人工智能在财富管理中的应用初探

汤启威

摘要：深度学习、生物识别、语音识别和自然语言处理等人工智能技术已经广泛应用于各种财富管理场景，给财富管理领域带来颠覆性的变革。本篇中讨论了人工智能在财富管理方面的应用，如生物识别用于身份认证，语音识别和自然语言处理用于智能客服，深度学习用于智能投顾等场景的现状和前景，以及人工智能用于财富管理带来的挑战和措施建议。

关键词：人工智能；财富管理；智能客服；智能投顾

人工智能是研究让计算机完成过去需要人的智能才能完成的工作。人的智能特点包括学习、推理、思考和规划等。金融行业是人工智能技术最早发挥重要作用的行业之一。根据金融行业财富管理领域的业务需要，人工智能主要有四个技术分支在推动其流程再造和效率提升，即机器学习（深度学习）、语音识别和自然语言处理，以及生物识别等。

按照財富管理服务场景划分，这些人工智能的应用包括智能身份认证和智能支付、智能营销、智能客服、智能投研、智能投顾、智能风控等。本文将讨论的技术包括与财富管理中与客户体验密切相关的生物识别用于客户身份认证；语音识别和自然语言处理用于智能客服；深度学习用于智能投顾等。

1.人工智能在财富管理领域中应用的现状及发展前景

1.1生物识别用于身份认证

生物识别是AI技术中智能识别领域的一项基础应用。人工智能技术发展促使生物识别技术迅速走向成熟和普及，生物识别的迅速普及，又帮助人工智能技术进入财富管理领域。

生物识别是通过计算机，采集人的特定图像特征或动作特征，和数据库录入的相应特征比较，判断是否是同一个人。目前，主要的生物识别技术包括指纹识别、人脸识别、视网膜识别、虹膜识别等。生物识别技术已经发展了多年。早先，它的应用主要局限在安全监控等领域，与公众生活相距较远。随着智能移动终端的性能大幅度提升，生物识别这项人工智能的基础技术开始走入我们的生活。首先是指纹识别用于智能手机的身份认证，之后是人脸识别用于智能手机身份认证，使得生物识别技术迅速普及。财富管理作为金融领域的一项业务，也在第一时间实现了生物识别用于身份认证。包括手机银行实现指纹识别转账，人脸识别转账，支付宝开通了人脸识别支付等。这些与财富管理有关的应用需求，才带来了生物识别市场的飞速增长。

据报道，2018年全球生物识别市场规模预计为168亿美元，2023年将达到418亿美元，复合年化增长率为20%。在生物识别领域，指纹识别应用占比最高，占绝对主导地位。人脸识别的应用也在飞速的发展。某银行的可视柜员机，通过人机互动，可以实现身份认证、储蓄卡开户、定期存款、转账汇款等二十余项业务，工作效率是人工客服的1.8倍。通过生物识别技术的应用，可以有效缩短办理业务的时间，从而提高工作效率。

1.2语音识别和自然语言处理用于智能客服

智能客服，将人的语言逻辑进行整理并加以理解，再通过搜索知识图谱，组织出恰当的回答或措施。这是语音识别和自然语言处理在财富管理中的重要应用。

在银行、保险和互联网金融机构，无论售前还是售后，都有大量的客户咨询业务，需要配置人数众多的呼叫中心客服人员，而人工智能可以替代大量的人工客服。

传统模式下，财富管理机构通过“了解你的客户”环节，了解客户的基本信息，财务状况，风险偏好，财富管理的需求等，分析匹配合适的产品。然而，了解客户状况和匹配最佳产品，取决于客户服务经理提供的问卷适合性，客户的表达是准确性，以及匹配的产品最佳性。智能客服可以跟踪客户的背景信息，比如，资产分布、历史消费数据、投资数据、财富变化动态和征信数据等，对客户的财富程度、投资经验、风险偏好以及对资产流动性的需求做出准确的评估，让客户更好地了解自身的财富状况，有效规避风险，让客户得到更高质量的服务，根据客户的问题和需求，业务人员解答问题、解决问题和提供建议的满意度情况，对智能客服进行训练。对客户满意的服务，智能客服会学习这些经验，并在自己的服务中加以运用。若客户不满意的服务，智能客服总结这些经验，并在自己的服务中加以避免。通过此类训练和学习过程，智能客服的服务质量会逐步提升，最终让用户完全满意。

据调查，预计智能客服能够渗透20%-30%的客服场景，回复用户85%的咨询要求，尤其是在高频次的问题的应答回复方面，智能客服有显著的优点。因此，智能客服能为财富管理机构节约大量的运营成本。

