隨著大數據、云計算、人工智能等技術的迭代創新，科技與金融已經快速改變金融生態。在基金業，也正在經歷一場由金融科技主導的深刻變革。2019 年1月8日，AI智繪新金融——2019基金業金融科技峰會在上海召開，博時基金總經理江向陽出席并發表主題演講，與行業共同探索和暢想基金業的金融科技發展方向。
以下是演講全文：
大家好！近年來，Fintech成為了炙手可熱的詞匯,Fintech是以大數據、人工智能、云計算、互聯網和物聯網為核心的新一代技術革命在金融行業的體現，Fintech已經和正在改變著行業的形態和模式，未來必將對行業發展產生顛覆性的影響。
一、科技與金融的融合歷史
歷史使人明智，首先我愿意簡單回顧一下科技對金融的賦能的歷史，通常可分為三個階段：
首先是系統化階段，即通過IT系統把業務流程固化和優化，通過固化提升質量，通過優化提升效率。舉個例子，基金公司的投資交易流程通過IT系統，基金經理在系統上搭建組合，指令傳給交易部后，交易部的中央交易員進行合規風險控制并把指令分發給交易員，交易員根據市場行情將指令將委托發給交易所。這個是基金公司通用的交易流程，每一步都通過交易系統進行控制。
隨后是自動化階段。在流程化的基礎上，通過IT自動化能夠進一步提升業務運行的效率。比如在投資交易環節，目前不少基金公司都在使用算法交易，算法交易相當于機器人(300024)交易員，負責快速、低成本地實現相關訂單執行和成交。為了減少市場波動和沖擊成本對交易產生的不利影響，基金公司通常通過算法交易將需要進行交易的訂單拆細，即把規模較大的交易拆分成若干小規模交易，并且在合適的時機分別對其進行分散交易，從而降低相關交易成本，使得整個交易過程中價格可以達到最優水平。
目前是智能化階段。不管是流程化還是自動化，IT系統都是按照之前人工確定好的步驟進行業務運營，而智能化通過機器學習、知識圖譜等則能發現靠傳統人工很難發現的規律，從而大大提升業務運行的“效益”（不僅僅是“效率”）。如傳統的算法交易中，系統根據程序員事先設定的算法，監測交易信號并且執行交易。人工智能時代的算法交易包含了自動化和智能化，更強調從市場數據中學習，通過對大量歷史數據的學習，構建預測模型，優化交易算法，獲得最佳的交易表現。深度學習等新型方法可以發掘市場中的交易機會和不同的市場模式，進而獲得超額收益。J.P. Morgan的電子交易部門開發了基于增強學習的算法交易策略，可以將交易成本優化10%以上。增強學習算法也是圍棋人工智能程序AlphaGo的核心算法。
回顧歷史，我們看到科技是第一生產力，科技和金融融合的歷史，就是不斷顛覆行業模式的歷史。以交易所的形態為例，從傳統的人聲鼎沸，打手勢、寫單子、大聲報價的交易大廳，到在系統上敲單的交易員，到具備自我學習、自我進化的人工智能交易算法，科技不斷顛覆著、重新定義著行業。美國的高盛宣稱自己是一家科技公司，平安集團宣布自己的科技轉型，新的信息技術浪潮下，誰不擁抱新技術，就必將被歷史淘汰，這已經成為行業的共識。
基金公司的業務發展，要以科技創新為引領，加快新技術條件下的轉型。目前首要要解決“重視”和“資源投入”的問題。
基金公司應切實提高對金融科技的重視。對金融科技的定位，不能簡單定位在對業務的支撐與保障，而應定位于對業務的創新推動及引領作用。要提高對科技部門的要求，科技部門不能把自己定位于技術的被動實現者，而是要主動參與業務探索，主動把握業務需求，有時甚至要比業務部門考慮的更超前、更全面。
