1、第四章第四章 人工智能人工智能金融科技概论金融科技概论11.了解人工智能的发展历程及现状；了解人工智能的发展历程及现状；2.掌握人工智能的基本概念；掌握人工智能的基本概念；3.熟悉人工智能的常用算法和底层技术；熟悉人工智能的常用算法和底层技术；4.深入理解人工智能的相关案例。深入理解人工智能的相关案例。教学目标教学目标2引言 有这样一位“学习达人”，“他”的学习速度是人类的几万倍，数小时便可以获得常人一生才能获取的知识量，仅数月的学习训练就能战胜当今最强的围棋棋手！有这样一位“翻译专家”，“她”能够高速同步地将他人所述翻译成任何语言，无论是准确性还是流畅度都不逊色于学习多年的专业翻译！有这样一
2、双未卜先知的“眼睛”，城市里错综复杂的十字路口和成千上万的路段都在“它”的视野里，并能提前告诉你5分钟后、10分钟后，乃至1小时后的路况信息！路况预测准确率在 91%以上！他、她、它的背后，都有一个共同的名字：人工智能。人工智能到底是什么？能为人类做什么？我们该如何使用？它与金融是如何结合的？这些问题你都可以从本章中获得答案。3人工智能的发展历程与现状人工智能的发展历程与现状人工智能技术人工智能技术人工智能与金融人工智能与金融人工智能的未来发展趋势人工智能的未来发展趋势延伸阅读延伸阅读目录目录4第一节第一节 人工智能的发展历程与现状人工智能的发展历程与现状 5人工智能的起源 人工智能的思想萌芽
3、最早可以追溯到十七世纪由帕斯卡（Pascal）和莱布尼茨（Leibniz）提出的有智能的机器的想法英国科学家巴贝奇（Babbage）于1834年发明了分析机，是第一架“计算机器”，它被认为是现代电子计算机的前身，也被认为是人工智能硬件的前身世界上第一台电子计算机“ENIAC”由莫克利（Mokley）和艾克特（Act）于1946年发明作为一门学科，人工智能于1956年诞生，由“人工智能之父”约翰麦卡锡（John McCarthy）等人在达特茅斯学术会议上首次提出，并正式采用了“人工智能AI”这一术语1969年的举办的国际人工智能联合会议则标志着人工智能已得到了国际的认可。6人工智能的定义 人工智
4、能是关于知识的学科,是怎样表示知识以及怎样获得知识并使用知识的科学。尼尔斯约翰尼尔逊（Nils John Nilsson）人工智能就是研究如何使计算机去做过去只有人才能做的智能工作。帕特里克温斯顿（Patrick Winston）7人工智能的发展历程 1950年，阿兰图灵提出了图灵测试，据此来判定计算机是否智能。图灵测试认为：如果一台机器能够通过电传设备与人类展开对话的时候而不被辨别出其机器身份，那么称这台机器具有智能。二十世纪五十年代到七十年代初，人工智能研究处于“推理期”，那时人们着力于赋予机器逻辑推理能力，那时认为具有这一能力的机器即具有“智能”。这一阶段的代表性工作主要有纽维尔（New
5、ell）和西蒙（Simon）的“逻辑理论家”(Logic Theorist)程序以及此后的“通用问题求解”(General Problem Solving)程序等，并且这些工作在当时取得了令人振奋的结果。例如，“逻辑理论家”程序证明了数学原理中的全部定理，甚至有定理比原作者罗素（Russell）和怀特海（Whitehead）证明得更巧妙，纽维尔和西蒙也因此获得了1975年图灵奖。大量优秀的学者的投入掀起人工智能发展的第一个高潮，但也正因为这些发展初期的大量突破性进展，学者们对人工智能期望被大大的提升了，然而，接二连三的失败和预期目标落空带来的沮丧使人工智能发展步入低谷。8人工智能的发展历程 于
6、是从二十世纪七十年代中期开始，人工智能研究进入了“知识期”。在这一时期，大量“专家系统”问世，这些发明在很多应用领域都取得了显著的成果，如在医疗、化学、地质等领域都取得巨大的成功，推动人工智能走入应用发展的新高潮，费根鲍姆（Feigebaum）作为“知识工程”之父于1994年获得图灵奖。由此，人工智能实现了巨大的突破，完成了从理论研究走向实际应用、从一般推理策略探讨转向运用专门知识的重大转变。随着人工智能的应用规模不断扩大，专家系统存在的推理方法单一、缺乏常识性知识、应用领域狭窄、缺乏分布式功能、难以与现有数据库兼容等问题逐渐被暴露出来，一些学者由此想到，如果机器能够像人类一样具有自主学习知识
