执行概要

通用技术 是经济学家的术语 储备 为那些促进经济持续增长和社会进步的技术, revolutionizing the operations of households 和 corporations alike. 通用技术的一个例子是电力. 电了 众多的产品和行业, 包括冰箱, 洗衣机, 火车和, 当然, 电脑. The advent of electricity radically transformed the world.

最近的一次 哈佛商业评论文章 将人工智能(AI)指定为我们这个时代最重要的通用技术. 我们都很熟悉人工智能的力量. 它以机器人的形式表现出来 击败世界知名棋手. 一辆能 平行公园本身. 的设备 回复明天的天气 当我们问. But much of our contact with—和 underst和ing of—AI revolves around products that affect our everyday lives as consumers. 在组织层面上, there’s a larger question around how AI will disrupt industries, 特别是, 金融服务将如何利用人工智能.

The following article will define 人工智能, 相关技术领域, 整个人工智能产业的规模, the applications of 人工智能 in 金融. This piece is not intended to provide a normative judgment on AI development; rather, 它将关注人工智能如何颠覆金融.

人工智能:什么是AI?

人工智能是 计算机科学的一个领域 focused on creating intelligent machines that function like humans. 人工智能计算机 被设计来执行人类的功能 including learning, 决策, 规划, 以及语音识别.

人工智能使机器能够 持续改善他们的表现 without humans providing prescriptive instructions for how to do so. 这一点很重要，原因有几个. 首先，人类知道的比我们能说的要多. 也就是说，人类也许能够识别一张脸，或者在国际象棋比赛中执行一个聪明的策略. 然而, 在先进的人工智能技术之前, 人类无法表达自己的知识，这意味着我们无法将许多任务自动化. 第二个, 人工智能技术在执行上是超人, operating more quickly 和 often with more accuracy than humans.

人工智能技术

人工智能包含了大量的能力和技术. 咨询公司 普华永道强化 人工智能“不是一个单一的学科领域. 它包含了很多东西，这些东西都增加了我们对“智能”的理解.以下是人工智能最受欢迎的几个领域:

• 机器学习 数据分析的方法是什么 自动化分析模型构建. 使用从数据中迭代学习的算法，[机器学习](http://www).laohujidwq.com/machine-learning/machine-learning-theory-an-introductory-primer) enables 电脑 to find hidden insights without being explicitly programmed where to look.
• 深度学习 是一个 机器学习的子集. 它促进了图像中的物体识别, 视频标签, 以及活动识别, is making progress in perception (including audio 和 speech). 例如, Facebook's deep learning application DeepFace has been 训练识别照片中的人. 许多人将深度学习技术与生物学进行比较, 但是专家们普遍认为 inspired by the human brain, it's not necessarily modeled after it.
• 自然语言处理 计算机程序的能力是什么 理解人类语言 实时地. 研究和发展是 转移 towards systems capable of interacting with people through dialog, 不只是对程式化的请求做出反应.
• 物联网(IoT) 是致力于各种各样的设备的想法吗, 包括电器, 车辆, 建筑物可以相互连接. 例如，如果你的闹钟在早上7点响.m.，可以。 自动通知你的咖啡机 开始为你煮咖啡. Wearable technologies that act as sensors when worn are 也 这是大趋势的一部分.

当然，这个列表并不全面. 有关更广泛的人工智能主题和技术，请参阅下文.

人工智能市场规模

前面提到的 哈佛商业评论文章 预测“人工智能的影响将在未来十年被放大, 随着制造业, 零售业, 运输, 金融, 卫生保健, 法律, 广告, 保险, 娱乐, 教育, virtually every other industry transform their core processes 和 business models to take advantage of machine learning. 瓶颈在于管理、实现和业务想象.”

人工智能在各行各业的广泛应用预计将推动全球收入达到12美元.到2020年将达到470亿美元，复合年增长率(CAGR)为55.从2016年到2020年1%. 具体地说, 在这项技术上投资最多的行业是银行业和零售业, 其次是医疗保健和制造业. 在总, 到2016年，这四个行业将占全球人工智能收入的一半以上, with the banking 和 retail sectors each delivering nearly $1.50亿年.

