2021十大金融科技趋势.pdf

本期内容 2021 十大金融 科技趋势 顶级专家前沿趋势预测 2021 十大金融科技趋势 2 Gartner 的调研报告: 新兴技术成熟度曲线 ，2020 17 蚂蚁集团简介 602 2021 十大金融科技趋势 执行摘要 文章说明 金融科技是技术驱动的金融创 新 ， 旨在运用现代科技成果改造 或创新金融产品 、 经营模式 、 业 务流程等 ， 推动金融发展提质 增效 （ 该定义由金融稳定理事 会 FSB 于 2016 年提出 ， 目前 已成为全球共识 ） 。 面对新一轮 科技革命和产业变革 ， 金融科技 的创新方向会有哪些趋势？ 技术 的变革又会突破哪些金融场景 的瓶颈？ 作为全球金融科技的早期探索 者 ， 蚂蚁集团 16 年来一直坚持 创新驱动 ， 不断用技术的手段颠 覆和重塑金融服务 ， 并在支付 、 信贷 、 理财 、 保险等金融场景中 取得了一系列的最佳实践 。 面向 未来 ， 我们邀请全球顶尖专家学 者一起共同碰撞观点 ， 并深入研 判和预测人工智能 、 区块链 、 新 计算 、 数字安全等热点科技在 金融场景中的应用 ， 形成 2021 年全球十大金融科技趋势 ， 期待 能与业界共享和共鸣 。 本白皮书研究过程中所用到的 方法主要包括以下三种： 行业调研： 结合最新金融科技研 究 ， 深入剖析全球各国政府已经 出台的金融科技国家政策 ， 并结 合互联网公开信息获取 ， 搜集了 大量的技术趋势 、 应用场景 、 最 佳实践等全面的文本资料 ， 为 本白皮书的研究奠定了坚实的 基 础。 专家访谈： 走访了十几位在人工 智能 、 区块链 、 安全科技 、 大数 据、 新 计 算、 IoT 等技术领域的 顶级科学家 ， 以及数字金融各创 新领域的资深实践者 ， 获得了大 量的前瞻洞察和真知灼见 ， 对白 皮书的研究起到了重要的支撑 作 用。 实证研究： 观察包括蚂蚁集团在 内的领先金融科技公司 ， 洞察其 科技创新在数字金融领域的应 用场景 ， 着重剖析突破性和颠覆 性的成功案例 ， 验证技术趋势在 金融场景的实践结论 。 关键结论 预测金融科技的发展趋势 ， 必 须将视野放宽到整个数字经济 的高度 。 毫无疑问 ， 未来 10203 年金融科技都将是全球数字经 济发展的核心驱动力 ， 而金融科 技的创新已经迈入普惠的可信 智能时代 。 本白皮书研究的十大 金融科技趋势顶层逻辑即是由 这两个大断言推导出未来 5 年 发展的十大技术趋势 。 根据所属 的技术域 ， 这十大金融科技趋势 可 以 归 入 “可 信” 、 “智 能” 、 “普 惠 ” 三大类别： 金融作为对安全 要求极高的行业 ， 未来将会构建 从芯片 、 操作系统 、 数据层 、 应用 层 、 到端侧 ， 从硬件到软件的全 栈可信能力； 而人工智能在金融 科技领域的深化应用必将推动 未来的金融机构走向以用户为 中心 ， 为客户提供高度定制化 、 个性化的金融服务 。 可信领域的技术趋势 趋势 1 ： 全栈可信 趋势 2： 主动安全防御 趋势 3：跨 链 智能领域的技术趋势 趋势 4： 基于隐私保护的 共享智能 趋势 5： 时序图计算 趋势 6 ： 持续智能 趋势 7： 自动因子发现的 机器学习 趋势 8： 知识图谱与多模 态学习 普惠领域的技术趋势 趋势 9： 深度个性化 趋势 10： 开放透明 本白皮书的主题始终聚焦在金 融科技领域 ， 输出的关键结论皆 是由未来的金融场景推导出技 术趋势的预测 ， 方法论上偏重专 家访谈结合实证研究 。 本白皮书是由蚂蚁集团联合国 际权威信息技术研究和分析师 机构 Gartner ， 用于打开中国金 融科技领域与世界对话的窗口 ， 对全球金融科技的发展趋势进 行全面深度的分析 。 图 1 ： 2021 十大金融科技趋势 资料来源： 蚂蚁集团 (2020) 大断言 (Assertation) 技术趋势 (Tech Trends) 普惠 全栈可信 1 主动安全防御 跨链 深度个性化 2 3 9 可信 基于隐私保护的共享智能 4 智能 时序图计算 5 持续智能 6 自动因子发现的机器学习 7 知识图谱与多模态学习 8 2021十大金融科技 趋 势 金融科技是全球数字经济发展的核心 驱动力 ， 开放透明 10 金融科技创新迈入普惠的可信智能时代 图表 1: 2021十大金融科技趋势 资料来源: 蚂蚁集团（2020）4 下图是来自 Gartner 的 2020 年新兴技术成熟度曲线 。 