https://zhuanlan.zhihu.com/p/31303789
概述：
FinTech——金融科技近年来在投融资市场、业界应用方面有着火爆的影响，在FinTech的带动下，以往单一的货币形式发展将会被打破，FinTech也将成为所有金融行业发展的服务基础。
信息技术和金融的深层融合不断打破着现有的金融格局，深刻地改变着金融服务的运作方式，在解决金融本质问题上能够更高效地运作。在中国大陆本土，目前还正处于传统金融向新金融的经济形态发展过程当中，FinTech金融科技在这其中将会成为最好的催化剂。并且，技术介入金融领域可以更加快速地解决传统金融的一些问题，比如估值模型、投资决策、信用评估等核心痛点。
今天，小编汇总了VC SaaS此前发布的四期关于探索“中国大陆本土FinTech发展模式与路径”的文章，详细的研究内容都在下文中哦！
FinTech研究热点
根据京东金融发布的《2017金融科技报告——行业发展与法律前沿》来看，以下几个方面是近年来全球FinTech的重点研究方向：
一、金融科技与监管政策的探讨；
二、金融科技与传统金融业的关系；
三、技术在金融领域的应用和引发的变革；
四、金融科技细分领域；
五、技术与安全、隐私等问题的探讨。
而我国的金融科技则着重在以下方面进行探索（关键词参考）：
本土FinTech市场形态
依据科技金融在中国大陆的发展环境，我们对FinTech的应用做了以下细分：
消费信贷、商业信贷、众筹平台、商业银行、财务管理、消费致富、后台支付及基础架构、股权融资、散户投资、小微企业的金融工具、量化投资机构、银行技术设施服务、交易安全保障、汇款服务、数据研究。
中国大陆本土FinTech市场主要分布于以下4个城市：北京、深圳、上海、杭州。
北京：金融科技行业监管部门所在地，相关企业数量比较多，且在该方面配备又众多的教育资源，在借贷、创投方面资源集中。
深圳：金融创新机构的集中地，保险、证券业发达，互联网金融创业氛围十分浓厚，为其金融科技的发展奠定了良好的基础，同时拥有深圳证券交易所。
上海：中国国内金融中心，具备良好的金融科技发展基础，是金融科技企业竞争的必争之地。
杭州：近年来在蚂蚁金服旗下支付宝的带领下，发展势头迅猛，特别是移动支付的发展环境更加浓烈。
投融资维度看FinTech
2005~2016年FinTech领域企业整体融资总额分布
（数据来源：Venture Scanner）
从以上图表来看，2013年起投资机构加大了在金融科技领域上的投资砝码，不过从2015年开始对于初创期企业的投资出现了下滑的势头，投资力量集中于中后期阶段。
FinTech各领域公司的整体融资情况及公司数量
（数据来源：Venture Scanner）
以上图标比较了金融科技里各个领域公司的整体融资情况和公司数量，其中消费级别的信贷行业发展最为发达，总融资额及公司数量均排行最高，排行其次的是支付后端领域及商业信贷领域。说明这三个领域对于金融科技的需求最大，需要有更多的技术支撑。
FinTech各个领域公司的退出情况
（数据来源：Venture Scanner）
财务管理方面金融科技企业的投资退出成功数量最多，可见这方面的企业在公司后期发展都比较优秀，能够让投资人得到更多的回报，投资退出几率也更大。
FinTech的技术驱动
人工智能
未来，在很大程度上，人工智能的应用场景应该出现在人类所无法触及的领域以及无用的机械工作上，抑或是应用在更加人类无法达到的精准操作上。人工智能专家更将这方面概括为“大规模的深度学习”，并以此作为书名向同行共享了人工智能与神经网络的相关信息。毫无疑问，大规模的机器学习人类的金融行为，也将会使得金融行业得到彻底的革新。