要加大相關科技人員和財務投資。請注意，我在這里用的是“投資”而不是“投入”，我認為，對我們基金公司來說，科技更應該看作是投資而不是投入。與發達國家相比，國內基金公司的技術人員占比普遍偏低，而國外很多資產管理機構科技人員占比達30%以上，這一點差距非常大。在科技投資方面，人工智能、大數據等技術系統需求較高，有些技術需要長時間的研究才能見到成效，基金公司要建立長時間的資源投資計劃。當然，為了加快研發效率，基金公司也可以合理利用行業和外部技術資源，與優秀的科技公司合作。
二、數據已經成為重要的生產要素
當下的新技術浪潮，與之前的信息化進程相比有著明顯的特征，就是伴隨著互聯網、物聯網、移動互聯網的不斷普及，社會積累了海量的數據資源，同時伴隨著計算能力的飛躍和核心算法的出現，人類第一次具備了對海量數據進行快速、準確處理的能力，新技術浪潮的核心是數字化；從這個角度去梳理，移動互聯網、虛擬現實、物聯網、語音和圖像識別等技術可以看成是數據的接入端，重點是情景和平臺，區塊鏈技術和云計算可以看成是數據的存儲和傳輸，重點是效率、安全和公平性，機器學習技術是大數據的處理方式，核心是算法。人類社會的生產力，正在圍繞數據的產生、收集、存儲傳輸、分析和利用發生快速的飛躍和革命，數據是重要的生產要素，一定程度上，是和資本要素和人才要素一樣重要的生產要素。
#p#分頁標題#e#數字化浪潮的下的商業競爭的演進，可能會沿著場景化、技術和算法、商業模式的階段進行首先是商業形式的場景化，在這個階段，沒有信息化的商業形態迅速完成數字化，具有更多客戶流和數據流的企業逐步具備壟斷地位，大的場景平臺掌握大量的數據資源；在第二階段，大量數據催生新的數據存儲、傳輸的需求，另一方面具備對大數據快速處理核心算法能力的公司產生出新的商業服務形式，在這個階段，具備技術優勢的公司具備競爭優勢；在第三階段數據和數據處理能力的結合，產生新的商業模式。
從數據的角度來看，金融系統是最能夠與Fintech進行結合并產生價值的領域。首先，金融領域已經被充分的數據化，為大數據和人工智能的應用提供了充分的數據基礎；同時，金融行業屬于知識密集型的虛擬經濟形態，不依賴于底層物理資產，基于數字資產的算法與模型更容易落地應用。近年來，Fintech已經重塑了傳統金融的業務運作模式和流程，衍生出新的產品及服務，形成成本更低廉、風控能力更強大、運轉效率更便捷的全新的金融生態。
以數據為核心，基金公司可以從數據、算法和計算能力三個方面建設自己的人工智能等金融科技能力。這其中數據是金融科技體系的基礎和關鍵。很多金融機構都存在著數據多頭管理、系統分散建設、缺乏統一的數據質量管理流程體系問題，造成數據的完整性、準確性、及時性無法滿足應用要求，為了解決這些問題，需要從多個方面加強數據治理工作。只有通過數據治理體系建立起了公司統一的大數據平臺，金融科技才能發揮應有的作用。
三、圍繞數據的行業智能化
圍繞數據和智能算法，基金行業正在發生著以智能投研、智能風控、智能投顧、智能服務為代表的科技革命。
1、智能投研
相對于傳統手段，通過互聯網和人工智能技術可以獲取各個行業及公司發展的更多數據。這些大數據不僅數據量更大，而且維度更全、顆粒度更細，對投資研究的幫助更大。此外，基金公司可以利用多種AI技術獲取市場情緒數據，如利用網絡爬蟲和自然語言處理技術從網站、論壇、微博上獲取投資者的投資情緒數據，作為股票投資決策的輔助手段。在海外市場，衛星影像數據也被越來越多的機構用于投資。如RS Metrics是一家衛星情報分析公司，通過高分辨率衛星影像，對零售店、餐館、商場、辦公樓和其他商業地產的停車場進行監控，可以估計出它們在全國范圍內或者某一地區的客流量增長情況。RS Metrics提供的數據可以幫助基金公司了解公司基本面，預測銷售量，預估企業運營狀況。
