京东金融引入人工智能是为何？

本文所要探讨的说白了就是人工智能和钱之间的问题。

金融科技（Financial Technology，简称FinTech）的概念最早于上世纪90年代的华尔街提出，近些年才逐步引入到国内的金融和互联网圈。

作者第一次接触这个领域，还是2015年春在纽约读书的时候，机缘巧合参加了一次Cornell University和Capital One主办的FinTech Data Hackathon，后来在纽约的私募做过quant，北大的金融研究院做过research，直到现在来到京东金融的金融科技业务部做algorithm，也算是走上了FinTech的不归路。

通过几年的工作经历，我所总结的金融科技实质上应该是利用科技手段给金融机构赋能，帮助金融机构更好的服务于人民生活，而这其中就离不开一些人工智能和机器学习算法的应用。目前业内算法应用比较集中的场景主要有如下四点：信贷风控、智能反欺诈、精准营销和量化投资。

信贷风控：

信贷风控是目前行业内机器学习应用最广并且相对成熟的场景。这其中大致有两个原因：

第一，国内信贷业务增长迅速，人民超前消费欲望强烈，催生了许多贷款余额千亿级的信贷平台，比如蚂蚁花呗借呗、京东白条金条等，每天上十万笔的贷款申请依靠传统的人工审批已经无法支持，因而需要更加智能的机器学习算法来辅助甚至替代人类完成这种重复性高的工作。

第二，前几年开展的信贷业务，已经为模型积累了丰富的训练样本和好坏人标签，并且业内日益规范化的数据源，例如央行征信报告、电商流水、运营商数据等，为模型的底层特征工程提供了数据支持，这使得机器学习算法有了应用的天然沃土。

目前信贷风控这块常用的机器学习算法主要以分类模型为主，有逻辑回归、决策树、Xgboost等，这几年也有尝试将深度学习中的BP和RNN应用进来的。从改变生活的角度，采用机器学习模型的平台和资方，审贷速度普遍由原来的3-5天，缩短到了现在的短短1小时以内，并且模型的好坏人区分度KS都能达到0.3以上，这样不仅能够帮助借款人快速的完成资金周转，也能够帮助贷款方安全高效的发放一笔贷款。

智能反欺诈：

由于和钱挂钩，金融行业处处隐藏着欺诈风险，并且肉眼已经越来越难以辨别。

在北美和欧洲，金融机构之间通常会共享欺诈名单库，由第三方科技公司统一汇总并开发反欺诈模型系统，例如北美征信巨头Fico开发的Falcon Cybersecurity。

而在国内，金融行业的欺诈名单库这几年才开始慢慢积累，并且各家之间存在明显的数据壁垒，使得反欺诈领域的模型应用存在限制。目前国内反欺诈这一块，还多以黑名单以及规则库的方式为主，诞生了像同盾、百融这样的老牌独角兽。

机器学习算法方面，无监督的iForest与银行交易反欺诈，图论与团伙作案和反洗钱，RNN与还款行为欺诈，是我接触过的这两年行业内比较经典的案例。

精准营销：

与风控一样，营销也是金融机构对于科技公司需求比较旺盛的领域，优质的营销活动可以为公司带来丰厚的市场份额和市场回报。

前几年国内的金融和互联网公司尚处于人口红利时代，铺天盖地的产品宣传和野蛮生长成为了行业主旋律。

然而近几年随着人口红利的逐渐消失，产品的精细化运营越来越受到重视，如何不过分打扰客户、提高客户产品体验，成为了许多金融机构的痛点。

这种背景下，机器学习算法在营销场景中千人千面、精准触达的特性得到了广泛推崇和验证。例如京东金融旗下的“借钱”和“银行+”平台业务，都利用京东侧的电商数据和营销渠道，帮助金融机构更好的营销贷款和理财产品，找到目标客户。

营销场景中常用的模型方法有客户画像、生命周期和推荐系统，其中客户画像和生命周期都是基于客户的历史数据，利用聚类和评分卡的方式，将客户划分到不同人群和营销阶段，从而建立多个子模型；推荐系统中例如多分类模型和协同过滤，可以综合考虑用户的购买习惯和产品特性，给客户推荐最大概率购买的金融产品。

量化投资：

最后谈一谈机器学习算法在市场投资中的应用，也就是大家熟知的量化交易。

模型和算法在北美投行圈内的应用已经非常广泛和成熟，由于其提前预测以及客观准确的特性，许多北美的基金公司已经逐步或者完全利用机器学习算法替代人工交易员，诞生了许多例如BridgeWater这样的神话级量化基金公司。

国内目前也有很多量化基金公司，基金经理间的策略和模型也是花样繁多，同时也有像摩羯智投这样帮助普通人完成量化资产配置的智能投顾。

这些机器学习模型的应用，为更多非金融背景的用户降低了投资的门槛，也帮助许多金融从业者更好的规避市场和心理活动带来的投资风险。

说了这么多，希望大家可以了解到一些人工智能算法在我们生活中尤其金融科技领域的应用，以及关注到我们这群在金融机构背后默默提供技术服务的金融科技工（xiao）作（ku）者（bi）们，以上文字均只代表个人观点。