引领财资创新,助推金融转型

人工智能的八大财资应用场景

从账户、支付到金融。人工智能作为新一轮产业变革的核心驱动力,将进一步释放巨大能量,并创造新的强大引擎,重构生产和交易各环节,引发财务与金融重大变革。随着机器学习、数据挖掘和认知计算等学科的高速发展,人工智能正在改变金融服务方式和财务管理规则。“人工智能+财资”利用关键技术和核心能力,以及场景应用,引领新一波的数字颠覆浪潮,进一步推进企业持续数字化转型。

文 | 董兴荣

来源 | 《财资中国|财富风尚》杂志2017年10月刊

财资一家(微信号:TreasuryChina)原创首发

《人工智能的八大财资应用场景》

应用场景一:智能账户+企业画像

账户是财务与金融的起点也是终点,也是财务活动与金融业务闭环的基础。如金融服务从用户开户到资金清算都在账户体系内运营,并衍生出以账户为核心的包括支付清算、资金管理、集中运营、财务核算、交易管理、投资融资、企业自金融等综合金融业务,实现账户的前端和后端打通与连接。

账户体系是交易平台的核心,也是支付业务的基石。通过人工智能的图谱计算技术,将各种账户、各类账户进行聚类和关联分析,就可以基于协同账户给出更加准确的企业画像,才能更全面地获取金融服务的需求和精准的风险识别。从信息平台用户体系到交易平台交易账户与支付账户分离,再到交易平台交易账户与支付账户关联。如通过将银行Ⅱ、Ⅲ类账户与互联网账户的绑定,有利于商业银行和平台金融在获客、活客、资金运营、交易金融、价值创造等方面发力,并助推商业银行和平台金融互联网化、场景化和平台化经营。

金融机构和互联网平台,每日数以十亿计的用户数和更多的账户数等待验证,要求更高的自动化程度。同时,证明身份的资质证明也是名目繁多,真伪难辨。通过人工智能+区块链技术可实现数字化身份信息的安全、可靠管理,在保证客户隐私的前提下提升客户识别的效率并降低成本。通过程序化记录、储存、传递、核实、分析信息数据,可省去大量人力成本、中介成本,提高准确性和安全性,所记录的信用信息更为完整、难以造假。

应用场景二:智能路由+支付工厂

企业通过支付工厂模式将集团内的支付进行集中化处理。构建企业级支付中心是企业战略转型与业务创新的需要。

企业通过建立统一支付结算平台,整合外部支付渠道,实现多渠道接入的统一支付处理,可以广泛应用在企业日常生产、运营、营销、售后等各个涉及资金划拨和支付、结算的环节。企业统一支付结算平台将实现企业内部多个业务系统的集成,将散落在各个业务系统内的互联网交易,如网银网关、快捷支付统一集中到结算平台进行处理,并可以提供多种支付手段,如网上支付、手机支付等。并通过接口机器人形成统一的对外和对内接口,实现与各银行、第三方支付等支付网关的智能连接。对内而言,可以对公司内部各系统提供单一接口,并实现与金融单位和公司内部的高效结算、智能对账。统一支付结算平台内置智能路由,根据不同业务规则选择最优路由支付。该平台还会集成多家第三方支付平台,通过支付工厂模式为不同的企业用户提供更多选择。

智能路由系统,即智能选择最优“线路”,对于支付结算系统而言,就是要智能选择入款、出款渠道,从而提高支付成功率,降低网关成本。智能路由网关会通过自动化、智能化分析用户选择的支付方式确定用来完成该操作合适的支付渠道。支付路由会综合考虑收费、渠道的可用性等因素,智能路由能够记住那些使用频繁的可选的路由路径,通过深度学习算法,知识图谱计算来选择最优方案,如实现网上支付智能化。