7、的功能该多好，之后机器学习便开始走上了历史的舞台。二十世纪九十年代中至2010年，由于网络技术特别是互联网技术的发展，加速了人工智能的创新研究，促使人工智能技术进一步走向实用化。2011年至今，随着大数据、云计算、互联网、物联网等现代化信息技术的发展，图形处理器和泛在感知数据等计算平台不断推动以深度神经网络为代表的人工智能技术飞速发展.9人工智能是否具有主体地位 距人工智能发展起步仅仅半个世纪，但是这半个世纪以来，人工智能发展速度极其迅猛,进步可以说是日新月异，但是在给人类生产、生活带来便利的同时人工智能也冲击着我们的经济、政治和文化伦理道德。因此人们产生了许多关于人工智能的争论，争论的焦点主
8、要集中在人工智能是否具有主体地位、人工智能伦理设计不同方式和人工智能对人类及其未来影响这三个方面。针对人工智能是否具有主体地位这一方面，学界在以下三个方面依然处于争论的状态。首先,在人工智能是否可能具有独立思维方面学界依然存在争论。一部分学者认为只有人具有思维、精神、心灵等,而人工智能不具备。而对此持肯定态度的学者却认为人和人工智能本质是一样的，人类所谓的思维、精神、心灵、自由意志等不过只是一种生化算法。其次，在人工智能是否可能具有自由意志方面学界依然存在争论。大部分学者都认为人具有无限性的可能性，而人工智能只是有限的存在。也有学者指出量子力学中有一个著名的实验叫做“薛定谔的猫”，在既定的实验
9、程序下可以出现不定的结果，这就为人工智能的未来带来无限的可能。10人工智能是否具有主体地位最后，在人工智能是否可能具有“人性”方面学界依然存在争论。古往今来，不少学者都对人具有社会性这一特点极为关注，许多学者认为人工智能只是一堆金属，即使最终会有思考的能力，但也不可能会有社会性，他们不可能会像人一样具有丰富的情感，不会懂得喜怒哀乐，也不会产生欲望与追求，不会理解人类的情感，通俗来说即没有“人性”，也因此无法和人类一样拥有主体地位。而不少学者却并不这样认为，他们提出这个问题完全可以在技术发展到一定程度之后加以克服，现今虚拟技术日益发达，以后可以将人工智能放入虚拟时空，人工智能可以在经过加速之后的
10、时间里获得与人类相同的，真实的社会经历，从而产生和人类一样的情感，此时人工智能便可以完全的融入人类社会。11人工智能伦理设计方式针对人工智能伦理设计不同方式这一方面，对人工智能是否具有主体地位这一问题的不同看法导致了对人工智能伦理设计不同方式的争论:认为人工智能同样具有主体地位的学者倾向于人工智能应采用自主学习、自下而上的方式学习人类的伦理道德和价值观；而对 对人工智能是否具有主体地位这一问题持否定态度的学者则认为人工智能伦理设计应采取自上而下的方式“嵌入”人类的伦理道德和价值观。学界至今针对于这两种不同的方法仍未得到一个统一的答案，现今无论是自下而上自主学习的方法和自上而下“嵌入”式的方法都
11、面临着重重苦难与挑战。因此将自主学习和“嵌入”式的方法结合起来,吸收二者的优点的同时避免二者的缺点,看起来是目前较好的选择了。12人工智能对人类及其未来影响最后一个方面同时也是当前引起最多争议的一个方面人工智能对人类及其未来的影响。现如今人工智能不仅用于工作，而且开始对我们经济、政治和日常生活都产生深远的影响，但面对人工智能的蓬勃发展，我们却不免陷入迷茫当中，因为我们无法准确地预测到人工智能未来的趋势，无法准确判断人工智能的飞速发展是好事还是坏事，其背后究竟是机遇还是挑战。认为人工智能不具有主体地位、提议自上而下的方式“嵌入”人类的伦理道德和价值观的大部分学者对此持乐观态度;而认为人工智能具有
12、主体地位、倾向于使人工智能自主习得人类的伦理道德和价值观的学者则普遍是悲观的态度。目前来说，人工智能对人类及其未来影响只能从实践的角度去看,只有随着科技和社会的发展我们才能看清人工智能和人类的未来。13国内外人工智能的发展动态首先从多个方面描绘中国人工智能的发展面貌：论文产出方面。中国人工智能领域的论文总量世界第一，但引文影响力指标（FWCI）相对落后于美国，但从占比角度来说人工智能领域论文全球占比从1997年4.26%增长至2017年的27.68%，遥遥领先其他国家。专利申请方面。中国已经成为全球人工智能专利布局最多的国家，在数量上略微领先于美国和日本。人才投入方面。近些年，在总量以及杰出人
