從帳戶、支付到金融。 人工智慧作為新一輪產業變革的核心驅動力， 將進一步釋放巨大能量， 並創造新的強大引擎， 重構生產和交易各環節， 引發財務與金融重大變革。 隨著機器學習、資料採擷和認知計算等學科的高速發展， 人工智慧正在改變金融服務方式和財務管理規則。 “人工智慧+財資”利用關鍵技術和核心能力， 以及場景應用， 引領新一波的數字顛覆浪潮， 進一步推進企業持續數位化轉型。
文 | 董興榮
來源 | 《財資中國|財富風尚》雜誌2017年10月刊
財資一家（微信號：TreasuryChina）原創首發
帳戶是財務與金融的起點也是終點， 也是財務活動與金融業務閉環的基礎。 如金融服務從使用者開戶到資金清算都在帳戶體系內運營， 並衍生出以帳戶為核心的包括支付清算、資金管理、集中運營、財務核算、交易管理、投資融資、企業自金融等綜合金融業務，
帳戶體系是交易平臺的核心， 也是支付業務的基石。 通過人工智慧的圖譜計算技術， 將各種帳戶、各類帳戶進行聚類和關聯分析， 就可以基於協同帳戶給出更加準確的企業畫像， 才能更全面地獲取金融服務的需求和精准的風險識別。 從資訊平臺使用者體系到交易平臺交易帳戶與支付帳戶分離， 再到交易平臺交易帳戶與支付帳戶關聯。 如通過將銀行Ⅱ、Ⅲ類帳戶與互聯網帳戶的綁定， 有利於商業銀行和平臺金融在獲客、活客、資金運營、交易金融、價值創造等方面發力， 並助推商業銀行和平臺金融互聯網化、場景化和平臺化經營。
金融機構和互聯網平臺， 每日數以十億計的用戶數和更多的帳戶數等待驗證，
企業通過支付工廠模式將集團內的支付進行集中化處理。 構建企業級支付中心是企業戰略轉型與業務創新的需要。
企業通過建立統一支付結算平臺， 整合外部支付管道， 實現多管道接入的統一支付處理，
智慧路由系統， 即智慧選擇最優“線路”， 對於支付結算系統而言， 就是要智慧選擇入款、出款管道， 從而提高支付成功率， 降低閘道成本。 智慧路由閘道會通過自動化、智慧化分析使用者選擇的支付方式確定用來完成該操作合適的支付管道。 支付路由會綜合考慮收費、管道的可用性等因素， 智慧路由能夠記住那些使用頻繁的可選的路由路徑， 通過深度學習演算法， 知識圖譜計算來選擇最優方案， 如實現網上支付智慧化。
應用場景三：智慧頭寸+現金流預測對財資管理者而言， 每天都面臨著確認企業的現金、頭寸和流動性問題， 並成為首要議題。 根據國際頂級諮詢機構調研顯示，現金與流動性管理、財務風險管理是企業兩項最重要的財資管理場景。這也促使很多企業努力提升現金的透明度、視覺化，以及加強對全球資金的管控和現金流預測，提升企業的資金管理集中度，優化集團資金結構。
有效的流動性管理關鍵在於現金的可見性：既包括該企業擁有多少現金，也包括未來可能有多少現金流入或流出。因此，財資管理者首先必須能及時準確地掌握資金頭寸狀況，以及各類資產的變現能力。其次，財資管理者通過借助人工智慧技術，尤其是依靠機器學習演算法、預測分析技術、知識圖譜等建立現金流智慧預測機制，以便盡可能精確地預測未來的現金流，並得出企業的最佳現金持有量，即智慧化頭寸管理。
此外，建立多元化的融資平臺，有助於提升企業的流動性保障。採用多種銀行融資產品優化公司資金結構，主要有銀行承兌匯票、國內信用證、保理業務等。此外，借助各類管理工具（包括資訊化系統、人工智慧技術），比如運用“智慧資金池”“智慧票據池”“智慧頭寸管理”“智慧供應鏈金融”等創新的產品和解決方法，以及“智慧資金管理系統”“智慧現金流預測系統”“智慧投融資平臺”“產業鏈金融平臺”“線上供應鏈金融”等管理工具和系統。
應用場景四：智慧投顧+資產配置企業級智慧投顧也稱機器人投顧（Robo-Advisor），是依據現代資產組合理論（通常為馬科維茨提出的投資組合理論）、結合企業投資的風險偏好、資金狀況和理財目標、利用智慧演算法和智慧客服，為企業提供資產管理和線上投資建議服務。一般而言，其成本遠低於人類投資顧問，因其服務過程能夠實現全部或絕大部分自動化操作管理，因此被稱為智慧投顧。
