恰好最近刚刚盘点了几家金融科技公司，可供参考！
剥下金融科技的神秘外衣，FinTech为何让金融巨头恐惧？
https://www.zhihu.com/people/xuehongyan https://pic3.zhimg.com/50/a8cfa0455fb57d3f28840a6b4e5c67ab_hd.jpg
薛洪言 · 刚刚
不知从何时开始，金融科技这个词突然变得时髦起来，成为了继“互联网金融”之后的有一个热点词汇。作为互联网金融从业人员，和人聊天时如果不扯上几句金融科技（最好是FinTech），简直不好意思说自己是混互联网金融圈的。下面，苏宁金融研究院高级研究员薛洪言（洪言微语）就为大家扒一扒金融科技那些事儿！剥下其神秘的外衣，看看它们究竟有怎样的秘密武器。
|概念与由来
金融科技这个词何时火起来并不可考，但这个词一出现，就快速点燃了圈内人的热情，快的有点莫名其妙，不由得想起一句古诗“情不知所起，一往而深”。好吧，肉麻到此为止，下面细细开扒，大家小板凳坐好了。
先看看概念。百度百科中这么讲，“金融科技一般指科技金融，科技金融属于产业金融的范畴，主要指科技产业与金融产业的融合。……由于高科技企业通常是高风险的产业，同时融资需求比较大，因此，科技产业与金融产业的融合更多的是科技企业寻求融资的过程。”好吧，也是醉了，生生地把高大上的金融科技描述成了科技企业寻求融资的过程，度娘，你的百科该更新了！
再看看维基百科的解释，“金融科技，也称FinTech，是指一群企业运用科技手段使得金融服务变得更有效率，因而形成的一种经济产业。这些金融科技公司通常在新创立时的目标就是想要瓦解眼前那些不够科技化的大型金融企业和体系”。这里讲的科技手段，包括但不限于人工智能、机器学习、自然语言处理（NLP）等领域。
这个解释比较接近市场对金融科技的一般认知，同时，这个解释将金融科技企业与“大型金融企业和体系”对立起来，是相对比较狭窄的概念。就先从这个概念说起吧。
|解密国际上著名的金融科技公司
2015年12月15日，澳大利亚知名金融科技风投机构H2 Ventures联手KPMG（毕马威）发布《全球金融科技100强》，共有40家美洲公司、20家欧非公司、18家英国公司和22家亚太公司上榜，其中，中国有6家公司上榜。
该榜单主要从筹集到的总资金额、融资率、地区和行业多样性、消费者和市场吸引力、X因素（产品、服务和商业模式评分）等五个角度进行评分，且偏重于创新创业型金融科技企业，国内上榜的六家企业分别为众安保险、趣分期、陆金所、闪银奇异、房多多、积木盒子、融360。大家耳熟能详的大型互联网金融集团蚂蚁金服、京东金融、苏宁金服等并不在榜单覆盖范围内，不过，还好这并不影响我们对金融科技企业的认识。
洪言微语从榜单前8名企业着手，详细为大家解析国际领先的金融科技企业都长什么样，核心竞争力是什么，又会对传统的金融巨头带来怎样颠覆性的影响？
NO.1 众安保险
中国企业，经营领域为互联网保险，成立于2013年10月，注册资本12.4亿元，估值500亿元人民币，前五大股东分别为蚂蚁金服（16%）、腾讯（12%）、平安保险（12%）、优孚控股（12%）和加德信投资（11%）。2015年5月，经保监会许可，公司业务范围在互联网交易直接相关的企业/家庭财产保险、货运保险、责任保险、信用保证保险、短期健康/意外伤害保险以外，增加了“机动车保险和保险信息服务业务”两块内容。
截止2015年末，众安保险公司营业收入25.28亿元，同比增219%；净利润1.68亿元，同比增517%。原保费收入前4位的险种分别为保证保险（19.86%）、意外伤害保险（12.41%）、责任保险（3.56%）和信用保险（2.27%），收入结构已经实现充分多元化。
NO.2 Oscar Health
