全球金融科技行業深度研究報告

文章來源：行業報告研究院(ID：gh_f06d416a0af8)

全球金融科技行業深度研究報告（上）

一、金融科技（FinTech）行業概述

• 概述

金融：實現資源的跨期匹配

金融是在不確定的環境中進行資源跨期的最優配置決策行為，其基礎原則是貨幣的時間價值和風險收益對等。因此，簡化的金融市場模型是資本與資產之間的流動，其流動基礎是風險定價。

為實現資源的跨期匹配，終端用戶（包含個人及機構）的金融需求通常包括四類：儲蓄、支付、投資及融資。其中，儲蓄作為最基礎的金融需求，通常由傳統銀行來提供服務。支付、投資和融資則是目前新平台及機構重點發力的領域。

FinTech是Financial Technology（即金融科技）的縮寫，指金融和信息技術的融合型產業。科技類初創企業及金融行業新進入者利用各類科技手段對傳統金融行業所提供的產品及服務進行革新，提升金融服務效率，因此可以認為FinTech是從外向內升級金融服務行業。和「互聯網金融」相比，FinTech是範圍更大的概念。互聯網金融主要指互聯網/移動互聯網技術對傳統金融服務的改變，比如網上券商開戶、網上銀行系統等是最直接和最恰當的例子。而FinTech不是簡單的

「互聯網上做金融」，應用的技術不僅僅是互聯網/移動互聯網，大數據、智能數據分析、人工智慧、區塊鏈的前沿技術均是FinTech的應用基礎。

金融科技的迭代演進

依據基礎技術與金融的融合變遷來劃分FinTech的發展階段，可以清晰的看出FinTech的概念與應用範圍。我們認為，互聯網金融是科技與金融相互融合的初始階段及形態，即FinTech1.0階段。目前，FinTech已完成了從1.0階段至2.0階段的過渡。

2. FinTech1.0時代的技術

FinTech1.0時代的互聯網和移動互聯網

互聯網和移動互聯網技術使產品在用戶體驗上取得了革命性的提升，金融產品更是如此。利用互聯網和移動設備為客戶提供線上服務，簡化業務流程，優化產品界面，改善用戶體驗，這一策略在所有的金融科技行業都是適用的。簡單來說，互聯網和移動互聯網技術使得產品不僅僅是界面變得好看，而是產品更加好用。除此之外，互聯網及移動互聯網技術使金融服務可以低成本便利的抵達用戶，為更多創新性服務提供基礎，使其得以實現。

FinTech1.0之大數據：數據+信息，初入分析門檻

若將大數據分析分為四個層次，在FinTech1.0階段，大數據技術的主要應用是集中於第一和第二層次，即數據架構和信息整合；初步進入第三層次，進行簡單的初步分析和決策。

• 大數據架構+信息整合。建立一個收集和存儲的大數據系統，加之信息整合和數據計算；

• 人工建模+大數據。該階段的大數據分析通常依靠人工建模分析，加之由於傳統數據分析模型對於多維度、多形態的數據存在不適用的情況，因此該類技術應用僅僅是大數據分析的初級階段。

3. FinTech2.0時代的技術

FinTech2.0之大數據：多維度多層次的大數據分析

金融是個強數據導向的行業。經過多年的數據發展和積累，大數據的數量、分析速度與數據種類都發生著極速的變化。可穿戴設備、智能家居等智能硬體的興起，再次擴充了數據的維度，使得可獲取的數據維度擴展到線下。目前，大數據已經發展到公司及第三方處理分析大量終端用戶數據的階段，為金融科技公司提供了良好的數據基礎，進而促進了個人徵信、授信、風控以及保險定價等金融領域的發展。

FinTech2.0之大數據：以信用及定價為核心的主要應用場景

大數據分析的主要金融應用：個人徵信、授信與風控

個人徵信、授信及風控主要是圍繞借貸環節進行的，覆蓋貸前評估、貸中監控和貸后反饋三個環節。

貸前評估：國內個人徵信試點於2015年才開始試行，最具代表的是芝麻信用。阿里體系的交易數據以及螞蟻體系的金融數據形成強有力的數據支撐，自主研發信貸模型可用以支持銀行、小貸機構進行徵信及授信活動。信貸模型的訓練需要人工智慧技術作為輔助，通過機器學習不斷完善模型並實時校正。

貸中監測：主要是通過用戶在貸款期的行為數據來發現問題客戶並及時報警。

貸后反饋：基於用戶本次貸款期間的數據，對該用戶原有信貸記錄評分進行補充，提升或降低其信用額度以供後續使用。

大數據分析的主要金融應用：保險定價

保險定價的主要場景是車險及運費險。

車險：根據車主的日常行車路線、里程、行車習慣、出險記錄以及車主的屬性比如年齡、職業、性別等，給出適合於該車主的車險定價。其中，車載智能硬體的發展使得行車數據的的獲得變得簡單且準確。

運費險：運費險是近年才出現的險種，電商的發展是必不可少的促進因素。運費險是「小而美」的金融產品代表。據相關資料顯示，其業務量近年的增長超過100%。

FinTech2.0之人工智慧：智慧金融的無限可能

大數據、雲計算以及智能硬體的發展作為基礎技術支撐了人工智慧技術的發展，智能數據分析與決策主要是人工智慧發展的產物。智能數據分析在金融領域涵蓋了投資、借貸、保險和徵信行業，相關技術的運用成為業務開展的基礎，同時也支持了金融產品的創新，包括新型的保險及投資產品。

大數據、雲計算及智能硬體的發展為人工智慧技術提供了基礎保障

將人工智慧拆分為基礎層、技術層和應用層三個層面，基礎層作人工智慧技術的技術支持，各個細分技術必不可少，特別是大數據的發展；在技術層面，與FinTech最相關的是機器學習和知識圖譜，其次是自然語言處理；在應用層主要與計算智能領域相關，應用示例包括神經網路、遺傳演算法、AlphaGo等。

智能化是FinTech重要發展方向

簡單來講，智能化是指用計算機代替人腦來進行分析並作出決策。目前，人工智慧尚在發展初期，代替人腦來進行決策尚早，但至少可以做到大規模的量化、替代部分人力分析的層面。在金融領域，人工智慧主要有以下四類應用：