趋势 1： 全栈可信 概览 金融是经济运行的命脉 ， 信 任是金融服务的根本 。 信任 意味着持续服务不间断 ， 意 味着安全可靠不泄漏 ， 意味 着谨慎保护不越矩 。 金融业 需要从技术上确保对客户 、 对资金的可信 。 金融系统在架构设计上就应 该原生具有可信能力 ， 从芯 片等基础设施到操作系统 ， 从系统冷启动到运行时 ， 从 数据到计算环境 ， 从应用生 产到系统运维 ， 全链路确保 安全可信 ， 可以具备在极限 环境下的生存能力 。 描述 技术的迭代更新日新月异 ， 其快 速发展对现有的安全防御体系 提出了更高的要求 。 对于 IT 系 统安全极为严苛的金融服务场 景 ， 随着安全意识进一步提升 ， 对 “ 零信任 ” 安全架构的需求愈 发强烈 。 遵循零信任架构 “ 永不 信任且始终验证 ” 的原则 ， 软硬 件架构每一层都需要实现安全 防护避免攻破 。 则必须时刻随着 网络环境的变化升级安全能力 。 不仅于此 ， 要在技术上确保 ， 即 使任意一点被入侵 ， 系统也可以 保证数据安全 、 不被窃取 ， 而且 ， 可以从行为上定位 、 发现入侵行 为并进行自主的防御 。 图 2 ： 新兴技术成熟度曲线 ， 2020 Gartner： 新兴技术成熟度曲线 ， 发布日期： 2020 年 7 月 24 ， G004504155 1. 在基础设施层 ， 从软硬件层 面实现可信是关键能力 由于硬件安全和可信计算领域 的人才稀缺 ， 导致金融机构自 建可信环境面临诸多挑战且成 本较高 。 未来底层 IT 基础设 施硬件会普遍趋向使用安全芯 片作为整合安全基础能力的信 任根 。 基于安全芯片构建 Boot Loader 、 底层操作系统 、 中间件 等可信体系 ， 并且会针对虚拟 机 、 容器 、 业务以及用户认证层 面构建全链路的可信体系 。 硬件 以其不可篡改的天然属性可以 帮助用户实现基于硬件的加密 计算和可信 ， 而加密计算等保障 软件安全的手段则是差异化安 全能力的体现 。 因此 ， 一定程度 上 ， 未来安全能力的角逐也是软 硬件融合能力的竞争 。 2. 在系统层 ， 基于身份的零信 任架构成为主流 当前一个业务系统的网络边界 已经变得非常模糊 ， 并不是所有 的访问都通过物理部署的网关 进行访问控制 。 以身份和访问管 理为基础的零信任架构取代网 络成为基础设施的新边界 ， 构建 全新的安全防御体系架构 。 基于 云的 API 化等原生能力 ， 企业 可以对身份权限进行统一的认 证和授权 ， 并可以在动态环境中 授予不同人不同权限 ， 实现精细 化管理 ， 让任何人在任何时间 、 任何地点 ， 都可以正确 、 安全 、 便 捷地访问正确的资源 。 3. 在应用层 ， 围绕数据全生命 周期的安全加密 、 流转成为基础 条 件。 一直以来通过密码学进行数据 加密保护是经典的做法 ， 并且其 应用从最初的数据加密保护已 经扩展到整个系统的全生命周 期的各个领域 。 当前对于简单的 安全模型和算法 ， 基于密码学的 密态计算技术已经趋于稳定成 熟 ， 与明文计算的性能差距越来 越小 ， 但是性能提升已渐入瓶 颈 ， 从密码学角度的通用安全突 破越来越难 。 未来密态计算技术 的发展将依赖于如何针对特定 需求类型进行定制化优化 ， 通过 密码学 、 机器学习 、 数据挖掘 、 软 硬件结合的方法交叉实现突破 。 4. 关键技术： 可信软硬件一体 、 全链路加密 、 零信任架构 、 安全 容器 、 密码学 、 机器学习 、 数据挖 掘 等。 趋势 2： 主动安全防御 概览 近年来 ， 全球企业安全风险环境 愈发严峻 ， 风险事件层出不穷 。 传统模式下的安全策略在防御 体系上较为被动 ， 集中表现在强 依赖于对已知风险模式的刻画 ， 对于新型的攻击无法有效防御 ， 且防控响应慢具有滞后性 。 对于 安全敏感度极高的金融场景来 说这种被动防御显得较为迟钝 ， 金融安全防御模式必须升级为 主动的防御体系 。 即通过不断的 风险巡检 、 异常发现 、 异常风险 评估的模式 ， 从静态的被动防守 转变为动态的主动安全防御 。 描述 传统的风控平台 ， 一般都基于实 时智能决策的技术体系构建 ， 在 短暂而宝贵的决策响应时间内 ， 充分激发硬件所有潜力 ， 计算尽 可能多的特征和规则 ， 做出打 扰率和资损率 “ 完美 ” 的决策平 衡 。 