这些 IT 资源，以实现内部系统的打通和数据的整合。 为满足业务连续性要求， 金融企业还要建立完善的灾难备份和灾难恢复体系。灾难备份主要有三种方式，分别为同城灾备、异地灾备和两地三中心模式。通过业务和数据的备份可以减少系统停机时间，保证业务的连续运行。 图图 2 2：大型大型金融机构金融机构云计算云计算技术架构技术架构1 1 商业银行私有云设计与实现 ，机械工业出版社 12 （三）云计算在金融领域的应用场景解读（

21、三）云计算在金融领域的应用场景解读 金融行业 IT 系统建设的历史较长，系统复杂性强，实现云化集中迁移仍需逐步进行。 金融机构使用云计算技术通常采取从外围系统开始逐步迁移的实施路径。在部署顺序上，优先部署开发测试环境，其次部署生产环境。互联网金融、辅助性业务优先使用云计算架构，强一致性核心业务最后考虑上云。 金融机构一般会选择从渠道类系统、 客户营销类系统和经营管理类系统等辅助性系统开始尝试使用云计算服务， 因为这些非金融的辅助性业务系统安全等级较低，不涉及核心业务管控风险。此外，互联网金融系统优先应用云计算架构，包括网络支付、网络小贷、P2P 网贷、消费金融等业务，这些系统基本全部需要重新建

22、设，历史包袱相对较轻。 图图 3 3：金融行业金融行业 ITIT 系统系统1 1 金融行业分布式架构转型痛点、路径和选型，中国信息通信研究院。 13 金融科技企业的基础架构大都以云计算为依托， 并充分应用大数据技术以及人工智能技术。这些技术不仅改变了金融科技企业的 IT 架构，也使得其能够随时随地的对接客户，为客户提供更加便捷及时的服务，深刻改变了金融行业的服务模式。 中大型金融机构倾向使用混合云。在私有云上运行核心业务系统，存储重要敏感数据。通过购买硬件产品、虚拟化管理解决方案、容器解决方案、数据库软件、运维管理系统等方式搭建私有云平台。在生产过程中，实施外包驻场运维、自主运维或外包运维。在

23、公有云上，运行面向互联网的营销管理类系统和渠道类系统。 小型金融机构倾向于将全部系统放在公有云上， 通过金融机构间在基础设施领域的资源合作共享，在金融行业内形成公共基础设施、公共接口、公共应用等一批公共云服务。小型金融机构一般购买云主机、云存储、云数据库、容器 PaaS服务、金融 SaaS 应用等服务。 （四）（四）云计算云计算在金融领域应用的典型产品对比分析在金融领域应用的典型产品对比分析 云计算在 IaaS 层的产品同质化程度较高，均是提供云主机、云存储、网络和 CDN 服务等 ICT 资源。 在云平台技术上，阿里云、腾讯云和 UCloud 采用自研技术，金山云和电信云采用开源的 Open

24、Stack 技术。自研云平台的优势是可控性高，难点是对研发能力要求较高。使用开源云平台的优势是有大量基础代码，开发快，成本低，缺点是对开源社区依赖性高，具有较高技术选型风险。在服务等级协议上，金融云的SLA 通常高于其他产品。在金融云主机产品上，重点云计算企业的产品可用性都为 99.95%，关系型数据库可用性基本都为 99.95%，阿里云稍高，达到 99.97%。CDN 节点和 CDN 总出口上，阿里云和腾讯云的优势较为明显。 14 表表 1 1：部分部分云计算企业云计算企业产品指标对比产品指标对比1 1 企业企业 阿里云阿里云 腾讯云腾讯云 金山云金山云 U UC Cloudloud 电信云

25、电信云 云平台 自研 自研 OpenStack 自研 OpenStack 金融云 SLA 云机:99.95% RDS:99.97% 云主机:99.95% RDS:99.95% 云主机:99.95% RDS:99.95% 云主机:99.95% RDS:99.95% 云主机:99.95% RDS:99.95% 网络线路 BGP BGP BGP BGP 电信 CDN 节点数量 1200+ 1000+ 600+ 500+ 300+ CDN 出口 80T 70T+ 20T+ 6.5T 4.5T 行业 解决方案 银行、保险、证券、 交易所、互联网金融 保险、 银行、 证券、 互联网金融 保险、证券、数据分