在金融领域，人工智能正在逐步渐进式地深入到大数据征信、贷款、风控、保险、资产配置、量化交易、财经信息分析等领域。这些领域在金融科技“金字塔”所处的位置都属于头部位置，是最高端的金融科技应用方式。
人工智能的三种主要技术（智能投顾、金融预测与反欺诈、融资授信）均需专有类型的数据作为支撑。场景应用的方面更加偏重于信号、图像、语音、文字、指纹等非直观展现出来的数据，均属于人身带有的特征数据。人机交互亦是同样需要积累大量的用户数据，其中包括了用户的操作习惯、操作频次、操作周期等。总之人工智能在金融领域的应用与使用者的数据关系异常密切，随着机器学习的不断发展，我们将会迅速跨进智能金融时代。
下面，我们就从感知、决策、反馈这三大应用方式来解读“人工智能+金融”。
感知
属于感知这一块的人工智能技术应用大部分需要参与者进行一些人机交互，大多属于信息采集的形式，向数据贡献者进行人身特征信息进行获取，再进行比对。比如指纹识别、语音识别、人脸识别、虹膜识别。
感知这一大项其实主要属于数据的采集提供方，使用方包括了银行、券商、险商、金融监管部门、P2P平台、公安司法机构、征信机构、消费金融平台。应用场景主要有以下几大方面：反欺诈、身份识别等。
其中我们将以指纹识别为例来和大家解读一下感知方式的应用。指纹识别是目前最为主要的反欺诈技术手段之一，通常指可以用于唯一标识出该单位人物特征或标识别，通常透过指纹采集和识别设备可以用于进行形成特征集合。设备主要包括硬件属性、软件属性和用户行为，指纹识别也分主动式、被动式和混合式采集。主动式通过SDK或JS代码在客户端主动收集信息，较为精准；被动式主要通过在服务器端收集通信协议和网络的特征来进行识别，100%保护用户隐私；混合式设备则融合了以上两者格子的优点，适用范围也更加的大。
诸如此类的识别方式已灵活应用于金融机构的内部流程操作、身份识别、资格确认当中，可以说这一种方式对于保护用户金融资产的安全有着十分重要的意义。但随着技术的不断提升，这些技术的商业化也将会不断的革新，会有越来越便捷以及安全的感知识别方式出现，落后的方式将会被市场所淘汰。
决策
人工智能与大数据是共生共长的有机体。人工智能，如人或超越人地自动感知，获取数据之后就需要经过算法、模型构建超人的神经元网络，处理不平衡的数据，进行方向性的拟合，直接指导金融行为的操作。
在这一方面，目前应用最为广泛的金融行为当属量化交易。目前我国国内有聚宽JoinQuant、新三板企业祥云信息等量化交易平台供用户基于二级市场交易的大数据搭建属于用户个人的交易模型，这些平台培养用户使用如Python等语言进行程序的撰写，直接地透过自己搭建的模型进行交易产品的筛选、交易。目前为止，我国的量化交易尚处于起步阶段，但在美国和英国这样的金融高地，量化交易早已成为常态，市场上只有少数的散户投资者在进行没有量化的交易行为。
除此之外，在选择各种各样的理财产品以及互联网保险、互联网消费金融产品的问题上，人工智能也能帮上大忙。基于公开的大数据，对金融产品的收益判断、投资行业分析、投资周期、投资结构的综合模型，也在替B端的金融产品公司不断地调整自己的产品方向，以打造出最适合市场的产品。
更甚的是在征信系统的处理上能够透过信息的筛选判断，对于申请人的资质进行判断，能够直接免人工地对不合规的申请人进行排除，这对于金融机构的风控体系有着直观重要的帮助，大大提升了效率。而一系列的智能风控模型体系提供商早已完成商业化，对外输出自己的智能风控产品，中国遍地的互联网金融及传统小微金融机构急切需要引入这样的风控体系。
反馈