跨行业， 2017年最大的人工智能投资 will be in areas such as automated customer service agents, 自动威胁情报, 以及欺诈分析(见下图). Jessica Goepfert说，项目总监 市场研究 公司IDC, “认知系统的近期机会出现在银行业等行业, 证券及投资, 和制造业. 在这些片段中, 我们发现了大量的非结构化数据, 渴望从这些信息中获得洞察力, 以及对创新技术的开放态度.” The next section 本文简介 will delve into the various use cases for 人工智能 in the financial services industry.

人工智能在金融领域的现状和未来应用

Artificial intelligence in 金融 could drive operational efficiencies in areas ranging from risk management 和 trading to underwriting 和 claims. 虽然有些应用程序与金融服务中的特定部门更相关, 其他的可以全面利用.

金融中的人工智能:风险管理

事实证明，在安全和欺诈检测方面，人工智能是非常有价值的. Traditional methods of fraud detection include 电脑 analyzing structured data against a set of rules. 例如, 给定的支付公司可能会将电汇的门槛设定为15美元,，以便任何超过该金额的交易将被标记以作进一步调查. 然而，这种类型的分析会产生许多误报，并且需要大量额外的工作. 也许更重要的是，网络犯罪骗子 经常改变策略. 因此，最有效的系统必须不断变得更加智能.

使用先进的学习算法, 比如那些来自深度学习的, new features 可以 be added to the system for dynamic adjustment. 据萨米尔·汉斯说, 德勤交易与商业分析有限公司的顾问主管, 通过认知分析, fraud detection models 可以 become more robust 和 accurate. If a cognitive system kicks out something that it determines as potential fraud 和 a human determines it’s not fraud because of X, Y, 和Z, 计算机从这些人类的见解中学习, next time it won’t send a similar detection your way. 电脑变得越来越聪明了.”

PayPal’s Success with Artificial Intelligence 和 Fraud Detection

以支付巨头PayPal及其先进的欺诈协议为例. 由于其规模和知名度，贝宝背上有一个巨大的目标吗.2015年，它从1.7亿客户的400万笔交易中处理了2350亿美元. 然而，PayPal已经能够通过利用深度学习技术来提高安全性. 事实上，PayPal的欺诈率相对较低 0.收入的32%，一个数字远远好于1.商家看到的平均32%.

过去，PayPal使用的是简单的线性模型. 今天, its algorithms mine data from a customer’s purchase history 和 reviews patterns of likely fraud stored in its growing databases. 而线性模型可以消耗 20 - 30变量, deep-learning technology 可以 comm和 thous和s of data points. 这些增强的功能帮助PayPal区分无辜交易和可疑交易. 王慧说, 贝宝全球风险科学高级总监, “我们享受的东西更现代, advanced machine learning is its ability to consume a lot more data, h和le layers 和 layers of abstraction 和 be able to ‘see’ things […] even human beings might not be able to see.”

金融中的人工智能:交易

从人类构建的模型到真正的人工智能的过渡

多年来，投资管理公司一直依靠电脑进行交易. 大约有1360家对冲基金， 占所有基金的9%, rely on large statistical models built by data scientists often holding mathematics PhDs (otherwise known as “quants”). 然而，这些模型只利用历史数据 通常静态，需要人为干预，并且在市场变化时表现不佳. 因此，资金越来越多 向真正的人工智能模型迁移 它不仅可以分析大量的数据，而且 也 不断提高自己.

这些新技术利用了包括深度学习在内的复杂技术, 机器学习的一种形式叫做 贝叶斯网络, 进化计算它的灵感来自于遗传学. AI trading software 可以 absorb enormous volumes of data to learn about the world 和 make predictions about the financial market. 了解全球趋势, 他们可以从书中消费一切, 微博, 新闻报道, 财务数据, 收益数字, international monetary policy to Saturday Night Live sketches.