13、才比例上，中国都显得不够出色。根据领英于2020年发布的全球AI领域人才报告显示，中国的人工智能相关人才总数也超过5万人，位居全球第七，与榜首英国的85万人以上相差甚远。14国内外人工智能的发展动态企业规模方面。中国人工智能企业数量为全球第二，北京是全球人工智能企业最集中的城市。截至2018年6月，全球共监测到人工智能企业总数达4925家，其中美国人工智能企业数2028家，位列全球第一。风险投资方面。中国已成为全球人工智能投融资规模最大的国家，根据2013年到2018年第一季度全球的投融资数据显示，中国在人工智能投融资规模上已经超越美国成为全球最“吸金”国家，但是在投融资笔数上，与美国仍有一定
14、差距。产品应用方面。中国人工智能市场增长迅速，这其中计算机视觉市场规模最大，应用范围最为广泛，语音和视觉类产品也最为成熟。伴随着算法、算力的不断演进和提升，有越来越多基于语音、自然语言处理和视觉技术的应用和产品落地。15国内外人工智能的发展动态接下来对国外人工智能发展动态进行介绍。世界主要发达国家均把发展人工智能作为提升国家竞争力，维护国家安全的重大战略，自2013年以来，美、德、英、法、日等国都纷纷出台人工智能战略和政策。各国人工智能战略各有其侧重点，美国的主要关注点集中在人工智能对国土安全、经济发展和科技领先等方面的影响；欧盟国家更为关注人工智能带来的安全、隐私、尊严等方面的伦理风险；日本
15、则希望能够利用人工智能技术推进其超智能社会的建设。16国内外人工智能的发展动态各国的重点研发领域以及重点应用领域如下表所示：重点研发领域重点应用领域 美 特朗普提出的FY2019预算要求是美国历史上第一个指定人工智能和自主、无人系统作为行政研发重点的预算国土安全领域：面部识别FLOOD APEX PROGRAM项目，可穿戴警报系统等；医疗领域：医疗影像研究和发展路线图中有提到人工智能和医学影像的协调；德人机交互；云计算；智能服务；大数据；网络安全农业领域；生态经济；智能交通；数字社会法超级计算机E-Government；医疗护理；性别平等（对女性的AI教育）英硬件CPU；身份识别海域工程；太空
16、宇航日本脑信息通信；语音识别；创新型网络建设生产自动化；物联网；医疗健康及护理；自动驾驶和无人配送17第第二二节节 人工智能人工智能技术技术 18机器学习机器学习（Machine Learning,ML)是一门多领域交叉学科，其内容涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习是人工智能的核心，是使得计算机能够具有智能的根本途径，其主要研究对象为如何设计算法使得计算机能够模拟或实现人类的学习行为以获取新的知识和技能，并且在学习过程中能够重新组织已有的知识结构使自身不断优化。其应用遍及人工智能的各个领域，主要使用归纳、综合而不是演绎的方法。卡内基梅隆大学的汤姆米切尔（To
17、m Mitchell）教授在其于1997年出版的书籍Machine Learning中对机器学习给出了一个非常专业且在学界内被多次引用的定义。这个定义如下：如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习。19机器学习一个机器学习器表现是否优良是通过误差指标来进行判断的，我们将学习器的实际预测输出与样本的真实输出之间的差距称作误差，学习器在训练集上的误差称作“训练误差”或“经验误差”，学习器在新样本上的误差则称作“泛化误差”。我们希望得到的是泛化误差较小的学习器，为了达到这一目的，应在训练样本时尽可能“学出”适用于所有潜在样本的“普遍规律”，这样