而在另一边 ， 黑灰产已经可 以做到通过非常低的成本 ， 研究 试错各类金融业务场景的防控 体系 ， 找到风险漏洞后进行大规 模攻击6 1. 主动动态对抗博弈 要打破这种攻守的不平衡 ， 化被 动为主动 ， 就需要对现有基于风 险决策论的技术体系进行变革 ， 升级为基于动态对抗博弈论的 技术系统 ， 并具备 “ 自证 ” 的基础 能 力。 在前期对黑产进行试探 ， 对异常 操作进行提前分析和跟踪 ， 根据 对手的潜在行动 ， 针对性的布 防 。 因此 ， 大规模的异常检测技 术 、 增强分析技术 、 群组跟踪传 播技术 、 动态决策技术 ， 都将有 新的突破出现 。 同时 ， 在日常的防控中不再仅 满足于区分正常和恶意 ， 更需 要对于行为背后的意图进行精 准识别 ， 做到完整解释和还原 。 在深度实体 eKYC 和 eKYB (Business) 的基础上 ， 实现 eKYA (Attention) ， 布局知识图 谱 ， 深化行业知识内容 ， 形成专 有的风险知识演进和分析 ， 进而 图 3 ： 持续风险感知 资料来源： 蚂蚁集团 (2020) D R T A 异常检测技术 万亿级动态图 模式搜索技术 在十亿级的用户中寻找隐藏线索 网络空间的六层架构 增强分析技术 数据发现 / 特征学习 基于全图的风险分级 减少90% 的风险误报 持续风险感知 图表 3: 持续风险感知 资料来源: 蚂蚁集团（2020）7 成为金融安全的核心能力 。 当前 业界领先的金融安全主动防御 技术可以降低资损率至千万分 之 0.64 1 ， 能极大提升金融安全 水 平。 2. 实战为王 在这个背景下 ， “ 实战为王 ” 也成 为安全行业共识 。 安全合规是重 要的起点 ， 但安全水位最终还是 要看实际安全威胁的对抗效果 。 国内关键行业大规模安全演习 更是凸显出安全水位 ， 必须要靠 攻防实战来检验出当代复杂安 全态势下大规模复杂网络系统 里的各种安全隐疾 ， 也才能实质 性地推动行业安全技术与服务 的发展 。 在强大的对抗安全实战 需求推动下 ， 安全技术形成蓬勃 的发展态势 。 3. 关键技术： 混沌攻击 、 形式化 验证 、 红蓝攻防 、 增强分析 、 知识 图谱等 。 趋势 3：跨 链 概览 区块链的蓬勃发展形成了不同 的区块链形态 ， 在技术标准不尽 统一的当前 ， 不同区块链在数据 格式 、 接口开放等形式上往往不 同 。 这使得部署了不同区块链的 企业之间基于链的交互变得困 难 。 尤其对于金融行业而言 ， 其 核心价值在于通过金融服务使 资产在不同行业 、 机构 、 伙伴之 间形成流动 ， 因此跨区块链的交 互尤为重要 。 要挖掘区块链的真 正潜力 ， 实现跨企业跨行业互 通 ， 并形成更开放的生态系统 ， 促成更便捷的价值交换 ， 就必须 通过跨链技术实现整个行业网 络 、 合作伙伴生态的数字价值流 转和资产交换 。 描述 区块链技术在过去几年迎来了 新的爆发增长 ， 应用落地从概念 POC 逐步走向商业应用 ， 形成 了覆盖医疗 、 政务 、 金融 、 教育 、 交通运输 、 通信 、 媒体娱乐等多 行业探索 。 当前的应用探索大多 聚焦在局部单一领域的应用 ， 重 点解决了 “ 局域网 ” 内部的商业 协作 。 随着商业应用大规模落 地 ， 各场景下现有的局部数字资 产流转已经不能满足未来数字 经济的发展需求 ， 如何突破不同 区块链之间互通性的限制走向 跨行业跨领域的深度互链 ， 成为 突破行业发展瓶颈的关键 。 1. 需求飞速增长促进跨链技术 升级 基于行业发展的现状以及现有 区块链技术能力的积累 ， 区块链 迈入跨链需求飞速增长的阶段 ， 成熟的行业应用从单链交互走 向跨链协作阶段 ， 朝向促进更大 规模的数字化资产价值流转 ， 加 速万链互联的进程 。 同时在标准 化方面 ， 跨链技术整体正在形成 多层次多模块的标准架构雏形 ， 其中部分应用成熟的子层次模 块已在相关标准组织立项推进 。 跨链技术架构趋于统一及核心 技术的进一步升级 ， 有望加速演 进出支撑万链互联真实需求的 生产级平台 。 2. 典型场景 当前应用跨链技术实现跨领域 合作的业务场景较多 ， 典型如： 供应链金融 涉及核心企业 、 供应商 、 经销 商 、 物流 、 金融机构等多环节 多角色的资产与资金流转 。 当这些角色处于不同的区块 链平台时 ， 通过跨链技术可 以实现跨企业的业务链接 。 