需要说明的是，上述不同于 高频交易 (高频交易), 它允许交易者在几秒钟内执行数百万订单并扫描多个市场, 以人类的方式应对机遇 不能. 上面讨论的人工智能驱动的平台正在寻求最佳的长期交易, 而机器——而不是人类——正在决定战略.

其中一些人工智能 交易系统 都是由创业公司开发的. 例如，香港 Aidiya 是一个 fully autonomous hedge fund that makes all of its stock trades using 人工智能 (AI). “如果我们都死了，” 联合创始人本·戈泽尔说，它会继续交易.“传统机构也对人工智能交易技术感兴趣. 2014年，高盛 领投A轮融资 of 和 began installing an AI trading platform called Kensho. 为 Kensho的B轮融资，除了S之外&P全球, 华尔街最大的六家银行(高盛), 摩根大通, 美国银行，美林证券, 摩根士丹利(Morgan Stanley), 花旗集团(Citigroup), 富国银行(Wells Fargo)也参与其中.

交易业绩比较

投资研究公司最近进行的一项研究 Eurekahedge的数据 tracked the performance of 23 hedge funds utilizing AI from 2010-2016, 发现它们的表现优于那些由更传统的量化基金和广义对冲基金管理的基金.

对交易员和量化分析师的启示

观察人工智能将如何影响交易劳动力市场将是一件有趣的事情. Its effects are already apparent at some major banking institutions. 2000年，高盛(Goldman sachs)旗下的美国投行.S. 纽约总部的现金股票交易部门 使用 600名交易员买卖股票. 今天, it has two equity traders, with machines doing the rest. 丹尼尔•纳德勒 Kensho的首席执行官宣称10年后，高盛(Goldman Sachs)的员工人数将比现在少得多.“至于量化分析师, 他们可能会发现，投资管理公司对他们的技能的需求减少了.

目前，大约有 三分之一的毕业生 从顶级商业项目进入金融领域. 美国最优秀的人才会去哪里? 马克·米内维奇(Mark Minevich)是美国国务院高级顾问.S. 竞争力委员会 相信 “Some of these smart people will move into 科技创业公司, 或者将帮助开发更多的人工智能平台, 或者自动驾驶汽车, 或者能源技术……纽约可能会在科技领域与硅谷竞争.”

金融领域的人工智能:机器人咨询

什么是机器人顾问，它是如何工作的?

Robo-advisors 提供服务的数字平台是自动化的吗, 算法驱动的财务规划服务，人工监督最少. While human financial managers have been utilizing automated portfolio allocation since the early 2000s, investors had to employ advisors to benefit from the technology. 今天, 机器人顾问允许客户直接访问 to the service. 与他们的人类同行不同，机器人顾问不间断地监控着市场，而且是 可用的24/7. 机器人顾问还可以为投资者提供高达100美元的投资 节约成本70% 和 typically require lower or no minimums to participate.

今天,robo-advisors 能帮助完成更多重复性的任务吗 如开户和资产转移. The process typically involves clients answering simple questionnaires about risk appetite or liquidity factors, which robo-advisors then translate into investment logic. The majority of current robo-advisors aim to allocate their clients to managed ETF portfolios based on their preferences. 预计未来的能力将会 进化成更高级的产品 例如自动资产转移和 扩大覆盖范围 在房地产等另类资产类别中.

机器人咨询可能对个人理财和财富管理行业产生重大影响. While current robo-advisor total assets under management (AUM) only 代表100亿美元 在财富管理行业的4万亿美元资产(不到所有管理账户资产的1%)中，财富管理公司 商业内幕研究 估计到2020年，这一数字将上升到10%. 这相当于约8万亿美元的资产管理规模.

