随着大数据、云计算、人工智能等技术的迭代创新，科技与金融已经快速改变金融生态。在基金业，也正在经历一场由金融科技主导的深刻变革。2019 年1月8日，AI智绘新金融——2019基金业金融科技峰会在上海召开，博时基金总经理江向阳出席并发表主题演讲，与行业共同探索和畅想基金业的金融科技发展方向。

　　以下是演讲全文：

　　大家好！近年来，Fintech成为了炙手可热的词汇,Fintech是以大数据、人工智能、云计算、互联网和物联网为核心的新一代技术革命在金融行业的体现，Fintech已经和正在改变着行业的形态和模式，未来必将对行业发展产生颠覆性的影响。

　　一、科技与金融的融合历史

　　历史使人明智，首先我愿意简单回顾一下科技对金融的赋能的历史，通常可分为三个阶段：

　　首先是系统化阶段，即通过IT系统把业务流程固化和优化，通过固化提升质量，通过优化提升效率。举个例子，基金公司的投资交易流程通过IT系统，基金经理在系统上搭建组合，指令传给交易部后，交易部的中央交易员进行合规风险控制并把指令分发给交易员，交易员根据市场行情将指令将委托发给交易所。这个是基金公司通用的交易流程，每一步都通过交易系统进行控制。

　　随后是自动化阶段。在流程化的基础上，通过IT自动化能够进一步提升业务运行的效率。比如在投资交易环节，目前不少基金公司都在使用算法交易，算法交易相当于机器人(300024)交易员，负责快速、低成本地实现相关订单执行和成交。为了减少市场波动和冲击成本对交易产生的不利影响，基金公司通常通过算法交易将需要进行交易的订单拆细，即把规模较大的交易拆分成若干小规模交易，并且在合适的时机分别对其进行分散交易，从而降低相关交易成本，使得整个交易过程中价格可以达到最优水平。

　　目前是智能化阶段。不管是流程化还是自动化，IT系统都是按照之前人工确定好的步骤进行业务运营，而智能化通过机器学习、知识图谱等则能发现靠传统人工很难发现的规律，从而大大提升业务运行的“效益”（不仅仅是“效率”）。如传统的算法交易中，系统根据程序员事先设定的算法，监测交易信号并且执行交易。人工智能时代的算法交易包含了自动化和智能化，更强调从市场数据中学习，通过对大量历史数据的学习，构建预测模型，优化交易算法，获得最佳的交易表现。深度学习等新型方法可以发掘市场中的交易机会和不同的市场模式，进而获得超额收益。J.P. Morgan的电子交易部门开发了基于增强学习的算法交易策略，可以将交易成本优化10%以上。增强学习算法也是围棋人工智能程序AlphaGo的核心算法。

　　回顾历史，我们看到科技是第一生产力，科技和金融融合的历史，就是不断颠覆行业模式的历史。以交易所的形态为例，从传统的人声鼎沸，打手势、写单子、大声报价的交易大厅，到在系统上敲单的交易员，到具备自我学习、自我进化的人工智能交易算法，科技不断颠覆着、重新定义着行业。美国的高盛宣称自己是一家科技公司，平安集团宣布自己的科技转型，新的信息技术浪潮下，谁不拥抱新技术，就必将被历史淘汰，这已经成为行业的共识。

　　基金公司的业务发展，要以科技创新为引领，加快新技术条件下的转型。目前首要要解决“重视”和“资源投入”的问题。

　　基金公司应切实提高对金融科技的重视。对金融科技的定位，不能简单定位在对业务的支撑与保障，而应定位于对业务的创新推动及引领作用。要提高对科技部门的要求，科技部门不能把自己定位于技术的被动实现者，而是要主动参与业务探索，主动把握业务需求，有时甚至要比业务部门考虑的更超前、更全面。

　　要加大相关科技人员和财务投资。请注意，我在这里用的是“投资”而不是“投入”，我认为，对我们基金公司来说，科技更应该看作是投资而不是投入。与发达国家相比，国内基金公司的技术人员占比普遍偏低，而国外很多资产管理机构科技人员占比达30%以上，这一点差距非常大。在科技投资方面，人工智能、大数据等技术系统需求较高，有些技术需要长时间的研究才能见到成效，基金公司要建立长时间的资源投资计划。当然，为了加快研发效率，基金公司也可以合理利用行业和外部技术资源，与优秀的科技公司合作。

　　二、数据已经成为重要的生产要素

　　当下的新技术浪潮，与之前的信息化进程相比有着明显的特征，就是伴随着互联网、物联网、移动互联网的不断普及，社会积累了海量的数据资源，同时伴随着计算能力的飞跃和核心算法的出现，人类第一次具备了对海量数据进行快速、准确处理的能力，新技术浪潮的核心是数字化；从这个角度去梳理，移动互联网、虚拟现实、物联网、语音和图像识别等技术可以看成是数据的接入端，重点是情景和平台，区块链技术和云计算可以看成是数据的存储和传输，重点是效率、安全和公平性，机器学习技术是大数据的处理方式，核心是算法。人类社会的生产力，正在围绕数据的产生、收集、存储传输、分析和利用发生快速的飞跃和革命，数据是重要的生产要素，一定程度上，是和资本要素和人才要素一样重要的生产要素。