企業級智慧投顧的服務流程一般包括：客戶分析、大類資產配置、投資組合選擇、交易執行、投資組合再平衡與分析等。在客戶分析、大類資產配置以及投資組合選擇，這三步核心環節中，智慧投顧機器人會根據客戶的風險水準與投資期限進行服務定制，而電腦會借助風險分散等傳統的投資理論以及量化投資策略等方法構建投資組合，並在投後過程即時跟蹤宏觀事件、市場和投資者偏好的變化等情況，進行自動風控和授權後的自動調倉。
企業級智慧投顧的核心包括：（1）通過大資料獲得企業的風險偏好和變化規律；（2）根據企業的風險偏好、資金狀況結合演算法模型定制個性化的資產配置方案；（3）利用互聯網對企業個性化的資產配置方案進行即時跟蹤調整；（4）利用成熟的組合優化管理模型，在企業可承受的風險範圍內實現收益最大化。
應用場景五：智慧風控+未來財務財務與金融領域已經採用不同電腦預測演算法來進行風險模型分析，應用於例如VaR、信用評級、風險準備金、長尾風險、行為分析、反洗錢等領域。其中運用到的演算法包括：線上過程分析（OLAP）、聚類、相關性分析、決策樹、熱點分析、神經網路、預測模型、畫像技術、自組織網路、網路資料採擷，等等。
人工智慧技術的出現將有效提升上述演算法和模型的精度，提供更加有效的風險評估。如反欺詐，人工智慧自動挖掘文字、資料和影像等資訊進行深度理解，發現並標注風險警示；信用風險管理，人工智慧可以優化風險模型，並求解各變數間量化指標；尾部風險，通過增強學習演算法（也稱為Q-Learning演算法）可將極端事件引入風險分析。
整個智慧風控的起點從獲取資料開始，主要資料來源為使用者註冊時提交的資料、使用過程中產生的資料、交易時產生的資料、協力廠商機構等的資料。第二步是建立模型，其中最重要的是反欺詐和信用評定兩項工作。第三步是將模型在實踐中不斷優化和反覆運算，即機器學習。如IBM Watson Analytics 實現了基於自然語言的認知服務，可以為企業提供包括監管、風險和合規、交易帳戶、銀行帳戶、投資帳戶和保險帳戶的風險監控業務。
應用場景六：智慧型機器人+財務共用Gartner最新發佈的《機器人流程自動化軟體市場指南》指出：“在過去的12個月中，Robotic Process Automation（RPA，機器人流程自動化）供應商的全球收益激增。投資者對RPA所帶來的快速投資回報持樂觀態度，財務、稅務、銀行、保險、招聘及其他傳統人力資源應用套件等業務量常常起伏不定的企業都相當看好RPA的發展前景。”借助軟體機器人，機器人流程自動化解決方案能夠全天候不間斷地確保大量耗時業務流程的自動化、管理及執行。
智慧財務機器人可以實現商業活動和流程的自動化，能有效提升業務運營效率與服務品質。RPA包含可通過配置或與電腦軟體交互的方式來獲得和分析資訊的應用程式/軟體，從而可實現交易處理、資料傳輸、資料比較等功能。並廣泛應用於財務、稅務、人力資源及審計等眾多領域。
此外，德勤、普華永道、安永、畢馬威都紛紛發佈了財務機器人（RPA）解決方案（詳細內容請關注財資一家公眾號後續推送）。企業財務部，尤其是財務共用服務中心通過使用RPA提升稅務及財務工作效率，在降低人力時間成本、提升工作品質等方面收效明顯。此外，還能夠通過大資料收集分析，發出財務風險的防範預警。
應用場景七：智慧資管+量化交易量化交易從很早開始就運用機器進行輔助工作。分析師通過編寫函數、設計指標，觀察資料分佈，而這些僅僅把機器當做一個運算器來使用。量化交易分析師們對財務、交易資料進行建模，分析其中顯著特徵，利用回歸分析等傳統機器學習演算法預測交易策略。這種方式有兩個主要弊端，其一是資料不夠豐富，僅限於交易資料，更重要的是它受限於特徵的選取與組合（Feature Engineering），模型的好壞取決於分析員對資料的敏感程度。直到近些年機器學習的崛起，資料可以快速海量地進行分析、擬合、預測，人們逐漸把人工智慧與量化交易聯繫得愈發緊密，甚至可以說人工智慧的三個核心領域（機器學習，自然語言處理，知識圖譜）貫穿量化交易的始終。從2007年開始，Rebellion就採用基於AI技術（貝葉斯網路演算法）的國際資產配置策略模型來説明客戶進行資產管理。
