“机器学习+金融”的实践路径

我国金融交易规模大、数据资源储备丰富，为机器学习在金融领域的应用奠定了良好的基础。机器学习是智能金融生态的重要支撑性技术，在贷款审批、资产管理、风险评估等环节可以创造巨大的价值。

投资组合管理

应用机器学习进行投资组合管理具有广阔的发展前景，以近几年崛起的智能投顾为例，智能投顾利用多种机器学习算法，在分析客户的风险承受能力、投资偏好等信息后，为客户提供投资组合建议。

客户输入基本信息（年龄、收入、资产状况等）、投资目标（比如60岁退休时存款50万元）、风险偏好（不投债券等）等相关信息之后，智能投顾将在各类投资项目中为客户筛选出合适的投资标的，并生成包含多种投资组合方案的直观投资报告，供客户选择。而且，智能投顾可以根据市场及用户需求变化，对投资组合方案进行优化调整，使客户的个性化投资需求得到满足。

算法交易

算法交易又称为自动交易、机器交易或黑盒交易。人工智能技术的发展使算法交易的性能得以进一步提升。高频交易（可达日均百万级）是算法交易系统的一大特征。使用算法交易的金融科技公司通常不会向公众披露其交易过程中采用的人工智能模式。当然，对于绝大多数投资者来说，他们并不关心投资机构使用了什么技术、设备，只要能够降低投资风险、保障投资收益即可。

欺诈识别

在数字经济时代，数据的价值得以充分挖掘。未来，数据将成为类似石油的宝贵资源。依托海量数据资源，金融机构可以利用人工智能技术大幅度提升自身的欺诈识别能力。

传统金融机构主要通过为欺诈识别系统设立复杂烦琐的规则来降低风险，然而这些静态的规则在应对复杂的欺诈手段、多变的市场环境方面捉襟见肘。而应用人工智能进行欺诈识别，金融机构可以通过具备自主学习能力的欺诈识别系统，对异常交易、特殊操作进行快速识别，系统还可以向管理人员发出预警。这在提高金融机构识别欺诈的能力的同时，也能降低运营成本。

贷款/保险承保

机器取代人工核保是主流趋势。核保是金融领域适合应用机器学习技术的环节之一。大型金融机构的核保业务规模庞大，效率较低，需要付出较高的人力成本。而且人工核保容易受到人主观因素的影响，难以保证客观性、真实性。

应用机器学习算法后，可以通过分析海量消费者数据及往期核保记录，建立核保模型，对未来趋势进行预测。例如，大部分年轻群体不能保持良好的饮食结构和生活习惯，导致此前易发生在老年人身上的高血糖、高血压等疾病蔓延到年轻群体，使这些疾病呈现低龄化趋势。通过机器学习技术，金融机构可以预测客户在不同年龄患病的概率，从而提高核保决策的科学性。