1.3深度学习用于智能投顾

在传统财富管理投资顾问模式中，客户依靠客户经理的专业知识和经验，来选择成熟的资产配置方案。这种服务模式的成本很高，往往只能服务于少数富裕人群。智能投顾在两个方面推进了行业的进步。一是减少了人工互动的成本，令投资顾问的服务业务能够触及到中产人群。二是智能投顾通过深度学习，整合了各种现代投资组合财富管理理论，能够针对客户的财富背景，更有效提供最优化的投资组合决策。

目前的智能投顾主要有三种类型。第一种是机器人投顾，全部决策和交易都有机器来完成。典型的机器人投顾根据客户信息和调查问卷，通过量化交易决策决策模型进行智能决策，从十几种资产中自动匹配投资组合，用计算机进行自动交易、税收优化，提高客户的投资回报。同时，由于机器有效地代替了人工，可以使服务成本降到原来的四分之一。比如，工商银行的“AI投”，通过人工智能实现对客户的精准画像分析，以智能算法选择投资组合，实现了一键式理财。

第二种是人机结合智能投顾，其特点是决策和交易都可以由机器来完成，但在智能决策完成，构成投资组合之后，加入了人工服务的环节，可以和客户讨论相关的决策，听取意见，必要时进行调整。这种方式结合了机器的有点和人工服务的优点，可以提升客户体验。

第三种是建议型投顾，主要是针对个人投资者的财富管理需要而设立，为投资者提供财务管理、投资组合建议。计算机通过智能算法为客户的决策提供建议，客户自己是最终决策者和执行者。

据估计，智能投顾与人工理财顾问相比，能够把理财管理成本降低80%。这样就可以把理财的起步金额从数十万元降低到1万元，让理财惠及广大民众，而不是只针对高净值人群。这是人工智能财富管理的一个社会效益。花旗银行曾经预计，到2025年，智能投顾管理下的资产可能高达5万亿美元。

2.人工智能用于财富管理领域带来的挑战

2.1信息安全

隨着人工智能收集整理数据的量急剧增大，使得我们的信息安全问题越发严重。一旦人工智能程序遭到攻击，会导致大量数据以及私密信息泄露，从而对用户的财产安全产生影响。

2.2系统稳定

智能投顾系统的稳定性是财富管理取得预期收益的基础。人工智能一方面依赖客户输入的信息，另一方面依赖大数据提供的各种背景信息，一旦这些信息出现差错，将导致决策失误，使财产受到损失。另外，深度学习的知识是历史形成的，如果市场发生了重大变化，历史知识可能不能覆盖当前的变化，决策就可能产生失误。

2.3技术保障

技术性原因也会对人工智能在财富管理领域发展产生影响。人工智能的算法需要不断地更新和测试。算法运行的软硬件环境也需要进行严格的测试和严密的监控。当前，我国人工智能人才十分短缺，能够为客户创造价值的金融科技人才更是不能满足行业发展的需要。

3.应对挑战的措施

3.1完善相关制度

人工智能在财富管理领域迅速普及，对监管和风险防控提出了新的要求。在监管方面，需要尽快调整相关法律法规、监管体系和管理架构，以此保障当出现人工智能应用的重大缺陷或者安全隐患时，有相应的规则来明确各方的风险处置责任。同时，还要研究利用人工智能加强监管，防止洗钱、欺诈和防范金融风险。

3.2防控技术风险

财富管理机构要对人工智能应用可能产生的风险有充分的认识。在人工智能系统应用前要经过充分的应用条件测试和场景测试，并在使用中进行严密的监控，以避免发生重大风险，给客户带来财产损失。

3.3推动技术创新

人工智能现在依然是发展中的技术，需要培养更多人工智能金融科技人才，推动财富管理技术创新，同时带动人工智能产业发展。为适应人工智能发展的需要，国家已经在十几所高校开辟了人工智能专业。要让人工智能人才为财富管理客户创造更多的价值，则需要把人的投资智慧和经验让人工智能充分学习训练，并且通过机器自主学习，实现比人工财富管理更高的收益。

参考文献：

[1]郭非.人工智能在商业银行中的应用[J].现代商贸工业，2018，39（30）：110-111.

[2]中国人民银行武汉分行办公室课题组.人工智能在金融领域的应用及应对[J].武汉金融，2016（7）：46-47.

[3]杨文斌.人工智能在金融领域中的应用分析[J].金融科技时代，2017（12）：32-35.