1 数据来源： 蚂蚁业务实践8 跨境贸易 在传统供应链的基础上 ， 复 杂的进出口流程 ， 跨境业务 透明度不足 ， 业务分布在不 同平台放大了资产追踪难 度。 农村金融 农村金融的发展依赖农业经 营的数据流通 。 以农产品溯 源为例： 从源头生产农场 、 到 物流仓储 、 再到分销商 ， 对农 产品的全链路追踪要求其跨 链路实现全流程透明 。 通过 跨链技术使不同链上的业务 环节相连通 ， 使农产品溯源 数据流转追溯成为可能 ， 奠 定了农村金融服务的基础 。 3. 关键技术： 隐私安全计算 、 高 性能交易 、 中继技术 、 跨链事务 、 跨链治理 、 命名寻址 、 异构协议 等。 趋势 4： 基于隐私保护的 共享智能 概览 开放金融使金融行业对同业/异 业合作成为了可能 ， 但如果要真 正成为现实 ， 需要安全的多维度 数据融合 。 共享智能为开放金融提供基于 隐私保护的多方信息融合 ， 使得 数据价值最大化 。 描述 1. 共享智能赋能联合信贷实现 普惠金融 共享智能即通过多方信息融合 学习 ， 保护各方数据隐私前提 下 ， 安全联合多方价值信息 。 共享智能帮助信贷业务： 通过多方价值信息共享进 行线上授信 ， 将传统的线下 信贷过审模式 ， 转变为线上 自动过审模式 ， 缩短授信时 长； 2 图 4 ： 经典跨链技术逻辑图 资料来源： 蚂蚁集团 (2020) 2 数据来源： 蚂蚁业务实践 经典跨链技术逻辑图 跨链 合约 调用 跨链 数据 调用 跨链 资产 流通 跨链 业务 交互 跨链合约服务 跨链互操作API 跨链应用编程 可信跨链中继 TEE硬件安全中继 PoA 中继 异构跨链协议 异构接入Fabric 高效同构跨链 图表 4 ： 资料来源: 蚂蚁集团（2020）9 实现多方联合数据建模 ， 提 升模型性能 ， 从而提升授信 决策水平 ， 并在授信过程中 ， 有效保护用户的数据和隐 私。 涉及核心技术： 隐私计算中的安全多方计算 及可信执行环境分别在共享 智能中起到关键作用 ， 同时 也可以将两种技术融合到 一起进一步提升联合模型 性 能。 隐私计算中的差分隐私保护 同样应用在共享智能中 ， 安 全多方计算和可信执行环境 技术确保了计算过程的安全 性 ， 而差分隐私保护确保计 算结果的安全性 ， 即无法通 过计算结果反推出原始数 据 ， 维护数据安全 。 共享智能技术将帮助大幅度增 加授信成功用户数 、 提升授信额 度 ， 积极推动针对小微企业及农 村金融的信贷业务发展 。 2. 共享智能助力金融机构建立 联合风控网络 共享智能助力风险控制： 实现将线下人工审核方式转 为线上 ， 避免人为偏差 ， 降低 人力成本提升效率； 针对不同的具象风险类型 ， 沉淀标准化风险特征库 、 风 险特征模型及风险特征规 则； 实现多方共同决策 ， 共建模 型 ， 共防风险 ， 实现联合风控 的 “ 千人千面 ” 。 共享智能技术帮助联合生态伙 伴共同建立安全风控网络 ， 多方 利用可信执行环境等隐私保护 技术共建风控模型 ， 联合打击虚 假交易 、 欺诈团伙等 ， 在增加交 易量 、 降低资损的同时 ， 大幅度 提升风险识别准确率 ， 实现风控 网络净化 。 3. 关键技术： 多方安全计算 、 可 信执行环境 、 差分隐私保护 、 联 邦学习等 。 趋势 5： 时序图计算 概览 金融风险决策是一个不断对 抗升级的过程 ， 越来越多的 风险体现出团伙性和隐蔽 性 ， 从单一事件和行为无法 准确决策 ， 需要引入更多的 交易关系 、 资金关系 、 位置关 系 、 社交关系等 ， 形成全局的 洞察 ， 进而识别深度风险 ， 构建监控体系 ， 图计算正是 解决这种复杂金融关系的最 优解； 图 5 ： 联合风控助力企业风控系统提升准确率 ， 降低月资损 资料来源： 蚂蚁集团 (2020) 生态伙伴 数据本地加密 安全共享 迁移学习算法 效能提升 智能风控平台 团伙作案 虚假交易 反欺诈 共同决策 共建模型 共建枢纽 风险 管控 共享 智能 安全能力共享 风控模型 | 量化策略 | 实时计算 | 加密技术 | 风控引擎 企业自身 图表 5: 联合风控助力企业风控系统提升准确率，降低月资损 资料来源: 蚂蚁集团（2020）10 其中 ， 图计算的数据构建 ， 从 单一金融行为数据 ， 走向跨 行业多维度异构数据 ， 从单 一时间切片的图数据 ， 走向 基于时序的图数据 。 在此基 础之上 ， 叠加人工智能以做 决 策。 描述 1. 