首页  

金融科技关键技术及应用     所属分类 fintech 浏览量 264
对于金融行业而言,2019年是监管政策不断完善并逐渐趋严的一年,
特别是在互联网金融在经历了粗放型的井喷式发展之后,金融风险不断凸显并集中爆发。
在此情况下,国家对于金融科技应用的监管政策不断深化完善,监管要求更加细致严格。
但整体而言,国家政策依然持续鼓励金融科技在合法合规条件下的创新发展和应用,
如在《金融科技(FinTech)发展规划(2019-2021年)》明确提出未来三年金融科技工作的指导思想、基本原则、发展目标、重点任务和保障措施,
并指出:金融科技是技术驱动的金融创新。

相对于欧美发达国家完善的传统金融服务体系,我国金融服务一直以来存在门槛高、普及率低和供给不足等问题,
小微企业、中低端收入人群的金融服务需求一直没有得到有效满足。

相对于传统金融服务,金融科技应用带来更加快捷便利的金融服务渠道,金融服务成本大为降低,
以移动支付、互联网理财等为代表的新金融服务模式,在金融科技的支撑下实现了快速发展和大规模普及。


一系列新兴技术的发展为金融科技应用奠定了基础条件。
云计算、大数据、人工智能 
云计算的集中存储和按需调用模式,有效提升金融行业 IT 系统能力;
大数据是金融行业的基础资源,基于大数据的计算分析是目前金融服务开展的核心能力支撑;
人工智能能够有效提升金融智能化水平,降低服务成本,助力普惠金融。
金融与科技具有天然的融合性,其中,金融行业海量的数据和多样化的商业模式,为科技应用提供了广阔的空间。
目前,金融科技应用覆盖到风控、营销、支付和客服等金融业务的各大核心流程,
衍生出大数据风控、智能投顾、移动支付和智能客服等多种新兴金融服务模式。

金融大数据
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。
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,
金融机构最常使用的大数据应用场景包括:智慧营销、实时风控、交易预警和反欺诈等业务都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。


数据汇聚,将原来存储在上百个信息系统的数据整合,重新设计并搭建数据采集、存储、传输的架构。

金融大数据具有极高的重要性,需要更加完善的安全保障措施。
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。

客服、风控、反欺诈、营销等业务场景

大数据客服

利用大数据技术建立丰富的知识库,智能客服能够在一定程度上代替人工客服应对多样化的客户需求。

大数据技术以金融机构各业务系统的数据为来源,使用传统 ETL 工具和分布式数据采集组件将海量信息抓取至大数据平台,
按照不同业务需求将数据分类,利用大数据模型和算法进行数据挖掘和分析,并创建可视化应用。
另外,智能客服系统提供 24 小时不间断的在线服务,业务处理效率高,帮助提高用户粘性 


大数据风控

借助大数据技术的风控手段与传统风控手段相比,风险数据来源和维度更广,除了结构化的金融数据,
还包括用户行为、社会属性、金融产品评价等半结构化或非结构化数据。

在数据应用逻辑方面,大数据风控侧重挖掘数据间的相关关系,比传统强调因果关系的分析方式在关联逻辑、定义交叉风险因素方面的能力更强。

大数据风控的应用主要在借贷领域,以贷前风控为例,大数据风控的一般流程包括四个方面:数据收集、行为建模、构建画像、风险定价。

通过系统日志采集、网络数据采集和数据库接入等方式收集各类信息,进行数据建模,建立数据假设,确定建模目标,利用大数据技术进行用户画像,将对象分类,最后开展风险定价。

大数据风控还具有实时监测和预警的功能,能够及时发现客户的异常行为或金融产品的异常表现,并做出止损反应。


大数据反欺诈

互联网金融、移动支付
保险行业的骗保欺诈、个人金融领域的网络黑产、供应链金融中的虚假交易
专业化、产业化、隐蔽化和场景化

传统反欺诈技术维度单一、效率低下、范围受限

大数据技术借助数据采集和分析定义欺诈的行为特点。
以黑产防范为例,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。


大数据营销

借助大数据技术,将收集到的各类用户信息,包括职业、家庭状况、网络应用浏览记录、交易信息等,
进行分类聚合关联,结合大数据分析模型,实现用户画像。
在用户画像的基础上,金融机构能够对客户展开对应的营销策略,如实时营销、交叉营销、个性化推荐、客户生命周期管理等。


金融人工智能


人工智能使用机器代替人类实现认知、识别、分析、决策等功能,
它在金融领域应用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。
金融行业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、投资顾问等多个方面,
其海量数据能够有效支撑机器学习,不断完善机器的认知能力,尤其在金融交易与风险管理这类复杂数据的处理方面,
人工智能的应用将大幅降低人力成本,通过对大数据进行筛选分析,帮助人们更高效率地决策,提升金融风控及业务处理能力。

人工智能在金融科技中的应用进一步提升了金融行业的数据处理能力与效率,推动金融服务模式趋向主动化、个性化、智能化,同时有助于提升金融风险控制效能、助推普惠金融服务发展。

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、智能投顾、智能风控、智能投研、智能营销等方面。


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。

智能投顾

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为客户提供个性化的理财顾问服务。

智能风控
知识图谱、深度学习等技术应用于征信反欺诈领域,其模式是将不同来源的结构化和非结构化大数据整合在一起,
分析诸如企业上下游、合作对手、竞争对手、母子公司、投资等关系数据,
使用知识图谱等技术大规模监测其中存在的不一致性,发现可能存在的欺诈疑点。
在信用风险管理方面,关联知识图谱可以利用“大数据+人工智能技术”建立的信用评估模型,刻画用户画像,对用户进行综合评定,提高风险管控能力。

智能投研
传统投研业务需要收集大量的资料,进行数据分析和报告撰写,投研人员每天需要耗费大量时间进行数据的收集与处理。
智能投研基于大数据、机器学习和知识图谱技术,将数据、信息、决策进行智能整合,
并实现数据之间的智能化关联,形成文档供分析师、投资者使用,辅助决策,甚至自动生成投研报告。

l智能营销
人工智能可以通过用户画像和大数据模型定位用户需求,实现智慧营销。
智能营销在可量化的数据基础上,基于大数据、机器学习计算框架等技术,
分析消费者个体的消费模式和特点,以此来划分客户群体,从而找到目标客户,进行个性化营销和推荐。
智能营销相较于传统营销模式,具有时效性强、关联性大、性价比高、个性化强的特点。

上一篇     下一篇
Java8日期api使用

jconsole连接jmx失败处理

大数据风控概述

智能风控介绍

字节码增强cglib实例

人类简史摘录