应用场景三:智能头寸+现金流预测

对财资管理者而言,每天都面临着确认企业的现金、头寸和流动性问题,并成为首要议题。根据国际顶级咨询机构调研显示,现金与流动性管理、财务风险管理是企业两项最重要的财资管理场景。这也促使很多企业努力提升现金的透明度、可视化,以及加强对全球资金的管控和现金流预测,提升企业的资金管理集中度,优化集团资金结构。

有效的流动性管理关键在于现金的可见性:既包括该企业拥有多少现金,也包括未来可能有多少现金流入或流出。因此,财资管理者首先必须能及时准确地掌握资金头寸状况,以及各类资产的变现能力。其次,财资管理者通过借助人工智能技术,尤其是依靠机器学习算法、预测分析技术、知识图谱等建立现金流智能预测机制,以便尽可能精确地预测未来的现金流,并得出企业的最佳现金持有量,即智能化头寸管理。

此外,建立多元化的融资平台,有助于提升企业的流动性保障。采用多种银行融资产品优化公司资金结构,主要有银行承兑汇票、国内信用证、保理业务等。此外,借助各类管理工具(包括信息化系统、人工智能技术),比如运用“智能资金池”“智能票据池”“智能头寸管理”“智能供应链金融”等创新的产品和解决方法,以及“智能资金管理系统”“智能现金流预测系统”“智能投融资平台”“产业链金融平台”“在线供应链金融”等管理工具和系统。

应用场景四:智能投顾+资产配置

企业级智能投顾也称机器人投顾(Robo-Advisor),是依据现代资产组合理论(通常为马科维茨提出的投资组合理论)、结合企业投资的风险偏好、资金状况和理财目标、利用智能算法和智能客服,为企业提供资产管理和在线投资建议服务。一般而言,其成本远低于人类投资顾问,因其服务过程能够实现全部或绝大部分自动化操作管理,因此被称为智能投顾。

企业级智能投顾的服务流程一般包括:客户分析、大类资产配置、投资组合选择、交易执行、投资组合再平衡与分析等。在客户分析、大类资产配置以及投资组合选择,这三步核心环节中,智能投顾机器人会根据客户的风险水平与投资期限进行服务定制,而计算机会借助风险分散等传统的投资理论以及量化投资策略等方法构建投资组合,并在投后过程实时跟踪宏观事件、市场和投资者偏好的变化等情况,进行自动风控和授权后的自动调仓。

企业级智能投顾的核心包括:(1)通过大数据获得企业的风险偏好和变化规律;(2)根据企业的风险偏好、资金状况结合算法模型定制个性化的资产配置方案;(3)利用互联网对企业个性化的资产配置方案进行实时跟踪调整;(4)利用成熟的组合优化管理模型,在企业可承受的风险范围内实现收益最大化。

应用场景五:智能风控+未来财务

财务与金融领域已经采用不同计算机预测算法来进行风险模型分析,应用于例如VaR、信用评级、风险准备金、长尾风险、行为分析、反洗钱等领域。其中运用到的算法包括:在线过程分析(OLAP)、聚类、相关性分析、决策树、热点分析、神经网络、预测模型、画像技术、自组织网络、网络数据挖掘,等等。

人工智能技术的出现将有效提升上述算法和模型的精度,提供更加有效的风险评估。如反欺诈,人工智能自动挖掘文字、数据和影像等信息进行深度理解,发现并标注风险警示;信用风险管理,人工智能可以优化风险模型,并求解各变量间量化指标;尾部风险,通过增强学习算法(也称为Q-Learning算法)可将极端事件引入风险分析。

整个智能风控的起点从获取数据开始,主要数据来源为用户注册时提交的数据、使用过程中产生的数据、交易时产生的数据、第三方机构等的数据。第二步是建立模型,其中最重要的是反欺诈和信用评定两项工作。第三步是将模型在实践中不断优化和迭代,即机器学习。如IBM Watson Analytics 实现了基于自然语言的认知服务,可以为企业提供包括监管、风险和合规、交易账户、银行账户、投资账户和保险账户的风险监控业务。

