您好,欢迎访问三七文档
当前位置:首页 > 行业资料 > 其它行业文档 > 36Kr-Fintech行业研究报告
2016年7月36氪研究院科技炼金,融汇未来——金融科技(FinTech)行业研究报告目录Contents一.金融科技(FinTech)行业概述1.1概述:FinTech1.0与2.01.2FinTech1.0时代的技术—互联网及移动互联网大数据1.3FinTech2.0时代的技术—大数据分析人工智能区块链二.FinTech投资热度与发展回顾2.1投资热度全球投资热度亚洲投资热度热门投资领域2.2发展回顾海内外对比中美对比——监管、传统金融服务体系、细分领域三.FinTech主要细分领域梳理及案例分析3.1智能投顾3.2借贷与征信3.3支付3.4案例分析智能投顾:Wealthfront消费借贷:信而富跨境支付:ABRA金融集团:蚂蚁金服金融科技(FinTech)行业概述CHAPTER1•概述:FinTech1.0与2.0•FinTech1.0时代的技术—互联网及移动互联网大数据•FinTech2.0时代的技术—大数据分析人工智能区块链436Kr-FinTech行业研究报告2016年7月金融是在不确定的环境中进行资源跨期的昀优配置决策行为,其基础原则是货币的时间价值和风险收益对等。因此,简化的金融市场模型是资本与资产之间的流动,其流动基础是风险定价。概述金融:实现资源的跨期匹配风险定价资源的跨期配置资本资产货币的时间价值、风险收益对等为实现资源的跨期匹配,终端用户(包含个人及机构)的金融需求通常包括四类:储蓄、支付、投资及融资。其中,储蓄作为昀基础的金融需求,通常由传统银行来提供服务。支付、投资和融资则是目前新平台及机构重点发力的领域。股权•股票(咨询、社区、工具、投顾)•网络基金•股权众筹借贷•P2P•网络银行•消费信贷•小额贷款保险•互联网保险•车载联网保险支付征信IT技术投融资536Kr-FinTech行业研究报告2016年7月FinTech是FinancialTechnology(即金融科技)的缩写,指金融和信息技术的融合型产业。科技类初创企业及金融行业新进入者利用各类科技手段对传统金融行业所提供的产品及服务进行革新,提升金融服务效率,因此可以认为FinTech是从外向内升级金融服务行业。和“互联网金融”相比,FinTech是范围更大的概念。互联网金融主要指互联网/移动互联网技术对传统金融服务的改变,比如网上券商开户、网上银行系统等是昀直接和昀恰当的例子。而FinTech不是简单的“互联网上做金融”,应用的技术不仅仅是互联网/移动互联网,大数据、智能数据分析、人工智能、区块链的前沿技术均是FinTech的应用基础。概述科技驱动金融服务业的重构传统金融服务互联网/移动互联网大数据智能数据分析人工智能区块链互联网银行车载联网保险移动支付智能硬件数字货币机器人分析师智能投顾征信智能资管636Kr-FinTech行业研究报告2016年7月依据基础技术与金融的融合变迁来划分FinTech的发展阶段,可以清晰的看出FinTech的概念与应用范围。我们认为,互联网金融是科技与金融相互融合的初始阶段及形态,即FinTech1.0阶段。目前,FinTech已完成了从1.0阶段至2.0阶段的过渡。金融科技的迭代演进互联网移动互联网大数据智能数据分析•大数据•云计算•智能硬件人工智能区块链Tech融合进程FinTech1.0时代的互联网和移动互联网互联网和移动互联网技术使产品在用户体验上取得了革命性的提升,金融产品更是如此。利用互联网和移动设备为客户提供线上服务,简化业务流程,优化产品界面,改善用户体验,这一策略在所有的金融科技行业都是适用的。简单来说,互联网和移动互联网技术使得产品不仅仅是界面变得好看,而是产品更加好用。除此之外,互联网及移动互联网技术使金融服务可以低成本便利的抵达用户,为更多创新性服务提供基础,使其得以实现。