FinTech2.0之人工智慧——自動報告生成

投行業務及證券研究業務中涉及大量的固定格式的文檔撰寫工作，如招股說明書、研究報告及投資意向書等。這些報告的撰寫需要初級研究員投入大量的時間及精力進行數據整理以及文本複製粘貼的工作。而這些文檔中，有大量內容可以利用模板生成，比如公司股權變更、會計數據變更等等。利用自然語言處理及OCR技術可以方便快捷的完成以上工作，並最終形成文檔。自然語言處理包括自然語言理解和自然語言生成兩種細分技術：

• 自然語言理解：將人們自然語言消化理解，並轉換結構使之可為計算機進行後續處理；

• 自然語言生成：將計算機處理后的拆分的結構化數據轉化成人們可以理解的自然語言。OCR（光學字元識別）是針對印刷體字元，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟體將圖像中的文字轉換成文本格式，供文字處理軟體進一步編輯加工的技術。

FinTech2.0之人工智慧——人工智慧輔助

一直以來，量化交易都是運用計算機來進行輔助工作的：分析師通過編寫模型，選取一些指標作為變數，利用機器來觀察數據分佈及計算結果。也就是說，計算機僅是進行了簡單的統計計算。近年來，隨著人工智慧技術的發展，機器學習崛起。計算機可以進行海量數據的處理、分析、擬合和預測，因此人工智慧與量化交易的關係也變得愈發密切。

機器學習：由數據到模型

利用傳統的回歸分析等方法來建模交易策略有兩個弊端：首先，所用數據維度有限，僅限於交易數據；其次，模型可處理的變數有限，模型的有效與否取決於所選取變數的特徵和變數間的組合，而這很大程度上取決於研究員對數據的敏感程度。利用機器學習技術，結合預測演算法，可以依據歷史經驗和新的市場信息不斷演化，預測股票、債券等金融資產價格的波動及波動間的相互關係，以此來創建符合預期風險收益的投資組合。

然而，機器學習可能是個相對緩慢的過程，且該過程無法通過其他統計方法來提供擔保行為。機器學習雖可能適用於尋找隱藏的趨勢、信息和關係，但在金融領域的應用和效果仍存在較大不確定性。市場上對於金融領域的機器學習仍存在一定程度的炒作。

自然語言處理：追蹤市場動態，引入更多變數

為了解決由數據推測模型的局限性，通過自然語言處理技術，引入新聞、政策以及社交媒體中的文本，將非結構化數據進行結構化處理，並從中尋找影響市場變動的因素。除了可以豐富模型變數外，自然語言處理技術可以實現「智能投融資顧問助手」。集合自然語言搜索、用戶界面圖形化及雲計算，智能助手可以將問題與實踐關聯市場動態，提供研究輔助、智能回答覆雜金融投融資問題。

知識圖譜：降低黑天鵝事件及虛假關聯性對預測的干擾

在黑天鵝事件發生時，機器學習和自然語言處理會失效。2015年證監會公布的熔斷機制就屬於該類事件。由於人工智慧系統內沒有載入類似事件及後果，無法從歷史數據中學習到相關模式。此時，由人工智慧決策的投資就會出現較大風險。虛假關聯性對人工智慧處理數據的影響不小於黑天鵝事件。人工智慧善於發現變數間的相關性，而非因果性。強相關性的變數間並不一定具備經濟學關聯，而人工智慧的機器學習無法區分虛假關聯性。為了降低黑天鵝事件及虛假關聯性對於人工智慧自學習過程的干擾，需要專家設置相應的規則來避免。知識圖譜是一種語義網路，基於圖的數據結構，根據已設計的規則及不同種類的變數連接所形成的關係網路。

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，進行更深層次的信息梳理和推測。以投資關係為例，知識圖譜可以將公司的股權變更沿革串聯起來，清楚展示某家PE機構於某一年進入某家企業、進入價格是多少、是否有對賭協議等等。這些信息可以用以判斷PE機構進入時的估值及公司的成長節奏，同時該圖譜還可以用來學習投資機構的投資偏好及邏輯的發展。

目前，知識圖譜並未進行大規模的應用。其難點在於如何讓行業專家承擔部分程序員的的工作，將行業邏輯等關係通過計算機建模，輸入計算機以供機器進行學習和驗證。可見，開發形成簡易編程的界面及系統是目前應用推廣的關鍵。

FinTech2.0之人工智慧——金融搜索引擎

研究員在進行研究工作時需要搜集大量的數據和信息並進行整理和分析。目前所運用的軟體如Bloomberg、Wind等數據終端只解決了信息和數據的問題，並沒有解決信息過載后的整理和分析問題。利用人工智慧技術可以從大量噪音信息中快速找到準確且有價值的信息，提高研究工作效率。

金融搜索引擎背後的關鍵技術是高質量的知識圖譜，幫助實現關聯、屬性查找及聯想。除了人工智慧相關技術，金融搜索引擎需要人機協作界面，方便使用者記錄、迭代和重複使用；推薦和推送系統則可以幫助用戶聚焦於關鍵數據和信息，省時省力的做投前發現和投后監測。

金融搜索引擎一般用於解決信息獲取和信息碎片問題，而將複雜的查詢和邏輯判斷交給用戶來完成。搜索引擎提供不同類型信息及事件的查詢，如脫歐事件對貨幣市場的影響；將搜集的信息切片后再進行聚合，提供可用於對比縱覽的

變數，如天使投資退出時平均收益率。對於相對複雜的查詢和邏輯判斷，搜索引擎將會提供相關的查詢結果給用戶，讓用戶進行複雜的過濾和篩選。比如搜索人工智慧產業鏈的上游公司，引擎在無法準確提供上游公司的信息時，將會在便於交互的界面向用戶推薦相關信息，以供用戶進行篩選。