其实人工智能机器学习是一个完整的闭环，在金融行业的应用上同样如此。在经历过前期的判断整合进行直接操作之后，操作行为的效果搜集也至关重要。这一行为我们之所以将它判别为“反馈”，是因为人工智能有一个不可忽视的特性，那就是再学习，循环不断地再学习，以获取更符合模型设想的结果，是反馈操作的初衷。
所以说其实在金融行业中人工智能反馈行为的体现，其实是与决策环节起辅助作用的，并且不断地帮决策更加高效。
可能面临的危险
用户隐私被泄露
人工智能的背后，是局域大数据及智能算法的继续升级，人工智能系统通常具有记忆功能，通过收集、统计、分析用户的数据不断提升自己的智能型。如果被黑客入侵，用户隐私可能被泄露，轻则用户信息被不法分子掌握，重则危害用户财产安全甚至人身安全。
技术面临失控的风险
人工智能在短期内的影响取决于谁来控制，长期影响取决于它是否受到控制。一旦应用环境和数据脱离用户的可控范围，尚无技术避开人工智能失控带来的风险。
故障排解及行为监管成本上升
人工智能自身的负载性及系统风险性的增加导致故障排解成本将大幅度提升。在现有法律监管体系下，对机器及运行程序故障造成的损害，难以有效界定责任主体及责任份额。
大数据
业内人士指出，中国的互联网行业早就已经进入了DT时代。所谓的DT，也就是DataTechnology，数据科技的时代。在现在的理解当中，数据早已成为了企业和个人的资产，在金融领域这个概念也毫不例外，大数据同样为FinTech的发展起到重要加速作用。
首先，我们先看看金融科技生态相关技术层级陈列图示：
大数据，作为金融科技行业技术金字塔底网上的第二层位置，说明它具备基础性和可供从业人员灵活应用的特性。
研究机构“Gartner”认为大数据是需要新处理模式才能有更强的决策能力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。可见，作为一种资产，对于处于新互联网时代的金融业机构来说，如何挖掘他们和良好地运用它们，将成为未来几十年的重点课题，同时这一波浪潮也带动起了新一波的金融消费增长和金融消费者盈余。
目前，全世界的金融创新很大一部分都在做着金融与大数据的结合。处理数据的维度越丰富，对用户和市场的画像就能够描绘得越准确。金融机构对于所处行业的大数据掌握得越丰富、越细致，那么所能开展的金融业务也会越多。掌握了巨量互联网用户数据的世界级互联网企业，无一不参与到金融业的发展中来。从目前的表现来看，他们当中在支付、消费金融、贷款、基金、众筹等领域的发挥异常突出，与他们所掌握的巨量大数据有着不可分割的关系。
我们透过对于目前金融大数据的热词分析，找到了以下目前最火热的FinTech大数据相关词汇：
大数据的金融场景应用
在2016年7月，36氪研究院发布的“科技炼金，融汇未来”——《FinTech行业研究报告》中就从两个个不同的阶段对大数据的应用进行了解读：
FinTech1.0：数据+信息，初入分析门槛；
FinTech2.0：多维度多层次的大数据分析，以信用及定价为核心的主要应用场景。
在FinTech1.0阶段，大数据技术的主要应用是集中于第一和第二层次，即数据架构和信息整合，初步进入第三层次，进行简单的初步分析和决策。
而到了FinTech2.0阶段，经过多年的数据发展和积累，大数据的数量、分析速度与数据种类都发生着极速的变化。可穿戴设备、 智能家居等智能硬件的兴起，再次扩充了数据的维度，使得可获取的数据维度扩展到线下。目前，大数据已经发展到公司及第三方处理分析大量终端用户数据的阶段，为金融科技公司提供了良好的数据基础，进而促进了个人征信、授信、风控以及保险定价等金融领域的发展。