18、才能在对新样本进行判别时得到尽可能正确的结果。将对训练样本的一般性质学习的不够好的情况称为“欠拟合”（underfitting），这通常是由学习能力低下导致的。而学习器将训练样本学的太好的情况称为“过拟合”（overfitting），这是由于学习器将训练样本自身的一些特性当成了所有样本的共性，这样会导致泛化能力的下降，这通常是因为学习能力太强而导致的。20机器学习机器学习算法主要分为两类：监督学习和无监督学习。监督学习算法根据输入数据集以及已知的输入数据对应的输出结果训练模型，使模型能够为新的输入数据的响应生成合理的预测。监督学习一般包括分类与回归两种类型。分类问题的目标变量只在有限目标集中取
19、值，而回归问题的目标变量是数值型的，也就是可以从无限的数值集合中取值。常见的算法包括支持向量机（SVM）、随机森林模型、K-近邻算法、决策树、朴素贝叶斯、逻辑回归等。无监督学习算法在训练时并不提供对应的输出结果，学习器仅可以从输入数据中寻找隐藏的模式或内在结构，无监督学习中最为常见的技术为聚类，常见的算法有K均值聚类算法、谱聚类、主成分分析、EM算法等。21机器学习下对几个常用的机器学习算法进行简单的介绍：支持向量机（Support Vector Machine，简称SVM）SVM属于一种监督学习算法，于90年代中期发展起来，是一种基于统计学习理论的机器学习方法，可以用来解决分类问题和回归问题
20、，目前被更广泛地使用于分类问题。其基本思想是求解能够正确划分训练数据集并且几何间隔最大的分离超平面，其学习策略是使得间隔最大化，最终化为一个凸二次规划问题的求解。支持向量机可分为线性可分支持向量机、线性支持向量机和非线性支持向量机。无监督学习算法在训练时并不提供对应的输出结果，学习器仅可以从输入数据中寻找隐藏的模式或内在结构，无监督学习中最为常见的技术为聚类，常见的算法有K均值聚类算法、谱聚类、主成分分析、EM算法等。22机器学习随机森林（Random Forest）随机森林也是一种监督学习算法，这个术语是1995年由贝尔实验室的何（Ho）所提出的随机决策森林（random decision
21、forests）而来的，在机器学习中，随机森林是指一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数决定的。里奥布雷曼（Leo Breiman）和阿黛尔卡特勒（Adele Cutler）发展出推论出随机森林的算法，这个方法是结合布雷曼的”Bootstrap aggregating”想法和何的”random subspace method”以建造决策树的集合。K最近邻算法（K-Nearest Neighbor，KNN）K最近邻分类算法，是一种监督学习算法，也是一种最简单的机器学习算法，是一个理论上比较成熟的方法.所谓K最近邻，就是K个最近的邻居的意思，该算法的思路是：在特征空
22、间中，如果一个样本附近的K个最近样本的大多数属于某一个类别，则该样本也属于这个类别。即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例（也就是上面所说的K个邻居），这K个实例的多数属于某个类，就把该输入实例分类到这个类中。23机器学习谱聚类（Spectral Clustering,SC）谱聚类是一种基于图论的无监督聚类方法，相比较于传统的K-Means算法，谱聚类算法对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，最重要的是实现起来也并不复杂。该算法的主要思想是把所有的数据都看做空间中的点，可以用边将这些点连接起来。距离较远的两个点之间的边权
23、重值较低，而距离较近的两个点之间的边权重值较高，通过对所有数据点组成的图进行切图，是的切图后不同的子图间边权重和尽可能的低，而子图内的边权重和尽可能的高，从而达到聚类的目的。24深度学习深度学习是机器学习的一个分支，它除了可以学习特征和任务之间的关联以外，还能自动从简单特征中提取更加复杂的特征，它是一种能够使计算机系统从经验和数据中得到提高的技术。深度学习通过其他较简单的表示来表达复杂表示，解决了表示学习中的核心问题，深度学习让计算机通过较简单概念构建复杂的概念。至今已有数种深度学习框架，如深度神经网络、卷积神经网络和深度置信网络和递归神经网络已被应用在计算机视觉、语音识别、自然语言处理、音频