FinTech2.0之人工智慧——智能投顧

傳統的投資顧問需要站在投資者的角度，幫助投資者規劃符合其投資風險偏好、符合某一時期資金需求和適應某一階段市場表現的投資組合。以上工作需要高素質理財顧問完成，昂貴的人工費用也無形中設置了投資顧問服務對象的門檻，一般只面向高凈值人群開設。而智能投顧（也成機器人投顧）則是以最少量人工干預的方式幫助投資者進行資產配置及管理：理財顧問是計算機，用戶則可以是普通投資者。智能投顧的目的在於提供自動化的資產管理服務，為投資者提供符合其風險偏好的投資建議。智能投顧平台藉助計算機和量化交易技術，為經過問卷評估的客戶提供量身定製的資產投資組合建議，提供的服務包括股票配置、債券配置、股票期權操作、房地產資產配置等。

FinTech2.0之區塊鏈：顛覆金融產業的技術已來

談到區塊鏈，必然先想到比特幣。從技術角度來看，比特幣的系統包括三層：底層技術——區塊鏈；中層鏈接——協議；上層——貨幣。

• 上層是貨幣，在這裡指的是比特幣。

• 中間層是協議，也就是基於區塊鏈的資金轉賬系統；

• 底層技術是區塊鏈，去中心化、分散式記錄的公開透明的交易記錄總賬，其交易數據全網節點共享。礦工負責記錄，全網監督；

區塊鏈（Blockchain）：是一種分散式共享資料庫（數據分散式儲存和記錄），利用去中心化方式集體維護一本數據簿的可靠性的技術方案。該方案要讓參與系統中的任意多個節點，通過一串使用密碼學方法相關聯產生的數據塊（即區塊，block），每個數據塊中都包含了一定時間內的系統全部信息交流的數據，並生成數據「密碼」用於驗證其信息的有效性和鏈接下一個數據塊。比特幣是一種全球範圍內可交易的電子貨幣，是目前區塊鏈技術最成功的應用。當前銀行等機構更多關注的也正是比特幣背後的區塊鏈技術。

FinTech2.0之區塊鏈——以去中心化為核心的技術優勢

區塊鏈的信任機制基於非對稱密碼原理，是純數學加密方法。實現網路中信息共享的同時，也保證了數據背後交易者個人隱私信息的安全。這使得區塊鏈網路中的交易雙方在陌生模式下即可進行可信任的價值交換。同時，在去中心化的網路系統中，價值交換的中間成本幾乎為0。因此區塊鏈技術在保證了信息安全的同時，也保證了系統運營的高效及低成本。

FinTech2.0之區塊鏈——應用領域

應用場景：應用於傳統的中心化場景中，替代原本由中介或中心機構處理的交易流程

區塊中包含了創始塊以來所有的交易數據，且形成的交易記錄不可篡改或虛構，任何網路中的數據可以追本溯源，因此交易雙方之間的價值交換數據可以隨時被追蹤和驗證。現實生活中，信息和數據在傳遞過程中經過多次交換會出現失真的狀況，長鏈條的傳遞過程也給不法分子提供了可乘之機。利用區塊鏈技術便可以為物品或數據建立一套不可篡改的記錄。

應用場景：數據追蹤和防偽

區塊鏈中每個參與記錄和存儲數據信息的節點具有相同的權利，不存在中心節點，因此在受到攻擊的時候，也可以保持資料庫的正常運轉。同時，由於區塊鏈技術可以使得無需信任單個節點的情況下達成整個網路的共識，使得節點與節點之間具備了能動性。此外，分散式結構也大大降低了傳統中心節點設備的損耗。數據的可持續性及信息的安全性均得到了保證。

應用場景：物聯網、智慧交通、供應鏈等

區塊鏈中每筆交易信息基於可編程原理，內嵌了腳本概念，使得基於區塊鏈技術的價值交換活動升級成為可編程「智能合約」模式。因此，在市場秩序不夠規範的環境下，在資產或價值轉移合約中引入區塊鏈的「可編程特性」，可以規定該筆交易資金日後的用途和方向。

應用場景：各類合約

基於以上四個主要優勢，憑藉比特幣網路的自身貨幣及價值傳播基礎，區塊鏈技術可自然而廣泛的運用於金融領域，用以簡化流程、提升數據及信息存儲的安全性，降低信任成本。

• 銀行

銀行作為資金的安全倉庫和傳輸樞紐，與blockchain作為一個數字化、安全和不可篡改的分步賬簿，具備相似的功能。這意味著基於blockchain的顛覆式改變可能將在未來對銀行產生深遠的影響。據公開信息，瑞士銀行和英國巴克萊銀行都已經開始試用區塊鏈技術，以加快後台結算功能。

• 支付與轉賬

通過區鏈塊技術可以繞過傳統機構複雜的流程,創造一個更加直接的付款流程。因此，區塊鏈技術可能會改變資金轉移業務的體系機構。該系統能夠實現跨境、無中介、低成本，且交易可以快速完成。

• 股票投資

股票購買、銷售和交易的過程存在著很大可以簡化的空間。區塊鏈技術有望實現整個流程的自動化，提升效率和安全性。

• 眾籌智能合約

在股權眾籌發起初期，由項目發起方、眾籌平台、領投人等多方共同發起眾籌智能合約，來約定各方的責任和義務。這份智能合約可以保存在區塊鏈中，由此保證合約在履行過程中不被篡改，到期后的強力執行。

• 其他領域

在金融服務領域，回購、債務分配及保險處理等流程均有區塊鏈技術的相關發展。

在一個可信任的網路中，用分散式賬簿替代擔保品託管方及託管方合約，簡化交易。

• 債權的擁有權可以追溯、保留並被監管

• 極大減少債務管理工作，增強安全性

利用區塊鏈技術保證保險處理過程的完整性，減少欺詐行為，流程化文件管理等。

二、FinTech行業投資熱度與發展回顧

FinTech與傳統金融機構的協同關係大於競爭，全球投資熱度不減

金融機構通常有三種方案開展FinTech相關活動：

• 自己研發技術並應用

• 收購相關FinTech公司，得到對方技術

• 與FinTech公司合作，以達到協同

全球來看，銀行等金融機構越來越看重與FinTech之間的協同作用。不單純是金融機構與FinTech企業之間的協同作用，還包括FinTech企業之間、與監管者和其他行業之間的作用。比如，區塊鏈技術還可用於除了在金融領域的其他領域，如公證、供應鏈等等，政府及監管機構也開始嘗試利用區塊鏈解決問題。基於此，全球FinTech投資熱度不減，2016年第一季度，總投資額達到57億美金，總投資案例達到468件，同比上升47%，環比上升39%。其中，VC機構總投資49億美金，環比上升22%。

