人工智能完全颠覆金融行业是个伪命题！-ZAKER新闻
【编者按】很明显的道理，既然人类要研究一种技术，就不会是冲着这项技术颠覆人类社会文明去的。人工智能发展已有 50 余年历史，放在整个人类发展历程看，这项技术只是处于起步阶段而已，但关于人工智能颠覆各行各业的言论不绝于耳，难免有些故意夸大的嫌疑。正如文中所说，完全实现人工智能在可预见的 5-10 年可能性极小。本文转载自证券时报，作者刘筱攸，亿欧编辑整理，供行业内人士参考。AI ( 人工智能 ) 来袭，机器人正在 " 入侵 "!今年全国两会，人工智能首次被写入政府工作报告。业界预计，人工智能将成为下一个风口。而据《国际金融报》记者采访了解，人工智能早已 " 入侵 " 多个领域，其中也包括金融行业。3 月 8 日，一位传统金融机构高管金生 ( 化名 ) 对《国际金融报》记者说，他所在的零售金融领域的每个环节上都在利用 " 人工智能 " 做决策。比如，自动风险评测、自动交易等。那么，未来人工智能在金融行业中还有多大的应用空间 ? 码农和机器人会不会占领金融行业 ?人工智能 " 入侵 "在金融领域，目前对于 AI 的依赖度高吗 ?金生告诉记者，面对千千万万的个人消费者，如果完全依靠人做决策是不现实的，所以或多或少需要依赖机器辅助做决定，甚至有的部分机器会占据主导因素。但现阶段，此类 " 人工智能 " 并不是理想中的 " 强分类器 "。金生解释称，也就是说并不是能回答所有问题的万能机器，而是可以进行简单算法、回答与或非问题的 " 弱分类器 "，利用技术手段做一些小决定。在业内人士看来，目前对于 " 大数据 " 的利用是远远不够的。金生指出，大部分传统金融机构拥有大量的信息和数据，但由于技术能力所限，现有的数据价值没有被深入挖掘，导致并不能真正有效利用现有数据。氪信 CEO 朱明杰也对《国际金融报》记者称，国内互联网金融更多的是应用场景的创新，如 P2P、消费金融、现金贷、互联网保险等。但如何真正通过深入挖掘和利用大数据，达到提升运营效率的目的并没有体现出来。在朱明杰看来，其实可以做到尽可能地利用已有的经验和知识：一是数据使用方式的迁移，主要是指相似领域的数据处理加工 ; 另一块是风险核心模型的迁移。以坏账数据为例，传统金融的业务结果和样本非常珍贵，从时间维度上来说，确认坏账，少则一个月多则几个月，积累这部分数据要等很久 ; 而且，每一笔坏账都是用钱 " 买 " 回来的经验。银行在业务拓展过程中，比如之前在信用卡授信业务上积累了样本，然后可以换到新进的消费信贷业务上。金生认为，如果将传统金融行业和那些拥有大量数据的行业巨头比作是拥有石油的沙特阿拉伯，那么 AI 将是拥有强大马力的发动机引擎，只有二者结合才可以成为推动金融行业继续向前发展的动力。金融从业人员 OUT 了 ?有了人工智能，是否意味着金融从业人员面临被淘汰的危险 ?朱明杰称，人工智能介入的前提是需要机器去学习风控专家的知识，所以这就说我们特别重视人的因素。现在大家都在讲人工智能，人工智能的本质是什么 ? 在我的理解其实就是让机器学习人的经验。以前我们依赖经验丰富的风控人员，现在我们可以让机器把人的经验学过来，然后让机器来做一个自动的决策。目前，我们就扮演着 " 人肉学习 " 的角色。" 这是一个逐步替换的过程。" 金生说，"完全实现人工智能，在可预见的 5 至 10 年内可能性很小。人工智能完全替代金融行业的某一个部门这个命题是不成立的，但是对金融从业人员的能力要求发生了改变，这是肯定的。"金生指出，过去银行需要的是金融人才，但以后会写代码的金融人才才是香饽饽。因为从学习曲线上来说，如果让一个 IT 技术人员学习金融知识，最多不超过半年便能掌握 ; 但如果让一个金融科班出身的人员学写代码，可能起码需要两年的时间。" 我们的结论是，人工智能肯定不是在消除工作岗位，而是消除工作中的苦差事，并创造新的工作，而且这些新的工作更多的是依赖人类特点的岗位。"Bersin by Deloitte 的创始人 Josh Bersin 在近期发布的 2017 年全球人力资源趋势报告中如是说。
相关标签：
原网页已经由 ZAKER 转码排版
互联网新闻2小时前
互联网新闻2小时前
亿邦动力网54分钟前
品途网54分钟前
品途网1小时前
砍柴网2小时前
36氪3小时前
砍柴网57分钟前
CSDN2小时前
砍柴网2小时前
砍柴网2小时前
砍柴网2小时前
砍柴网2小时前
猎云网3小时前
亿欧网3小时前这8大行业将被人工智能颠覆 你是不是该转行了
来源：新芽NewSeed
原标题：这8大行业即将被人工智能颠覆，你是不是该转行了？
　　斯坦福大学人工智能与伦理学教授杰瑞?卡普兰认为，不久的将来，人类再也不用劳动。
　　因为人工智能在自动化作业、自动驾驶，合成智能、执行能力等诸多方面的优势明显大于人类。
　　它正不断地取代现有人类的工作，让曾经从事相关
相关公司股票走势
工作人工人逐渐消失。未来的你还能找到工作吗？
　　| 淘汰的不仅是工作，更是技能
　　人工智能领域的最新进展对科技变化的促进作用可能会以两种基本的方式搅乱我们的劳动市场。首先是一个简单的事实，大部分自动化作业都会替代工人，从而减少工作机会。这就意味着需要人工作的地方变得更少了。这种威胁很容易看到，也很容易度量。雇主们会大量引入，并把工人清走。但是有时候变化并没有那么明显。每一个新的工作站服务器都可能会减少1/5个销售人员，或者免费的Skype电话可能会让你每周可以有一天在家更有效率地工作，从而雇用新员工的需求就被推迟到了下个季度。
　　第二种威胁更加微妙，更难预测。很多科技进步会通过让商家重组和重建运营方式来改变游戏规则。这样的组织进化和流程改进不仅经常会淘汰工作岗位，也会淘汰技能。银行安装了ATM机之后可能会裁掉出纳员；提升的服务会创造雇用网络工程师而非出纳员的需求。就算银行最终增加了工人总数，出纳员仍然不那么走运。
　　| 未来，合成智能会大面积代替人来完成工作
　　考虑到自动化对劳动力造成的两种不同的影响――代替工人以及让技能变得无用，经济学家为这两种失业类型取了两个不同的名字。第一种被称为“周期型”失业，指的是人们在就业和失业之间循环。在经济萧条时，待业的穷人数量可能会增长，从而导致更高的失业率。但是从历史上说，一旦经济复苏，闲散的工人就会找到新的工作。失业的人数减少，同时待业时间也会变短。
　　另外一种失业形式被称为“结构型”失业，它意味着有一些失业的人完全无法找到合适的工作。他们整天发送简历，但是没人想要雇用他们，因为他们的技能找不到对应的工作。用房地产市场来说，这种情况类似于待售的房屋类型不适合已有买家。想要三个孩子的夫妻相比于想要更少孩子的夫妻需要更多的卧室，或者对于那些需要乘坐飞行汽车上下班人来说，他们需要从平屋顶起飞，而目前的大多数房子都是尖屋顶。
　　不久的将来，“周期型”失业可能会越来越少，人造劳动者会取代对大部分技术工人的需求；合成智能会大面积代替需要由受过教育的人来完成的工作。在应用的最初阶段，很多新的科技会直接代替工人，用几乎同样的方式完成工作。但是其他创新不仅会让工人闲置，还会淘汰他们所从事的工作种类。“结构型”失业将遍及各行各业，在现有的经济结构环境下，未来大部分人可能很难再找到工作。
　　| 自动化来袭，岌岌可危的蓝领工作
　　各行各业的蓝领工作很有可能已经被自动化接管。在自然环境中可以感知和运行的机器人设备将会大批量取缔劳动力市场。简而言之，人造劳动者正在从各个领域进攻而来。
　　当自动驾驶更安全时，还需要司机吗？
 谷歌的无人汽车，2015年已经开始大规模上路测试
　　自动驾驶卡车的技术今天已经存在，而且已经可以用非常合理的价格改装到现有的车队上了。装备有这种技术的卡车可以“看到”所有方向，而不仅仅局限于前方的视野，这些车辆可以在完全黑暗或灯火管制的情况下行驶，它们会即时分享路况、附近的危险以及它们自己的意图。
　　更妙的是，它们的反应时间接近于零。所以，自动驾驶卡车车队可以在相互间距只有十几厘米的情况下安全行驶，这样的车队可以减少道路堵塞，并节省15%以上的燃油。交货会变得更快，因为它们可以不停歇地运行，中间不需要在路边停车。它们不会疲惫、酗酒、生病、分神或者感到无聊；它们不会打盹、打电话或者为更好的报酬和工作条件而罢工。花费了44亿美元并夺走3800条生命的27.3万起大型卡车事故（2011）在未来可以避免多少？请允许我指出，单单这项创新每年拯救的生命就比在“9?11”世贸中心灾难中殒命的人还要多。
　　在黑暗中工作的机械工作
　　2010年，欧盟开始为“农用聪明机器人”项目（Clever Robots for Crops，简称为 CROPS）提供资金。正如项目负责人所说：“农用机器人必须具有智能，只有这样它们才能在松散、动态、不友好的农业环境中稳定地运行。
Agrobot制造的商业机器人 
　　Agrobot是一家在加州奥克斯纳德（Oxnard）开办的西班牙公司，他们制造的商业机器人可以采摘草莓。在采摘过程中这种机器人只能识别足够成熟的水果。好消息是他们正在招人，但是你必须有一个工程学学位才行。请注意，这些汹涌而来的机械工人并不一定非要比将要取代的工人速度更快，但是它们可以在黑暗中工作！
　　不输人类的机器仓管员
　　除了挑选订单和包装货物，正如我在上面所说的，还有装货和卸货的工作。这些工作现在仍由人类工人完成，因为人的判断在运载车辆和运输集装箱中如何抓住和堆叠不规则形状的箱子这些工作中不可空缺。但是另一家硅谷的创业公司Industrial Perception公司正在改变这一切。他们的机器人可以检查卡车内部，选择某个物品，然后捡起来。正如他们被谷歌收购前官网上的宣传语，公司“提供的具有技能的机器人是决胜明日经济的必备品。”
　　性工作者也要被替代