24、识别与生物信息学等领域并获取了极好的效果。对深度学习模型研究也层出不穷卷积神经网络（CNN），循环神经网络（RNN），长短期记忆（LSTM）神经网络模型等。追溯强化学习兴起源于谷歌的人工智能团队在2016年的AlphaGo事件。在一场万人瞩目的比赛中AlphaGo首次击败世界冠军李世石。由此强化学习逐渐被众人做关注。25深度学习下面对两种目前最常用的神经网络模型进行介绍。循环神经网络模型 循环神经网络（Recurrent Neural Network,RNN）源自于1982年由萨拉莎塞萨斯瓦姆(Saratha Sathasivam)提出的霍普菲尔德网络。是一类以序列(sequence)数据为输
25、入，在序列的演进方向进行递归且所有节点按链式连接的递归神经网络，可以理解为Recurrent Neural Network=A network with a loop，即带环的网络结构，如下图所示：26深度学习循环神经网络的主要用途是处理和预测序列数据。由上述的结构图可以看出，循环神经网络最大的优点在于：循环神经网络会记忆之前的信息，并利用之前的信息影响后面结点的输出。也就是说，循环神经网络的隐藏层之间的结点是有连接的，隐藏层的输入不仅包括输入层的输出，还包括上时刻隐藏层的输出。但传统的 RNN 在训练的过程中的梯度下降过程中，更加倾向于按照序列结尾处的权值的正确方向进行更新，即：越远的序列输
26、入的对权值的正确变化所能起到的“影响”越小，所以训练的结果就是往往出现偏向于新的信息，不太能有较长的记忆功能，所以也只是理论上可以记忆任意长的序列。在实际训练长时间序列数据的过程中会出现梯度消失和爆发的问题，导致网络几乎不可训练。27深度学习长短期记忆神经网络模型 长短期记忆神经网络（Long Short-Term Memory,LSTM）神经网络由霍克赖特(Hochreiter)和施密德胡伯(Schmidhuber)在1997年首先提出，并在后来的工作中被很多人改进和推广应用于各种情况，如格尔斯(Gers)等在2000年通过引入遗忘门使其更有效。LSTM神经网络作为RNN的变体，解决了RNN
27、存在的梯度消失的问题，在挖掘序列数据长期依赖关系中极具优势，现在广泛应用于时间序列的预测、图像识别与描述、语言系统、机器翻译等领域。LSTM神经网络中会包含多个判断信息有用与否的cell，每一个cell中存在3扇门，分别为输入门，遗忘门和输出门。输入门控制输入信息中可以流入到cell中的信息数量，遗忘门控制上一时刻cell中的信息可以累积到当前时刻的cell中的信息数量，输出门控制当前时刻cell中的信息可以流入到当前隐藏状态中的数量。28强化学习强化学习(reinforcement learning)，又称再励学习、评价学习，是一种重要的机器学习方法。强化学习通过感知环境状态信息来学习动态系
28、统的最优策略。通过试错法不断与环境交互来改善自己的行为，并具有对环境的先验知识要求低的优点，是一种可以应用到实施环境中的在线学习方法，因此在智能控制，机器学习等领域得到了广泛研究。它主要包含四个元素，Agent、环境状态、行动、奖励，强化学习的目标就是获得最多的累计奖励。强化学习是从动物学习、参数扰动自适应控制等理论发展而来，其基本原理是：如果Agent的某个行动策略导致环境正的奖励(强化信号)，那么Agent以后产生这个行动策略的趋势便会加强。Agent的目标是在每个离散状态发现最优策略以使期望的折扣奖赏和最大。强化学习在人工智能领域内已有了一席之地。它被广泛的应用在博弈、决策等领域。29迁
29、移学习迁移学习是一种机器学习的方法，指的是一个预训练的模型被重新用在另一个任务中。迁移学习与多任务学习以及概念飘移这些问题相关，它不是一个专门的机器学习领域。迁移学习在某些深度学习问题中是非常受欢迎的，例如在具有大量训练深度模型所需的资源或者具有大量的用来预训练模型的数据集的情况。仅在第一个任务中的深度模型特征是泛化特征的时候，迁移学习才会起作用。深度学习中的这种迁移被称作归纳迁移。就是通过使用一个适用于不同但是相关的任务的模型，以一种有利的方式缩小可能模型的搜索范围。使用迁移学习的主要原因在于数据资源的可获得性和训练任务的成本。30人工智能的基础技术人工智能的基础技术包括：自动定理证明自动推