FinTech領域亞洲投資金額獨大，總投資額達26億美金

2016年Q1，亞洲FinTech領域投資達26億美金，佔全球總投資額45%；全球25筆最大投資，亞洲FinTech公司所獲投資金額最大，佔總數64%。亞洲領域內的FinTech公司開始尋求本土外的機會，尋求全球化擴張。但由於本土金融監管，部分FinTech企業的業務可能無法複製到其他地域。因此，可以提供跨境產品或商業模式可複製的FinTech企業將更具吸引力。

2016年Q1全球25筆最大金額投資案例地域分佈

借貸和支付平穩發展，理財需求日益攀升

FinTech細分領域中，借貸和支付近年來發展穩步，所獲投資金額最多，借貸佔比高達46%。各個細分領域中，借貸、儲蓄及投資、保險的目標用戶均為個人及中小企業。可見，更大的個人及中小企業用戶需求亟待釋放和滿足。

隨著全球個人財富的增長，理財(資產管理)領域的需求正在極速上升。據統計，2016年Q1，資產管理領域投資額達1.1億美元，相比2015年全年1.9億美元投資額，漲幅顯著。此外，種子及天使輪公司獲投比例佔70%。Scalable Capial、Indexa Capital及CashBoard積極推動了種子期公司的投資，在種子期投資總份額中佔比超過50%。

2. 發展回顧

FinTech海外先行，後來者居上

近年，的互聯網金融發展迅猛，其背後原因主要是金融發展環境下金融服務的供給不足，給互聯網金融公司在相對包容的監管環境下製造了發展條件，進行了大規模的「監管套利」。發展至今，如第一章所述，互聯網對於金融的改造和顛覆已有成效。在本章，我們回顧一下金融科技的發展歷程，並進行中美兩國FinTech行業狀況的對比。通常來講，在美國不存在「互聯網金融」的說法，一直是以「科技金融」的概念存在。相比國內，在美國之所以沒有大量的互聯網金融公司，主要因為其線下金融體系已經比較發達，各項金融服務也趨於成熟，做創新難度和成本均較高。美國和金融市場的不同發展環境以及用戶對金融服務的不同訴求決定了FinTech在兩國發展的不同狀況。

海外與FinTech企業成立時間對比

中美對比：不同監管體系下，FinTech創業公司套利空間差距大

2010年，金融危機后，美國金融改革落地，從「傘式監管」升級到全面監管。新法案中，著重體現了「消費者至上」的思想：

• 新成立一個獨立的消費者金融保護機構（CFPA），保護消費者和投資者不受金融系統中不公平和欺詐行為損害。該機構將擁有包括規則制定、從事檢查、實施罰款等在內的權力；

• 從增強透明度、簡單化、公平性和可得性四個方面進行消費者保護改革；

• 加強對投資者的保護，促進退休證券投資計劃，鼓勵更多儲蓄。

監管體系的升級使得創業企業的創新監管成本加大。以當下火熱的P2P平台為例，美國監管當局認為，這些平台上發行的貸款已經具備了證券的性質，因此該類平台應該理解成證券交易所，按照證券交易所的規定來監管。同時，從保護個人投資者和借款人的角度，需要由消費者保護機構來監管。這種方式下，創業公司可能需要取得不同州的借貸業務牌照，創新監管成本加大。除此之外，競爭充足和壟斷的兩種不同市場環境，也導致中美傳統金融機構創新意識不同。由於美國金融市場競爭環境激烈，金融服務機構多為私營背景，創新意識也相對較強。相比國內，金融牌照壟斷相對嚴重，天然的資源壟斷優勢賦予了傳統機構金融資源定價能力，享有現有的資源優勢就可以獲得高額利潤，故而企業創新和服務提升的動機不足。

中美對比：傳統金融服務體系力量的差別是創新的機會

美國的金融市場的競爭環境促就了傳統金融體系的完備。傳統金融體系的力量和影響是中美金融市場的最大不同，也因此成為相比而言最大的機會。從信用卡及保險滲透率可以清晰的說明這個問題。在美國，傳統理財產品、中小企業信貸、保險等均有成熟的金融巨頭覆蓋，消費者習慣已養成。與已成熟的巨頭進行競爭，是多數創業企業無法承擔的。

中美對比：美國傳統金融體系成熟，FinTech更多扮演「補充」角色

由於美國成熟的金融服務體系，相比「顛覆」銀行等傳統機構，FinTech公司更多的是尋求與之合作。未被傳統金融服務覆蓋的客戶或市場縫隙，由FinTech企業來補充，其角色更多的是「提高某已有業務的效率」。

反觀，金融服務供給的不足，部分監管環境的模糊地帶給金融科技類公司製造了發展條件。模式創新、普惠金融等在的發展十分之迅速。近年來P2P的迅猛發展正說明該問題：大量未被傳統借貸服務覆蓋的中小企業和個人，通過P2P平台可以獲得融資，解決短期的資金缺口。

中美對比：細分領域梳理及對比

• 徵信

在徵信領域，美國起步早,徵信體系自1920年起伴隨消費企業的擴張而推進，徵信公司數量曾從2000多家減少到500家，行業經歷了充分競爭，機構徵信和個人徵信體系趨於完善成熟。起步晚，線下數據被銀行與保險公司壟斷割據，線上數據隨著互聯網的普及而完善，目前數據量龐大但發展歷程短暫，徵信模型仍待完善。從大數據徵信模型演算法的成熟度來看，雖與美國存在一定的差距，但數據的快速迭代為演算法的優化提供了很好的環境。伴隨大數據時代的到來，徵信數據的應用場景更加豐富，不僅僅用於信貸，更可以滿足社交、消費等方面的需求。而這方面的探索尚在起步階段，國外企業也尚未經歷大數據徵信的迭代驗證。因而從這點個角度來講，美國和幾乎是站在同一起跑線上的。