26、析、一体化 互联网金融、 银行、证券 无 1 数据来源：各企业官网 15 三三、大数据在金融领域的应用、大数据在金融领域的应用 （一）（一）大数据在金融领域的应用价值大数据在金融领域的应用价值探讨探讨 1.1.提升提升决策效率决策效率 大数据分析可以帮助金融机构实现以事实为中心的经营方法。 大数据可以帮助金融机构，以数据为基础，逐步从静态的现象分析和预测，过渡到针对场景提供动态化的决策建议，从而更精准地对市场变化做出反应。 2.2.强化数据资产管理能力强化数据资产管理能力 金融机构大量使用传统数据库，成本较高，而且对于非结构化数据的存储分析能力不足。通过大数据底层平台建设，可以在部分场景替换传

27、统数据库，并实现文字、图片和视频等更加多元化数据的存储分析，有效提升金融结构数据资产管理能力。 3.3.实现精准营销服务实现精准营销服务 在互联网金融模式的冲击下，整个金融业的运作模式面临重构，行业竞争日益激烈，基于数据的精细化运营需求和产品创新需求日益迫切。大数据可以帮助金融机构更好的识别客户需求，打造良好客户体验，提升综合竞争力。 4.4.增强风控管理能力增强风控管理能力 大数据技术可以帮助金融机构将与客户有关的数据信息进行全量汇聚分析，识别可疑信息和违规操作，强化对于风险的预判和防控能力，在使用更少的风控人员的条件下，带来更加高效可靠的风控管理。 （二）大数据（二）大数据在金融领域在金融

28、领域应用应用的关键的关键技术技术剖剖析析 1 1大数据大数据技术技术原理原理 大数据能够提供数据集成、数据存储、数据计算、数据管理和数据分析等功能，具备随着数据规模扩大进行横向扩展的能力。从功能角度，大数据技术主要分为数据接入、数据存储、数据计算、数据分析四层，以及资源管理功能。 16 图图 4 4：大数据大数据技术技术层次层次1 1 数据采集： 负责数据的采集、 传输工作， 大规模的数据经过数据采集步骤后，才能够进入大数据平台，从而进行后续处理。 数据存储：负责大规模数据的存储工作。主要利用分布式和多副本策略保证 TB、PB 量级的数据安全有效的进行存储，从而为数据分析提供底层支持。 数据计

29、算：负责大规模数据的计算工作。利用分布式和规范化的编程框架，将单机难以处理的数据分散到多台机器上进行分析处理， 从而使大规模数据挖掘成为可能。 数据分析：负责大规模数据的业务应用。与具体业务场景相结合，通过统计分析、深度学习等上层数据应用技术，将大数据转化为有价值的信息，实现业务增值。 资源管理：负责大数据平台的资源管理工作。利用调度队列，实时监测等机制， 及时发现大数据平台中的服务器健康状况并自动化调度， 保证集群工作质量。 2 2金融大数据金融大数据特性特性 金融机构的业务要求大数据平台具有实时计算的能力。目前，金融机构最常使用的大数据应用场景为精准营销、实时风控、交易预警和反欺诈等业务都

30、需要实时计算的支撑。 大数据分析平台可以对金融企业已有客户和部分优质潜在客户进行覆盖，对客户进行画像和实时动态监控，用以构建主动、高效、智能的营销 1 大数据平台选型建设指南，中国信息通信研究院。 17 和风险管控体系。 图图 5 5：金融大数据金融大数据架构架构1 1 为切实做到数据驱动，金融企业需要定制化的技术平台。首先，金融企业要进行顶层设计， 把技术和业务结合起来， 将技术应用在企业价值链的每个场景上。其次，金融企业需要大规模的系统改造。为实现数据的汇聚，需要将原来存储在上百个信息系统的数据进行整合， 重新设计并搭建数据采集、 存储、 传输的架构。最后，金融大数据需要更加完善的安全保障

31、措施。金融数据的泄露、篡改可能造成系统性金融风险，甚至危及社会稳定。部分数据如用于金融交易的用户鉴别与支付授权信息需要全流程加密。 （三三）大数据）大数据在金融领域在金融领域的的应用场景解读应用场景解读 大数据技术的应用提升了金融行业的资源配置效率，强化了其风险管控能力， 1 金融科技治理与研究，银行业信息科技风险管理高层指导委员会。 18 有效促进了金融业务的创新发展。金融大数据在银行业、证券行业、保险行业、支付清算行业和互联网金融行业都得到了广泛的应用。 1 1大数据在银行业中的应用大数据在银行业中的应用 信贷风险评估信贷风险评估：传统风险评估方法是银行基于过往的信贷数据和交易数据等静态数