30、理搜索方法机器学习人工神经网络数据挖掘和知识发现等这其中在金融领域使用最广泛的为数据挖掘和机器学习技术，智能投顾、智能信贷等服务都需要数据挖掘技术作为基础。31人工智能的应用技术人工智能的应用技术则包括：自然语言处理，图像处理，专家系统等。自然语言处理（NLP）是计算机科学，人工智能，语言学关注计算机和人类（自然）语言之间的相互作用的领域。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。图像识别是人工智能的一个重要领域，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用
31、工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理。32第第三三节节 人工智能人工智能与金融与金融 33人工智能对金融领域的影响 对金融领域的影响可以从微观经济层面和宏观经济层面这两个方面考虑。在微观经济层面：一是对金融市场的影响。人工智能的应用能够大幅提升金融体系处理信息的效率,使市场参与者能够更广泛的采集和分析信息,降低市场参与者的交易成本,进而减少金融信息的不对称性。二是对金融机构的影响。人工智能的使用通过降低成本和风险,有助于提升金融机构的盈利能力和效率。三是对金融消费者和投资者的影响。鉴于人工智能有助于金融机构降低成本、提高服务效率,消费者和投资者可以享受更低廉的费用和融
32、资成本,获得更便捷和个性化的金融服务。四是对金融监管的影响。由于程序化交易已经成为市场交易的主流,可能会放大系统性金融风险,因此部分国际监管规定制定者已经开始考虑应对与程序化交易有关的风险。34人工智能对金融领域的影响 而在宏观经济层面：一是对金融市场集中度的影响。人工智能可能仅由少数的大型技术供应商掌握,会加剧金融系统某些功能的集中度。但考虑到人工智能能够改变传统的银行服务模式，推动新公司加入金融服务体系,这在某种程度上反倒会降低单个大型银行的系统重要性。因此,对集中度或系统重要性影响很难准确估量。二是对金融市场稳定性的影响。一方面,人工智能使金融交易更加分散化,给客户提供更多个性化的交易建
33、议,减少金融产品价格扭曲问题,有助于促进金融系统的稳定。但另一方面,与传统的交易模式相比,依靠机器学习通过运算程序实现的新交易模式很难被预测,既可能因提高交易效率进而提高金融市场的流动性,也可能为实现收益最大化的目标而使金融机构乃至金融市场陷入流动性风险。35人工智能对金融领域的影响三是对金融市场关联性的影响。人工智能的应用会强化金融市场和机构间的相互关联,导致以往无关联的宏观经济变量、金融市场价格、各种非金融企业部门(电子商务、P2P、B2B等)之间的关联性变强。金融系统更广泛的联系会有助于分担风险或在某种程度上吸收冲击,但同时也会助长重大风险事件造成的冲击和影响的传播。四是人工智能应用的其
34、他影响。例如人工智能在保险市场的应用会减少道德风险和逆向选择,但这有可能会破坏保险业的风险分担功能,而且更准确的风险定价会增加高风险人群的保费或导致部分人难以获得保险服务。在金融领域,如果使用的人工智能工具没有进行适当的调整或有效的实践检验,相关模式化的系统可能会产生新的金融风险。36人工智能在金融领域的应用人工智能在金融领域的应用可分为四个方面。一是面向客户(前台)的应用,包括信用评分、保险和面向客户的服务机器人二是管理层面(后台)的应用,包括资本优化、风险管理模型和市场影响分析三是金融市场的交易和资产组合管理四是人工智能被金融机构用于监管合规管理(“合规科技(Reg Tech)”)或者被金
35、融监管当局用于金融监管(“监管科技(Sup Tech)”)37人工智能在金融领域的应用智能投顾 智能投顾（Robo-advisor），又称机器人顾问，是基于大数据和线上算法程序而出现的新型在线财富管理服务模式。该技术可以结合每位客户个人的风险偏好和理财目标，基于人工智能算法和互联网技术在线为客户提供资产管理和在线投资建议服务。各家智能投顾的业务表现形式可能不尽相同，但一般具有相似化的服务流程，根据美国金融监管局（FINRA）于2016年3月提出的标准，智能投顾服务包括：客户分析、大类资产配置、投资组合选择、交易执行、投资组合再平衡、税收规划、投资组合分析。智能投顾在中国仍然是起步期，很多平台只