　　数字化浪潮的下的商业竞争的演进，可能会沿着场景化、技术和算法、商业模式的阶段进行首先是商业形式的场景化，在这个阶段，没有信息化的商业形态迅速完成数字化，具有更多客户流和数据流的企业逐步具备垄断地位，大的场景平台掌握大量的数据资源；在第二阶段，大量数据催生新的数据存储、传输的需求，另一方面具备对大数据快速处理核心算法能力的公司产生出新的商业服务形式，在这个阶段，具备技术优势的公司具备竞争优势；在第三阶段数据和数据处理能力的结合，产生新的商业模式。

　　从数据的角度来看，金融系统是最能够与Fintech进行结合并产生价值的领域。首先，金融领域已经被充分的数据化，为大数据和人工智能的应用提供了充分的数据基础；同时，金融行业属于知识密集型的虚拟经济形态，不依赖于底层物理资产，基于数字资产的算法与模型更容易落地应用。近年来，Fintech已经重塑了传统金融的业务运作模式和流程，衍生出新的产品及服务，形成成本更低廉、风控能力更强大、运转效率更便捷的全新的金融生态。

　　以数据为核心，基金公司可以从数据、算法和计算能力三个方面建设自己的人工智能等金融科技能力。这其中数据是金融科技体系的基础和关键。很多金融机构都存在着数据多头管理、系统分散建设、缺乏统一的数据质量管理流程体系问题，造成数据的完整性、准确性、及时性无法满足应用要求，为了解决这些问题，需要从多个方面加强数据治理工作。只有通过数据治理体系建立起了公司统一的大数据平台，金融科技才能发挥应有的作用。

　　三、围绕数据的行业智能化

　　围绕数据和智能算法，基金行业正在发生着以智能投研、智能风控、智能投顾、智能服务为代表的科技革命。

　　1、智能投研

　　相对于传统手段，通过互联网和人工智能技术可以获取各个行业及公司发展的更多数据。这些大数据不仅数据量更大，而且维度更全、颗粒度更细，对投资研究的帮助更大。此外，基金公司可以利用多种AI技术获取市场情绪数据，如利用网络爬虫和自然语言处理技术从网站、论坛、微博上获取投资者的投资情绪数据，作为股票投资决策的辅助手段。在海外市场，卫星影像数据也被越来越多的机构用于投资。如RS Metrics是一家卫星情报分析公司，通过高分辨率卫星影像，对零售店、餐馆、商场、办公楼和其他商业地产的停车场进行监控，可以估计出它们在全国范围内或者某一地区的客流量增长情况。RS Metrics提供的数据可以帮助基金公司了解公司基本面，预测销售量，预估企业运营状况。

　　美国智能投研先行者Kensho公司被誉为智能投研领域的AlphaGo，其核心产品Warren利用大数据和机器学习，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，寻找事件与资产之间的关联关系，从而提高投资者工作效率和投资能力。它的特点是快速计算能力、良好人机交互和强大的深度学习能力。

　　这一块博时基金也开展了一些实践，我们和蚂蚁金服合作，开发基于大数据的指数增强基金，从这两年的实践来看，都取得了超越基准指数10%以上的超额收益，说明大数据因子和智能算法确实是有效的。

　　2、智能风控

　　在公司的合规与风险管理中，金融科技同样能起到非常大的作用。这方面有两个词最近行业说的比较多，一个是RegTech（合规科技），一个是SupTech（监管科技）。合规科技是指行业机构用科技手段提高自身的合规与风险管理能力；监管科技是指监管部门用科技手段监督提高行业的合规与风险水平；两者的目的是一样的，是一个事物的两个方面。

　　基金公司的业务风险包括市场风险、信用风险、流动性风险、法律合规风险、操作风险。利用大数据与AI技术可以全面提高管理水平，比如基金公司可以借助自然语言处理技术从新闻、社交媒体上获取企业的更多日常信息，对获取到的信息进行深入挖掘，将不同的信息关联、整合起来，构建知识图谱。通过机器学习和知识图谱，可以建立起每个上市公司和与其关联度最高的上下游公司、行业、宏观经济之间的关系。如果某公司发生了高风险事件，可以及时预测未来有潜在风险的关联行业和公司。知识图谱也是我们上面提到的Kensho公司的核心技术。在流动性风险管理方面，通过客户行为特征预测客户的赎回行为，可以帮助基金公司进行流动性风险管理。

　　3、智能投顾

　　智能投顾近年来在美国市场快速崛起，世界知名咨询公司科尔尼（A.T. Kearney）预测，美国智能投顾行业的资产管理规模将从2016年的3000亿美元增长至2020年的2.2万亿美元，年均复合增长率将达到68%。