　　你可能认为性交易是只能由人类来完成的工作。对于美国大部分地区来说卖淫可能是违法的，但是成人用品并不违法。而这个产业将会彻底改头换面。位于新泽西的True Companion公司以及类似的公司正在开发全尺寸交互式性爱娃娃――男版和女版都有（名字分别是Roxxxy和Rocky）。这家公司的创始人道格拉斯?海因斯（Douglas Hines）之前在贝尔实验室的人工智能部工作，正如他在2010年的一次采访中所说：“人工智能是整个项目的根基。”根据这家公司的说法：“Roxxxy可以参与讨论，也可以向你示爱。她可以说话、聆听，并感受你的抚摸。”
　　| 无论你的领子是什么颜色，自动化都会毫不留情
　　到目前为止，我说的这些对于那些主要从事脑力劳动的人来说可能还算是个安慰，但是这种释然只是一种误会。就像人造劳动者将要取代体力劳动者一样，合成智能也将会席卷很多脑力工作。无论你的领子是什么颜色，自动化都会毫不留情。
　　律师，光环不再
　　合成智能在法律专门领域攻城掠地的表现还有一个更加复杂的例证，那就是创业公司Judicata。这家公司使用机器学习和自然语言处理技术，把普通文本（比如法律原则或特定案例）转化成结构化的信息，利用这些信息可以发现相关的法院判例。比如，程序可以发现所有包含西班牙裔同性恋员工成功起诉不正当解雇的案件，通过朗读法院判决原稿，可以节省无数花费在法律图书馆或使用传统电子搜索工具的时间。
　　其他创业公司则在试图缩短早期案件评估、证据处理、文件审查、文件处理以及内部调查等旷日持久的过程。有一些人则通过实际的法律及案例研究来提供案件策略方面的建议，回答诸如此类问题：法官有多少次作出倾向于提交移送动议的被告的判决?又有多少次倾向于提出即决判决申请的被告的判决？让其他人在相似知识产权上犯错误的原因是什么？
　　更强大的机器人医生
IBM的这台计算机将会成为糖尿病专科医生，还会担任肿瘤治疗和术后恢复的工作 
　　如果成为律师变得不再那么具有吸引力的话，那么成为医生呢？从患者的角度出发，其心中的理想医生一定是一位精通所有专科领域的超级医生，他掌握着所有最新的医疗信息以及最佳的实践经验及方案。但是，这样的人类并不存在。
　　让我们看看IBM的超级计算机沃森。在《危险边缘》中打败冠军布拉德?鲁特（BradRutter）和肯?詹宁斯之后，沃森马上就被重新部署在这个新的挑战上。2011年，IBM和美国最大的管理公司WellPoint开始合作把沃森的技术应用在提高病人看护质量方面。他们宣称：“沃森可以博览100万本书或2亿页的数据量，并且在3秒内分析其中的信息并给出精确的回应。WellPoint希望内科医生能够根据具体病人的情况简单地对沃森内部的医疗程序进行一些新条件的输入或微调，然后通过沃森超凡的能力在最复杂的病例中鉴定出可能性最高的诊断以及治疗方案的选择。我们期望沃森能在内科医生的决策过程中成为强有力的工具。”就像IBM在50年前进入人工智能领域的最初尝试一样，他们仍然小心翼翼尽量不惹怒那些被他们夺走饭碗的人。但是，一个人用在决策过程中的工具却是另一个人通往失业的门票。
　　翻转课堂挑战传统教师
　　很明显，科技可以代替很多领域的教师和教授。现在，描述这种现象的流行语叫翻转课堂（flipped classroom）――学生们在家观看讲座，并且在线上学习相关资料，然后在教师和教学助理的帮助下在学校完成作业。教师们可能不需要再备课和讲课了，他们的工作被缩减成“学习教练”。教师职业技能的减少无疑会改变这个职业，并且这种情况会为已然困难重重的教师们带来更多的挑战。
　　你为什么还需要销售员？
　　一个研究中经常被引用的例子就是，需要优秀人际交往能力或说服能力的工作是不太可能在不远的未来实现自动化的。但是事实并不一定如此。
　　让你相信你穿上某套衣服就会精神焕发的能力肯定是一个成功销售员的标志。但是当你可以询问上百位消费者时，你为什么还需要他？想象一家服装店，他们可以模拟你穿上不同衣服的照片，生成的图像可以通过模糊面部实现匿名立即被放到一家特殊的网站上，那里的用户可以提出自己的观点，告诉你哪件衣服让你显得更瘦。
　　几秒钟内，你就会从毫无任何偏见的陌生人那里得到客观的、可靠的反馈，如果你完成了购买，他们就会获得积分。这个概念被称为“众包”（crowdsourcing）。既然你能免费获得答案，为什么还要依赖由佣金驱动的销售员呢？
　　毫无疑问，过剩的工人和过时的技能是经济进步加速的副产品，这些被浪费的智力资源使得全球劳动力生态系统面临的潜在危险。要保持社会持续繁荣发展，需要更多的社会创新来提供动力，我们应该投入更多的精力用于回收智力资源，这才能让我们未来的生活更美好。
作者是人工智能时代领军人、斯坦福大学人工智能与伦理学教授杰瑞?卡普兰 
　　而在杰瑞?卡普兰的《人工智能时代》这本书中，他指出，智能时代的到来，给人类社会带来两大灾难性冲击：持续性失业与不断加剧的贫富差距。机器正在很大程度上替代人类的工作，不管你是蓝领还是白领。
　　针对未来社会将要发生的这些问题，卡普兰在书中从企业、税收和保险等机制上构建起了一个有益的经济生态，让社会中的每一个人都能从技术发展中获益，带领我们一窥人机共生下财富、工作与思维的大未来，对人工智能感兴趣的童鞋可以去读一下。
(责任编辑：陈洋)
&&&&&&</div
搜狐财经致力遇汇集变革力量，评出“中国最具变革力人物&#8226;公司”[]
图解财经：
今日主角：
客服热线：86-10-
客服邮箱：人工智能会给金融业带来哪些影响？_网易科技
人工智能会给金融业带来哪些影响？
用微信扫码二维码
分享至好友和朋友圈
（原标题：听听这位外国专家说，人工智能会给金融业带来哪些影响？）
i黑马讯8月1日消息 7月31日，在第六届上海新金融年会暨第三届互联网金融外滩峰会上，加利福利亚大学伯克利分校计算机科学教授、人工智能专家Stuart& Russell先生做了演讲，题目是《人工智能对金融业的影响》。在演讲中，Stuart& Russell先生澄清了一些AI方面的误解，指出它是一个典型的、深度学习的架构，并指出AI对金融领域的影响。以下是Stuart& Russell先生演讲精选。非常感谢大家邀请我来到这里，非常荣幸，这也是我第一次来到上海。我的女儿在上海住过一年，她很喜欢这个城市，我也非常高兴来到上海。首先也要澄清一些AI方面的误解，AI并不是有感知的机器，并不是我们要担心机器突然醒来憎恨人类，这些AI，并不一定都是深度学习的。大数据，也是我们经常见到的词，但是很多时候AI并不是和这些概念相关。另外，它并不是万能药，并不是所有的问题可以用人工智能来做，很多问题我们不能理解，我们应该怎么做、怎么理解怎么做、怎么解决，但是AI的进程，在未来我们非常乐观，来帮助我们解决。比如在英国、欧洲，有很多的银行现在都在设计人工智能的APP。目前也做了很多研究，AI怎么对人们提供服务，已经发展了很多，但依然还有很长的路，AI可以继续发展，为人们提供更好的服务。从金融方面的经典方式，没有模型经典方式的机器来做。你在电脑里面收集一些已知来源的数据，比如个人的信用卡交易结果，他们是否归还了信用卡欠款？还是违约了？我们把这些信息收集之后，创建一个预测的分类器。对于新的用户来说，收集他们的数据，预测他们是否会违约，以及基于他们过往的交易，决定给他们多少额度。这也是基于电脑的决策树、深度神经网等技术来实行。一旦建立了分类器，客户有新的事件你就可以来应用了。相比人类的专家来说，我们认为AI非常有价值，可以以非常低的成本做出预测，这是一个典型的、深度学习的架构。在座的各位可能对公司分析来说，都会知道一些基本内容。中石油，你想对它的股票进行分析，你看它的基本面、看它的交易、市场、相关风险等等，你要预测他们的财务结果。利用AI，对于个人也可以进行分析。非常重要的就是多少人可以被模型使用。我们可以对每个人进行分析，收集他们生命周期的静态变量，他们的生日、教育、婚姻、子女、工作、住所等，这些参数和变量，可能对他们的金融行为都会有很大的影响，来帮助我们进行预测。比如他们是否会搬家，子女的教育是什么样的情况？他们还有几年才退休等等，这些人们生命事件，可以影响每个人的金融交易和他们未来的金融模式、金融行为。我们对于每个人可以建立这样的金融模型，我们也可以进行预测它的金融交易结果，来知道他们的金融交易、他们的账户、金融的流向、货币的兑换，当我们收集到这些数据的时候，我们看到这个人做了这个交易，就可以监测这些数据是否是真实的、是否是合理的。这种方式的优点，就是我们可以通过收集的数据来解释决策。我们不能提供给你这个理财产品、不可以给你提供借贷，你可以解释给他们为什么不可以这么做。另外，可以通过更少的数据，做出更精准的预测。还有就是数据的错误率、失落率也会比较低。也有劣势，基于模型的方法的，第一个是它的成本非常高，因为你要有建模的专家和实际数据当中要做很多的实验，但这是一劳永逸的。也就是说，每个人出生、去学校，他们会结婚、有子女、退休、过世，人生的事件或多或少是一样的，建立一个模型就可以一劳永逸，再用AI的软件进行分析。转换一下话题，讲一下金融行业以及AI对金融行业的影响。我们比较熟悉P2P借贷、银行的APIs，也就是第三方写软件，和银行直接进行交互、帮助银行操作他们客户的账户。一个公司A它的借口比较好，相比银行B更好，那我就要选择银行A做我的开户行。接口、界面非常重要，能够决定人们选择哪个银行为他提供服务，账本是在哪个银行的，有区块链和相关的软件，我们可以看到很多大银行就蒸发掉了，因为可能他们对个性化的服务做得并不是很好，所以在技术发展过程当中落后了。AI方面，人们会增加个人的数字助理，大家都有助理。通过手机也可以帮助你提供很多的建议。你的个人助理，可以帮你自动发起金融交易，预定酒店、买机票，确保你的孩子在学校好好学习等等，这些都会自动化来进行，也包括了金融交易的自动进行。