36、是借用了智能投顾的概念，并不智能，真正做到智能平台的屈指可数。为了将投资组合理论、大数据、云平台、机器学习等前沿科技整合成满足客户及市场需求的智能投顾平台，需要不断探索、积累和努力。38人工智能在金融领域的应用身份识别 身份识别技术常被使用于银行等需要保障用户安全性的机构，该技术以人工智能为内核通过人脸识别、声纹识别、指静脉识别等生物识别手段，再辅助以各类票据、身份证、银行卡等证件票据的OCR识别等技术手段，对用户身份进行验证，可以在大幅降低核验成本的同时还有助于提高安全性。智能信贷 智能信贷是基于大数据等金融科技技术的快速借贷模式，全流程都是通过线上数字化的形式呈现，提高了用户体验，也降低了
37、后端需要人员维护客户的成本。随着大数据、云计算、机器学习更多技术的应用，智能信贷将有可能从更核心的层面变革如今的消费与信贷形态。智能信贷更多的是针对小额贷款，受益的是中小企业和普通用户，金额不大，承担的风险相对较小。39人工智能在金融领域的应用智能客服 智能客服即为不需要人工，计算机可根据问题自动进行回答的客服。自然语言处理和机器学习技术的发展，已使语音识别准确度基本达到人类认知水平。随着语音助手在日常生活中逐渐普及，人与智能语音的互动正变得愈发自然、简单、有效，就连老人和小孩都可以方便的使用像Alexa等智能音箱服务。客服中心也已经开始使用智能语音导航服务替换传统菜单式自助语音交互服务，分担
38、人工座席服务。根据德勤分析预测，2017年，呼叫中心直接接通人工客服的比例为64%，到2019年，这一比例将下降至47%。到2020年，B2C领域25%的初级客服需求将被智能客服取代。随着AI技术的进一步发展，越来越多的企业将使用智能客服。40第第四四节节 人工智能人工智能的未来发展趋势的未来发展趋势 41人工智能的未来发展趋势 人工智能总体将向着规模化、安全化、健康化趋势发展；从全球层面来看，新一代人工智能产业将呈现四个发展趋势。产业规模趋势：各国政府和产业界投入日益增长，人工智能技术的进一步成熟将带来更多的新产品、新服务，人工智能驱动的自动化将提升全要素生产率增长，产业规模将爆发式增长。国
39、际竞争趋势：近年来，世界各国紧密出台人工智能规划、政策和投资计划，从国家战略层面强化人工智能布局，在新一轮国际科技竞争将展现出新局面。中国未来将更加深度参与全球人工智能产业合作竞争，成为人工智能的重要推动者。技术趋势：类脑智能蓄势待发，目前已有多国开始了“脑科学研究”；量子智能也将加快孕育，已成为全球公认下一代计算技术，将为人工智能带来革命性发展机遇。风险趋势：随着人工智能逐渐普惠社会，人工智能安全风险和社会治理等问题将逐步提上日程。42延伸阅读延伸阅读 本章介绍了金融科技的另一应用技术人工智能，从人工智能的起源与定义讲起，首先介绍了人工智能自诞生至今发展道路上的成果与挫折，读者可以从中领略到
40、人工智能发展历程中都经历了哪些阶段以及当前国内外的发展动态。之后对人工智能技术进行了介绍，包括其包含的学科种类如机器学习和深度学习等，以及应用技术如自然语言处理和图像识别等。最后分析了人工智能当前在金融业的应用，如在智能投顾、身份识别、智能信贷中的应用，旨在通过实例引导读者更深入地理解人工智能的概念与技术。43本章小结本章小结 案例一：Rebellion Research 公司基于机器学习开发人工智能投资基金 案例二：旷视科技的“人脸识别”技术思考题思考题1.“人工智能”这一术语是在哪一年于什么契机下被正式确定的？2.人工智能发展至今经历了哪几个阶段？每一阶段都有哪些代表性的研究成果被提出？3.监督学习与无监督学习的差别在哪里？分别有哪有代表性的算法？4.深度学习相较于机器学习有哪些优点？5.人工智能在金融领域的应用有哪些？你能否结合真实经历举出一个例子。6.AI相较于人类在进行投资决策时具有哪些优势？44Thank You For Watching45