美国企业，经营领域为健康保险，成立于2013年10月，截止目前估值达到27亿美元。与传统健康险公司只参与病人医疗过程中的支付流程相比，Oscar的创新之处在于“通过重新设计健康保险”，包揽了患者咨询、问诊、用药、支付等一系列环节，主动介入医疗护理过程，立志于成为“为病人提供全天候医疗服务”的平台。
打着“快速移动、打破传统”的口号，Oscar为病人提供24小时远程医疗服务，病人可以随时向医生拨打免费电话（20分钟内不花钱），让复杂的医疗系统简单化。
NO.3 Wealthfront
美国企业，财富管理公司，前身为Kaching，成立于2008年12月，2011年12月更名为Wealthfront，转型为一家专业的在线财富管理公司，估值超过30亿美元。Wealthfront是一个智能投顾平台，借助计算机模型和技术，为客户量身定制包括股票配置、期权操作、债权配置、房产投资等在内的资产投资组合建议，本质上，就是利用互联网技术，把成熟市场的机构投资模式直接提供给个人投资者。人才是Wealthfront最大的依仗，投资团队12名成员，基本都拥有世界一流高校的博士学历，投资经验丰富，且在商界、学界、政界均有丰富的资源。
Wealthfront按照每个账户扣除1万美元后的余额收取佣金，年费率为0.25%，远低于美国传统投资理财机构1-3%的费率水平，受到中等收入人群的青睐。截止2016年2月末，Wealthfront的资产管理规模近30亿美元，同比增长近60%。
洪言微语：智能投顾的运转逻辑，是通过量化投资模型，结合客户的投资目标、收入和纳税情况，为客户打造专业、理性的投资组合，将人为不确定因素降至最低。它的诞生，受益于机构投资模式的创新，以及互联网技术的发展。智能投顾诞生后，高净值客户专属的组合投资模式得以走入寻常百姓家，必将对传统的财富管理模式尤其是私人银行模式产生重大冲击。就中国而言，这一冲击只是刚刚开始……
当然，智能投顾给人提供的是分散化、稳定可持续的收益，而国人却习惯了投机和快速暴富，所以智能投顾在国内的发展也许注定不会太顺利吧。
NO.4 趣分期
中国企业，大学生消费分期领域，成立于2014年3月，两年内完成六轮融资，估值约10亿美元。趣分期为大学生电子产品消费提供分期服务，通过价格战和庞大的地推团队迅速站稳脚跟，2015年8月获得蚂蚁金服2亿美元入股，持股比例32%左右。据透露，受限于大学生人群高度的流动性（毕业意味着客户流失），趣分期正着力拓展非校园客户。
洪言微语：随着金融正规军对消费金融业务的重视，消费分期公司正面临越来越大竞争压力，当业务流程的互联化成为标配，融资成本的高低将成为平台吸引客户的核心竞争力。分期公司的年化利率平均在19%左右，高于银行信用卡现金借款年化利率，也高于蚂蚁花呗、苏宁任性付、京东白条等电商系消费金融产品，高的融资利率将成为阻碍这些创业企业吸引优质客户的根本性障碍。
NO.5 Funding Circle
英国最大的P2P平台，成立于2010年，定位于小型企业贷款业务，估值超过10亿美元。成立之初，正值欧洲金融危机持续发酵期，中小企业在正规金融机构申贷拒绝率显著提高，为Funding Circle的发展提供了良好的基于。Funding Circle主要从现金流（质量和数量）、资产（质量和数量）、替代数据（Yelp评分等）和稳定性（管理、业务、行业等方面）四个维度进行信贷准入，同时所有的贷款都需要提供抵质押或担保。2013年，Funding Circle与美国Endurance Lending Network公司联合，将业务拓展到美国市场；2015年10月，收购德国Zencap，进入德国、西班牙和荷兰市场。
截至2015年11月末，Funding Circle累计成交量为9.48亿英镑，发放贷款15,000多笔，英国境内共有约4.5万名投资人。