• 借貸

在美國，真正意義上的P2P借貸（即個人對個人的借貸）公司只有Lending Club和Prosper。其他平台需要投資者不僅僅是高凈值個人，而是需要其為具備投資資質的個人，即機構投資者、專業投資者等。而國內的P2P平台則是面向大眾的理財工具。

借貸領域

• 個人理財

如上所述，美國傳統金融服務完備，因此大多數中產階級的理財服務是由傳統銀行和資產管理公司、投資顧問公司提供的。近年來，智能投顧平台（自動化投資平台）的興起，如Betterment、Wealthfront，其主要服務對象是年輕人群，是未來的中產階級。相比而言，國內投資者對於智能投顧公司的接受度仍不高。其背後原因是中美投資者不同的投資理念和不同的金融市場環境。智能投顧平台提供的服務是一種消極投資，是長期投資。投資目標是長期下（10年以上）使得投資收益與市場持平，這需要投資者具有比較成熟的長期投資理念。國內資本市場有效性不高，投資者散戶化程度高，更偏好主動投資和短期投資。

• 保險

在美國，保險行業的發展是極為發達的。個人保險（如健康險、壽險），財產險（如房產保險、車險）以及企業保險已經成為美國人民生活中的一部分。同時，保險行業的進入門檻非常高，因此保險行業的金融創新也並不火熱。相比之下，對保險行業的監管也同樣嚴格，牌照被少量國有控股公司壟斷。在既有利潤豐厚的情況下，公司的創新意識和信息化動力均較低；同時，居民保險意識弱，對保險產品很少主動詢問或投保。可見，保險行業在與科技融合的過程中仍處於非常早期的階段，目前重點發力在用戶體驗優化。

• 第三方支付

最早出現的第三方支付平台早在1999年已創立，為美國的Paypal，5年之後阿里巴巴的支付寶業務才推出。在美國，由於美國的信用卡體系已經相對完善，用戶體驗的提升難度較高，第三方支付作為信用卡支付的替代品，滲透率的增長並不高。另一方面，第三方支付高度依賴互聯網平台，即支付的應用場景，而美國電子商務的普及率與相比較低，第三方支付應用場景受限。截止目前，已成為世界上第三方支付市場份額最重的國家，而支付寶的交易金額也遠超第三方支付鼻祖Paypal。第三方支付高度依賴互聯網平台，影響該行業發展的主要因素有：

• 其他支付方式的便利性與安全性

• 電商的發展

全球金融科技行業深度研究報告（下）

一、FinTech主要細分領域梳理

• 智能投顧

1.1 背景

人工投顧數量不足，海量股民仍未得到充分服務

目前行業主要存在以下痛點：

現有專業人工投顧數量不足，不少散戶仍在服務範圍外

受金融牌照和投顧資質影響，擁有從業資格的機構和投資顧問集中於券商，券商成為開展投顧業務的主力軍。

截止2016年1月28日，市場投資者數量共計10038.85萬，其中自然人10010.12萬，非自然人28.73萬。

機構和高凈值個人投資者是重點服務對象，海量股民仍未得到充分服務

在相當長的時間裡，機構和高凈值個人投資者是重點服務對象，這部分目標用戶投資金額高，因而個人投資顧問服務性價比高，海量的、投資額相對小的個人投資者沒有享受到很好的服務和產品。然而，這部分市場是很廣闊的，散戶的交易額佔比在總交易額的80%以上。

1.2 概述

人工投顧的替代品，重點應用大數據和人工智慧

智能投顧作為人工投顧的替代品，是指在投資管理服務中用軟體來代替人工投資顧問來完成以下多項核心功能：客戶檔案創建、資產配置、投資組合選擇、交易執行、投資組合重設、投資損失避稅和投資組合分析。它改變了傳統的理財顧問的銷售模式，利用互聯網大數據，對用戶偏好、市場、產品等進行數字化分析，系統為客戶推薦多元化的風險分散的投資組合。

智能投顧最早出現於2011年，由美國Wealthfront公司推出。該公司藉助於計算機模型和技術，通過調查問卷評估客戶並提供個性化的資產投資組合建議，最初主要客戶為矽谷的科技員工。目前，智能投顧在海外尤其是美國市場已初具規模，依據Corporate Insight的統計，截至2015年年中，智能投顧公司管理的資產規模已超過210億美元。FinTech 在智能投顧中的應用主要體現在大數據和人工智慧兩方面：

• 海量的數據是投資顧問模型不斷優化的基礎；

• 人工智慧使模型中投資組合與風險匹配的判斷與分析成為可能。

可以看到，智能投顧和人工投顧所完成的服務是類似的，但區別在於智能投顧的所有流程都是數字化的，而非基於人工投顧的主觀判斷。

盈利模式：顧問服務費為主，低於人工投顧費用

顧問服務費用按照資產的百分比收取，目前一般在0.25%-0.50%左右，低於人工投顧的費用，具體比例因公司而異。由於避免了線下獲客、產品銷售、投資諮詢等人力成本密集環節，智能投顧節省了很大的成本，提升了產業鏈的效率，因而其可提供更低成本的管理費用。

1.3 現狀

行業剛剛起步，智能程度低，優質企業少

目前，公開表示具有或正在研發「智能投顧」功能的互聯網理財平台已經超過二十家，比如京東金融、一心、積木盒子、聚愛財plus等。但智能化程度參差不齊，和美國同類企業相比仍有差距。

• 部分互聯網金融企業以「智能投顧」為噱頭，並非真正的金融科技公司。一些P2P企業僅對用戶進行簡單的風險偏好測試，根據用戶偏好推薦相應理財產品，並未實現用先進的數據演算法來優化投資模型，意在借「智能投顧」的幌子進行市場宣傳。

• 致力於「智能投顧」的創業企業仍在模仿Wealthfront的產品形式，基本實現智能演算法模型的搭建，使用數字化手段提供投資諮詢服務。以彌財、藍海財富為代表的國內智能投顧公司，在2015年年初成立，是國內最早的智能投顧公司之一，借鑒Wealthfront、Betterment的產品模式，推出了機器人投顧產品。目前這兩家公司的投資標的均以指數基金ETF為主，跟蹤全球市場，目標客戶多為有海外資產配置需求的人群。兩家公司的管理費用均小於國內人工投顧費率，藍海財富諮詢費為所管理資產的0.5%，彌財更是將諮詢費降低到零以廣泛獲客。