美國智能投研先行者Kensho公司被譽為智能投研領域的AlphaGo，其核心產品Warren利用大數據和機器學習，將數據、信息、決策進行智能整合，并實現數據之間的智能化關聯，尋找事件與資產之間的關聯關系，從而提高投資者工作效率和投資能力。它的特點是快速計算能力、良好人機交互和強大的深度學習能力。
這一塊博時基金也開展了一些實踐，我們和螞蟻金服合作，開發基于大數據的指數增強基金，從這兩年的實踐來看，都取得了超越基準指數10%以上的超額收益，說明大數據因子和智能算法確實是有效的。
2、智能風控
在公司的合規與風險管理中，金融科技同樣能起到非常大的作用。這方面有兩個詞最近行業說的比較多，一個是RegTech（合規科技），一個是SupTech（監管科技）。合規科技是指行業機構用科技手段提高自身的合規與風險管理能力；監管科技是指監管部門用科技手段監督提高行業的合規與風險水平；兩者的目的是一樣的，是一個事物的兩個方面。
#p#分頁標題#e#基金公司的業務風險包括市場風險、信用風險、流動性風險、法律合規風險、操作風險。利用大數據與AI技術可以全面提高管理水平，比如基金公司可以借助自然語言處理技術從新聞、社交媒體上獲取企業的更多日常信息，對獲取到的信息進行深入挖掘，將不同的信息關聯、整合起來，構建知識圖譜。通過機器學習和知識圖譜，可以建立起每個上市公司和與其關聯度最高的上下游公司、行業、宏觀經濟之間的關系。如果某公司發生了高風險事件，可以及時預測未來有潛在風險的關聯行業和公司。知識圖譜也是我們上面提到的Kensho公司的核心技術。在流動性風險管理方面，通過客戶行為特征預測客戶的贖回行為，可以幫助基金公司進行流動性風險管理。
3、智能投顧
智能投顧近年來在美國市場快速崛起，世界知名咨詢公司科爾尼（A.T. Kearney）預測，美國智能投顧行業的資產管理規模將從2016年的3000億美元增長至2020年的2.2萬億美元，年均復合增長率將達到68%。
智能投顧的目標是根據客戶的風險收益偏好，為每個人提供個性化資產組合，利用資產配置優化理論，降低收益波動性，提高投資的風險收益比。
智能投顧業務有三個關鍵步驟：一是確定客戶的風險收益偏好，二是大類資產配置，三是基金產品選擇。在這三個步驟中，AI與大數據技術都可以發揮很大作用。如在確定客戶的風險收益偏好方面，除了傳統的通過調查問卷方式外，通過大數據建立客戶畫像可以提高對客戶風險收益偏好準確度的把握；通過機器學習可以更好把握宏觀經濟指標、重大事件與資產輪動間的關聯關系；在配置主動基金時，通過基金數據建立每個基金產品的畫像，可以更加準確把握基金和基金經理的風格特征，避免風格錯配。
4、智能服務
結合生物識別和智能遠程服務，基金行業可以服務更多的客戶，更精準的營銷服務客戶。博時基金在螞蟻金服上的財富號，累計客戶接近1000萬，每天有60多萬的客戶登錄瀏覽，這樣數量級的客戶很難想象全依靠人工服務需要多龐大的客服隊伍。目前，智能客服在基金行業已經得到非常廣泛的應用，可以承擔90%以上的客戶咨詢工作量，大大提升了服務效率，節省了人力成本。
四、挑戰和合作
以大數據和AI為代表的金融科技在基金公司業務中仍然面臨一些挑戰：
