全球金融科技现状与趋势：哪些前沿技术是“必争之地”?

金融科技，即我们通常所说的FinTech，是Financial Technology的缩写，指通过利用各类科技手段改造传统金融行业所提供的产品和服务，提升效率并有效降低运营成本，通常包括大数据、人工智能、区块链、量化金融等核心部分。本文抛砖引玉，就金融科技的发展、研究现状、未来方向等几个问题进行阐述。

金融科技的全球发展：东风正盛

金融科技在全球的发展，从融资情况可见一斑。据不完全统计，2016、 2017和2018年，全球金融科技公司融资数量分别为750、 819和1191笔，已披露的融资总额分别达到1353、 1650和3443亿元，相当可观。从融资领域来看，2018年全球金融科技融资总额TOP3为综合金融、P2P和区块链。纵观近3年的走势，P2P、区块链、支付、汽车金融、大数据等领域融资金额持续走高，其中区块链和大数据尤为明显。具体到世界各国，2016-2018年，中美印三国的融资数量占80%左右，2019年开始多地开花，中美印三国占比降至70%以下。其中最受关注的要数中国，2018年四季度之前中国的金融科技融资数量基本稳定在50%以上，超过全世界其它国家之和，虽然今年以来有所下滑，但是依然高居世界榜首。

随着金融科技如火如荼地发展，学术界也对金融科技进行了深入的研究。国际顶级金融杂志Review of Financial Studies（以下简称RFS）在2019年5月份发表了一整刊的金融科技专题研究，研究方向涉及区块链、大数据、机器咨询等各个方面，基本涵盖了金融科技的主要发展方向。与传统的文章发表不同的是，该期RFS的文章采用注册报告的形式，也就是RFS的主编首先拟定主题（金融科技），但不设方向，邀请全世界的金融、计算机专家提供文章思路，主编和匿名审稿人经过多轮审核后确定文章选题，之后撰稿人完成整篇文章的写作，无论结果好坏与否均予以发表。这种发表方式主要是为了防止撰稿人只发表结果较好的文章，降低了研究的全面性。该类文章发表的方式开金融行业之先河，不仅体现了顶级金融专家对金融科技的重视，也能更好地让更多的专家投入到金融科技的研究中来，有助于促进金融科技的研究与发展。从RFS收到的156份研究报告来看，美国的研究最多，占比50%，中国的研究次之，占比11%，德国、澳大利亚、英国等国也有一定的研究产出。

纵观全球，在金融科技的创新发展与研究方面，大家不约而同地指向中国。中国的金融科技发展最快，也处在研究与创新的最前沿。由于美国的金融行业非常成熟，在美国进行金融方面的创新面临很大的阻力，而中国和其它新兴国家的金融业尚在快速发展阶段，金融业易于创新和重构。国际货币基金组织在今年6月发布的研究报告《金融科技现状体验》（Fintech: The Experience So Far）中也指出，在金融科技的许多方面，亚洲领先于其他地区，由于起步早、市场规模大等原因，中国成功抓住了金融科技的发展先机，并一跃成为全球金融科技领军力量。

金融科技的未来方向？

从全球范围来看，关于P2P和区块链的金融科技研究较多，但是国内的这两个方向此前似乎有走偏的趋势。不过随着今年10月以来政策的鼓励，我国已经将区块链提升到国家战略的高度，区块链技术将更加健康有序地发展，在更多金融场景落地，目前工信部也正在研究出台区块链发展政策。

区块链

被称为“数字时代的三大思想家之一”的乔治·吉尔德认为，未来区块链经济将崛起，因为区块链是法律和契约的技术延伸，使人类行动规则能够自动化执行，从而体现不确定性降低的价值。一个数字化的社会操作系统能使进步所必需的创新来得更容易、更高效，这正是区块链的巨大潜力。对于社会数字化操作系统来说，区块链是一种基础性技术，使社会运作实现数字化转型变得可能。例如合同、交易及其记录无疑是让社会操作系统高效运转的重要组件，但这些关键工具很大程度上没有跟上数字化转型，阻碍了通过机器提升效率的进程，而区块链则有希望解决这个问题。目前国内外已经有一些基于区块链的创新在孕养许多理性的商业模式，例如降低企业运营成本、激励用户做出贡献、解决信任问题等。在数据方面，由于数据太容易被复制了，一旦发生数据外泄很容易侵犯个人隐私与数据所有权，所以我们可以考虑结合区块链技术来对数据来源进行溯源，这也可以应用于知识图谱等人工智能领域。

人工智能与大数据

目前人工智能已在诸多场景落地，在语音识别、图像识别、智能客服等方面发展迅猛，竞争激烈，不过在市场预测方面建树不多，近期可能不会有大的改变。笔者认为，大数据金融、成本控制是两个非常有潜力的发展方向。

大数据金融：Gartner认为“大数据”需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。大数据是金融科技行业最为确定的方向之一。大数据技术的战略意义不在于掌握庞大的数据信息，而在于对这些含有意义的数据进行专业化处理。在“数据=资产”的理念下，大数据产业发展如火如荼。金融行业在多年的运营过程中积累了海量数据，这些数据如何应用到实际中来是每个金融机构正在考虑的问题。譬如，券商积累了无数客户的基本信息、交易信息。券商可以基于这些数据进行客户画像，寻找不合规的客户，以满足监管要求；也可以对客户的实际风险承受能力进行分析，为不同的客户推荐不同的产品；可以从旗下的私募基金中挖掘业绩好、回撤低的基金产品，推广基于这些产品的FOF基金；也可以对基金经理进行画像，推广基于这些基金经理的MOM基金等等。

金融机构数据繁多，可应用的场景也数不胜数，如何将这些数据寻找到有价值的场景、将自己所拥有的大数据变现是摆在金融从业人员面前的一道现实问题。在数据治理方面，金融机构可以将自有数据与外部采购数据进行整合，由专职人员统一治理，将数据分门别类，形成基础数据库，并将基础数据库目录分发给各部门。各部门组织业务人员利用数据规划部门业务场景，对各类场景进行价值评估。如有必要，实施跨部门协作，或者聘请第三方公司进行场景实现。

成本控制：机器学习方法是否预测市场，这个见仁见智，但是机器学习能进行成本控制是确凿无疑的。这是金融科技方面的另一个较为确定的方向。例如在降低信用风险方面，有学界研究表明，他们的机器学习模型能够预测循环信用额度中的信用违约率。对于传统的贷款机构，相信机器学习和人工智能降低信用风险，识别处于风险中的账户，减少这些机构的贷款损失。另外，恒生研究院将自然语言处理技术和传统统计方法相结合，构造出创新的债券预警模型，预测结果优于传统预警模型，这也是人工智能方法的应用范例。在降低合规成本方面，人工智能技术极为擅长处理文本数据，如果采用该技术，机构不必投入大量的人力进行合规审查，可以显著降低合规成本。

当前，全球范围内正在发生一场关于科技和产业的变革，数字化、电子化、智能化三浪叠加，数字经济迅速发展，金融科技已经成为金融创新的热点。在金融科技这条赛道上，恒生公司也将跟行业伙伴一起奔跑，助推更多前沿技术在金融领域落地。