时序图计算为金融风控提供 更丰富更精准的决策服务 时序图计算融合图计算引擎 、 图 存储等核心技术 ， 尤其在超大金 融资产规模智能风控场景中 ， 极 大地提升了实践效果 。 基于时序的图计算帮助 4 ： 实现数据升维 ， 引入多维 、 多 时序的数据进行决策 ， 单场 景数据超万亿级； 实现百万级并发下 ， 毫秒级 实时构图及查询能力 ， 数据 强一致； 实现秒级的群组关联决策能 力 ， 复杂关联分析从事后走 向事中； 实现从单点建模到实时网络 化智能升级； 实现百亿节点及万亿边的图 数据推理和深度学习训练； 数据构建从分散的单一时间 切片走向连续的时间切片 ， 拟合一段时间的行为 ， 从而 进行行为预测； 其中 ， 数据收 集包括但不限于金融交易数 据外的多维度异构数据 。 涉及核心技术： 包括基于时序的分布式图数 据库 、 实时图计算/时序图分 析 、 图学习框架 、 图的动态时 序 、 知识图谱的构建与推理； 其中图的动态时序涉及动态 时序图挖掘 、 动态图学习 、 时 序分析 、 时序建模等技术能 力支持 。 对于金融机构投资风险预测 ， 可 基于一段时间的历史交易数据 以及跨行业多维度异构数据 ， 以 综合判断影响 。 同时 ， 时序图计 算也可应用于交易风险识别 ， 协 助降低欺诈风险 ， 减少个人与企 图 6 ： 时序图计算能力构成及实践效果评估 3 资料来源： 蚂蚁集团 (2020) 时序图计算 图计算 实时图引擎 | 时序图分析 风控秒级决策，复杂关联分析从事后走向事中 时序智能 时序分析 | 时序建模 资金闲置率 10% 微贷月偏差 1% 知识图谱 表示学习 | 关系推理 新增余额数百亿 信用风险模型KS 提升10% 超大金融资产规模（上万 亿） 图存储 基于时序的分布式图数据库 | 时序图查询 万亿级图数据存储，成为大数据风控基石 图表 6: 时序图计算能力构成及实践效果评估 资料来源: 蚂蚁集团（2020） 3 、 4 数据来源： 蚂蚁业务实践11 业的资损； 在企业授信中 ， 可优 化客户评级模型 、 降低信贷管理 风 险。 时序图计算还可以帮助金融专 家将其行业经验以规则方式沉 淀下来 ， 是智能风控中的利器 ， 将会走向纵深发展 。 2. 企业知识图谱帮助减少信息 不对称带来的金融风险 企业与企业 、 企业与个人通过资 金链接形成了复杂的网络关系 图谱 ， 金融机构如何处理复杂 客户关系网络 ， 进而识别深度 风险 、 构建监控体系成为重大 挑 战。 企业知识图谱将帮助减少多方 信息不对称带来的金融风险 ， 通 过 NLP 、 机器阅读理解 、 动态持 续分析 、 因果推断 、 关联推断等 技术 ， 将非结构化的数据结构 化 ， 相关的数据通过相关的关联 面联系起来 ， 其中关联面基于可 公开的信息分析 ， 包括但不限于 公司股东/历史股东 、 投资情况 、 债务债权 、 开庭公告 、 业务竞争 等 ， 最终形成企业知识图谱 ， 用 来理解分析当前企业将面临的 重大风险 ， 并进行风险预警等 。 同时 ， 也可以通过企业知识图谱 协助预测企业经营情况 ， 降低 不良贷款率 ， 达到提额降风险 目 的。 3. 关键技术： 图数据库 、 图计 算 、 图学习框架 、 图的动态时序 、 知识图谱 趋势 6： 持续智能 概览 金融行业的资产负债管理 ， 业务繁杂且资金体量大 ， 而 日常的资金管理主要依靠人 工经验 ， 往往通过储备较大 量资金来应对流动性风险 ， 但是带来了资金的闲置 、 增 加了经营成本 ， 在流动性风 险和资金利用率上难以获得 较好的平衡 。 持续智能结合大数据和 AI 技术 ， 建立智能资产负债管 理模型并持续自动化迭代和 演进升级 ， 通过流动性预测 、 投融资交易策略 、 交易机器 人帮助金融机构实现高效的 资产负债管理 ， 提供金融决 策支持 ， 大幅降低流动性风 险并提升资金利用率 。 描述 1. 智能资产负债帮助金融机构 精准预测流动性 ， 极大提升 资金利用率 智能资产负债管理实现： 对资金流入流出中间业务做 出精准预测 ， 全自动化的头 寸及圈存管理体系帮助机构 做好资金管理； 对资产类业务预测未来增长 并发现核心增长点 ， 帮助企 业高效经营； 面向金融市场提供投资组合 策略 、 提升投资效益 。 涉及核心技术： 基于宏中微观的金融时序预 测及基于大数据分析技术的 用户资金行为预测； 基于大数据分析技术的金融 市场价格预测及市场研判12 基于遗传规划算法的因子自 动挖掘和模型的可解释性 ， 以及效益归因； 多目标优化策略 。 