银行的客户可能并不是真实的人，而是数字助手，触发某个事件之后就会进行金融交易。另外一个很大的变化，就是交易系统。我们知道在美国的交易所，大多数的交易都是电脑软件进行的，现在会越来越多的进行电脑软件自主交易。另外讲一下交易系统，我们有算法。有些时候比较简单，就是套利的。还有越来越复杂的，比如单个股票基础面的分析、能够自动阅读这些新闻，从彭博、SEC等接口进行股票的交易。其中我们见到的一个很大的问题，这些系统只是从字面上来收集信息。推特被认可劫持了，所以一个推特信息说“奥巴马受伤了”，机器得到这个信息，也不判断，直接就卖掉这些股票了，低于2分钟的时间，超过2万亿的股票被卖掉。如果是人做交易，他们会进行验证，会打电话给华盛顿的朋友。经过20分钟，市场又自动的恢复了之前的交易状态，这些都非常重要。机器可能只是机械化的收到信息，有些信息可能是故意造假的，机器自动读取，对系统会造成很大的扰乱、对客户造成很大的损失。从监管来说，也造成了挑战。比如亚马逊网站，一本普通的生物学的书差不多40美元。有一个出售1800万，另外一个是2300万，这是因为有两个机器人，他们觉得这本书非常复杂，所以他们不断的把这本书的价格提升，一直提升到非常高。如果你有自动财务顾问，他们可能觉得这本书比较合理，它就会买，这会对你的账户造成很大的损失。大事件，2到3分钟，使整个的市值损失1万亿，这也是程序化不理解市场而造成的“五龙指”，非常快速进行交易，对于市场造成了很大的问题。2014年的时候，200个股票的市场下滑更快，0.1秒的时间，有些股票跌了20%，这对很多人来说发展太快了，0.1秒，当你把权利给到机器，他们不理解他们在做什么，这对你造成的损失是无法估量的。从长期来说，我们认为AI系统在很长的时间里面的发展，最终会比人类决策优化。现在，我们在做AI的时候，所有的因素都要考虑进去。一些超级的、智能的机器，最终可能会给我们带来灾难性的损失。不管是控制，还是研究，我们现在创造了一些系统，它可以帮助我们把某些事物进行优化。对于这个领域的定义，并不是非常精确的，它是一个错误的定义。我们所需要的AI是什么？这样的AI系统，我们希望它能够执行我们的命令，而且它产生的结果，一定是我们比较满意的。比如这个国王，当时有这样一个想优化的目标，但是优化之后的结果并不是他最初想要的，这是我们需要避免的现象。我们怎么样才可以避免？这里有三个想法：1、机器人只有一个任务、目标，就是把人类的幸福指数最大化。2、机器人并不知道这里面的含义是什么，因为并不确定，人类什么才是开心的事情，真正让我们开心的事情是什么？3、机器人是通过观察人们的行为来进行学习的，人们喜欢什么、不喜欢什么，会通过我们的行为展示出来。读经济学会知道有一个“博弈论”，如果我们有这样的一个博弈，如果人类知道这样的目标，机器人先把这个目标进行优化，但是机器人并不知道本来的目标是什么。如果有不匹配，是否会产生问题？
总结一下，我刚才讲了很多AI在金融领域的影响，最基本的，现在已经存在了40到50年，它可以帮助我们进行数据的整合、分析、预测，还有一些顾问方面的服务。另外，我们如果可以更好的理解人类，才可以帮助我们得到更好的结果。市场上我们看到一些交易的策略，现在越来越有效了，可以帮助我们改进市场上的效率。因此，我们要非常了解，怎么才可以更好的把这些机器人在我们的控制当中，不能失控。有一个谚语“煤矿里的金丝雀”，煤矿中的金丝雀可以帮我们预测未来可能出现的问题。煤炭当中没有氧气了，金丝雀就会立马检测到，我们需要把它当做我们风险检测的工具，我们要很好的管理AI存在的风险，而且是高速管理和控制。随着AI的进步和推进，AI的系统怎么样控制、怎么样了解人们的价值，以及AI的价值，怎么把两者的价值结合起来，将是我们未来要探讨的很重要的议题，感谢各位的聆听。
本文来源：i黑马
责任编辑：彭丽慧_NT5727
用微信扫码二维码
分享至好友和朋友圈
加载更多新闻
热门产品:　　　
:　　　　　　　　
:　　　　　　　　　
热门影院：
阅读下一篇
用微信扫描二维码
分享至好友和朋友圈【中信科技—计算机】Fintech系列报告（一）：人工智能 金融的机遇与变革
我的图书馆
【中信科技—计算机】Fintech系列报告（一）：人工智能 金融的机遇与变革
投资要点金融服务业亟待人工智能技术辅助降低成本，提升效率。1）金融业是知识密集型的服务业，需要大量人力服务和处理数据工作，人工智能技术可以快速处理人与数据的关系，并批量化服务客户。2）低单价客户增长迅速，中国居民大类资产配置需求增加。银行初始用户3年约增加1.41亿，居民可投资的金融资产比例逐年增加，房地产投资增速下滑。3）Fintech投资火爆：2015年全球Fintech 融资规模相较4年前激增8倍已达191亿美元；人工智能领域的创投金额5年间增长了12倍，人工智能投资顾问近期也备受关注。简单测算，目前金融行业人工智能渗透率不足1%，2020年金融IT应用投资中，人工智能投资规模将超过200亿人民币。目前人工智能在金融业的应用主要有：智能量化交易、智能投顾、智能客服和生物身份识别。以上应用分为辅助后台数据分析和代替人工标准化服务，最终做到减少人力成本，提升服务效率。每一个细分应用都在向上空间中，具备发展前景：1）智能量化基金收益表现出色，我国主动量化投资基金数量自2015年开始成立数量有明显增长。2）智能投顾以低门槛低费率为核心进军资管市场，我国私人现金和存款可投资资金57万亿有望产生千亿市场。3）智能客服进入快速增长期，预计2017年SaaS客服市场规模为680亿元，复合增长率为37.78%，客服厂商产品功能正在向智能化发展。4）预计生物身份线上验证市场空间达到28.3亿元，年复合增长率超过200%。未来基于知识图谱的金融搜索引擎供应商将有能力提供金融行业的Watson。基于知识图谱的金融搜索引擎是一个具备自然语言交互界面的金融智慧库，除替代金融数据终端外服务专业人士外，也可直接服务于企业和个人。以IBM Watson多样化收费模式为参考，简单测算，按年订阅费模式，目前券商规模可贡献年收益97亿，私募基金按管理费用分成，可贡献年收益112亿元。每年来自金融行业的收益将超过百亿规模。在短期，人工智能技术用于辅助现有业务，不会导致金融业发生根本改变。随着技术进步，未来金融知识图谱的形成将给行业带来明显震动。现阶段在人工智能领域有优先布局的技术类公司将最具投资机会。1）技术公司可通过提供智能客服、智能量化交易、生物识别工具和数据处理服务直接受益。2）金融机构技术能力有限，可通过合作方式布局智能投顾，长期有望开拓财富管理的千亿市场。3）互联网公司有强大的技术实力，使用人工智能向C端用户提供增值服务，但直接盈利的周期较长。风险因素：人工智能的技术创新不达预期风险，监管风险。投资策略。我们对Fintech细分行业首次给予“强于大市”评级，我们认为：人工智能技术类公司有望最先通过向金融机构提供数据处理和服务类工具获利，基于知识图谱的金融搜索引擎供应商将打破行业壁垒。根据以上思路，重点推荐两条投资主线：1）金融搜索引擎重点推荐同花顺；2）提供智能量化交易、智能投顾、智能客服和生物身份识别解决方案的厂商，重点推荐：金融机构IT龙头供应商恒生电子；在银行已布局人脸识别应用的佳都科技；互联网金融综合服务商东方财富；建议关注银之杰、赢时胜、东方网力、科大讯飞、神州泰岳。重点公司盈利预测、估值及投资评级目录 投资聚焦核心观点 问题1：金融业为什么需要人工智能？ 观点1：人工智能技术帮助金融业降低人力成本，提升效率，更好地维护和挖掘低单价客户的价值。 金融业低客单价客户增长，居民对金融服务的需求增加。1）据世行报告推算，年间我国银行新增初始用户1.41亿，主要为农村居民和老年人等低客单价用户。2）存量资金规模大，总体财富继续平稳增长。根据福布斯、贝恩、中国社科院的统计数据推算，2015年我国居民可投资资产规模约为120万亿，其中，高净值人士之外的可投资资产约为85万亿元，从有潜在投资需求的存量现金角度来看，我国居民拥有现金存款57.5万亿。瑞信报告预测未来5年，中国财富将继续以9.4%的速度逐年递增。3）中国居民财富配置趋向多元化。2015年我国居民金融资产目前占比40%，该比例在逐渐提升。调查显示银行理财产品、股票和基金是富裕阶层最青睐的理财产品，数据证明银行理财产品规模近10年复合增长率达到40%，公募基金管理规模自2014年至今增长100%。 客户群和服务需求的扩大催生金融业降低成本、提高效率的需求。金融行业是知识密集型的服务业，产生了大量数据并有IT基础，人工智能技术可以快速处理人与数据的关系，并批量化人与人的服务。互联网公司和金融IT企业利用技术优势，积极布局金融行业。在外部威胁，以及利率市场化、混业经营、金融牌照逐渐开放情况下，传统金融机构也需要借助人工智能提高业务效率。
问题2：人工智能在金融行业的市场空间？ 观点2：人工智能将优先用于辅助传统金融机构，包括提升数据处理效率和替代简单人工服务。2020年金融IT应用投资中，人工智能相关应用IT资本开支预计将超过200亿人民币，而智能投顾业务带来的管理费用未来可达千亿。 优先应用包括智能量化交易、智能投顾、智能客服、身份鉴定。优先使用较成熟的人工智能技术：机器学习、自然语义处理、语音和人脸识别技术。 中国产业信息网报告显示，2014年中国金融业IT应用投资规模1140亿元，同比增长5.2%，另据艾瑞咨询数据，2015年中国人工智能市场规模约12亿人民币，据此推算，目前人工智能在金融IT领域的渗透率不足1%。 2016年四部委发布目标明确指出到2018年形成千亿级的人工智能市场应用规模。 按照国家建设力度，人工智能技术成熟度，以及金融行业IT投入领先程度，保守估计，若2020年渗透率能够达到15%，金融IT应用投资规模保持5%的增速，则2018年人工智能在金融领域市场资本开支规模将达到166亿，2020年将超过200亿人民币。 智能投顾：国内智能投顾管理费用市场可达千亿。假设按目前金融资产占个人财富比例40%的水平将存量现金及存款57.5万亿再分配，并选择智能投顾的方式，将约有23万亿现金将转投智能投顾，按市场上收费的智能投顾产品0.5%左右的管理费率计算，管理费用可以达到1150亿元。瑞信预测，我国个人财富还在按12%的增速逐年增长，在金融资产上配置的比例也呈上升趋势。
