摘要：
不是能在网上买点理财产品就可以叫“Fintech”，能称得上金融科技的，好歹得有一点点科技含量吧？
P2P平台大批跑路后，不少幸存者为了避嫌开始改名，管本身叫“Fintech平台”，首先我们要知道，不是能在网上买点理财产品就可以叫“Fintech”，能称得上金融科技的，好歹得有一点点科技含量吧？
在人工智能概念火了之后，，Fintech又被带了一波节奏，其实Fintech+AI是个有着清晰前景的命题，只是现在市面上出现了太多假Fintech结合假AI的产品。
Fintech最喜欢吹嘘的往往是本身的风控系统：传统金融做风控要业务员实地考察、要客户三番五次提供一大堆资产收入证明，现在有了人工智能，我们只需要动动手指就能完成这一切。
实际上帮他们做到这些的不是人工智能，而是征信系统，好比芝麻分什么。在这个时代，还有谁能不在网上留下点痕迹呢，数据够大了，很多事就能做到了。
大数据是怎么帮Fintech做到风控的呢？简单举几个例子，在授信环节，在用户授权的前提下，用爬虫可以抓取用户的信用卡还贷数据、电商交易数据、各种O2O消费数据……甚至可以在学信网上看到你上哪个学校。如果你是小微创业者，还可以看到你的交易数据和所有的企业注册信息。而这些往往是征信机构做的，和Fintech平台无关。
征信机构通过用户数据的采集、共享、分析做到了这一切，要说有多么智能，恐怕有些牵强了。
真智能的Fintech不但仅是风控
那么Fintech+AI到底能做到什么呢，显然不但仅是风控，但我们可以先从风控说起。
好比在风控上，虽然征信机构可以构建出几乎完美的风控模型，但在消费金融领域，中国有65%的人没有被征信记录覆盖，面对这些人离散在互联网遍地的复杂数据，AI是如何帮手Fintech进行授信的？
目前比较流行的方式是知识图谱，知识图谱是人工智能大概念下的子集之一，其价值在于理解数据的内在含义，把以往的“名词搜索”酿成语义搜索，从而在离散的数据间建立联系。
应用到金融中，知识图谱可以把个人信息和履约记录、社交媒体数据等等联系起来。举个例子，如果我们仅仅拥有客户的姓名和联系方式却没有授信记录，我们可以通过他的通话记录发现他所联系的其他用户授信记录如何，从而进行风险评级。
当然，这只是知识图谱在Fintech方面最简单的应用。知识图谱还能做更多的事，好比不看财报而是通过社交媒体新闻分析某只股票的股价走势等等。总之，在个体数据匮乏的情况下，知识图谱可以利用其它可获得的数据，通过“联想”完成很多分析工作。如果建立的足够完善，知识图谱几乎可以成为一个应对无数维度的征信系统。
分析师：你学我！
除了知识图谱，深度学习和NLP在Fintech中的应用也很遍及。好比通过深度学习中的回归分析来模仿分析师的交易行为，从而推导出相关交易策略的算法模型来辅助报答操作。
而为了优化处理效果，一些机构开始试图在算法中引入非结构数据——新闻、分析陈诉、社交媒体舆情等等。通过NLP技术对其进行分析处理，增强算法在演算时的逻辑性。
最后这些算法就可以像入行多年的金融老司机一样，通过内部数据和外部环境影响做出决策。
伦敦、香港、日本等等地区都有团队在从事相关的研究，其中著名的有投资机器人Kensho，这家专注于量化投资的技术企业通过NLP、图像识别和云计算等等技术，可以快速处理投资关联业务。
面对类似于美国大选一类的黑天鹅事件，分析师们只能从本身短暂的从业经历中总结方法，Kensho却可以通过总结历史上所有类似事件产生的影响而给出答案。
经验、直觉这些原本在金融行业不成替代的特质正在被AI通过深度学习快速复制，华尔街的魔法正在慢慢褪去。
大多数Fintech只有人工，没智能
风控、量化分析这些金融产业中较为重要的环节正在被AI入侵，一些自己就技术含量不高的环节更是不能幸免。最简单的，像是招股书、陈诉等等文件的撰写，通过自然语言理解和自然语言生产就可以处理。在信贷审批中生物识别（指纹、虹膜）和设备指纹识别（移动设备的唯一编号）也在替代着传统的流程模式。
但说到底，真正能运用上人工智能的Fintech企业基本都有着强大的“靠山”。前文提到的Kensho已经被高盛收购，对冲基金桥水联合也早已招兵买马试水AI，在国内，蚂蚁金服也是托身与阿里巴巴的。
