AI+金融：学者、产业、趋势全景报告

“人工智能+金融”将时下最火热的两个领域结合，碰撞出时代的创新火花。及时了解金融领域中人工智能技术的研究和应用，发现当前热点和未来研究趋势，洞察先机，掌握智能金融未来。

金融研究领域

1. 金融领域市场现状

• 行业综述

金融（Finance）是在不确定的环境中对现有资源进行跨期最优配置的行为，其本质是实现价值和利润的等效流通。我国金融行业的主体包括政府、中央银行、商业性金融机构、企业以及居民个人，其主要业务集中在投资、信贷、理财、保险、支付等细分领域，市场竞争格局主要由传统金融机构和新兴互联网金融市场竞争者组成。我国金融业发展起步较晚，一直以来存在着金融服务主体与客体脱节的痛点，产品应用场景单一，既不“普”也不“惠”，与发达成体系的国外金融行业相比，还有巨大的潜能待挖掘。用户数据流量、技术和创新的商业模式是当下金融行业的核心竞争力。

• 创新趋势

随着信息科技时代的发展，新兴技术将金融行业的各环节革新融通，从而优化传统金融结构，提高整体效率。从金融办公数字化，到互联网金融转型，再到如今金融科技兴起，金融行业不断向非金融的实体应用场景衍生，更加场景化、个性化、科技化。依据PEST模型分析，整个金融生态呈现出与科技强强联合的升级态势。

Politics（政治）：国家大力支持金融与新兴科技的创新发展，近年一直提供政策支持和理论指导，特别是2017年央行成立“金融科技委员会”以及国务院印发《新一代人工智能发展规划》，将人工智能等新技术在金融界的运用上升到国家战略高度。

                             

Economy（经济）：社会经济的发展极大提升了国民生活水平，据央行公布的国内居民年度消费贷款余额规模，金融市场需求规模增长迅速，呈现稳中求进的发展态势。近年来供应链金融和消费金融的兴起，也正是企业和个人用户市场蕴含巨大潜能的体现，用户需求的数量和多样性上均增长。

Society（社会）：随着知识与技术的传播普及，社会形成了对热点“金融科技”的认知，个人和媒体都持有良好的接纳和学习态度，话题被广泛热议。

Technology（科技）：金融科技有四大技术要素“ABCD”——AI（人工智能）、Blockchain（区块链）、Cloud computing（云计算）、Data（大数据）。

其中，大数据是金融科技的基础资源，从用户流量中获取数据，从而产生可变现的知识，是价值链上的流通之匙；云计算是基础算法，能否有效从数据中获取价值是关键，这为大数据和应用场景之间搭起了桥梁；人工智能基于基础数据和算法，向具体细分的应用场景拓展，将金融科技落地；区块链作为去中心化的技术，保证了整个链条各环节的透明高效。

自此，传统金融行业生态圈中衍生出了移动支付、智能投顾、大数据风控、数字货币、互联网银行等新兴的细分业务领域。占据流量和数据的互联网巨头纷纷抢占行业创新先机：蚂蚁金服向“Techfin”转型，百度金融开发大数据风控、智能消防金融及ABS三大智能服务平台，腾讯发布“AI即服务”战略等。同时，传统金融机构也与科技公司进行合作，实现优势互补打造技术驱动产品，如平安保险的“智能认证”及“智能闪赔”，工商银行推出智能投顾产品及服务等。

 

2. 金融领域学术研究

• 研究发展趋势

从全局的热度来看，monetary policy（货币政策）、interest rate（利率）、stock market（股票市场）、venture capital（风险投资）、financial markets（金融市场）等是金融学术领域整体关注的热点。

而近期关注的重点则是集中在venture capital（风险投资）、cross section（横截面分析）、benchmark approach（基准点分析法）、corporate governance（公司治理）、asset pricing（资产定价）等领域。

• 学者研究流派

近期有关金融的研究主要由以Stijn Claessens、Douglas J. cumming等学者为首的流派研究构成，这些学者的研究兴趣主要集中在Financial markets（金融市场）、Venture capital（风险投资）、Behavioral Finance（行为金融）等方向，他们都在citation（引用量）、G-index（G指数）、H-index（H指数）、diversity（多样性）、sociability（社交性）等方面成绩出色。

人工智能+金融

人工智能为强数据导向和用户流量依赖的传统金融行业的创新升级创造了契机，在提高数据使用效率的同时引领着新型服务的诞生，学者研究和行业实践都在探索着两者结合带来的创新红利。