大数据分析的主要金融应用：个人征信、授信与风控。
个人征信、授信及风控主要是围绕借贷环节进行的，覆盖贷前评估、贷中监控和贷后反馈三个环节。
贷前评估：国内个人征信试点于2015年才开始试行，最具代表的是芝麻信用。阿里体系的交易数据以及蚂蚁体系的金融数据形成强有力的数据支撑，自主研发信贷模型可用以支持银行、小贷机构进行征信及授信活动。信贷模型的训练需要人工智能技术作为辅助，通过机器学习不断完善模型并实时校正。
贷中监测：主要是通过用户在贷款期的行为数据来发现问题客户并及时报警。
贷后反馈：基于用户本次贷款期间的数据，对该用户原有信贷记录评分进行补充，提升或降低其信用额度以供后续使用。
除此之外，大数据在金融领域的应用还有：消费金融、供应链金融、财富管理等。
消费金融：其实是依赖于大数据的用户征信信息而生。消费贷、学生带、工薪贷等容易产生长尾效应的金融产品，必须要用户的相关信息进行信用评分和欺诈风险的防控。这与传统金融借贷类似，以用户相关信息为基础进行银行内部信用评分，再由借贷员手动输入客户信息来综合判定放款风险。而互联网技术则可基于自有的巨量用户数据透过自建的风控模型进行评级来防控风险，最直接的例子便是芝麻信用分、白条等。
供应链金融：由互联网供应链平台的发起者主导，根据情况不同的中小企业客户的风险偏好提供差别金融服务。这些平台自有一套成型的大数据驱动的供应链体系，为供应商和订单方提供借贷、过桥、分期付款等服务，如京东供应链金融就是如此。
财富管理：旨在合理地为客户配置资产，为客户提供投顾建议。目前许多互联网公司就是从这一个切入点着手，打破传统金融盲目选择的盲点，透过人工智能技术智能地推荐合适的资产进行配置。
以下是中外热门的金融大数据分类汇集（列出的企业仅为该领域的数家代表性企业或机构）：
大数据面临的风险
数据窃取
大数据采用云端存储处理海量数据，对数据的管理较为分散，对用户进行数据处理的场所无法控制，难以区分合法用户与非法用户，容易导致非法用户入侵，窃取重要信息，在网络空间，大数据更容易成为攻击目标。
非法添加和篡改分析结果
黑客入侵大数据系统，非法添加和篡改分析结果，可能对金融机构以及个人甚至政府的决策造成干扰。
个人信息泄露
面临用户移动客户端安全管理和个人金融隐私信息保护的双重安全挑战，企业较难在安全性与便利性之间达成平衡。
数据存储安全
“数据大集中”在中国金融业获得广泛认可，一些大型券商和银行纷纷建设数据种子作为金融服务的核心和基础，大数据对数据存储的物理安全性、多副本性要求较高。一方面各类复杂数据的集中存储易出现存储混乱，造成安全管理违规；另一方面安全防护手段的更新升级速度无法跟上数据量的非线性增长，大数据安全防护容易出现漏洞。
风险防控建议
建立大数据金融系统
大数据金融生态系统是指金融大数据与从事大数据金融活动的个人、家庭、厂商、政府、非政府组织等社会行为体之间共同形成的动态系统整体。
各主体在从事金融交易活动时会产生海量金融大数据，这种大数据呈几何增长，构建海量金融大数据与大数据金融活动相互影响的大数据金融生态系统非常重要。加强对系统内不法行为的规制，杜绝信息篡改、窃取，保护个人隐私，促进信息流的良性循环，保证数据的真实可靠。引入信用系统、评级系统等，强化金融大数据系统的安全性和可靠性。
规范数据提取及交易程序
一方面，明确收集大数据主体。大数据的产生包括两个渠道，一是来自法律授权收集，二是公民使用网络设备自动形成的信息记录。两种信息源头的信息混杂在一起，形成更为精准、私密的信息。针对此类信息的收集，目前无法做到程序化和模板化，只能秉持两个基本原则：利益原则和知情与许可原则。