概述互联网特性零边际成本服务长尾用户小微投融资需求被接受网络外部性聚合更多用户政策垄断逐步降低自然垄断逐步形成流量入口产生业务协同金融服务扩展到更多场景带来的改变736Kr-FinTech行业研究报告2016年7月若将大数据分析分为四个层次,在FinTech1.0阶段,大数据技术的主要应用是集中于第一和第二层次,即数据架构和信息整合;初步进入第三层次,进行简单的初步分析和决策。•大数据架构+信息整合。建立一个收集和存储的大数据系统,加之信息整合和数据计算;•人工建模+大数据。该阶段的大数据分析通常依靠人工建模分析,加之由于传统数据分析模型对于多维度、多形态的数据存在不适用的情况,因此该类技术应用仅仅是大数据分析的初级阶段。Tech1.0FinTech1.0之大数据:数据+信息,初入分析门槛智慧决策知识发现信息整合数据架构(收集与存储)实时决策机器学习数据沙箱关系型数据整合非关系型数据整合流计算并行计算分布式计算内存计算分布式存储结构化数据集成非结构化数据集成洞察大数据分析的四个层次来源:公开资料,BCG,36氪研究院交易社交多媒体位置兴趣职业学历……836Kr-FinTech行业研究报告2016年7月金融是个强数据导向的行业。经过多年的数据发展和积累,大数据的数量、分析速度与数据种类都发生着极速的变化。可穿戴设备、智能家居等智能硬件的兴起,再次扩充了数据的维度,使得可获取的数据维度扩展到线下。目前,大数据已经发展到公司及第三方处理分析大量终端用户数据的阶段,为金融科技公司提供了良好的数据基础,进而促进了个人征信、授信、风控以及保险定价等金融领域的发展。Tech2.0FinTech2.0之大数据:多维度多层次的大数据分析GTPEZY(giga)(tera)(peta)(exa)(zetta)(yotta)数量速度静态批量处理实时种类单个数个大量结构化非机构化基础属性长期兴趣短期需求线下行为线上行为位置餐饮、购物、旅行理财、运动、社交通话、出行、消费浏览、游戏、购买搬家、出国、医疗年龄、性别、学历、地域职业、家庭、收入、身份数据的数量、处理速度以及种类的升级来源:公开资料,36氪研究院936Kr-FinTech行业研究报告2016年7月大数据分析的主要金融应用:个人征信、授信与风控个人征信、授信及风控主要是围绕借贷环节进行的,覆盖贷前评估、贷中监控和贷后反馈三个环节。贷前评估:国内个人征信试点于2015年才开始试行,昀具代表的是芝麻信用。阿里体系的交易数据以及蚂蚁体系的金融数据形成强有力的数据支撑,自主研发信贷模型可用以支持银行、小贷机构进行征信及授信活动。信贷模型的训练需要人工智能技术作为辅助,通过机器学习不断完善模型并实时校正。贷中监测:主要是通过用户在贷款期的行为数据来发现问题客户并及时报警。贷后反馈:基于用户本次贷款期间的数据,对该用户原有信贷记录评分进行补充,提升或降低其信用额度以供后续使用。大数据分析的主要金融应用:保险定价保险定价的主要场景是车险及运费险。车险:根据车主的日常行车路线、里程、行车习惯、出险记录以及车主的属性比如年龄、职业、性别等,给出适合于该车主的车险定价。其中,车载智能硬件的发展使得行车数据的的获得变得简单且准确。运费险:运费险是近年才出现的险种,电商的发展是必不可少的促进因素。运费险是“小而美”的金融产品代表。据相关资料显示,其业务量近年的增长超过100%。人工智能技术中自然语言处理和知识图谱技术也常用于借贷过程中的评估和监测。Tech2.0FinTech2.0之大数据:以信用及定价为核心的主要应用场景贷前评估贷中监控贷后反馈•验真、反欺诈•授信•用户行为•市场情况•还款记录•行为打分大数据应用借贷流程实时核保实施差异化定价、出险率预测极速核赔1036Kr-FinTech行业研究报告2016年7月大数据、云计算以及智能硬件的发展作为基础技术支撑了人工智能技术的发展,智能数据分析与决策主要是人工智能发展的产物。智能数据分析在金融领域涵盖了投资、借贷、保险和征信行业,相关技术的运用成为业务开展的基础,同时也支持了金融产品的创新,包括新型的保险及投资产品。