在日均资金流量上千亿 5 的情况 下 ， 精准把控流动性变化 ， 提升 预测准确度 ， 提前识别流动性风 险 ， 无人化进行圈存管理 ， 大规 模释放头寸管理员的工作 ， 极大 地提升了金融机构的资产负债 管理效率 。 2. 智能交易机器人代替人工进 行同业间金融交易 ， 极大提升交 易效能 智能交易机器人可实现自动询 报价 、 智能交互 、 交易意图识别 、 交易撮合 、 交易核验及交易执行 全流程自动化 。 涉及核心技术： 基于 NLP 技术的串联聊 天 、 交易撮合； 基于大数据分析技术的及时 交易统计 、 交易规则抽取及 市场实时分析； 基于金融云底座的弹性扩容 及分布式训练 。 智能交易机器人在金融同业市 场交易提效上具有显著的成效 ， 目前应用于质押式资金交易及 现券交易场景 ， 降低交易撮合耗 时 ， 提升交易达成效率及交易总 额 ， 控制交易风险 ， 从而整体提 升同业间金融交易效能 。 3. 关键技术： 自然语言处理 、 机 器学习 、 遗传规划算法 趋势 7： 自动因子发现的 机器学习 概览 传统机器学习中因子分析依赖 专家经验和专家模型 ， 而基于自 动因子发现的新一代机器学习 可以自行发现因子 ， 在零人工干 预的情况下实现自适应 、 自学 习 ， 代表着人工智能技术的一 个颠覆性突破 。 未来 5 年 ，自 动 因子发现的机器学习将会大规 模应用于金融场景 ， 弱化主观分 析 、 强化客观事实对金融风险控 制的影响 ， 进而极大提高智能决 策的水平 。 描述 1. 基于自动因子发现的机器学 习将在各类金融决策场景中普 及 机器学习的效果高度依赖于数 据训练集 ， 而金融行业海量用户 产生的交易 、 客户 、 账单 、 转账记 录为机器学习提供了绝佳的数 据场景 。 自动因子发现可以同 时探索用户的金融行为和外部 的生活类关联数据 ， 也一定能 提供比基于人工经验的特征工 程更多的价值 。 因子对于金融领 域的重要性不言而喻 ， 在智能投 顾 、 智能保顾 、 信用评估 、 智能风 控， RPA （ 机器人流程自动化 ） 等 场景中 ， 因子分析是核心能力； 尤其在智能投顾及智能保顾的 业务场景中 ， 通过自动因子发 现 ， 可以帮助找到对金融产品价 格变化的领先指标 ， 从而极大提 高金融决策的水平 。 5 数据来源： 蚂蚁业务实践13 与此同时 ， 传统的机器学习算法 中 ， 影响因子依赖于人工干预 ， 而提前预设的因子带有较强主 观色彩 ， 从而对金融决策具有主 观引导性 ， 不利于业务风险控制 及创新发展 。 未来 5 年 ， 基于自 动因子发现的机器学习将在各 类金融决策场景中普及 。 它可以 通过分析多维度历史金融数据 ， 利用遗传算法等方式自动且持 续生成新的有效因子 ， 淘汰过时 无效因子 ， 同时确保因子的多元 化和因子的可解释性 ， 达到弱化 主观分析 、 强化客观事实对金 融决策的影响 ， 对于 AI 技术在 金融领域的应用造成颠覆性的 变 革。 2. 关键技术： 机器学习 、 自动因 子发现 、 增强分析 趋势 8： 知识图谱与多模 态学习 概览 传统金融业务处理流程复杂 ， 需 要大量人力审核投入 ， 人工成本 高； 通过知识图谱 、 多模态机器 学习 、 共享智能等关键核心技 术 ， 以智能保险服务为例 ， 其智 能化过程如智能核保 、 智能理赔 等 ， 进一步提升保险业自动化程 度 ， 降低人力审核投入 ， 提升用 户体验 。 描述 1. 知识图谱助力智能金融效率 提升 以保险业务为例 ， 在智能理赔过 程中 ， 知识图谱技术帮助实现： 抽取相应凭证信息 ， 将凭证 中的字符 、 图像 、 音视频等异 构信息理解成理赔需要的结 构化信息 ， 解读是否有欺诈 风险； 同时将上述抽取并结构化后 的信息实体化链接入知识图 谱中 ， 在图谱平台上沉淀业 务规则 ， 利用规则推理引擎 得到业务决策建议 。 涉及核心技术： 知识图谱技术 ， 包含知识构 建 、 知识抽取 、 知识融合 、 知 识评估及知识推理等核心 能 力。 共享智能技术 ， 帮助实现数 据最小化使用原则 ， 即仅获 取相关 、 必要 、 脱敏后的特征 信息进行模型训练 ， 因此 ， 共 享智能技术既保护了个人的 数据隐私 ， 也保护了系统的 特征加工机密不外泄 ， 防止 因此带来的骗保风险 。 