一是科學vs藝術。我們都知道，投資是科學與藝術的結合。量化投資偏科學一些，傳統主動投資偏藝術一些。人工智能與大數據技術是投資科學化的進一步發展。與發達國家資本市場相比，中國資本市場個人投資者占比較高，市場有效性較弱，使得傳統主動投資創造超額收益的機會較大，通過“科學”量化方式投資的優勢尚不明顯。
二是長期 vs 短期。資本市場的短期表現往往是市場博弈的結果，而長期表現的影響因素更多，更加復雜。在股票投資方面，行業都在研究機器學習，但根據目前國內外的研究成果，機器學習在偏長期的趨勢判斷包括選股方面所起的作用是有限的，一個很重要的原因是機器學習需要大量的數據作為學習樣本，而中國證券市場截至目前只有5000多個交易日，上市公司財報數據的頻率更低，對于機器學習來說，這不是大數據，而是小數據，不足于讓機器學習找到足夠確定性的規律。另外在經濟領域，股市中1%的信息才是有用的，大部分經濟方面的行為和信息并不能直接反映在股價上。相對而言，機器學習在偏高頻的交易環節能起的作用更明顯一些。
三是極端風險問題。人工智能、自動化與數據分析的優勢是通過大數據、機器學習能夠發現人靠自己的腦力和算力發現不了的規律或者同樣的事情比人的腦力更快。但有時候計算機跟人腦相比又過于簡單，存在盲區，導致有時候在人看來很明顯的錯誤計算機卻發現不了，這個問題在場景應用中需要特別關注，避免產生大的風險。例如在證券投資領域，目前存在大量的高頻交易，通過發掘瞬間的交易機會獲取收益。由于算法的趨同性，在市場發生特定情況下單方向風險的時候，這些機器算法可能會采取同樣的操作而同頻共振造成羊群效應，將市場風險短時間放大，這種集中爆發的機器算法風險對證券市場的穩定運行是非常不利的。
四是弱智能與強智能的問題。目前很多人工智能的應用場景智能化的程度還不高，如智能投顧平臺根據客戶的風險偏好進行大類資產配置，只是根據簡單模型進行配置，還只能說是解決了自動化的問題，還沒到完全智能化的程度，或者說只是處于“弱智能”階段。真正利用機器學習等人工智能技術還需要大量的工作。
#p#分頁標題#e#五是個人信息安全保護問題。在AI與大數據的應用場景中，有很多需要進行客戶的個人畫像，個人畫像的數據基礎是客戶的各類行為（包括消費行為、支付行為、瀏覽行為等）數據。由于這些數據很多屬于個人隱私，在數據的使用過程中，如何保證數據的安全、防止濫用是需要關注的問題。
上述諸多挑戰，本質上是兩個問題：一是金融和科技如何真正實現融合，二是風險的控制。在這兩個方面，傳統金融行業的公司和科技公司必須更加緊密的合作，新技術手段必須深入了解金融業務的細節和邏輯，必須深入的了解業務的風險，才能產生真正有價值的創新和顛覆。在這個意義上，傳統金融公司更懂得業務的邏輯，各能抓住需求的實質和行業的痛點，有更多風險管理的經驗，這些對于金融科技的發展是必不可少的，這方面博時基金愿意和廣大的科技公司共同合作，推動行業發展。
同時，科技創新也是博時的基因。博時基金從成立以來，始終將科技作為公司的核心競爭力之一，是基金行業最早建立自主開發能力的公司，并形成了有博時特色的IT文化。最近兩年，為了適應業務快速發展的需要，博時從科技治理、科技管理、技術系統、企業數據平臺等方面全面加強和提升金融科技體系建設。2018年上半年，博時基金成立了金融科技中心，進一步加強在移動互聯網、人工智能、大數據等方面的創新應用研發。博時重新開發了新一代投資決策支持系統和企業統一大數據平臺，其中，統一系統研發平臺榮獲第六屆證券期貨科學技術二等獎。
未來已來，博時基金希望與各類優秀的互聯網平臺一起，共同面對新技術的挑戰，為基金行業的轉型升級做出貢獻。
（責任編輯：任剛 HF008）