1.4 監管

平台及顧問均應取得相應資質，美國監管有借鑒意義

智能投顧仍在摸索階段，目前行業監管尚未出台明確的針對智能投顧的監管條例，但投顧平台及投顧服務人員均應取得相應資質。此外，法律就智能投顧代理客戶進行交易管理的相關操作也出台了意見：

2016年3月， Finra(美國金融業監管局）出台了《對數字化投顧的建議報告》，報告中提出了對智能投顧在技術管理、投資組合創建及減少利益衝突方面的具體建議和實用案例。內容涵蓋：

• 客戶信息採集時應涵蓋的內容

• 對演算法技術的監管意見

• 對智能投顧建立管理和監管的架構及流程的建議

• 對客戶和金融專業人士的教育和培訓的具體建議和做法

總而言之，投顧平台需要充分了解其使用的演算法，包括演算法背後的假設和存在的偏向；投顧平台需要評估演算法是否符合預設的投資理念；平台方需要相關負責人為該演算法負責。美國作為智能投顧行業的先行者，行業監管逐漸細緻明確，對國內智能投顧行業有很大借鑒意義。

1.5 優勢

更少成本，更多用戶，更理性的投資服務

智能投顧定位於服務海量客戶，用軟體服務來代替人工投資顧問，即無論是前期投資者信息的收集，還是中期資產的配置、投資策略的選擇，到後期交易的執行以及投資組合的重設，這一切都是數字化的。其中，構建投資組合模型的能力，是產品的核心競爭力所在，模型給出的投資標的能否與客戶風險偏好進行良好的匹配是衡量智能投顧產品的重要條件。與傳統的人工投顧相比，智能投顧主要有以下特點：

• 服務成本低，受眾範圍廣：

一方面，傳統的人工投資顧問服務受限於服務成本，而智能投資顧問的費用是非常有限的，這極大的提高了客戶群體的範圍，將普通用戶納入到客戶群體。智能投顧會向用戶推薦符合其自身投資偏好的個性化投資組合。

• 演算法先進，避免非理性因素

另一方面，利用演算法、大數據作為投資依據，又能避免人工投資顧問的非理性因素。投資組合的選擇是基於其構建的模型推算而出，可以在一定程度上消除人工投顧的非理性因素或由於投資經驗不足導致的問題。

1.6 服務流程

服務鏈條短，系統自動推薦投資標的

智能投顧能夠讓客戶在App上就實現財富的智能管理，步驟簡單便利。市場上智能投顧產品的服務流程大同小異，現以Wealthfront智能投顧為例做說明：

Step1： 用戶填寫問卷，在網站給出的若干目標中選擇自己的投資目標（如退休儲蓄、醫療支出、教育支出等）；提供自己對股票、債券、ETF的理解水平等，此步主要為收集客戶對風險和收益的偏好信息。

Step2： 網站基於客戶提供的信息，推薦投資計劃，投資組合包括兩大類：需要納稅的投資組合和退休金投資組合。

Step3： 網站根據市場情況、組合表現動態評估客戶的投資計劃是否符合其目標；當客戶的投資計劃無法達到最初設定的目標時，網站會給出針對性的投資建議。

1.7 投資標的

分散化投資，投資標的多為ETF基金

基於演算法、大數據作為投資模型依據的智能投資模型提供的產品特點是風險分散的、收益相對穩定的，因而投資標的多分散在一系列產品，如基金、股票、債權、固定收益類產品等投資組合。智能投顧平台大多採用被動型投資，其特點是「購買並持有」資產，以期獲得長期、穩定的收益。目前，市場上智能投顧的投資標的主要為ETF基金。一些平台也會購買國內主動型投資的公募基金來實現配置目的。

• 數量眾多、產品多樣的ETF為機器人投顧提供了豐富的投資基礎，且ETF更關注與各市場或各大資產的整體表現狀況，很好的分散了風險，也對模型構建組合比較有利；

• ETF基金還具有避稅功能，利用美國的相關政策規定進行ETF的交易可抵減當期盈利，延後稅收。而並無此項避稅功能。

1.8 行業思考

演算法技術是最大壁壘，市場環境仍不成熟

我們認為，智能投顧剛剛起步，國內市場尚不具備大規模推廣的成熟環境。國內智能投顧的行業發展受制於以下兩個因素：

• 技術基礎弱

智能投顧需要先進的演算法支撐，針對不同的投資諮詢目的應用合適的演算法。如果演算法的設計不成熟，將可能導致南轅北轍的結果，從而給投資者帶來不利的影響。成熟有效地演算法對開發團隊的要求是相對較高的。國內公司在技術開發及量化投資經驗上相對薄弱，在演算法模型方面和美國仍存在一定差距，不少公司是在整個投資鏈條的局部環節上使用演算法實現。比如，在用戶風險偏好收集方面，不少公司設計出了易於普通投資者信息收集的電子問卷；但在投資模型方面，更多仍處於「黑匣子」狀態，是否真正運用先進演算法不得而知。

• 市場對量化的認可度不高，受眾風險管理意識尚不成熟

智能投顧或者其他的量化、對沖等投資方式，雖然風險確定，但周期長，收益相對主觀投資來說並不高。而國內投資者的風險管理意識尚未成熟，相對傾向跟風、炒主題，以期獲得高收益。隨著投資者的風險管理意識的逐漸提高，智能投顧的發展方向會更加明晰。

2. 借貸與徵信

2.1 借貸 · 概述

發展迅猛，平台層出不窮，但技術剛剛起步

互聯網借貸行業經歷了迅猛生長---問題平台頻出---熱度趨緩這三個階段。

• P2P是真市場，滿足個人和中小企業融資需求

在，個人和中小企業融資渠道不暢，多為被銀行拋棄的客戶群提，由於這部分人群的借貸要求遠遠沒有被滿足，早期出現了很多民間借貸組織。P2P平台的出現滿足了用戶的借貸需求，這是真實存在的市場。目前，行業問題平台頻出的背後是低的進入壁壘和弱的風控能力，隨著行業監管的加緊，有望得到改善。