應用場景八：智慧搜索+金融圖譜金融決策需要大量資料支援和邏輯推理過程，金融知識圖譜提供了從關聯性角度去分析問題的能力，將規則、關係及變數通過圖譜的形式表現出來，進行更深層次的資訊梳理和推測。金融領域的資料具有開放性、多樣性，且文本、資料的時間特徵很強。金融知識圖譜的實體可以是投資機構、投資人、企業等，實體不是簡單的字串，實體包含了與之相關的各種資訊，比如地域屬性和分類屬性等。圖譜資料包含了實體間的關係，可以是企業的上下游、合作、競爭對手、子母公司、投資、對標等關係，或者高管與企業間的任職等關係。業務邏輯可以參考過往案例、專家對行業的理解、投資的邏輯、風控的把握等得到。
基於知識圖譜的金融搜尋引擎是金融領域的Watson，可以輸出多種金融服務，用戶名從金融機構拓展至企業和個人。IBM介紹時說“Waston是一個集高級自然語言處理、資訊檢索、知識表示、自動推理、機器學習等開放式問答技術的應用”。IBM 將Watson的能力分割成許多不同的部分，每個部分可以被租賃用來解決特定的商務問題，比如語言識別服務，總共有40多種不同的產品。基於知識圖譜的金融引擎集資料、分析、搜索、投資工具於一體，一方面可以取代金融資料終端為專業人士提供服務；另一方面也可以為商家、個人等提供投資建議、征信資訊等各類服務內容。
關注財資一家，線上訂閱《財資中國|財富風尚》雜誌，獲取更多公司金融、資金管理、現金管理、支付結算、企業理財、風險管理、資產管理、企業財富管理等方面的原創乾貨。
根據國際頂級諮詢機構調研顯示，現金與流動性管理、財務風險管理是企業兩項最重要的財資管理場景。這也促使很多企業努力提升現金的透明度、視覺化，以及加強對全球資金的管控和現金流預測，提升企業的資金管理集中度，優化集團資金結構。有效的流動性管理關鍵在於現金的可見性：既包括該企業擁有多少現金，也包括未來可能有多少現金流入或流出。因此，財資管理者首先必須能及時準確地掌握資金頭寸狀況，以及各類資產的變現能力。其次，財資管理者通過借助人工智慧技術，尤其是依靠機器學習演算法、預測分析技術、知識圖譜等建立現金流智慧預測機制，以便盡可能精確地預測未來的現金流，並得出企業的最佳現金持有量，即智慧化頭寸管理。
此外，建立多元化的融資平臺，有助於提升企業的流動性保障。採用多種銀行融資產品優化公司資金結構，主要有銀行承兌匯票、國內信用證、保理業務等。此外，借助各類管理工具（包括資訊化系統、人工智慧技術），比如運用“智慧資金池”“智慧票據池”“智慧頭寸管理”“智慧供應鏈金融”等創新的產品和解決方法，以及“智慧資金管理系統”“智慧現金流預測系統”“智慧投融資平臺”“產業鏈金融平臺”“線上供應鏈金融”等管理工具和系統。
應用場景四：智慧投顧+資產配置企業級智慧投顧也稱機器人投顧（Robo-Advisor），是依據現代資產組合理論（通常為馬科維茨提出的投資組合理論）、結合企業投資的風險偏好、資金狀況和理財目標、利用智慧演算法和智慧客服，為企業提供資產管理和線上投資建議服務。一般而言，其成本遠低於人類投資顧問，因其服務過程能夠實現全部或絕大部分自動化操作管理，因此被稱為智慧投顧。
企業級智慧投顧的服務流程一般包括：客戶分析、大類資產配置、投資組合選擇、交易執行、投資組合再平衡與分析等。在客戶分析、大類資產配置以及投資組合選擇，這三步核心環節中，智慧投顧機器人會根據客戶的風險水準與投資期限進行服務定制，而電腦會借助風險分散等傳統的投資理論以及量化投資策略等方法構建投資組合，並在投後過程即時跟蹤宏觀事件、市場和投資者偏好的變化等情況，進行自動風控和授權後的自動調倉。
企業級智慧投顧的核心包括：（1）通過大資料獲得企業的風險偏好和變化規律；（2）根據企業的風險偏好、資金狀況結合演算法模型定制個性化的資產配置方案；（3）利用互聯網對企業個性化的資產配置方案進行即時跟蹤調整；（4）利用成熟的組合優化管理模型，在企業可承受的風險範圍內實現收益最大化。
應用場景五：智慧風控+未來財務財務與金融領域已經採用不同電腦預測演算法來進行風險模型分析，應用於例如VaR、信用評級、風險準備金、長尾風險、行為分析、反洗錢等領域。其中運用到的演算法包括：線上過程分析（OLAP）、聚類、相關性分析、決策樹、熱點分析、神經網路、預測模型、畫像技術、自組織網路、網路資料採擷，等等。
人工智慧技術的出現將有效提升上述演算法和模型的精度，提供更加有效的風險評估。如反欺詐，人工智慧自動挖掘文字、資料和影像等資訊進行深度理解，發現並標注風險警示；信用風險管理，人工智慧可以優化風險模型，並求解各變數間量化指標；尾部風險，通過增強學習演算法（也稱為Q-Learning演算法）可將極端事件引入風險分析。