洪言微语：Funding Circle的企业理念是“帮助全球几百万家企业绕开过时并且效率低下的银行系统，通过平台的投资者获得资金”，一般来讲，信用贷款才是高效率的代名词，但同时我们看到，Funding Circle的所有贷款均要求抵质押担保，也许这是对公授信风险管理省不掉的一道程序。同时，Funding Circle作为英国最大的P2P平台，并非严格意义上的纯信息中介，对国内正要求所有的P2P平台转型为纯信息中介。信息中介模式下，将风险把控能力交给投资者，但投资者哪有这个能力，转型信息中介模式，真的会给P2P行业带来持续发展的春天吗？
NO.6 Kreditech
德国企业，在线借贷领域，成立于2012年3月，主要为在正规金融机构得不到授信的次级借贷者提供服务。Kreditech通过大数据对申请人进行信用评分，其算法可以分析约20000个数据点（Facebook 主页、eBay 主页、电子商务购物行为、手机的使用情况、位置数据、填写问卷时间、输入出错率、用大写字母的频率、按取消键的频率、发出申请的设备是Ipad还是普通平板等等），一旦评估通过，15分钟内即可完成放款。目前，Kreditech正在积极输出其大数据服务，致力于为在线零售商等企业建立国际性、自我更新的数据库，帮助这些企业更好地进行精准营销和客户服务。
Kreditech已经对200万人进行了信用评分，累计放出50万笔贷款，按照平均贷款金额200欧元计算，累计放出贷款约1亿欧元。截止目前，公司尚未盈利。
洪言微语：Kreditech属于典型的手机微贷创业型企业，这方面的典型代表还包括Affirm、LendUp、ZestFinance等。在洪言微语看来，手机微贷模式，对于传统的信用评分模型是个很好的补充，但仅依靠这些数据，很难对借款人作出准确的评估，信用评分会偏低、信贷额度也会偏小，从而制约其适用范围。这种模式要成功发展，不能仅仅停留在次贷市场，而是应该回归主流市场，与主流的评级机构、数据产生公司等进行合作，获取更多地、有价值的主流信息，实现共赢才是出路。
NO.7 Avant
美国企业，在线借贷领域，创立于2012年，估值超过20亿美元。Avant专注于为介于信用优级和次级之间的借款人提供服务，通过大数据以及机器习得创建更加精确的消费者信用资料。Avant放贷资金源于平台自身而非投资人，因此并非严格意义上的P2P企业。Avant的贷款额度平均为8000美元，最高可达到35000美元，其贷款利率最低为9%，最高可达36%，具体取决于风险核算结果。
洪言微语：国际上的在线网贷平台不计其数，Avant 的特色在于其独特的客户定位，这一点与Prosper和Lending Club专注于优质客户形成了差异化。国内的P2P平台多达3000余家，又有几家真正只专注于特定领域借款人呢？也许创业时的确专注于一个领域，当企业逐步做大时，基于规模、客户基础等因素考虑，大而全的发展模式几乎是必选项。但在竞争激烈的市场中，大而全往往是企业走下坡路的起点和根源。
NO.8 Atom
英国企业，线上（数字）银行领域，创立于2014年5月，只能通过手机端应用访问，已获得英国银行牌照。2015年11月，西班牙银行集团BBVA收购Atom29.5%的股权，作价4500万英镑，估计达到1.5亿英镑，此时Atom的手机应用尚未投入使用。
Atom致力于挑战传统银行，经营模式尚处于保密阶段，据悉“手机应用中将加入生物计量，3D影像和游戏技术等特色，并支持个性化定制”。Atom公司的愿景是在4-5年的时间内，占据英国市场4-5%的市场份额。
|金融科技就在我们身边
经过对国际上排名前十的金融科技企业的介绍，我们发现里面2家保险企业、1家财富公司企业、4家在线借贷平台（不完全是P2P）、1家手机银行，而且里面还有两家中国企业。这些企业提供的服务都很简单且容易理解，并不像Fintech这个词看上去那么神秘。金融科技只是利用大数据和科技的手段使得金融服务更加便利化、智能化，仅此而已。