通过智能化理赔决策 ， 帮助节约 人工审核成本 ， 加速理赔流程 ， 降低误赔率 ， 提升用户体验 。 2. 关键技术： 自然语言处理 、 知 识图谱 、 图像理解 、 多媒体内容 理解 、 共享智能及RPA （ 机器人 流程自动化 ） 趋势 9： 深度个性化 概览 互联网技术驱动金融从离线走 向在线 ， 未来的金融一定是融合 在业务场景中的泛在实时服务 。 大数据和人工智能在金融领域 的广泛应用 ， 使得金融机构可以 实现用户与内容 、 用户与服务的 精准匹配 ， 从而生成深度个性 化的金融服务： AI 与保险业务 的结合产生智能保顾 、 AI 与投 资业务的结合产生智能投顾 、 AI 与客户服务的结合产生智能客 服、 AI 与营销洞察的结合产生 智能营销 。 未来 5 年 ， 大数据及14 人工智能技术必将在更多的金 融场景中产生融合 ， 深度个性化 的金融服务将成为主流 。 描述 1. 用户需求的变化催生人工智 能与大数据技术在金融业的大 规模普及 当金融服务从离线走向在线 ， 金 融服务的对象 、 模式 、 重心皆发 生重大变化： 金融服务对象从大企业 、 高 净值人群逐渐走向中小企 业 、 大众化； 金融服务模式从 B2C 逐步 发展到 C2B ， 由人工受理发 展到在线无接触服务 ， 再发 展到个性化智能实时处理； 金融服务的重心将从传统的 企业组织为中心逐步发展到 为以用户为中心 ， 更加关心 用户的体验和感受 ， 更加关 心用户的个性化要求； 得益于人工智能和大数据技术 ， 金融机构可以从用户的消费行 为数据中产生和获取洞察 ， 从 而通过满足用户深度个性化的 服务需求 ， 留存老客户 、 吸引新 客 户。 2. 用户智能驱动个性化金融服 务覆盖全业务场景 用户智能就是结合大数据分析 和人工智能技术 ， 通过搜索推 荐 、 服务内容理解等 ， 达到用户 与服务 、 用户与内容的精准匹 配 ， 它是一种数据智能和人工 智能的结合态 。 未来 5 年 ，用 户 智能会把深度个性化的服务推 送到所有的金融业务场景中 ， 实 现人人皆可获得适合其自身的 金融服务 。 其中较为典型的场景 包括： 智能投顾 结合人工智能算法和产品 ， 依据用户设定的投资目的及 风险承受度 ， 为投资者提供 “ 千人千面 ” 的投资决策支 撑； 未来 5 年 ， 智能家庭理 财师将成为服务全球亿级大 众的金融基础设施； 智能保顾 海量用户数据结合智能推荐 技术 ， 将为用户提供定制化 的智能荐保 、 风险评测服务； 未来 5 年 ， 智能保顾将会服 务超过亿级全球客户； 智能客服 聊天机器人 (Chatbot)、虚 拟助理等为金融机构和用户 之间提供会话接口 ， 建立起 基于自然语言的沟通方式； 客户将得到训练有素的专家 提供的高标准 、 量身定制的 服务； 智能营销 基于机器学习算法深度挖掘 客户交易 、 消费 、 社交 、 信用 等行为数据 ， 金融机构可以 进行用户画像 、 用户分层 、 用 户定位 ， 进而实现营销服务 的精准化和个性化 ， 优化营 销的质量与效率 。 3. 关键技术： 用户行为分析算 法 、 自然语言处理 、 机器学习 、 互 动技术 、 自动语音识别与合成 趋势 10： 开放透明 概览 科技高速发展 ， 创新层出不 穷 ， 如何利用技术发展来增 强用户信任而非迷惑用户成 为重中之重 。 在科技发展过程中 ， 数字化 理念和隐私越来越受到个 人 、 企业和政府的关注 ， 随着15 用户个人信息保护意识增 强 ， 需要企业规则制定过程 清晰 ， 且规则是易于被访问 的 ， 同时需要相关政策法规 制定来确保个人数据隐私受 到严格保护； 在金融普惠的愿景下 ， 金融 服务应该是人人可获得 、 人 人可无差别公平享用 ， 金融 科技相关企业应始终坚持以 用户为中心提供开放统一的 金融服务； 科技赋能金融服务最终应对 世界产生积极影响 。 描述 1. 金融业呼唤数字化理念 在利益面前 ， 金融科技相关企业 存在通过以下方式利用用户隐 私牟取暴利的不当操作： 利用用户对金融法规的盲 点 ， 向其强制授权 、 过度索 权； 通过用户信息结合人性弱点 让用户频繁交易 、 加大杠杆； 通过大数据杀熟以及进行信 息造假 。 企业需要制定一系列开放透明 的数字化理念准则 ， 及时更新隐 私政策 、 规则说明等 。 