整個智慧風控的起點從獲取資料開始，主要資料來源為使用者註冊時提交的資料、使用過程中產生的資料、交易時產生的資料、協力廠商機構等的資料。第二步是建立模型，其中最重要的是反欺詐和信用評定兩項工作。第三步是將模型在實踐中不斷優化和反覆運算，即機器學習。如IBM Watson Analytics 實現了基於自然語言的認知服務，可以為企業提供包括監管、風險和合規、交易帳戶、銀行帳戶、投資帳戶和保險帳戶的風險監控業務。
應用場景六：智慧型機器人+財務共用Gartner最新發佈的《機器人流程自動化軟體市場指南》指出：“在過去的12個月中，Robotic Process Automation（RPA，機器人流程自動化）供應商的全球收益激增。投資者對RPA所帶來的快速投資回報持樂觀態度，財務、稅務、銀行、保險、招聘及其他傳統人力資源應用套件等業務量常常起伏不定的企業都相當看好RPA的發展前景。”借助軟體機器人，機器人流程自動化解決方案能夠全天候不間斷地確保大量耗時業務流程的自動化、管理及執行。
智慧財務機器人可以實現商業活動和流程的自動化，能有效提升業務運營效率與服務品質。RPA包含可通過配置或與電腦軟體交互的方式來獲得和分析資訊的應用程式/軟體，從而可實現交易處理、資料傳輸、資料比較等功能。並廣泛應用於財務、稅務、人力資源及審計等眾多領域。
此外，德勤、普華永道、安永、畢馬威都紛紛發佈了財務機器人（RPA）解決方案（詳細內容請關注財資一家公眾號後續推送）。企業財務部，尤其是財務共用服務中心通過使用RPA提升稅務及財務工作效率，在降低人力時間成本、提升工作品質等方面收效明顯。此外，還能夠通過大資料收集分析，發出財務風險的防範預警。
應用場景七：智慧資管+量化交易量化交易從很早開始就運用機器進行輔助工作。分析師通過編寫函數、設計指標，觀察資料分佈，而這些僅僅把機器當做一個運算器來使用。量化交易分析師們對財務、交易資料進行建模，分析其中顯著特徵，利用回歸分析等傳統機器學習演算法預測交易策略。這種方式有兩個主要弊端，其一是資料不夠豐富，僅限於交易資料，更重要的是它受限於特徵的選取與組合（Feature Engineering），模型的好壞取決於分析員對資料的敏感程度。直到近些年機器學習的崛起，資料可以快速海量地進行分析、擬合、預測，人們逐漸把人工智慧與量化交易聯繫得愈發緊密，甚至可以說人工智慧的三個核心領域（機器學習，自然語言處理，知識圖譜）貫穿量化交易的始終。從2007年開始，Rebellion就採用基於AI技術（貝葉斯網路演算法）的國際資產配置策略模型來説明客戶進行資產管理。
應用場景八：智慧搜索+金融圖譜金融決策需要大量資料支援和邏輯推理過程，金融知識圖譜提供了從關聯性角度去分析問題的能力，將規則、關係及變數通過圖譜的形式表現出來，進行更深層次的資訊梳理和推測。金融領域的資料具有開放性、多樣性，且文本、資料的時間特徵很強。金融知識圖譜的實體可以是投資機構、投資人、企業等，實體不是簡單的字串，實體包含了與之相關的各種資訊，比如地域屬性和分類屬性等。圖譜資料包含了實體間的關係，可以是企業的上下游、合作、競爭對手、子母公司、投資、對標等關係，或者高管與企業間的任職等關係。業務邏輯可以參考過往案例、專家對行業的理解、投資的邏輯、風控的把握等得到。
基於知識圖譜的金融搜尋引擎是金融領域的Watson，可以輸出多種金融服務，用戶名從金融機構拓展至企業和個人。IBM介紹時說“Waston是一個集高級自然語言處理、資訊檢索、知識表示、自動推理、機器學習等開放式問答技術的應用”。IBM 將Watson的能力分割成許多不同的部分，每個部分可以被租賃用來解決特定的商務問題，比如語言識別服務，總共有40多種不同的產品。基於知識圖譜的金融引擎集資料、分析、搜索、投資工具於一體，一方面可以取代金融資料終端為專業人士提供服務；另一方面也可以為商家、個人等提供投資建議、征信資訊等各類服務內容。
關注財資一家，線上訂閱《財資中國|財富風尚》雜誌，獲取更多公司金融、資金管理、現金管理、支付結算、企業理財、風險管理、資產管理、企業財富管理等方面的原創乾貨。