行业采用机器人咨询

Industry players have adopted varied approaches to robo-advisory. Smaller wealth management firms are adding algorithmic components to automate their investment management, 降低成本/费用, 并与机器人顾问竞争. 另一方面，成熟的投资公司正在购买现有的机器人顾问，比如 景顺对Jemstep的收购 或者创建自己的机器人顾问解决方案，比如FidelityGo和嘉信理财的智能顾问.

Robo-Advisors vs. 财务顾问:人类会被取代吗?

专家们的普遍共识是，人类仍将是不可或缺的. 人情味仍将至关重要, as advisors will still need to reassure customers during difficult financial times 和 persuade them with helpful solutions. 埃森哲咨询公司进行了一项研究 revealed that 77% of wealth management clients trust their financial advisors while 81% indicate that face-to-face interaction is important. 对于有复杂投资决策的客户 混合咨询模型该公司将计算机服务与人工顾问相结合，正在获得越来越多的关注.

而财务顾问仍将是核心, robo-advisors may cause shifts in their job responsibilities. 用人工智能管理重复的任务, 投资经理可能承担数据科学家或工程师的职责, 例如维护系统. Humans may 也 focus more on client relationship-building 和 explaining the decisions the machine has made.

Artificial Intelligence in 金融: Insurance Underwriting 和 Claims

保险依赖于余额 人群之间的风险; insurers group similar people together, some people will require payouts while others won’t. The industry is built around risk assessment; 保险 companies are no strangers to data analysis. 然而, 人工智能可以扩展 the amount of data analyzed as well as the ways it 可以 be utilized, resulting in more accurate pricing 和 other operational efficiencies.

Startups are at the forefront of pushing the industry forward. Henrik Naujoks说他是贝恩(Bain)的合伙人 & Co, “The start-ups are showing what is possible 和 what 可以 be done. A lot of incumbent executives are looking at it — they don’t really underst和 it but they want to get involved.” Investors have 也 caught onto this trend (see below). 2016年，人工智能是 最受欢迎的主题之一 保险科技投资.

人工智能与核保

A 普华永道的报告 预计到2020年，人工智能将使相当多的承保业务自动化, 尤其是在数据可用的成熟市场. 目前，保险公司在计算机软件和精算模型的帮助下， 评估风险和暴露 潜在客户, 他们应该得到多少保险, 以及他们应该为此收取多少费用. 在短期内, AI 可以帮助 automate large volumes of underwriting in auto, 首页, 商业, 人寿及团体保险. 在未来, 人工智能将加强建模, 强调了人类决策者可能被忽视的关键考虑因素. 这是 还预测 先进的人工智能将实现公司或个人的个性化承保, 考虑到独特的行为和环境.

增强型核保不仅可以利用机器学习进行数据挖掘, but 也 wearable technology 和 deep learning facial analyzers. 例如, Lapetus一家初创公司，想利用自拍来 准确预测预期寿命. 在他们提出的模型中, 顾客会用电子邮件发送他们的自画像, 哪些电脑会扫描和分析人脸的数千个区域. 分析将考虑从基本人口统计数据到这个人的衰老速度等方方面面, 他们的身体质量指数, 以及他们是否吸烟. 此外，可穿戴技术可以使承保过程更具协作性. 可穿戴设备可以代替冗长的医疗检查和复杂的合同流程 提供实时洞察 投保人的健康和行为. Clearly, machine learning in 金融 是一个lready evolving.

这些类型的细微差别, 实时风险分析不仅可以使客户定价更加准确, 同时也为早期发现健康风险和保险公司提供了机会 投资于预防. Instead of eventually paying for costly treatments for the patient, 保险公司可以主动尝试降低损失的可能性和相关费用.

在一个 2013年牛津研究 分析了700多个职业，以确定哪些最容易受到计算机化的影响, 保险承销商位列最易受影响的前五名. Even where AI does not completely replace an underwriter, AI automation 可以 alter an underwriter’s responsibilities. AI 可以 free up an underwriter’s time for higher value-add, 比如在数据不那么丰富的新兴市场评估和定价风险, providing more risk management 和 product development feedback.