另一方面，明晰数据交易主体。大数据是静态的提取与存储过程，也是动态的交易过程。在金融领域，不论是个人信息、企业信息还是政府信息都非常重要，应严格审查和审批参与大数据交易的主体及其掌握的信息，从信息供给层面予以规范。
区块链
近年来，随着比特币、莱特币、以太坊还有一些山寨虚拟数字货币价格的不断攀升走高，区块链技术开始步入大众视野。那么，这一技术在金融领域是如何被应用的呢？
简述区块链
区块链本质上是一个去中心化的分布式账本数据库（在与比特币相关的区块链应用中可使用这一术语，但区块链技术可能并不包含“账本”）。其本身是一串使用密码学相关联所产生的数据块，每一个数据块中包含了多次网络交易有效确认的信息。
什么是去中心化？
你和卖家的交易都是围绕支付宝展开。因此，如果支付宝系统出了问题便会造成这笔交易的失败。并且虽然你只是简单的买了一个商品，但是你和卖家都要向第三方提供多余的信息。因此考虑极端情况，如果支付宝跑路了或者是拿了钱却不承认你的交易，那么你就悲剧了。
而去中心化的处理方式就要显得简单很多，你只需要和卖家交换钱和手机，然后双方都声称完成了这笔交易，就OK了。
可以看出在某些特定情况下，去中心化的处理方式会更便捷，同时也无须担心自己的与交易无关的信息泄漏。
区块链价值--自由流通
今天的互联网，已经近乎完美地解决了信息传递的问题。那区块链解决的问题呢？答案是：信任。因为互联网技术还不能完全实现点对点的价值传递，必须要透过第三方来完成。信息传递可复制，价值传递则需要保证权益的唯一性，所以目前价值的传递需要依赖中心机构承担记账功能。区块链的出现可以使得价值传递不在完全依赖于中心机构，可以实现价值的点对点转移。
区块链这种分布式总账技术，可以让各参与方在技术层面建立信任，也就是说全世界都是你的见证人/公证方，有很大的潜力形成价值互联网。构建可信任的多中心体系，将分散独立的各自单位，提升为多方参与的统一多中心，从而提高信任传递效率，降低信任中介这一交易成本。
发展目标
简单来说，区块链技术应用的发展目标可归结为以下四个：
（1）快速应用构建：多模式的账本结构及业务模型；
（2）海量用户支撑：高效交易验证和同步，支撑千万甚至亿级以上的规模；
（3）隐私权限设置：通过配置丰富的权限，依据应用需求进行隐私保护；
（4）解决权益纠纷：透过可编程的合约开发，程序化管理约定。
区块链对于金融的颠覆性意义
在国内的供应链金融、数字票据、P2P理财、电子货币、小额信贷、跨境支付、抵押品管理及合约执行等互联网金融领域，区块链技术都有着广泛的应用前景，可以更好地对接金融机构与非金融企业。目前，在区块链投入实际的应用场景中，积分管理平台和产品溯源领域有实际的应用。
而未来几年内，区块链最激动人心、规模最大的应用领域之一，就是物联网。区块链解决了物联网海量设备和节点之间的信任问题及金融交易，各种设备将能够与基于区块链的分类帐户相互沟通，以更新或验证智能合约。
区块链技术孕育着对商业的重新想象。过去几年中，人们对于科技与业务的关注大都集中于交互系统——移动、社交与云技术，而记录系统技术似乎陷入了停滞，乏善可陈。随后问世的区块链技术让我们能以全新的眼光看待这个世界，它极有可能完全改变商业合作以及人们与社会互动的方式。从银行与航空公司订票系统到社会保障以及与车管所的互动，每一件事情均有可能发生改变。
小结：
看了上述解读，你是不是对中国科技金融的发展路径和模式更加了解了？信息技术和金融的深层融合深刻地改变着金融服务的运作方式，我们有理由相信，未来，FinTech在新金融发展形态中起到的作用将越来越突出。
编辑于 2017-11-22