应用场景六:智能机器人+财务共享

Gartner最新发布的《机器人流程自动化软件市场指南》指出:“在过去的12个月中,Robotic Process Automation(RPA,机器人流程自动化)供应商的全球收益激增。投资者对RPA所带来的快速投资回报持乐观态度,财务、税务、银行、保险、招聘及其他传统人力资源应用套件等业务量常常起伏不定的企业都相当看好RPA的发展前景。”借助软件机器人,机器人流程自动化解决方案能够全天候不间断地确保大量耗时业务流程的自动化、管理及执行。

智能财务机器人可以实现商业活动和流程的自动化,能有效提升业务运营效率与服务质量。RPA包含可通过配置或与电脑软件交互的方式来获得和分析信息的应用程序/软件,从而可实现交易处理、数据传输、数据比较等功能。并广泛应用于财务、税务、人力资源及审计等众多领域。

此外,德勤、普华永道、安永、毕马威都纷纷发布了财务机器人(RPA)解决方案(详细内容请关注财资一家公众号后续推送)。企业财务部,尤其是财务共享服务中心通过使用RPA提升税务及财务工作效率,在降低人力时间成本、提升工作质量等方面收效明显。此外,还能够通过大数据收集分析,发出财务风险的防范预警。

应用场景七:智能资管+量化交易

量化交易从很早开始就运用机器进行辅助工作。分析师通过编写函数、设计指标,观察数据分布,而这些仅仅把机器当做一个运算器来使用。量化交易分析师们对财务、交易数据进行建模,分析其中显著特征,利用回归分析等传统机器学习算法预测交易策略。这种方式有两个主要弊端,其一是数据不够丰富,仅限于交易数据,更重要的是它受限于特征的选取与组合(Feature Engineering),模型的好坏取决于分析员对数据的敏感程度。直到近些年机器学习的崛起,数据可以快速海量地进行分析、拟合、预测,人们逐渐把人工智能与量化交易联系得愈发紧密,甚至可以说人工智能的三个核心领域(机器学习,自然语言处理,知识图谱)贯穿量化交易的始终。从2007年开始,Rebellion就采用基于AI技术(贝叶斯网络算法)的国际资产配置策略模型来帮助客户进行资产管理。

应用场景八:智能搜索+金融图谱

金融决策需要大量数据支持和逻辑推理过程,金融知识图谱提供了从关联性角度去分析问题的能力,将规则、关系及变量通过图谱的形式表现出来,进行更深层次的信息梳理和推测。金融领域的数据具有开放性、多样性,且文本、数据的时间特征很强。金融知识图谱的实体可以是投资机构、投资人、企业等,实体不是简单的字符串,实体包含了与之相关的各种信息,比如地域属性和分类属性等。图谱数据包含了实体间的关系,可以是企业的上下游、合作、竞争对手、子母公司、投资、对标等关系,或者高管与企业间的任职等关系。业务逻辑可以参考过往案例、专家对行业的理解、投资的逻辑、风控的把握等得到。

基于知识图谱的金融搜索引擎是金融领域的Watson,可以输出多种金融服务,用户名从金融机构拓展至企业和个人。IBM介绍时说“Waston是一个集高级自然语言处理、信息检索、知识表示、自动推理、机器学习等开放式问答技术的应用”。IBM 将Watson的能力分割成许多不同的部分,每个部分可以被租赁用来解决特定的商务问题,比如语言识别服务,总共有40多种不同的产品。基于知识图谱的金融引擎集数据、分析、搜索、投资工具于一体,一方面可以取代金融数据终端为专业人士提供服务;另一方面也可以为商家、个人等提供投资建议、征信信息等各类服务内容。

点赞

发表评论

电子邮件地址不会被公开。 必填项已用*标注

This site uses Akismet to reduce spam. Learn how your comment data is processed.