再举几个例子，以美国企业Simple为例，通过与传统银行合作，为客户提供诸如自动记账、自动打账单、分析账单和其他一些智能化服务，是典型的依附在传统银行上的金融科技企业。又如新加坡企业Tradehero，主要面向金融小白，每当小白关注的人做了一笔交易，他就会得到一个通知，然后决定是否跟随做一样的交易，模式卖点是在金融交易里，没有什么比信息和经验更值钱。再比如以色列企业Bondit，开发了一款专注债券投资的机器人顾问SAAS软件，基于领先的机器学习算法提供债券投资组合设计、优化、调整、监控及分析的一站式服务，使固定收益投资的从业人员能够轻松的设计并销售债券。
经过国内外综合对比和分析，我们也可以清晰地发现为何中国的金融科技企业走在了世界的前列。中国不仅有专注于垂直领域的互联网金融企业，更是出现了涵盖支付、融资、众筹、理财、保险等众多领域的综合化、一体化的互联网金融集团，以蚂蚁金服、苏宁金服、京东金融等为典型代表，业务横跨C端和B端、国内和国外，为中国金融企业在国际舞台上弯道超车提供了无限想象力和可能性。
不过，也有一点小忧虑，发展金融科技，中国不缺资本、人才和创新的模式，但相对缺乏“构筑伟大企业、改变世界”的信仰和精神，还有就是缺乏对市场规律的敬畏。而这些，可能才是决定一国金融科技能够持续发展并产生颠覆性创新的根本性原因，从这一点看，中国的金融科技其实还有不小的差距。
最后，广义上讲，一切以科技和数据为核心驱动力，能够有效降低交易成本、提高金融业服务效率的企业均属于金融科技的范畴。从这个意义上，不仅新兴的互联网金融企业属于金融科技企业，传统金融企业也算金融科技企业，只是相对而言体量太大且体系庞杂、效率低下，难以在细分领域上做到极致。未来，传统巨头与新兴金融科技企业的合作共存可能成为常态，届时，金融与科技完全融合，金融科技一词也许会成为历史。
（文/薛洪言，苏宁金融研究院 高级研究员；微信公众号：洪言微语）

尝试回答一下这个问题，也算是对自己阅读的一些论文的总结，顺带谈下一点自己的思考。前一阵子被吐槽说中英夹杂，也不是为了装逼，因为其实翻译过来，意思反而有了偏差。
如果你去搜索早期的神经网络、SVM的相关论文，会发现不少是做股票预测的。原因很简单，因为似乎我们可以天然地把股票投资的问题看成一个分类问题或者回归问题。回归的角度，我们可以根据之前的历史数据，预测下一个时间点的股价；分类的角度，我们可以根据历史数据，预测下一个时间点股价的正负。看起机器学习的方法可以完美适用了。不过这个结论显然是错的，因为如果真的完美适用，那么机器学习的大牛们怕是已经赚发了以致无心学术。
那么，问题在哪里？我个人的观点，大家没有太多关注机器学习算法能够奏效的假设（assumption）。以分类问题为例，分类算法能够奏效的假设是在同一类下，样本数据应该是独立同分布（i.i.d）.的。而股票价格数据特点就是，股票收益率曲线的自相关性（autocorrelation）极低，噪声大，而且不稳定（stationary）。如果明白了这两点，我们再回过头去看这类文章的思路，就发现了问题。绝大部分文章在提取特征方面基本没下什么功夫，就靠股票的return的信息来构成pattern。这样，因为股票收益曲线的不稳定、高噪声、低相关性，使得最终做成的模式（pattern）没法满足在同一类的情况下i.i.d的条件，因此，这类方法的失败也是必然的。如果你仔细观察，会发现这类文章喜欢使用IBM啊MSFT啊这样的股票做实验，为什么？因为这种顶级公司股票的价格比较稳定，噪声少，相关性强。