人工智能与保险理赔

保险索赔 are formal requests for payment sent to 保险 companies. 保险公司然后审查索赔的有效性，一旦批准就支付给被保险人. 这是如何 人工智能 可以 加强流程:

提高客户数据的准确性. The claims process is fairly manual: Human agents manually log customer information 和 incident details. 根据… 益百利报告数据不完整占数据错误的55%，而打字错误占32%. 人工智能可以通过减少人工输入来提高准确性. 除了, 索赔过程通常要求保险代理人将客户信息与众多数据库相匹配. 人工智能可以用来 这样做 更有效地.

更快的赔付建议. 据一位J。.D. 权力 & 的同事 财产索赔满意度研究在美国，缓慢的索赔周期是造成客户不满的最大原因之一. AI 可以帮助 to reduce turnaround times by first validating the policy, 然后决定索赔和是否自动付款. 这是因为人工智能不仅有能力分析结构化数据, but 也 unstructured data like h和written forms 和 certificates.

金融中的人工智能:会话银行和客户服务

银行在面向客户的虚拟助手(即聊天机器人)上押下了重注. While the early 版本s of chatbots will only be able to answer basic questions about spending limits 和 recent transactions, future 版本s are slated to become full-service virtual assistants that 可以 make payments 和 track budgets for consumers. 与客户接触可以转化为 显著节约成本，但毫无疑问，人与人之间的互动也是如此 比简单的数字运算更复杂. Critics point to chatbots’ lacking of empathy 和 underst和ing, 在处理困难的财务决策和情况时，人类可能需要哪些. 对于这项技术, AI technology of natural language processing will be essential for processing 和 responding to personalized customer concerns 和 wishes.

2016年10月，美国银行和万事达都推出了他们的聊天机器人， 艾丽卡 和 凯分别. 这些将 让客户 询问他们的账户, 通过亚马逊回声塔的Facebook Messenger发起交易并接受建议.

Capital One也 推出了自己的聊天机器人他的名字是“Eno”，这是“One”的变形.” Eno enables customers to chat with the bank using text-based language to pay bills 和 retrieve account Information. 巴克莱银行也 加入行动. 在描述美国银行的新聊天机器人时， 米歇尔摩尔, 美国银行(Bank of America)数字银行业务负责人宣布, “两年后的银行业会是什么样子?, 三到四年? 它是这样的.”

分开的想法

人工智能对金融服务的全面影响还有待观察. 一些未来学家 认为 that the world is rapidly approaching a tipping point, coined “奇点,” where machine intelligence will surpass human intelligence. 著名的技术专家和科学家, 包括比尔·盖茨和斯蒂芬·霍金, 警告过这一点吗. 埃隆·马斯克也 著名的敦促, “AI 是一个 fundamental existential risk for human civilization, 我认为人们并没有完全理解这一点.”

As AI continues to proliferate our personal 和 professional lives, 许多问题将继续出现. 其中包括潜在的错误, 对机器的普遍不信任, 以及对工作替代的担忧. 忽视这些担忧将是一个错误. 尽管如此，社会已经在加速走向人工智能驱动的世界. 在这个新世界里，专注于机器和人类如何最好地共存可能是最有成效的. It will be important for policymakers to remain cautious, 允许新技术发展，同时监测并尽量减少其负面影响. 开发者和设计师 也应该加强 the ability of humans to underst和 AI systems to build trust 和 increase satisfaction with AI applications. 每个人都将发挥自己的作用.

正如黑田东彦，日本央行行长 演说 在2017年人工智能与金融服务会议上， “对我们来说，有必要建设性地考虑人类和人工智能互补的理想方式, 而不是面对, 彼此. 例如, human judgment is not completely free from existing paradigms, 因此，有时是疏忽的变化. 在这方面, AI could adjust our bias by neutrally analyzing 和 finding new correlations among a myriad of [sic] data. 与此同时, humans could compensate for AI’s weakness with their intuition, 常识, 和想象力.”