　　智能投顾的目标是根据客户的风险收益偏好，为每个人提供个性化资产组合，利用资产配置优化理论，降低收益波动性，提高投资的风险收益比。

　　智能投顾业务有三个关键步骤：一是确定客户的风险收益偏好，二是大类资产配置，三是基金产品选择。在这三个步骤中，AI与大数据技术都可以发挥很大作用。如在确定客户的风险收益偏好方面，除了传统的通过调查问卷方式外，通过大数据建立客户画像可以提高对客户风险收益偏好准确度的把握；通过机器学习可以更好把握宏观经济指标、重大事件与资产轮动间的关联关系；在配置主动基金时，通过基金数据建立每个基金产品的画像，可以更加准确把握基金和基金经理的风格特征，避免风格错配。

　　4、智能服务

　　结合生物识别和智能远程服务，基金行业可以服务更多的客户，更精准的营销服务客户。博时基金在蚂蚁金服上的财富号，累计客户接近1000万，每天有60多万的客户登录浏览，这样数量级的客户很难想象全依靠人工服务需要多庞大的客服队伍。目前，智能客服在基金行业已经得到非常广泛的应用，可以承担90%以上的客户咨询工作量，大大提升了服务效率，节省了人力成本。

　　四、挑战和合作

　　以大数据和AI为代表的金融科技在基金公司业务中仍然面临一些挑战：

　　一是科学vs艺术。我们都知道，投资是科学与艺术的结合。量化投资偏科学一些，传统主动投资偏艺术一些。人工智能与大数据技术是投资科学化的进一步发展。与发达国家资本市场相比，中国资本市场个人投资者占比较高，市场有效性较弱，使得传统主动投资创造超额收益的机会较大，通过“科学”量化方式投资的优势尚不明显。

　　二是长期 vs 短期。资本市场的短期表现往往是市场博弈的结果，而长期表现的影响因素更多，更加复杂。在股票投资方面，行业都在研究机器学习，但根据目前国内外的研究成果，机器学习在偏长期的趋势判断包括选股方面所起的作用是有限的，一个很重要的原因是机器学习需要大量的数据作为学习样本，而中国证券市场截至目前只有5000多个交易日，上市公司财报数据的频率更低，对于机器学习来说，这不是大数据，而是小数据，不足于让机器学习找到足够确定性的规律。另外在经济领域，股市中1%的信息才是有用的，大部分经济方面的行为和信息并不能直接反映在股价上。相对而言，机器学习在偏高频的交易环节能起的作用更明显一些。

　　三是极端风险问题。人工智能、自动化与数据分析的优势是通过大数据、机器学习能够发现人靠自己的脑力和算力发现不了的规律或者同样的事情比人的脑力更快。但有时候计算机跟人脑相比又过于简单，存在盲区，导致有时候在人看来很明显的错误计算机却发现不了，这个问题在场景应用中需要特别关注，避免产生大的风险。例如在证券投资领域，目前存在大量的高频交易，通过发掘瞬间的交易机会获取收益。由于算法的趋同性，在市场发生特定情况下单方向风险的时候，这些机器算法可能会采取同样的操作而同频共振造成羊群效应，将市场风险短时间放大，这种集中爆发的机器算法风险对证券市场的稳定运行是非常不利的。

　　四是弱智能与强智能的问题。目前很多人工智能的应用场景智能化的程度还不高，如智能投顾平台根据客户的风险偏好进行大类资产配置，只是根据简单模型进行配置，还只能说是解决了自动化的问题，还没到完全智能化的程度，或者说只是处于“弱智能”阶段。真正利用机器学习等人工智能技术还需要大量的工作。

　　五是个人信息安全保护问题。在AI与大数据的应用场景中，有很多需要进行客户的个人画像，个人画像的数据基础是客户的各类行为（包括消费行为、支付行为、浏览行为等）数据。由于这些数据很多属于个人隐私，在数据的使用过程中，如何保证数据的安全、防止滥用是需要关注的问题。

　　上述诸多挑战，本质上是两个问题：一是金融和科技如何真正实现融合，二是风险的控制。在这两个方面，传统金融行业的公司和科技公司必须更加紧密的合作，新技术手段必须深入了解金融业务的细节和逻辑，必须深入的了解业务的风险，才能产生真正有价值的创新和颠覆。在这个意义上，传统金融公司更懂得业务的逻辑，各能抓住需求的实质和行业的痛点，有更多风险管理的经验，这些对于金融科技的发展是必不可少的，这方面博时基金愿意和广大的科技公司共同合作，推动行业发展。

　　同时，科技创新也是博时的基因。博时基金从成立以来，始终将科技作为公司的核心竞争力之一，是基金行业最早建立自主开发能力的公司，并形成了有博时特色的IT文化。最近两年，为了适应业务快速发展的需要，博时从科技治理、科技管理、技术系统、企业数据平台等方面全面加强和提升金融科技体系建设。2018年上半年，博时基金成立了金融科技中心，进一步加强在移动互联网、人工智能、大数据等方面的创新应用研发。博时重新开发了新一代投资决策支持系统和企业统一大数据平台，其中，统一系统研发平台荣获第六届证券期货科学技术二等奖。

　　未来已来，博时基金希望与各类优秀的互联网平台一起，共同面对新技术的挑战，为基金行业的转型升级做出贡献。

（责任编辑：任刚 HF008）