• 應用區塊鏈技術，解決P2P平台信任問題

以P2P的票據交易為例，票據的發行可在區塊鏈上進行登記，進而有效避免票據的造假、一票多買等違規問題。一些P2P交易所運用區塊鏈技術來解決交易市場的信任問題，大大降低交易成本。

• 風險控制是關鍵，平台徵信技術仍不成熟

對P2P企業來說，如何識別欺詐、如何做好風險控制是平台業務的關鍵。利用大數據徵信技術，企業可以很好的解決欺詐，避免逆向選擇，做好風險控制。我們認為，徵信技術是借貸產品的基礎，下文將對徵信技術做詳細的介紹與分析。

2.2 徵信 · 概述

徵信解決交易雙方信息不對稱，應用場景豐富

徵信是指依法收集、整理、保存、加工自然人、法人及其他組織的信用信息，並對外提供信用報告、信用評估、信用信息諮詢等服務，幫助信息使用方判斷、控制信用風險，進行信用管理的活動。主要目的是解決交易雙方信息不對稱的問題，通過模型去預測其未來的信用行為, 進行信用風險管理。

如上圖所示，徵信機構對徵信對象進行數據收集、清洗、轉換、集成、導入及分析，基於信息使用方的應用場景搭建信用模型，最終產出信用得分，信用報告並提供其他增值服務。傳統的徵信數據源僅有銀行、政府、工商企業等，在這裡第一手的與信貸最為直接相關的客戶數據（如資產、借貸歷史等數據）被儲存；隨著互聯網的發展，網路對人們行為數據的積累量發生了飛躍，各類行為數據均可以被記錄，其中不乏與徵信應用場景相關的信息。基於此，有效分析利用社交、電商及搜索等非結構化數據也成為徵信機構架構徵信模型時必須考慮的部分。在應用場景方面，解決交易雙方信息不對稱的場景幾乎都可以應用徵信技術，而其最廣泛的應用即為借貸的信用評分。

2.3 徵信 · 盈利模式

美國經驗表明徵信業務存在高利潤空間

徵信業務收入由基礎徵信服務收入和信用衍生服務收入構成：

發達國家經驗表明徵信業務的高利潤空間：

• 美國徵信行業伴隨消費借貸產業的發展而不斷成熟，以個人徵信機構三大巨頭為例，Experian、Equifax、TransUnion的營業凈利潤率在15%左右，營收均在十億美元級別.

• 在收入結構方面，以Experian為例，基礎徵信服務收入佔據總收入48%，信用衍生服務收入佔據總收入52%。在大數據徵信不斷發展的趨勢下，該比例有可能會進一步調整。

2.4 徵信 · 現狀

現有徵信體系以政府為主，信息覆蓋仍待完善

• 個人徵信體系尚未覆蓋半數：目前，央行數據顯示，截止2015年4月30日，央行的信貸報告覆蓋了8.64億自然人，有3.61億人擁有個人信貸數據記錄，有5.03億人有個人社保信息記錄但無徵信數據，剩下的5.3億人沒有任何徵信信息。

• 企業徵信系統實現基本覆蓋，但信息不夠完全：截止2015年4月30日，2068萬戶企業及其他組織中，有中征碼的企業及其他組織1023萬戶。

• 行業市場滲透率低：2015年，個人徵信行業潛在市場規模1623.6億元，實際市場規模為151.4億元，個人徵信行業的市場滲透率整體維持在9%的水平。低滲透率的背後是各數據網路的割據與隔離。

2.5 徵信 · 監管

徵信牌照稀缺，牌照管理仍為收緊狀態

目前，共有8家機構獲得個人徵信牌照，包括背靠互聯網巨頭的芝麻信用管理有限公司、騰訊徵信有限公司和老牌徵信公司鵬遠徵信有限公司、中誠信徵信有限公司等。牌照管理仍處於收緊狀態。

2.6 徵信 · 數據源

各數據網路呈割據狀態，徵信仍在起步階段

數據分佈：

• 線下數據：多為傳統金融機構持有，銀行各自為營，不會輕易共享數據，由央行徵信系統對接銀行、保險的數據，但覆蓋人群有限；國家正在致力建設政府數據統一開放平台，有望在2020年實現對外開放。

• 線上數據：BAT等互聯網巨頭依靠其網路生態有天然的數據獲取優勢

小的創業公司也在嘗試探索：一些創業公司依靠購買、抓取其他互聯網數據來整合數據，但競爭尤為激烈，市場數據仍處於割據狀態。隨著人們對互聯網消費及金融產品依賴性的進一步提高，該網路存在整合的可能性。

2.7 徵信 · 技術革新

大數據與人工智慧讓徵信數據更豐富，讓徵信模型更完善

大數據的發展為徵信行業帶來了大幅改變的契機。在信息的獲取、信息的豐富程度以及分析、徵信模型的優化方面都帶來了質的改變。

2.8 徵信 · 行業思考

數據源是基礎，演算法和數據迭代經驗是徵信模型難點

• 優質和大規模的數據是徵信的基礎

隨著信息技術的發展，互聯網和大數據的普及，數據積累的數量和質量得到飛躍，這為徵信行業的發展打下很好的基礎，數據源或將成為徵信行業的一大競爭熱點。在數據獲取方面，除了和政府及互聯網巨頭合作以外，不少平台也在不斷積極嘗試，試圖從數據源端收集第一手數據，從而在源頭上建立自身優勢。

• 演算法和數據迭代經驗是徵信模型難點

從大數據徵信模型演算法的成熟度來看，雖與美國存在一定差距，但的電商數據、社交數據非常豐富，這為大數據徵信的嘗試探索建立了很好的基礎。徵信模型與應用場景密不可分，需要不斷的注入新的數據進行模型的優化和驗證。因為模型本質上產生的是預測用戶信用行為的作用，預測的準確與否需要實踐數據修正，不斷動態優化調整。