问题3：人工智能技术对金融业是颠覆还是辅助？ 观点3：在短期，人工智能技术用于辅助现有业务，不会导致金融业发生根本改变。随着技术进步，未来金融知识图谱将带来至少百亿收入规模，其应用将给行业带来明显震动。 以IBM Watson对标，金融知识图谱收费模式多样，保守估计，仅知识图谱在金融行业每年就可获得百亿收入。金融搜索引擎可产生更多商业模式。 对于大型券商可按年收取订阅费，2015年证券行业人员总数达到310288人，对标Watson的Knowledge Studio产品，若按年费3万/人/套测算，券商行业贡献收益每年可达97亿。私募基金按管理费用分成，预测每年贡献收益为112亿元。 现阶段，人工智能技术提供数据处理类和客户服务类的辅助型工具和信息服务，让金融业务回归本质，用技术提高业务效率，将工作者从数据工作和重复劳动中解放。未来，基于知识图谱的金融搜索引擎会打破专业壁垒，机器将具备同时高效服务长尾客户的能力，对金融行业造成冲击。创新之处 1. 从金融IT应用投资的角度，预测了未来金融行业在人工智能的投资份额。 2. 首先提出基于知识图谱的金融搜索引擎对金融行业的重要性和影响，对标IBM Watson提出可能的商业模式，并测算其在金融机构中可获得的收益。 3. 分析金融行业人工智能技术实践中最先受益的企业类型，市场各类参与者的竞争及合作格局。我们从四个维度对传统金融机构、大型互联网公司、人工智能技术公司进行分析，将资源概括为四个维度：客户资源、技术创新能力、牌照资源、金融业务理解。投资建议 我们对Fintech细分行业首次给予“强于大市”评级。我们认为：人工智能技术类公司有望最先通过向金融机构提供数据处理和服务类工具获利，基于知识图谱的金融搜索引擎供应商将打破行业壁垒。根据以上思路，重点推荐两条投资主线：1）金融搜索引擎重点推荐同花顺；2）提供智能量化交易、智能投顾、智能客服和生物身份识别解决方案的厂商，重点推荐：金融机构IT龙头供应商恒生电子；在银行已布局人脸识别应用的佳都科技；互联网金融综合服务商东方财富；建议关注银之杰、赢时胜、东方网力、科大讯飞、神州泰岳。
人工智能技术是Fintech重要一环Fintech概述 Fintech是Financial Technology的缩写，是金融行业与信息技术融合形成的产业。Fintech不是一个全新的概念，随着信息技术的不断进步，Fintech产业中融合的技术也在不断升级，在业务模式上不断进步。目前来看，运用在金融行业中的技术主要是指：大数据、人工智能、区块链等最前沿技术。 信息技术驱动产业变革，每一次信息技术的升级都能带动劳动生产率飞跃式提高。在金融业中，信息技术可以有效降低个人和小微企业的征信及资金分配的边际成本，大幅度提高“信用”的量化效率，从而服务于长尾客户。 Fintech领域之一就是互联网、移动互联网和金融的结合，即互联网金融，人工智能和互联网对金融行业产生的影响各不相同。从技术融合进程来看，互联网金融实现了金融行业在渠道上的技术改造，从而实现了商业模式的创新。人工智能和金融业务的结合仍聚焦于传统的金融业务，使用技术手段辅助工作，替代部分重复性的脑力劳动，最终实现工作效率的提升。全球对Fintech的关注度提升 2015年全球Fintech领域投资总额和数量都达到新高。2015年全球 Fintech领域吸收融资金额191亿美元、达成1162笔交易，较2011年的24亿美元、457笔交易分别增长逾 8倍、1.5倍。 国内超过1亿美金的大规模投资增加。根据CBinsights资料显示，国内在Fintech领域的风险投资总额从2014年的6亿美金增长到了2015年的27亿美金，投资额的大幅增长主要归因于大量超过1亿美金的交易。 人工智能概述 人工智能是跨学科、跨行业的综合性学科，尚无确定性定义。斯坦福大学教授尼尔森在《人工智能》一书中提到，人工智能就是致力于让机器变得智能的活动，而智能就是使实体在其环境中有远见地、适当地实现功能性的能力。从目前人工智能的发展方向来看，机器正在实现必须借助人类智慧才能实现的任务，包括知觉、推理、学习、交流、和在复杂环境中的行为。 计算能力、数据资源和核心算法等先决条件的成熟催化了人工智能的进步。互联网的普及和物联网的渗透率提高积累了大量数据资源，云计算和GPU（图形处理器）的大规模应用使得集中化的数据计算处理能力变得前所未有的强大，深度学习带来算法上的突破，使得复杂任务分类准确率大幅提升，从而推动了计算机视觉、机器学习、自然语言处理、机器人技术、语音识别技术的快速发展。 大量深度学习平台和框架的开源推动行业快速发展。人工智能平台、工具包和框架的开源大幅降低了开发深度学习系统的相关应用门槛。 Google、Facebook、百度和微软等科技巨头公司先后开源其人工智能平台，许多深度学习框架也逐渐开源，世界各地的开发者们可以免费获得优质机器学习算法源码，开源软件可以让规模更小的组织用先进的算法和代码进行试验。2016年3月，两位退休的对冲基金的金融工程师（此前没有使用人工智能软件工作的经验），设计了根据核磁共振成像（MRI）图片诊断心脏病的算法。尽管这些创新者对人工智能较为生疏，他们仍然可以从开源网站GitHub下载软件，设计推动产业变革的应用。 人工智能应用价值巨大，至2020年，全球人工智能市场空间可达千亿。BBC相关预测显示2020年全球人工智能市场规模将达到183亿美元，约合人民币1190亿元，年增长率约为19.7%。市场研究公司Stratistics MRC估计全球人工智能市场有望以超过25%的复合率增长至2022年约400亿美元的规模。其中，亚太区是其中增长最快的地区。IDC在其全球半年认知和人工智能系统支出指南中指出，各个行业的认知系统和人工智能的支出将从2016年的近80亿美元增加到2020年的470亿美元，人工智能解决方案的市场将在年的预测期内实现55.1％的复合增长率。人工智能适用于金融业金融业对数据的强依赖性为人工智能的介入做好了准备 金融业对数据极其依赖。金融业需要从大量数据中评估风险和做出投资决策。根据麦肯锡的研究，金融业和保险业的工作者的一半时间都花在了处理和收集数据上，这是各种行业中比例最高的。
金融机构在开展业务的过程中积累了海量的高价值数据，其中包括客户身份、资产负债情况、资金收付交易等数据。BCG研究报告统计，以银行业为例，其数据强度高踞各行业之首—银行业每创收100万美元，平均就会产生820GB的数据。彭博社指出，金融服务以及使用互联网服务等数据密集型的行业可能会首先迎来人工智能的冲击。用于识别模型的机器学习和深度强化学习等工具可以更容易地被应用在数据丰富的垂直领域。 金融行业的数据强度在一定程度上决定了金融机构的技术强度。BCG数据显示，以银行业为例，在海外成熟市场，银行平均将营业收入的8%左右投入IT系统建设；而这一比例在国内稍低，但也可达到3%左右。BusinessInsider 报道，高盛33000名全职员工中，9000名是工程师和程序员，这比例如Facebook和Linkedin等互联网巨头的IT员工人数都要多。 国内金融牌照逐渐开放，互联网公司和金融IT企业积极布局金融行业，进一步推进技术进步。一方面，金融IT提供商通过直接申请牌照、间接收购或参股有牌照公司或者进行紧密业务合作等方式，开始布局金融业务。另一方面，大型互联网公司为丰富生态，也积极布局金融业务。2016年上半年，平安集团旗下一站式投资理财平台陆金所，京东集团旗下子平台京东金融，以及阿里巴巴旗下互联网金融公司蚂蚁金服完成融资。中国居民对金融服务的需求提升 存款进入低利率时代，房地产投资进入长周期，占财富配置品种一半以上的房地产和储蓄配置转移到大类资产。根据中国社科院统计，2014年中国居民总资产达到了253.7万亿，其中金融资产为103万亿，房地产、汽车等非金融资产为150万亿。受经济社会各方面因素影响，我国居民长期以来形成了“重储蓄、轻投资、轻配置”的特点；在投资方向上，“以房养老”的观点和保守的投资理念。 存款进入低利率时代，房地产投资进入长周期，资金寻找其他投资标的。利率市场化使得存款的投资回报率大幅降低；人口结构变化、不动产登记实施临近、限购并未完全解禁、购房投资机会成本较高，房地产投资进入长周期。 更多的个人居民需要金融业服务，我国居民的资产配置向资本市场产品、理财产品、保险等金融资产转移。2014年至今，我国公募基金的资产管理规模已经增长超过100%，基金数量增幅也超50%。从2007年到2016年，银行理财规模的年复合增长率高达40%。银行业理财总规模在2015年底达到23.5万亿元人民币，2016年一季度超过了26万亿人民币。 贝恩咨询的《中国私人财富报告2015》指出，年，2015年中国个人持有的可投资资产总体规模预计可达到129万亿人民币，年年均复合增长率达到16%。规模增长率低于整体增长率的可投资资产为：现金及存款、投资性不动产；规模增长率高于整体增长率的可投资资产为：保险、境外投资、银行理财产品、资本市场产品。金融机构需要提高效率服务低客单客户 我国银行用户进一步增加，初始用户大部分为来自农村居民和老年人的低客单价用户。世界银行2015年发布的《全球普惠金融指数》中提到，中国的银行账户拥有者相对全部成年人的比例从2011年的64%飙升至79%，其中大部分来自农村居民和老年人。