金融科技企业应做到包括并不 限于： 建立公司数字化理念指导原 则 ， 并关联公司价值观 、 技术 目标和战略； 公开隐私权政策 ， 明确如何 收集 、 存储 、 保护 、 使用 、 对外 提供用户信息等 ， 让用户可 以更好地理解 、 控制针对数 据的共享与使用； 同时 ， 保持 隐私权政策简短精悍 ， 易于 浏览 ， 且易于被用户访问； 以 “ 公开透明 ” 为出发点 ， 清 晰化规则制定过程 ， 公开规 则说明于服务应用首页 ， 易 于被用户访问 ， 让用户在共 享数据的过程中获得体验升 级和实惠 ， 并支持用户在必 要时能够简单方便地退出 服 务。 2. 开放与透明成为金融业数字 化理念建设共识 金融数字化理念标准应深深根 植于金融科技相关企业 ， 保护用 户隐私 、 维持用户信任 ， 让数据 为用户创造价值 ， 而非为企业创 造收益 。 提供基于数字化理念的 金融服务应作为每一个金融科 技企业的责任和承诺 。 随着科技创新对世界的影响更 加广泛和深入 ， 人类应抱有善意 的目标和动机运用技术 ， 应采取 负责任的行为 ， 确保科技真正惠 及人类16 附录： 新兴金融科技公司自我评估清单 十大金融科技趋势 自我评估 监控 （1 分） 规划 （2 分） 试点 （3 分） 部署 （4 分） 可信 趋势 1： 全栈可信 m m m m 趋势 2： 主动安全 防御 m m m m 趋势 3：跨 链 m m m m 智能 趋势 4： 基于隐私 保护的共享智能 m m m m 趋势 5： 时序图计 算 m m m m 趋势 6： 持续智能 m m m m 趋势 7： 自动因子 发现的机器学习 m m m m 趋势 8： 知识图谱 与多模态学习 m m m m 普惠 趋势 9： 深度个性 化 m m m m 趋势 10： 开放透明 m m m m 总得分 (10-40) 注： 以上自我评估清单和得分仅供参考 ， 得分不等同于技术能力 。 理想得分为 30 分以上 。 资料来源： 蚂蚁集团Gartner 的调研报告 新兴技术成熟度曲线 ， 2020 2020 年技术成熟度曲线重点 介绍将在未来 5 到 10 年间对 企业 、 社会和人类产生重大影响 的新兴技术 。 其中包含的技术 能使组合式企业渴望重新获得 社会对技术的信任并改变您的 想 法。 分析 您需要知道什么 作为技术创新领导者 、 CTO 或 CIO ， 您必须了解新兴技术的最 新情况 ， 才能确定它们对您所在 行业的影响以及为您的组织带 来的机遇 。 今年孕育了许多激动 人心的机遇 ， 使组织可以进一步 探索技术推动的业务转型 。 如果 您是早期采用者 ， 则可以将此技 术成熟度曲线用作起点 ， 以便： 了解在 5 到 10 年的规划 周期中需要密切关注的技 术。 探索潜在机遇 。 制定计划 ， 确保当这些技术 在商业上可行时善加利用 。 技术创新已成为竞争差异化的 关键 ， 并且是许多行业转型的催 化剂 。 突破性技术不断涌现 ， 甚 至向最具创新性的技术发起挑 战 ， 抢占潮头 。 关注数字业务转 型意味着您必须拨开这些技术 周围的迷雾 。 本调研报告重点介 绍的创新方案 (IP) 针对新兴技 术的业务影响提供指导 ， 并就如 何利用这些技术来推动竞争差 异化提供建议 。 今年 ， 我们的技术成熟度曲线中 的新兴技术可分为五个明显的 趋势： 复合架构 算法信任 超越硅 形成性人工智能 (AI) 数字化自我 技术成熟度曲线 在众多 Gartner 技术成熟度曲 线中 ， 新兴技术的成熟度曲线 堪称独一无二 ， 因为其提炼了 Gartner 对 1,700 多种技术的 洞察 ， 精简出一组 “ 必知 ” 新兴技 术和趋势 。 此技术成熟度曲线中18 的技术经过精挑细选 ， 可带来变 革性或很高的效益 ， 并广泛影响 企业和社会 。 由于此技术成熟度 曲线专注于新兴技术 ， 因此仅体 现了前半个周期的趋势 。 它倾向 于介绍在过往迭代中没有的技 术 。 空间有限意味着我们必须淘 汰在 2019 年版的调研报告中 重点介绍的大多数技术 。 淘汰的 技术仍然很重要 ， 并包含在其他 技术成熟度曲线调研报告中 （ 请 参见 “ 不在技术成熟度曲线上的 条目 ” 一节 ） 。 新兴技术趋势 技术成熟度曲线的这次迭代重 点介绍了五个独特的趋势 ， 这些 趋势创建了高度自适应的解决 方案 ， 探索了人工智能的未来 ， 并重建了对技术和社会的信任 。 您应该跟踪这五个新兴技术趋 势。 复合架构 。 快速的业务变化和