32、据对企业客户的违约风险进行评估，这种方式缺少前瞻性。大数据风险评估方法则考虑了银行内部已掌握的客户相关信息，也考虑了外部机构的信息，比如人行征信信息、客户公共评价、商务经营、收支消费、社会关联等商业银行贷款风险评估资源。 因此大数据信贷风险评估更趋近于事实， 更可以识别客户需求、估算客户价值、判断客户优劣、预测客户违约风险。 供应链金融供应链金融：供应链金融的风险控制从授信主体向整个链条转变。供应链金融可以由资产优质、资金充足和授信额度高的核心企业做担保，以产品或应收账款做质押，帮助上下游企业获得资金。银行利用大数据技术分析企业之间的关系图谱，进行关联企业分析及风险控制；银行以核心企业为切入点

33、，将供应链上的多个关键企业作为一个整体。利用交往圈分析模型，持续观察企业间的通信交往数据变化情况，通过与基线数据的对比来洞察异常的交往动态，评估供应链的健康度及企业贷后风险。 2 2大数据在证券行业中的应用大数据在证券行业中的应用 股市行情预测股市行情预测：证券企业应用大数据对海量数据进行持续性跟踪监测，对账本投资收益率、持仓率、资金流动情况等一系列指标进行统计分析，拓宽证券企业量化投资数据维度，构建投研模型，对股票市场行情进行预测。 股价预测股价预测：证券行业沿用罗伯特席勒的投资模型，模型中主要参考三个变量：投资项目计划的现金流、公司资本的估算成本、股票市场对投资的反应（市场情绪） 。市场本

34、身带有主观判断因素，而大数据技术可以收集并分析社交网络如微博、朋友圈、专业论坛等渠道上的结构化和非结构化数据，了解市场对特定企业的观感，获得股票市场对投资的反应。 3 3大数据在保大数据在保险行业中的应用险行业中的应用 骗保识别骗保识别：赔付管理一直是险企的关注点。赔付中的“异常值” （即超大额 19 赔付） 是推高赔付成本的主要驱动因素之一。保险欺诈严重损害了保险公司的利益，传统的保险欺诈专项调查往往耗费大量时间。保险企业借助大数据手段，可以建立保险欺诈识别模型， 筛选疑似诈骗索赔案例， 再展开调查， 调高调查效率。此外，保险企业可以结合内部、第三方和社交媒体等数据进行异常值检测，包括了客户

35、的健康状况、 财产状况、 理赔记录等， 及时采取干预措施， 减少先期赔付。 风险定价风险定价：保险企业对保费的定义是基于对一个群体的风险判断。大数据为风险判断带来前所未有的创新。 保险公司通过大数据分析可以解决风险管理问题。比如， 通过智能监控装置搜集驾驶者的行车数据；通过社交媒体搜集驾驶者的行为数据；通过医疗系统搜集驾驶者的健康数据。以这些数据为出发点对客户进行风险判断，制定灵活定价模式，提高客户粘性。 4 4大数据在支付清算行业中的应用大数据在支付清算行业中的应用 交易欺诈识别交易欺诈识别：面对盗刷和金融诈骗案件频发的现状，支付清算企业交易诈骗识别挑战巨大。大数据可以利用账户基本信息、交易

36、历史、位置历史、历史行为模式、正在发生行为模式等，结合智能规则引擎进行实时的交易反欺诈分析。整个技术实现流程为实时采集行为日志、 实时计算行为特征、 实时判断欺诈等级、实时触发风控决策、案件归并形成闭环。 数据资产变现数据资产变现：目前，支付服务的客户渗透率越来越高。人们大量使用移动设备进行网上小额支付。支付清算行业真正的“金矿”就是这些高价值的用户消费数据。这些数据不仅可以将应用于支付清算业务的优化，还可以直接转化成资产用于分析了解客户的“消费路径” ，包括客户进行日常消费时的典型顺序、购物地点、购买内容和购物顺序。通过对数据进行关联分析，将分析结果销售给商家或营销公司，实现数据资产变现。