按照2011年第六次人口普查数据，我国15-59岁人口约9.4亿，推算3年间银行新增初始用户增加1.41亿。 利率市场化加速金融业竞争，银行收入结构需要调整。自2014年第4季度起，国内银行的净息差就在不断下降。2015年10月中国人民银行决定对商业银行和农村合作金融机构等不再设置存款利率浮动上限，这是国内首次开放存款利率上限，利率市场化接近完成。比较各上市银行的营业收入结构可见，净利息收入依然是主要来源。然而，为了应对利率市场化的挑战，各上市银行均大力推动转型，加快中间业务的发展，手续费及佣金收入为主的非利息收入占比持续上市。 证券行业面临日益增加的业绩压力。随着市场行情回落，证券行业2016年上半年业绩较2015年出现较大幅度回落。从收入构成变化情况看，对小客单价客户的争夺日趋激烈。一方面，由于我国A股散户占主导的格局在相当长时间内仍会维持，经纪业务收入未来仍将占据券商总收入最重要部分，券商仍需要巩固和扩大传统经纪业务收入。而目前随着行业交易佣金费率不断降低，以及一人多账户的放开，各家券商对散户资源的争夺将日趋激烈。以智能交易、智能客服、智能识别为代表的创新性人工智能产品能够为广大长尾散户提供更为便捷和个性化的服务，极大增强用户体验，将成为维系散户资源、增强粘性的重要法宝。另一方面，投资顾问和投资咨询业务比重呈逐年上升趋势，也体现出广大客户对定制化投资方面的需求日益增加，也将使得以智能投顾为代表的人工智能产品具有更广阔的市场前景。
人工智能已经开始运用在金融行业 人工智能在金融行业可以在相对短期看到机会 2016年四部委发布目标明确指出到2018年形成千亿级的人工智能市场应用规模。发改委、科技部等4部门5月联合印发《“互联网+”人工智能三年行动实施方案》。方案提出，到2018年，打造人工智能基础资源与创新平台，人工智能产业体系、创新服务体系、标准化体系基本建立，基础核心技术有所突破，总体技术和产业发展与国际同步，应用及系统级技术局部领先。在重点领域培育若干全球领先的人工智能骨干企业，形成千亿级的人工智能市场应用规模。 IDC数据显示，在2016年人工智能应用近80亿美元的全球收入中，银行作为投资最多的行业，贡献近15亿美元。IDC报告指出认知计算在银行、证券和投资、制造等行业中可以看到短期机会。在这些领域希望从大量非结构化数据中获得洞察力；具备对创新技术的开放性；认知计算的价值定位很好地符合行业主管的优先事项。例如，认知技术被用于银行业来检测和打击欺诈，这一直是银行业的最大痛点。 目前我国金融业人工智能渗透率尚低。中国产业信息网报告显示，2014年中国金融业IT应用投资规模1140亿元，同比增长5.2%，另据艾瑞咨询数据，2015年中国人工智能市场规模约12亿人民币，据此推算，目前人工智能在金融IT领域的渗透率不足1%。 2020年金融IT应用投资中，人工智能投资规模预计将超过200亿人民币。考虑未来国家在人工智能的投入建设力度，机器学习等人工智能技术以开始成功应用，以及金融行业IT建设的领先基础，保守估计，若2020年渗透率能够达到15%，金融IT应用投资规模保持5%的增速，则2018年人工智能在金融领域市场规模达到166亿，2020年将超过200亿人民币。人工智能在金融领域最广泛使用的技术机器学习、自然语言处理将最先得到应用 从人工智能技术生态中——基础层、技术层、应用层——三者的关系来看，在金融领域最先获得应用的技术应该是人工智能中最成熟的技术。 人工智能目前发展最成熟的技术是机器学习、自然语言处理技术。从Gartner2016新兴技术成熟曲线可以看出，机器学习和自然语言问答是近2-5年就将实现的。 机器学习是实现人工智能的重要方法。机器学习主要研究计算机如何模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习应用类公司是受资金支持最大的。据Venture Scanner的统计全球各类人工智能公司，机器学习应用类公司在2016年第一季度达到约250家，数量排名第一，相应获得的融资总额也是最多的，超过了25亿美元。 深度学习是近年来人工智能的重大突破。深度学习又称深层神经网络（CNN），是机器学习领域重要分支，由Hinton等人在2006年提出。深度学习由人工神经网络模型发展而来，“深度”指模型的层数以及每一层的节点数量与人工神经网络相比有了很大程度的提升。深度学习的算法和网络结构的创新是近年来人工智能的重大突破之一。 大数据和深度学习成功运用于人脸识别。深度学习需要海量的数据对模型进行训练，2015年底 ImageNet大赛中，微软亚洲研究院使用高达152层的神经网络，以绝对优势包揽图像分类、图像定位以及图像检测全部三个项目的冠军，识别错误率降低至3.57%，优于人眼的错误率（约5.1%）。在现实环境中，人脸识别等领域已达到或超过肉眼识别水平，语音识别已经可以满足多种发言需求，技术进步带动线上身份验证进入普及阶段。 自然语言处理应用空间大，可以应用在新闻资讯写作、翻译、搜索应用等活动中。自然语言具是计算机科学与语言学的交叉学科。致力于让计算机理解人们日常所使用的自然语言，并在与人对话的过程中，用自然语言进行交流，使对话内容能进行的信息传递以及认知活动。自然语言处理从文本中提炼出核心信息，计算机可自主解读出含义，做到对文本的“理解”能力。例如自动识别文档中被提及的人物、地点等，或将合同中的条款提取出来制作成表。中投顾问《年中国人工智能行业深度调研及投资前景预测报》认为，自然语言处理/生成将开启人机交互新界面，也是其他许多AI应用的基础，到2025年市场规模达300亿美元。金融行业在人工智能技术的主要应用
目前在金融行业较成熟的应用主要有智能量化交易、智能投顾、智能客服和生物身份识别，这些新技术应用一方面优化了信息的市场提供机制，并将后台数据分析工作标准化，主要用于辅助金融行业的专业人士。另一方面，是用机器代替人工进行标准化的前台服务和沟通。将AI作为投资过程的一部分——智能量化交易 传统的量化交易是指分析员们对财务、交易数据进行建模，分析其中显著特征，利用回归分析等传统机器学习算法预测交易策略。计算机模型需要数据科学家的介入，使用计算机来建立一个大型的统计模型。这些模型相当复杂，但是相对来说是静态的模型。随着市场变化和时间推进，模型精准度降低。在Preqin的研究中，典型的系统化基金的收益并没有比人工操作的基金效益好。 通过自然语言处理对非结构化数据进行处理，提升数据的深度和广度。从各个源头去采集数据的话，需要做很多工作，这部分占了量化模型实现的一半以上的工作量。机器学习、自然语言处理提升了对非结构化数据的处理能力，提升数据采集的深度和广度。 利用机器学习进行数据模型训练，发现更多有效因子。智能量化交易能够使用机器学习进行回测，不断自动优化投资策略。传统的量化投资方法往往严格应用事先设定好的策略，它的基本假设是现在的相关性会无限持续下去，不适应瞬息万变的市场。 使用人工智能技术的量化基金表现优异。在国内，同花顺机器人智能投资实盘账户自2014年以来累计回报率为470.2%。长信量化先锋混合作为市场上较早的主动量化基金之一，该基金通过模型智能选股，在量化产品里表现亮眼。截至日，长信量化先锋混合近一年的收益率为64.39%，居同类1146只基金第3。 在国外，人工智能量化基金也取得了不错的成绩。 各种形式的人工智能技术逐渐成为量化交易的一部分。2012年以后，由于大数据技术成熟，以机器学习为核心的人工智能技术在证券投资领域得到认同和飞速发展，包括Renaissance technologies、AIDIYIA、CerebellumCapital、CmmEq、Castilium、Binatix、Sinai、KFLCapital等多家全球著名资产管理公司开始运用人工智能技术进行证券投资。Bridgewater合伙人和Point72资产管理也开始转向人工智能自动交易方向。2016年9月，百度金融科技将与易方达基金展开战略合作，共同探索人工智能及机器学习技术在资产管理领域中投资决策、资产管理、交易技术等多方面的前沿应用，并将共同推出一支主动量化基金。 新成立的主动量化投资基金数量明显增加，国内量化投资基金占比有明显提升空间。仅从公募基金数据推测，Wind显示，年至今成立的主动量化基金分别为4只、16只和18只，目前59只主动型量化基金总规模约为450亿，相比2016年第三季度公募基金8.83万亿来说微不足道。 专业投资者自建或使用开放量化交易平台，高质量的数据资源将成为各类平台刚需。国内开放量化交易平台有优矿、米筐、聚宽、京东量化等，均发展迅速，主要优点是提供优质数据进行模型回测，但有投资策略被泄密的安全性隐患，因此机构投资者多自主研发量化交易平台，但无论是开放还是自建量化平台，对于使用高质量数据来回测的需求是共同的。低成本的财富管理服务——智能投顾 智能投顾根据个人投资者的风险偏好、财务状况与理财目标等特征，运用智能算法及投资组合理论模型，为用户提供智能化的投资管理服务，并持续跟踪市场动态，对资产配置方案进行调整。 无论是在美国还是中国，低费率低门槛是让智能投顾大受欢迎的核心原因。相对于智能量化交易多为专业金融人员使用，智能投资顾问则是服务长尾客户的人工智能工具。人工智能技术可以完全代替或部分取代昂贵的财务顾问人工服务，将投资顾问服务标准化、批量化，降低服务成本，进一步降低财富管理的费率和投资门槛。 在美国，智能投顾的突出优势是极低的费率和门槛资金，财富管理的服务群众由高净值客户拓展至普通民众。美国第三方资产管理公司投顾费用高，根据AdvisoryHQ统计，2016年5万美元资产一年的平均管理费用约为590美元，管理费用率约为1.18%；对于非资产管理的客户，投资顾问的咨询费用约为120到300美元/小时。