不过，近年来已经有一些研究者开始从别的角度思考问题。传统的机器学习方法使用的基本是是股票的日线图和月线图。实际的股票交易大部分是使用限价订单（limit order book）的，一些能够得到数据的研究者，开始思考将机器学习的方法应用于限价订单层次的数据上，典型的论文就是今年新晋的ACM fellow，Michael Kearns在ICML06上发表的Reinforcement learning for optimized trade execution 不同于之前的论文，这篇文章试图为历史数据的每一个时间点构建状态（state），这样可以将增强学习的框架应用其中。这提供了与以前截然不同的思路，不过也并没有从假设的层面证实文章的方法确实是适应限价订单数据性质的。
在种种的失败之后，开始有一些机器学习领域的研究者认识到，如果想在股票投资的问题上成功，似乎不能够独立于股票数据固有的性质。于是开始有一些方法，试图利用股票数据既有的性质，来设计在线学习（online learning）的算法。典型的是之前NTU计算机系的PhD， Bin Li在ICML,IJCAI的一系列论文。他的核心其实就是抓住了股票的均值回归（mean reversion）的性质。简单的理解，均值回归认为股票有它自己的隐含价值，股价在这个值附近波动。他的这一系列论文，其实就是在怎么找这个'均值'方面有些许变化。在时间点t，最开始他认为这个均值就是t-1的股价，后来他又认为这个均值是过去一个窗口时间上的均值。这些论文的思路、算法都很简单容易理解，但是包含的思想是前人不曾有过的，就是利用股票数据的性质设计算法，而不是硬将数据往既有的机器学习算法里套。他现在已经凭借这些论文在武大金融系当上了副教授。
一家基金公司，通常会同时运行好多种策略进行投资。这就产生了另外一个问题，应该如何给这些策略动态地分配权值？机器学习领域有很多类似的问题，比如我要做一个分类问题，我有好多个分类器，如何集成（ensemble）它们使得它们的表现比较好？关于多种策略的权值问题，Das在KDD11的paper，Meta optimization and its application to portfolio selection中有详细的讨论。这类方法被称为Meta-Learning Algorithm。
现如今的股票交易已经比几十年前要复杂的多，催生了很多新的交易场所和交易类型。这也给机器学习的专家们很多的机会。典型的例子是Michael Kearns在UAI09年发表的Censored exploration and the dark pool problem。这篇文章是描述暗池交易的，我在另一个回答里也提到过。向某个暗池提交v股的交易量，如果实际成交量小于v，我们知道其容量；而如果实际交易量就是v，则只能知道其实际容量是大于v的。假使在某时刻，我们需要在K个暗池中交易V手股票，我们就需要根据历史数据推断哪些暗池的容量大，在这些暗池里我们就多投入。如果暗池的容量都stochastic的，是不是就是另外一个更复杂的故事了？事实上已经有很多后续的工作来讲述这个故事，不过不是机器学习界，而来自主流的金融工程界和运筹学界。
那么机器学习界最为红火的深度学习（deep learning）在这个问题上是否有所斩获？前一阵子看新闻说，已经有几个人利用DL的技术开了家对冲基金公司，赚了很多钱。那么DL问题在交易上的作用可能体现在哪里？我自己没事儿也YY过这个问题，我觉得可能是在统计套利方面。最简单的统计套利方法是看股价的相关性，比如A和B两只股票价差一向稳定在10块钱，某天价差突然跌倒5块钱，统计套利就假设，这个价差会恢复到10块钱，那么我们就可以就此设计交易策略。如果股价价差真的恢复了，那么就可以实现套利。但是显然，这样的关系可能不是那么明显地存在于股票的价格中，可能存在于收益曲线中或者方差曲线中，甚至更高复杂度的统计量中。DL提供了将原数据投影到另一个特征空间中的方法，而且是高度非线性的。那么，原数据中没有体现出来的相关性，会不会在这种高度非线性的投影空间中体现出来呢？如果有体现，是不是能够设计交易策略实现套利呢？这是我自己的一点点思考。