37、5 5大数据在互联网金融行业中的应用大数据在互联网金融行业中的应用 精准营销精准营销：在移动互联网时代，客户在消费需求和消费行为上快速转变。在消费需求上，客户需求出现细化；在消费行为上，客户消费渠道多样化。因此，互联网金融企业急需一种更为精准的营销解决方案。具体来讲，互联网金融行业精准营销的主要应用目标主要为三点：一是精准定位营销对象。二是精准提供智 20 能决策方案。三是精准业务流程，实现精准营销的“一站式”操作。 黑产防范黑产防范：互联网金融企业追求服务体验，强调便捷高效，简化手续。不法分子利用这一特点， 虚假注册、 利用网络购买的身份信息与银行卡进行套现，“多头借贷”乃至开发电脑程序骗取

38、贷款等已经形成了一条“黑色”产业链。大数据能够帮助企业掌握互联网金融黑产的行为特点，从业人员规模、团伙地域化分布以及专业化工具等情况，并制定针对性的策略，识别黑色产业链和减少损失。 消费信贷消费信贷： 消费信贷具有小额、 分散、 高频、 无抵押和利息跨度极大的特点。贷款额度可以小到 100 元人民币； 一家机构一天放贷数量可能达到数万到数十万笔； 90%以上是纯信用贷， 只能依靠数据进行审批； 年化利率从 4%到 500%的都有。大数据需要贯穿到客户全生命周期的始末。基于大数据的自动评分模型、自动审批系统和催收系统可以弥补无信用记录客户的缺失信贷数据。 （四四）大数据）大数据在金融领域在金融领

39、域应用应用的的典型典型产品产品对比对比分析分析 重点大数据企业都提供 Hadoop/Spark 大数据分析平台、关系型数据库和非关系型数据库等大数据基础产品。 但在上层应用上， 如分布式数据库、 画像分析、关系网络分析和数据可视化，仅有部分企业提供。 表表 2 2：部分部分大数据企业大数据企业产品指标对比产品指标对比1 1 企业企业 阿里云阿里云 腾讯云腾讯云 京东云京东云 金山云金山云 UCloudUCloud 电信云电信云 Hadoop Spark 关系型数据库 非关系型数据库 分布式数据库 无 无 无 画像分析 无 无 关系网络分析 无 无 无 无 数据可视化 无 无 1 第五批大数据产

40、品评测结果，中国信息通信研究院 21 四、四、人工智能在金融领域的应用人工智能在金融领域的应用 （一）人工智能在金融领域的应用价值探讨（一）人工智能在金融领域的应用价值探讨 1.1. 进一步提升金融行业的数据进一步提升金融行业的数据处理能力与效率处理能力与效率 随着金融行业的不断发展，沉淀了大量的金融数据，主要涉及金融交易、个人信息、市场行情、风险控制、投资理财等。这些数据容量巨大且类型丰富，占据宝贵的储存资源，而从业人员却无法对其进行有效分析以供决策。虽然大数据技术的出现对此有所改善，但在数据的有效处理与分析挖掘上仍面临较大挑战。随着深度学习技术的不断推进，金融机构尝试将海量数据供机器进行学

41、习，不断完善机器的认知能力，几乎达到与人类相媲美的水平，尤其在金融交易与风险管理这类对复杂数据的处理方面，人工智能有效利用大数据进行筛选分析，帮助金融机构更高效的决策分析，提升金融业务能力。 2.2. 推动金融推动金融服务模式趋向主动化、服务模式趋向主动化、个性化、智能化个性化、智能化 传统技术模式下，金融行业通过面对面交流的方式发掘客户需求。同时，受人力资源和数据处理能力影响， 金融行业只面向少数高净值客户提供定制化服务，而对绝大多数普通客户仅提供一般化服务。随着人工智能的飞速发展，机器能够模拟人的认知与功能，使批量实现对客户的个性化和智能化服务成为可能，这将对目前金融行业沟通客户、挖掘客户

42、金融需求的模式发生重大改变。整体而言，人工智能技术将显著改变金融行业现有格局，在前台可以用于提升客户体验，使服务更加个性化；在中台辅助支持金融交易的分析与预测，使决策更加智能化；在后台用于风险识别和防控保障，使管理更加稳定化。 3.3. 提升金融风险控制效能提升金融风险控制效能 在传统模式下，金融机构难以查证客户提供信息的真实性，交易双方信息的不对称性，使得金融机构面临用户隐瞒甚至编造个人信息的业务风险。人工智能可从大量内部与外部数据中，获取关键信息进行挖掘分析，对客户群体进行筛选 22 和欺诈风险鉴别，并将结果反馈给金融机构。此模式不仅能够降低交易双方间存在的信息不对称性，有效降低业务风险，