而智能投顾平台低成本优势突出，如代表公司Bettement无资产管理门槛金额，且收费费率为0.15-0.35%，大幅低于资产管理公司的管理费用率。 在美国多种因素推升智能投顾的应用价值。美国有12.4万亿的巨量养老金规模强制个人投资者参与管理，然而美国民众对华尔街的信任降至冰点，法规增加了投资顾问约束，人工投资顾问的成本提升。截止2016年6月，美国养老金规模达24.5万亿美元，其中7.5万亿美元个人退休金账户（IRAs）及4.9万亿美元401(k)计划需要个人投资者参与管理。据Corporate Insight的统计，截止2015年年中，美国智能投顾公司管理的资产规模已超过210亿美元。根据A.T. Kearney公司预测，美国智能投顾行业资产管理规模将从2016年的3000亿美元增长至2020年的2.2万亿美元，复合增长率将达到68%。根据花旗银行的最新研究报告，在未来10年的时间里，它管理的财产还会呈现指数级增长的势头，总额将达到5万亿美元。 全球最大的基金公司之一Fidelity也参与到智能投顾队伍中，发布的最新智能投顾Fidelity Go专门针对年轻人提供投资理财以及退休金计划的服务。 我国市场不具备美国智能投顾火爆因素，但智能投顾低费率低门槛，普遍适用于逐渐增高的居民大类资产配置需求。但随着国内居民对大类资产配置需求的提升，网民对余额宝等理财产品接受度提高，国内智能投顾市场也充满机会。 若我国私人可投资资产中存量现金和存款充分利用智能投顾理财，国内智能投顾市场空间可达千亿。福布斯的《2015中国大众富裕阶层财富白皮书》指出，2014年我国私人可投资资产规模为106.2万亿，年增长12.8%，其中现金存款57.5万亿。根据访谈，银行理财产品、股票和基金是受访大众富裕阶层最青睐的三种理财产品，房地产投资不再受宠，首次下降到第四的位置。 国内智能投顾管理费用市场可达千亿。假设按目前金融资产占个人财富比例40%的水平将存量现金及存款57.5万亿再分配，并选择智能投顾的方式，将约有23万亿现金将转投智能投顾，按市场上收费的智能投顾产品0.5%左右的管理费率计算，管理费用可以达到1150亿元。瑞信预测，我国个人财富还在按12%的增速逐年增长，在金融资产上配置的比例也呈上升趋势。 传统金融机构、互联网公司更具流量优势。目前，国内公开宣传已经或将要上线具有智能投顾功能的平台已近40家，包括金融机构、互联网公司、金融IT公司以及创业公司。这些投顾产品准入门槛由百元至50万元以上不等，目标客户由高净值人群到小资白领都有覆盖，数量还在不断增多。传统金融机构、互联网公司已经保有足够的客户量，变现相对更加容易。 及时和前瞻性的客户关怀——智能客服 智能客服可以高效高质地处理并发投诉和咨询，提高服务长尾能力，降低人工成本。网易在其智能客服网易七鱼的产品发布会上表示，经测试，网易七鱼可以为企业节省超过85%人力客服成本。在人工智能的帮助下，蚂蚁金融集团的智能客服可以基于用户数据来做总结个性化疑问点，不但能解决同质化重复问题，还可以给用户特点问题给予更精准的回应，2015年双十一，蚂蚁金服95%的远程客户服务已经由大数据智能机器人完成。同时实现了100%的自动语音识别，蚂蚁金服客户中心整体服务量超过572万人次，同比增长了150%。 人工智能已可以做到帮助预测客户情绪。苏格兰皇家银行RBS最近已经宣布，将引进人工智能程序（Luvo）用于协助消费者投诉。程序拥有人工个性，模仿了人类特征，比如友善、共情以及理性。Luvo 也能从错误中学习，猜测一个人的情绪状态。 企业客服市场迎来高增长，客服厂商产品功能正在向智能化发展。易观国际统计报告显示，向企业提供一体化客服解决方案的SaaS客服市场规模2017年将达到680亿元，3年复合增长率为37.78%。 客服市场厂商产品功能向开放架构、智能化和具备高并发能力的方向发展。智能化客服将以大数据为支撑，基于关键字、ID、路径等方式进行客服需求的智能分配，提升客服信息处理效率，机器人客服将大大减少企业客服人力资本投入。 远程获客的最优手段——身份认证 身份认证主要通过人脸识别、虹膜识别等生物识别技术快速提取客户特征，人脸信息易于采集、难以复制和盗取、自然直观，是目前银行使用较多的技术。 人脸识别实现了客户“刷脸”即可开户、登录账户、发放贷款等，让金融机构远程获客和营销成为可能。从客户角度看，人脸识别技术直接应用于客户服务，给予客户最直观的服务体验，节省业务时间，有助于快速提升客户满意度。从金融机构角度看，面向客户服务的人脸识别应用可节省人力资源，视频数据易于存储，可以全网利用和重复使用，也是激烈竞争中的一种个性化服务手段。 人脸识别技术可成为银行安全防控手段的优先选择。银行的安防难点之一是在动态场景下完成多个移动目标的实时监测。人脸识别技术在银行营业厅等人员密集的区域可有效实现实时多目标在线检索和比对，在银行库区、ATM自助设备场景下，都与广泛应用。 智能识别需要借助专业设备，其软硬件研发需要较强专业性，一般金融机构不具有相关软硬件一体化研发的能力，一般采取外部采购的形式获得相关产品。例如，佳都科技旗下的云从科技拥有人脸识别核心技术已经与中国银行、农业银行、建设银行等金融机构开展合作。 预计生物特征线上身份验证2016年市场空间达到28.3亿元，复合增长率超过200%。目前金融机构多用人脸识别开展业务，在未来将扩展更多的生物识别方式，生物识别身份验证市场从商业模式上，目前还处于探索阶段，由于身份验证具有基础服务属性，看好未来按次数或交易额收费模式。根据央行发布《2015年支付体系运行总体情况》，2015 年银行业网上支付交易金额2018.20万亿元，同比分别增长46.67%。保守预计未来三年内网上支付额度保持40%复合增长率，假设生物识别身份验证按照万分之一的收费率，预计2016年市场空间达到28.3亿元，复合增长率超过200%。
人工智能在金融行业发展基石——知识图谱技术知识图谱已被各大巨头使用 知识图谱可以连接碎片化的信息，得到的一个关系网络，建立知识图谱，就拥有了一个巨大的知识库，以及衍生各种上层的智能应用的能力。知识图谱旨在描述真实世界中存在的各种实体和实体间的关系，知识图谱可以被看做是一张巨大的图，节点表示实体或概念，边则由属性或关系组成。 知识图谱可以让机器像人类一样具有逻辑思考，将数据升级为智慧。大数据给了我们一个知识的基石，充足的样本量，但是这实际上离我们真正的提取信息，掌握知识，运用智慧去解决甚至创造还有一个距离。在知识图谱中，数据之间是根据推理和规则相连的。 知识图谱可以实现知识的追溯，由知识图谱得到的结果会有严密的推理过程，被抽取的数据源也会被记录。舍恩伯格在《大数据时代》一书中写道：“我们没有必要非得知道现象背后的原因，而是要让数据自己发声。”人工智能的机器学习也没有知识管理系统，所以并不擅长推理。然而，知识图谱一旦建立，数据和数据之间的关系都被记录下来，就具备了逻辑基础，可以进行深入的推理来产生结果。 知识图谱技术已被各大科技巨头运用。知识图谱这个概念最早由谷歌提出，与谷歌大脑一起是谷歌的两大重要技术储备之一，用来支撑下一代搜索和在线广告业务。谷歌之后，百度、搜狗都在构建大规模知识图谱提高搜索性能。Facebook也利用知识图谱技术构建兴趣图谱，用来连接人、分享的信息等，并基于此构建了graph search。苹果的SIRI使用了语音交互方式，但支持自然语言自由沟通的前提是也是知识图谱的庞大的知识库和知识库的各种服务，IBM近年来一直在推动认知智能和智慧地球的理念也和知识图谱有关。 金融知识图谱展现推理投资分析过程 金融决策需要大量数据支持和逻辑推理过程，金融知识图谱提供了从关联性角度去分析问题的能力，将规则、关系及变量通过图谱的形式表现出来，进行更深层次的信息梳理和推测。金融领域的数据具有开放性，多样性，且文本、数据的时间特征很强。金融知识图谱的实体可以是投资机构、投资人、企业等等，实体不是简单的字符串，实体包含了与之相关的各种信息，比如地域属性和分类属性等。图谱数据包含了实体间的关系，可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系，或者高管与企业间的任职等关系。业务逻辑可以参考过往案例，专家对行业的理解，投资的逻辑，风控的把握等得到。 知识图谱可以用于反欺诈等信用评估手段可以帮助金融机构减少坏账率，改善盈利水平。知识图谱本身就是用来表示关系的，整合借款人的基本信息（比如申请时填写的信息），还可以把借款人的消费记录、行为记录、网上的浏览记录等整合到整个知识图谱里，从而进行分析和预测。这种直观的表示方法可以帮助我们更有效地分析复杂关系中存在的特定的潜在风险。 通过知识的可追溯实现智能搜索及可视化展示，我们可以解析一个投资建议的分析过程。对于每一个搜索的关键词，我们可以通过知识图谱来返回更丰富，更全面的信息。比如搜索一个人的身份证号，我们的智能搜索引擎可以返回与这个人相关的所有历史借款记录、联系人信息、行为特征和每一个实体的标签（比如黑名单，同业等）。通过可视化把复杂的信息以非常直观的方式呈现出来， 使得我们对隐藏信息的来龙去脉一目了然。 基于知识图谱的金融搜索引擎具备降维攻击能力 基于知识图谱的金融搜索引擎利用非结构化数据可以辅助我们做出价值判断和风险评估。相比传统的金融终端，知识图谱给出的投资决策辅助包含了非结构数据，IDC数据显示，企业中80%的数据都是非结构化数据，这些数据每年都按指数增长60%。 金融搜索引擎替代金融数据终端，为专业投资人士节省工作步骤，缩短决策时间。专业人士使用的Bloomberg、Wind等数据终端只解决了信息和数据的问题，并没有解决信息过载后的整理分析问题。