大数据、云计算及智能硬件的发展为人工智能技术提供了基础保障将人工智能拆分为基础层、技术层和应用层三个层面,基础层作为人工智能技术的技术支持,各个细分技术必不可少,特别是大数据的发展;在技术层面,与FinTech昀相关的是机器学习和知识图谱,其次是自然语言处理;在应用层主要与计算智能领域相关,应用示例包括神经网络、遗传算法、AlphaGo等。智能化是FinTech重要发展方向简单来讲,智能化是指用计算机代替人脑来进行分析并作出决策。目前,人工智能尚在发展初期,代替人脑来进行决策尚早,但至少可以做到大规模的量化、替代部分人力分析的层面。在金融领域,人工智能主要有以下四类应用:FinTech2.0之人工智能:智慧金融的无限可能自动报告生成投资银行,证券研究人工智能辅助量化交易、征信金融搜索引擎证券研究智能投顾财富管理来源:文因互联,公开资料,36氪研究院云计算、大数据、芯片、传感器及智能硬件基础层机器学习、自然语言处理、知识图谱、图像识别、人机交互技术层计算智能、感知智能、认知智能应用层Tech2.01136Kr-FinTech行业研究报告2016年7月1.自动报告生成投行业务及证券研究业务中涉及大量的固定格式的文档撰写工作,如招股说明书、研究报告及投资意向书等。这些报告的撰写需要初级研究员投入大量的时间及精力进行数据整理以及文本复制粘贴的工作。而这些文档中,有大量内容可以利用模板生成,比如公司股权变更、会计数据变更等等。利用自然语言处理及OCR技术可以方便快捷的完成以上工作,并昀终形成文档。自然语言处理包括自然语言理解和自然语言生成两种细分技术:l自然语言理解是指将人们自然语言消化理解,并转换结构使之可为计算机进行后续处理;l自然语言生成是指将计算机处理后的拆分的结构化数据转化成人们可以理解的自然语言。OCR(光学字符识别)是针对印刷体字符,采用光学的方式将纸质文档中的文字转换成为黑白点阵的图像文件,并通过识别软件将图像中的文字转换成文本格式,供文字处理软件进一步编辑加工的技术。将年报、时事新闻及数据、行业分析报告和法律公告等材料进行消化和理解。其中对于文本中的图片需要OCR等技术进行解析。运用知识图谱中常用的知识提取与实体关联,将关键逻辑主干提取,结合时间、地点等因素,将关键信息嵌入相应的报告模板。经过处理数据和分析数据后,便可生成报告。研究员可以进行校对和二次编辑,加入观点或结论等。处理数据分析数据文章生成自动报告生成的三个步骤本报告人工智能部分内容为与文因互联联合发布,感谢文因互联对本章内容的突出贡献。FinTech2.0之人工智能—自动报告生成Tech2.01236Kr-FinTech行业研究报告2016年7月2.人工智能辅助——量化交易一直以来,量化交易都是运用计算机来进行辅助工作的:分析师通过编写模型,选取一些指标作为变量,利用机器来观察数据分布及计算结果。也就是说,计算机仅是进行了简单的统计计算。近年来,随着人工智能技术的发展,机器学习崛起。计算机可以进行海量数据的处理、分析、拟合和预测,因此人工智能与量化交易的关系也变得愈发密切。机器学习:由数据到模型利用传统的回归分析等方法来建模交易策略有两个弊端:首先,所用数据维度有限,仅限于交易数据;其次,模型可处理的变量有限,模型的有效与否取决于所选取变量的特征和变量间的组合,而这很大程度上取决于研究员对数据的敏感程度。利用机器学习技术,结合预测算法,可以依据历史经验和新的市场信息不断演化,预测股票、债券等金融资产价格的波动及波动间的相互关系,以此来创建符合预期风险收益的投资组合。然而,机器学习可能是个相对缓慢的过程,且该过程无法通过其他统计方法来提供担保行为。机器学习虽可能适用于寻找隐藏的趋势、信息和关系,但在金融领域的应用和效果仍存在较大不确定性。市场上对于金融领域的机器学习仍存在一定程度的炒作。机器学习自然语言处理知识图谱人工智能量化交易FinTech2.0之人工智能—人工智能辅助Tech2.0本报告人工智能部分内容为与文因互联联合发布,感谢文因互联对本章内容的突出贡
本文标题:36Kr-Fintech行业研究报告
链接地址:https://www.777doc.com/doc-1927328 .html