1. 历史热点分析

• Artificial Intelligence& Finance研究概况

根据AMiner的交叉创新笛卡尔智能分析，系统通过对人工智能领域与金融领域的知识图谱的计算，再对两领域的细分子领域进行笛卡尔乘积热点挖掘，得到近十年交叉领域研究热力图。

（领域交叉热力值由交叉研究的论文的Citation等数据加权计算得出，热力值越高，表明这个两个交叉子领域交叉研究的越深入和广泛。）

 

过去十年内，人工智能领域与金融领域的交叉运用主要集中在Data Mining（数据挖掘）、Neural Network（神经网络）与Investing（投资）、Bank（银行）、Risk management（风险管理）的交叉运用。其中，近十年来研究热度最高的五个交叉领域为：

• DataMining (数据挖掘) & Investing(投资)

• DataMining (数据挖掘) & Bank(银行)

• NeuralNetwork (神经网络) & Bank(银行)

• DataMining (数据挖掘) & RiskManagement (风险管理)

• NeuralNetwork (神经网络) &Investing (投资)

这也反映了当下人工智能领域正尝试着将数据挖掘、神经网络深度学习等算法技术运用于金融领域中的投资决策、风险管理等场景，重塑传统金融服务。

 

• 热点研究机构及学者

就最热的DataMining (数据挖掘) & Investing (投资)领域进行分析，学术研究领先的国家有中国、美国、德国、印度、澳大利亚等，全球前5个研究机构有：

• 华北电力大学，北京，中国

• 北京交通大学，北京，中国

• 天津大学，天津，中国

• 鲁汶大学，鲁汶，比利时

• 华中科技大学，武汉，中国

 

其中，与该交叉领域相关性最高的学者有：

在这一领域，中国的研究人员数量、研究论文数量及影响力均远超过美国，并在世界范围内占重要地位，这与当下中国金融科技飞速发展的大环境密不可分。

 

2. 未来趋势分析

未来三年内，人工智能领域与金融领域的交叉研究热度有增无减。对Artificial Intelligence（人工智能）领域的研究将进一步细化，对其子领域的研究将逐渐深入。作为现阶段热点的Neural Network（神经网络）、Data Mining（数据挖掘）与Bank（银行）、Investing（投资）的交叉研究将持续火爆，而在未来MachineLearning（机器学习）与Bank（银行）、Investing（投资）的交叉研究可能会有显著的增长，成为新的热点。

 

3. 人工智能在金融中的实际应用

在实际行业应用中，“人工智能+AI”会产生“1+1>2”的多样化效果，创造无限的可能。

目前，在金融行业内几大主流应用场景为：

• 征信风控

运用大数据进行机器学习，刻画用户画像，关注个性化典型特征，推进反欺诈征信评估。

• 智能投顾

以人工智能算法为基础，为客户提供自动化投资管理解决方案，包括提供投资资讯、构建投资组合、直接投资管理等服务。

• 金融客服

产品设计强调用户交互，“语言识别”、“人机对话”、“人脸识别”目前初步被广泛被运用于对金融服务客户的身份认证环节。

 

“人工智能+金融”目前仍属于投资先驱者青睐的蓝海，相信经过市场主体的多方努力，成体系的智能金融时代就在不久的将来。

AI让金融更懂你。

数据派将作为独家媒体合作方第一时间发布AMiner研究报告，包括全球AI专家学者研究、AI与各学科交叉研究等方向，请持续关注。

版权声明

 

AMiner研究报告版权为AMiner团队所有，拥有唯一著作权。AMiner咨询产品是AMiner团队的研究与统计成果，其性质是供用户内部参考的资料。

 

AMiner研究报告提供给订阅用户使用，仅限于用户内部使用。未获得AMiner团队授权，任何人和单位不得以任何方式在任何媒体上(包括互联网)公开发布、复制，且不得以任何方式将研究报告的内容提供给其他单位或个人使用。如引用、刊发，需注明出处为“AMiner.Org”，且不得对本报告进行有悖原意的删节与修改。

 

AMiner研究报告是基于AMiner团队及其研究员认可的研究资料，所有资料源自AMiner后台程序对大数据的自动分析得到，本研究报告仅作为参考，AMiner团队不保证所分析得到的准确性和完整性，也不承担任何投资者因使用本产品与服务而产生的任何责任。

点击文末“阅读原文”或扫描二维码订阅更多信息，我们将自动为您提供一年20期相关研究报告的内容服务。