43、还能对市场趋势进行预测，为金融机构提供有效的风险预警，引导金融机构提前采取预防措施。 4.4. 助推普惠金融服务发展助推普惠金融服务发展 人工智能技术能够通过降低金融服务成本、提升金融服务效率和扩大金融服务范围，来推动普惠金融服务的快速发展。智能营销能帮助金融机构精准获客，减少营销成本；智能风控能在金融业务流程中提高风险识别、预警、防范及风险定价能力，降低风险甄别成本。智能金融业务模式可以让金融可以有效伸延与普惠到最需要的弱势人群，从而推动金融的普惠化。 （二）（二）人工智能人工智能在金融领域在金融领域应用应用的的关键技术关键技术剖剖析析 1. 1. 人工智能通用技术原理人工智能通用技术原理

44、人工智能的技术架构层级可分为基础层、技术层和应用层。 基础层基础层：由数据资源、软件设施和硬件设施组成。主要以硬件设施为核心，其中包括 GPU/FPGA 等用于性能加速的硬件、 神经网络芯片、 传感器与中间件。软件设施为人工智能应用的构建提供云计算与大数据平台。 这些是支撑人工智能应用的前提； 技术层技术层：主要依托基础层的硬件、软件平台和数据资源，通过机器学习基础框架与核心算法， 开发面向不同领域的通用技术， 如计算机视觉、 自然语言处理、人机交互等； 应用层应用层：主要基于基础层与技术层的支撑搭建智能应用平台，从而实现与传统产业的融合，实现不同场景的应用，如智能金融、智能教育、智能医疗、智

45、能交通等。 23 图图 6 6：人工智能通用技术架构人工智能通用技术架构 2. 2. 金融领域下的人工智能关键技术金融领域下的人工智能关键技术 在金融领域应用中， 人工智能主要包括五个关键技术： 机器学习、 生物识别、自然语言处理、语音技术以及知识图谱。 图图 7 7：人工智能在金融领域应用的关键技术人工智能在金融领域应用的关键技术 24 机器学习机器学习：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。在金融领域中，监督学习用于对历史数据进行分析与挖掘，寻找数据集的规律， 对未来趋势进行预测； 无监督学习用于尝试解析数据的结构，并确定其背后的主要规则。 其中聚类分析

46、可将金融数据集基于某些相似性概念将其进行分组， 而因子分析旨在识别金融数据中的主要内在规律或确定数据的最佳表示方法，在复杂投资组合中，因子分析可提取数据的主要成分；深度学习方法通过深度网络的表示从大数据学习各种规律，可用于金融交易各个阶段；而强化学习则使用算法来探索和寻找最有利的交易策略。 生物识别生物识别：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四项生物识别技术。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

47、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：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。尤其在投研领域中，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

48、员进行投资决策。 语音技术语音技术：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、帐户查询、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 25 成为语音技术的重要应用阵地。 知识图谱知识图谱：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，

49、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。 （三三）人工智能人工智能在金融领域在金融领域的的应用场景解读应用场景解读 目前， 人工智能技术在金融领域应用的范围主要集中在智能客服智能客服、 智能投顾智能投顾、智能风控智能风控、智能投研智能投研、智能营销智能营销等方面。 1 1智能客服智能客服 智能客服主要以语音技术、自然语言理解、知识图谱等为技术基础，掌握客户需求，通过自动获取客户特征和知识库等内容，帮助客服快速解决客户问题。智能客服系统采用自然语言处理技术，提取客户意图，

50、并通过知识图谱构建客服机器人的理解和答复体系。同时，智能客服以文本或语音等方式与用户进行多渠道交互， 为广大客户提供了更为便捷和个性化的服务，在降低人工服务压力和运营成本的同时进一步增强了用户体验。 图图 8 8：智能客智能客服技术服技术架构架构 2. 2. 智能投顾智能投顾 智能投顾又称机器人投顾，主要是根据投资者的风险偏好、财务状况与理财目标，运用智能算法及投资组合理论，为用户提供智能化的投资管理服务。智能 26 投顾基于机器学习算法以及现代资产组合优化理论，来构建标准化的数据模型，并利用网络平台和人工智能技术对客户提供个性化的理财顾问服务。 传统投资顾问需要站在投资者的角度，帮助投资者进