金融搜索引擎节省了选择函数、建立模型的逻辑表达步骤，初级的价值判断和风险评估在被交付给机器处理。智能搜索引擎可以辅助量化交易，快速给出投资决策，缩减事件性投资的反应时间。推理过程的回溯可以辅助分析师进行投研报告的编写，减少人力密集的研究工作投入。 搜索引擎提供的自然语言问答的交互方式更加友好，打破金融的专业壁垒，适用人群将向非专业投资群体扩张。知识图谱数字化了专业人士的投资模型和推理过程，是一个巨大的策略库，无需生成思考过程，通过自然语言就可以提取策略。 金融搜索引擎形成一个闭环生态，在不断被使用中，对知识图谱进行调整和更新。Kensho公司的Warren平台能够实时的回答投资者所提出的复杂的金融问题，并且可以快速、大量的进行各种数据处理分析工作。Kensho在高盛的主要客户群是那些在银行交易大厅里的销售人员。Kensho的软件不断地调整并扩展这些建议的搜索词条，这一切几乎无需人力干预。 基于知识图谱的金融搜索引擎是金融领域的Watson，可以输出多种金融服务，用户名从金融机构拓展至企业和个人。IBM介绍时说“Waston是一个集高级自然语言处理、信息检索、知识表示、自动推理、机器学习等开放式问答技术的应用”。IBM将Watson的能力分割成许多不同的部分，每个部分可以被租赁用来解决特定的商务问题，比如语言识别服务，总共有40多种不同的产品。基于知识图谱的金融引擎集数据、分析、搜索、投资工具于一体，一方面可以取代金融数据终端为专业人士提供服务，另一方面也可以为商家、个人等提供投资建议、征信信息等各类服务内容。 金融业巨头们投资潜在影响最大的竞争对手，大数据独角兽将知识图谱作为重要分析工具。Kensho成立于2013年5月。2014年11月，高盛向金融数据服务商Kensho投资1500万美元。Kensho的股东还包括富达投资、谷歌和中情局风投部门IQT跟投。大数据独角兽Palantir曾推出一个基于知识图谱的金融数据分析平台—Palantir Metropolis，可以整合多源的量化资料，并提供一套方便易用的分析工具来满足复杂的研究需求。英国公司Garlik利用核心技术之一是大规模语义数据库进行个人信用记录、信用盗窃的分析。 基于知识图谱的金融搜索引擎——百亿空间可期 以IBM Watson对标，金融知识图谱根据使用对象不同，收费模式多样。因为知识图谱在功能上有望替代金融数据终端，对于大型券商可按年收取订阅费，2015年证券行业人员总数达到310,288人，对标Watson的Knowledge Studio产品，若按年费3万/人/套，券商行业贡献收益每年可达97亿。 金融知识图谱对于私募基金等中小金融机构，可按管理费分成或使用频次收费。以IBM Watson为例，对于需要高容量的重复性活动如呼叫中心的技术支持，则以低廉的价格按次收费（每次3美分）。2016年6月，私募基金管理规模为7.47万亿元，若仅按固定管理费率约为1.5%计算，其中10%为知识图谱使用费，则私募基金可贡献收益达，私募基金管理费用为112亿元。 金融搜索引擎可产生更多商业模式。垂直行业搜索引擎可行的商业模式有：依靠提供更多更全资讯，依靠流量获得广告收入，广告收入毛利高，市场空间大，2014年，谷歌的广告收入高达590亿美元，广告业务毛利约360亿美元，毛利率61%。2015年中国搜索广告支出总额达到149.0亿美元，年增长32.8%。另外，部分垂直行业搜索引擎依靠提供该垂直行业用户所需要的服务获得收入，或者分销其上游的垂直行业网站的产品，分销其产品服务获得分成收入。保守估计，仅知识图谱在金融行业每年就可获得百亿收入。人工智能短期将提升金融机构效率，知识图谱技术有望形成颠覆 金融业有大量“脑力体力劳动”可以被机器替代。根据牛津大学的论文以及相关研究，就业前景因行业不同而有明显区别，研究表明，在金融业中工作受到自动化威胁的风险比任何技能型行业都高，约为54%。金融业重要的两个方面——风险评估和投资决策——都建立在信息处理的程度上。机器学习将把一些交易员、分析师、还有其他产业雇员推离他们目前的岗位。机器将取代更多人的重复性工作，让人可以从劳动密集型的工作中解放出来，释放人力去做更具有价值的事。《机器中的幽灵：金融市场中的人工智能、风险及监管》是Euromoney Institutional Investor Thought Leadership 的一项调查报告，他们对全球金融机构中的 424 名高级管理人员进行了调查问卷，研究人工智能和机器学习在金融市场的风险以及监管问题。报告显示接近 70% 的人认为，人工智能在 15 年内会给他们自己的工作带来彻底或很大程度上的改变。 从目前人工智能可以提供的应用来看，主要是辅助工作和替代人力，增强服务长尾客户能力。在Euromoney Institutional Investor Thought Leadership对424名金融高管进行的访谈调查中，64%的被访者认为，机器学习的使用将给金融市场竞争带非常积极的影响。无论是智能客户、智能投顾、或是人脸识别开户，都是为了更好的和个人客户沟通、发现个人客户金融需求。在CBinsights做的调查中显示，更多的亚洲机构认为，Fintech公司补充了现有金融机构获得市场份额和长尾客户的能力，中国银行更聚焦于服务中小企业。 未来，基于知识图谱的金融搜索引擎将会对传统金融行业造成冲击。基于知识图谱的金融搜索引擎是金融领域的Watson，可以输出多种金融服务。基于知识图谱的金融引擎集数据、分析、搜索、投资工具于一体，一方面可以取代金融数据终端为专业人士提供服务，另一方面也可以为商家、个人等提供投资建议、征信信息等各类服务内容。这将打破专业壁垒，让金融服务进一步去中介化，对传统金融行业造成冲击。
传统金融机构与科技公司合作共赢 我们将国内金融领域在人工智能应用上活跃的参与者分为三类：1）传统金融机构：包括银行、券商、保险、基金公司，以及金融集团。2）大型互联网公司：主要是百度、阿里巴巴、腾讯、京东的金融业务线。3）人工智能技术公司：包括传统的金融IT公司，大数据公司，人工智能技术初创企业。 人工智能应用从研发到推广需要的资源概括为四个维度进行分析： 1）客户基础：客户基础既是业绩的来源，也是数据的源头，金融机构和大型互联网公司拥有较好的客户基础，但是结构和商业模式各不相同。但相比技术类公司，金融机构和互联网公司拥有大量的客户数据可以提供机器学习和知识图谱的构建。 2）技术创新能力：主要包括人工智能专业技术人才资源和研发资金，除国有四大行外，金融机构的信息化能力相对较弱，一般会外采成熟的解决方案。大型互联网公司有相对充足的资金和人才可以投入到前瞻技术研发。对于人工智能技术公司，目前前瞻投入负担很重，但随着计算成本的降低，机器学习算法的进步，技术类公司将获得抗衡大机构的能力。在战术上，人工智能技术公司可以瞄准某个细分领域做精做强。 3）牌照资源：从直接开展金融业务的监管情况考虑。目前牌照申请门槛逐渐放开，互联网公司和人工智能技术公司都在争取牌照，给传统金融机构带来一定威胁。 4）金融业务理解：区别于通用的人工智能技术，金融行业的专业性较强，业务流程繁多且设计严密，另外，技术创新也需要有较强的金融风险意识。金融机构在专业性上毫无疑问最有优势，互联网公司在前瞻技术的投入充足，通过人才的吸收也可以获取专业理解能力。人工智能技术公司可以分为通用型和金融IT类，以金融机构为下游的金融IT公司会对业务有较深理解。 金融机构前端布局网点机器人、刷脸开户，提供整体解决方案的技术公司将受益。对于金融机构来说，采购生物识别开户、网点机器人等非核心产品，可减少自主研发成本。从银行布局网点机器人的进度看来，前端应用布局进入需求增长期。在政策上，央行、银监会对远程开户的相关规定也经历了从严厉禁止到小心探索再到有限制开放的过程。 金融机构对Fintech创业公司的投资增长。传统金融机构，有着全面的业务线，虽然有投入于前瞻技术应用的资金实力，但也要兼顾业务的高效和稳定性。前瞻性研究需要更高信息技术实力，金融机构在IT专家的储备可以通过和科技类公司的合作或是通过收购来弥补。CBinsights数据显示，实体公司开始将金融行业的颠覆者纳入自己的投资选项，全球范围内，实体企业参与了超过25%的Fintech领域的风险投资，金融服务、电信、科技类公司明显更加活跃。在亚洲，实体公司参与了超过40%的Fintech领域的风险投资。科技公司更受益于与金融机构的合作。科技公司在对金融业务的理解、应用场景、用户数据、牌照资源和研发资金上相对薄弱，和金融机构合作可以弥补不足。并且，在应用成熟后，面向金融机构推广时更有渠道优势。在国内，券商和基金公司也开始通过合作和收购来布局前瞻领域： 随着技术成熟，下游客户需求加大，人工智能将成为软件公司必备。在未来的几年里，所有的软件应用都将具有嵌入式人工智能。其中的早期例子包括 Google Photos、聊天机器人、Google Assistant、亚马逊 Alexa 和 IBM Watson。随着人工智能的发展，普通软件的生存将变得非常困难，因为集成了人工智能的软件的具有很大的生产力差异。Gartner 的炒作周期预计智能应用还有 2 到 5 年的成熟窗口。但随着计算成本的降低，机器学习算法的进步，创新的节奏以及创业公司的颠覆性潜力将会加速。 互联网巨头在人工智能技术上具备极强优势，在金融领域利用人工智能技术增强用户体验。大型互联网公司拓展金融业务线，主要目的是完善生态，在此之上引入的人工智能技术，可以给现有客户提供增值服务，增强用户粘性。以京东“智投”为例，为投资者提供资产配置方案，引导客户在线购买京东金融代销的多种理财产品。在百度金融产品之中，依靠图像识别、数据风控技术等人工智能和大数据的运用，能够“秒批”让用户获得相应的信贷产品。
风险因素行业层面：人工智能的基础和技术创新不达预期，监管政策无法跟上应用创新。
重点公司分析同花顺：加码Fintech领域，布局智能投顾业务移动流量领先，客户资源丰富。同花顺成立于1995年，拥有20多年行业经验，作为国内老牌金融信息综合服务商，通过时间和技术积累拥有广大的用户群体和流量优势。同花顺以免费的网上行情交易客户端、网站、手机移动端进行市场拓展，提供数据分析等增值功能。在多数国内主流下载平台，同花顺稳居财经类APP下载量第一的位置，从总量看，同花顺也拥有绝对优势。作为国内目前唯一的传统证券的云联网平台。同花顺通过自身流量优势为传统券商导入了大量客户，与国内90%以上的证券公司建立了业务合作关系。行业地位资深，品牌效应显著。同花顺在互联网金融信息服务行业属于元老级企业，拥有丰富的行业积累和经验。与万德，大智慧等竞争对手比较而言，具有价格成本较低，公式系统丰富，用户体验好等优点。公司拥有45余项计算机软件著作权、69余项非专利技术，在行业内一直保持技术领先优势。旗下“i策略”平台，目前已有超过 30 家机构、200 位个人投顾入驻。公司利用现有技术、数据的积累基础上来开展新业务的探索，发挥在人工智能、金融大数据、云计算的技术上的优势，帮助投资者寻找适合自己的投资方法，并提供相应服务，增加用户黏性，提升服务附加值。产品体系完整，布局智能投顾。同花顺产品齐全，拥有基于基本面，技术面，消息面的智能投顾软件“大战略”，超级资金二代分析体系服务软件“财富先锋”，主题研报决策软件“大研究”，关注热点板块龙头的“云计算”，涨停抓取软件“短线宝”，金融数据终端“iFind”，具有增值内容的即时行情软件“Level2”等几十种产品，综合覆盖股票、期货、基金、债券、理财、量化等领域。风险因素：资本市场景气度下降风险，政府监管政策风险。首次覆盖，给予“增持”评级。公司加码Fintech领域，布局智能投顾业务，产品+资源的先天优势有望加速领跑，预测公司年EPS为2.10/2.59/3.08元，对应PE为34/27/23，首次覆盖给予“增持”评级。东方财富：金融牌照全面布局，互联网综合金融服务商崭露头角公司是国内领先的互联网金融服务平台综合运营商。通过互联网金融服务大平台，向广大用户提供主要基于互联网金融平台服务的产品和服务。公司主要业务有证券业务、金融电子商务服务业务、金融数据服务业务及互联网广告服务业务等。旗下基金销售平台提供一键投顾服务。东方财富全资子公司天天基金联合数家基金公司推出业内第一个以基金公司为投顾的投资组合产品——组合宝。该平台由多家投资机构为投资者提供最新市场观点以及最优资产配置策略，重点解决个人投资者在基金筛选上遇到的困难，以及资产配置方面的烦恼。对于个人投资者来说，用户无需支付高额的服务费用，只需一键操作就可享受到基金公司专业的投顾服务。场景+流量提升客户规模及粘性，奠定公司业务变现基础。东方财富的财经门户(东方财富网、天天基金网)为客户提供专业财经内容，社区(股吧、天天基金吧)为用户提供互动平台，金融数据终端(东方财富通、CHOICE)为用户提供交易、数据等投资服务。2016年7月东方财富网日均覆盖人数达1350万人，网民到达率为5.6%，位居垂直财经网站第一名，公司拥有庞大的客户规模并持续提升用户粘性，为公司实现持续变现提供保障。搭建完整互联网金融服务体系，金融牌照布局有序推进。在证券领域，2015年公司收购西藏同信证券（A股，现名东方财富证券）及宝华世纪证券（港股），并拟对子公司东方财富（香港）进行增资；在基金领域，公司拥有第三方基金销售平台天天基金网，并拟以注册资金2亿元投资设立基金管理公司，开展基金管理业务；在保险领域，公司拟使用自有资金5000万设立保险代理公司，切入互联网保险领域；在征信领域，公司与上海漫道金融信息服务股份有限公司共同投资设立征信公司，拟开展征信服务相关业务；在第三方支付领域，公司于2015年7月参股第三方支付公司易真网络27%股权，获得互联网第三方支付牌照。风险因素：资本市场景气度下降风险，政府监管政策风险。首次覆盖，给予“增持”评级。公司经营稳健，流量、数据、场景、牌照四大要素所构建的互联网金融服务生态圈日渐完善，变现能力强，预测公司年EPS为0.28/0.43/0.54元，对应PE为71/47/37，首次覆盖给予“增持”评级。恒生电子：转型坚决，新业务拓展良好上半年业绩符合预期，传统1.0业务增速良好。主要原因有：1）受HOMS和数米业务的影响2015H1为收入高点， HOMS和数米业务的调整影响已纳入预期。子公司恒生网络关闭HOMS，违法所得1.3亿元，若剔除该收入对2015H1的影响，2016同期收入略有增长；其次，第三方基金销售公司数米基金从2015年7月开始不再并表，公司持股比例从75%减至24%。数米公司2015年实现收入1.7亿元，净利润0.4亿元，对2015H1业绩有较大贡献。2）公司继续加大对创新业务、新技术研发的投入。2.0和3.0业务有明确战略规划，市场对公司在新业务的投入增长上有一定预期。报告期内，公司研发投入为4.5亿元，同比增长51%，为人员薪酬增加所致。3）资本市场低迷和监管趋严对公司目前占比最大的1.0业务影响较小，公司具备优势的资本市场业务收入6.1亿元，同增45%，其中经纪业务受政策影响收入增长减缓外，其余业务增长超过50%。2.0业务收入大幅下降，但业务进展良好，部分3.0业务上线。1）新经纪业务、SAAS服务等客户数量、交易量指标展示2.0业务已有一定成果；直投通、机构通、米宝等 3.0 业务投入运营，具备一定用户规模。2）上半年公司2.0业务收入同比下滑76%，从目前新业务开展情况和历史市场认可度（2015年同期2.0业务收入增长超过300%，收入占比提升至20%）可以判断，一旦监管开放，公司的2.0业务将大有可为。另外，公司目前持续进行子公司平台的员工持股，也体现出了一定的激励效果。继续看好公司作为金融IT绝对龙头的长期布局，3.0业务料将完成IT厂商从成本中心向利润中心的转变。公司产品布局金融全产业，多年构建出品牌、技术上的核心竞争力，在多个细分市场都拥有市场占有率绝对领先的产品，在金融混业趋势和金融创新发展的格局下，更有利于发挥协同优势，构建业务壁垒。公司2.0战略是将客户的IT系统上云，部分产品已布局完善，业务爆发仍待政策东风；3.0业务可以从业务支持到利用IT技术推动业务，收入的主要来源是业务合作费的分成。风险提示。新业务拓展不及预期；资本市场表现进一步恶化。盈利预测及估值。看好公司目前金融IT的标杆实力，未来3.0产品分成的商业模式料将带来业绩突破。维持公司2016-18年EPS预测0.86/1.13/1.44元，对应PE68/52/41倍。维持目标价73.8元，维持“增持”评级。佳都科技：全面布局视频智能识别，业绩上轨道收购华之源，获得轨道视频监控关键资源。华之源是中国领先的城市轨道交通通信系统解决方案提供商，为轨交公安通信系统、专用通信系统、视频监控子系统建设提供产品和整体解决方案。收购完成后，佳都科技将100%控股华之源，进一步巩固自身在轨道视频监控领域的客户资源和技术能力，拥有自动售检票系统、屏蔽门系统、综合监控系统、视频综合监控系统四大核心产品，提升在全国智能轨交通行业的竞争力。投资云从信息科技，布局人脸识别综合服务。云从科技拥有人脸识别核心技术，终端产品覆盖边防、地铁、门禁、柜台等多场景应用，并向移动互联网身份验证基础服务拓展，已经与中国银行、农业银行、建设银行等金融机构开展合作。拓展警务视频云业务，提升大数据分析能力。公司拟募集配套资金2.181亿元，其中8,810万元将投向建设警务视频云应用项目。作为智慧城市建设背景下的新一代视频大数据处理应用平台，警务视频云平台有望满足国家提出加强治安防控的要求，实现警务视频云为基础的视频大数据防控模式。设立产业并购基金和创汇投资子公司，助力外延式扩张。公司牵头筹备“佳都智慧中国产业并购基金”，并出资成立全资子公司佳都科技创汇投资有限公司。这些举措不仅可以令公司更好地开展 PPP 等业务模式下的智能安防和智能化轨道交通业务，更为其拓展跨行业业务及并购带来机遇。预计公司将加快进行外延收购，人脸识别、智慧城市、智能安防、轨交等深耕的主营业务布局将日趋完善。风险因素：全国业务布局不及预期；收购进展不及预期。维持“增持”评级。公司全面布局视频/人脸智能识别，全面收购华之源进一步打开智能轨交发展空间，投资云从科技布局人脸综合服务，募资投入警务视频云有望共享智慧城市视频监控平台联网升级红利。公司的智能安防、智能轨道业务维持高速增长，视频/人脸智能识别有望带来业务增量，传统智慧城市订单确认进度延缓，略下调其2016-18年EPS预测为0.18/0.26/0.34元（原EPS预测为：0.20/0.28/0.36元），对应PE55/39/29倍。维持“增持”评级。具体分析详见中信证券研究部近期发布的计算机行业---Fintech系列报告特别声明本资料所载的信息仅面向专业投资机构，仅供在新媒体背景下研究观点的及时交流。本资料所载的信息均摘编自中信证券研究部已经发布的研究报告或者系对已发布报告的后续解读，若因对报告的摘编而产生歧义，应以报告发布当日的完整内容为准。本资料仅代表报告发布当日的判断，相关的分析意见及推测可在不发出通知的情形下做出更改，读者参考时还须及时跟踪后续最新的研究进展。本资料不构成对具体证券在具体价位、具体时点、具体市场表现的判断或投资建议，不能够等同于指导具体投资的操作性意见，普通的个人投资者若使用本资料，有可能会因缺乏解读服务而对报告中的关键假设、评级、目标价等内容产生理解上的歧义，进而造成投资损失。因此个人投资者还须寻求专业投资顾问的指导。本资料仅供参考之用，接收人不应单纯依靠本资料的信息而取代自身的独立判断，应自主作出投资决策并自行承担投资风险。
TA的最新馆藏
喜欢该文的人也喜欢}