徵信數據的應用場景非常豐富，不僅限於信貸，更可以滿足社交、消費等方面的需求，而這方面的探索尚在起步階段。

3.支付

3.1 支付 · 概述

2000年後電子支付迅猛發展，2010進入移動支付時代

電子支付是指用戶通過電子終端，直接或間接向銀行業金融機構發出支付指令，實現貨幣支付與資金轉移的行為。根據電子支付使用終端的不同，可分為互聯網支付、電話支付、手機支付、數字電視支付、POS機刷卡支付等。電子支付業務的發展經歷以下幾個階段：

第一階段：電子支付發展緩慢，支付方式以網銀為主

在2003年以前，的電子支付發展較為緩慢，主要參與方為各大銀行機構，支付方式以網上銀行為主，發展速度較為緩慢。

第二階段：第三方支付機構進入市場，加速電子支付發展

2003年後，以支付寶為代表的第三方支付機構涉足支付業務，促進了電子支付市場的快速發展。

第三階段：銀行、銀聯、第三方支付三方鼎立，全面進入移動支付時代

2010年，銀行推出手機銀行APP，帶領人們走入移動支付時代。此後，以微信支付、支付寶為代表的互聯網巨頭紛紛發力移動支付市場，依靠其強大的線上生態場景搶佔市場份額。同時，跨境支付也因第三方支付的興起而得到更優解決方案，區塊鏈技術的應用將更大程度上解決跨境支付成本及效率問題。

3.2 支付 · 現狀

三大核心參與方，央行為監管主體

電子支付核心參與方有三類：

• 以工商銀行、建設銀行等為代表的商業銀行；

• 以支付寶、微信支付為代表的第三方支付平台；

• 以銀聯和央行支付系統組成的支付清算系統。

其中，支付清算系統處於電子支付最核心的位置，運行電子支付系統並提供跨行資金清算。最新一期的監管規定已明確說明第三方支付機構不得繞過清算機構與銀行直接進行跨行支付業務。此外，通訊運營商主要為支付提供通信渠道、支付渠道；支付軟硬體提供商提供技術支持。整個體系由央行進行監督，與銀監會和支付清算協會一起維護支付市場的競爭秩序。

3.3 支付 · 監管

新一輪業務整頓已開始，第三方支付牌照趨於收緊

2010年以來，政府對支付業務的監管逐漸收緊。從2011年至今，央行共發放了8批270張支付牌照，首批27家獲得第三方支付牌照的機構牌照期限已於今年5月到期，但央行尚未對其進行續展。2016年，隨著央行《非銀行支付機構風險專項整治工作實施方案》的出台，支付行業進入了新一輪的整頓。我們認為，第三方牌支付照牌照長期將處於收緊狀態，監管也趨於嚴格。

3.4 支付 · 技術革新

市場增速快，移動支付已成主流

FinTech的發展推動了點對點支付解決方案的實現，移動錢包允許人們通過將信用卡信息與智能手機綁定，從而可以手機一鍵完成支付業務。

• 支付業務起步早，第三方支付線上交易規模龐大

• 移動支付已成趨勢：

移動支付包括近距支付和遠程支付兩種。

• 近距支付：包括NFC手機支付和RF-SIM支付兩種，例如，Apple-pay利用的即為NFC技術，但受限於用戶移動支付習慣及POS級升級的巨大成本，目前推廣前景尚不明朗。

• 遠程支付：基於移動互聯網的在線支付方式，現已成為人們日常消費中非常重要的一環。

區塊鏈技術全景美好，跨境支付應用落地仍需等待

跨境支付存在兩個痛點：高昂的手續費和較長的轉賬周期。以電匯為例，其匯款周期一般長達3~5個工作日，除了中間銀行會收取一定手續費，環球銀行金融電訊協會（SWIFT）也會對通過其系統進行的電文交換收取較高的電訊費，如在通過中行進行跨境匯款會被收取單筆150元的電訊費。而基於區塊鏈或分散式網路技術的跨境支付可以在去中心化的機制下更快更低成本地完成跨境轉賬，即交易雙方不再需要依賴一個中央系統來負責資金清算並存儲所有的交易信息，而是基於一個不需要進行信任協調的共識機制直接進行價值轉移。

區塊鏈技術優勢：

節省建立可靠的中心化的第三方機構龐大的伺服器成本及維護成本，避免受到攻擊后整個系統受到安全威脅。

區塊鏈技術劣勢：

首先，區塊鏈系統自身存在一定劣勢，交易處理會消耗整個網路的算力和能源；分散式存儲佔據大量眾多節點的寬頻及設備。其次，區塊鏈技術雖在內部邏輯及運行方式上保證數據安全，但是卻難以抵擋不法分子對外部設備如電子錢包、交易平台的攻擊；匿名機制也使得用戶的資金被盜用后無法獲得法律保障，同時設計監管問題。目前，服務銀行之間（如Ripple）、企業及企業之間（如AlignCommerce）、企業與個人之間（如Bitwage）、個人與個人之間

（如ABRA）的匯款需求均有相關區塊鏈公司試水。

3.5 支付 · 行業思考

銀聯第三方支付持續角力，區塊鏈技術本土化仍在試水

銀聯與第三方支付爭奪支付場景

銀聯與第三方支付目前仍處於市場爭搶階段，格局未定。

• 銀聯：一方面，銀聯擁有完善成熟的資金清算系統，且政府監管規定明確第三方支付機構不得繞開清算機構與銀行合作，這代表銀聯必能在支付業務中分得一杯羹；另一方面，隨著銀聯與手機巨頭蘋果、三星等達成合作，NFC技術可能重獲生機，實現對支付寶、微信支付的反擊；

• 第三方支付：2016年支付寶公布用戶4.5億，微信支付用戶超過3億。支付寶和微信佔據第三方支付市場90%市場份額。支付寶、微信支付擁有龐大的客戶資源和銷售渠道，藉助其強大的生態系統，已逐漸培養了用戶的支付習慣。在雙方的爭奪中，支付場景成為制勝關鍵 ，第三方支付公司應搶佔B端資源。對用戶來說，無論是移動支付還是NFC支付，不同支付機構提供的支付方式在便捷性、安全性上並無顯著性差異，因此支付場景成為制勝關鍵。隨著移動支付使用場景的不斷延伸，和不同線下場景合作達成成為各大支付機構爭搶的熱點。未來第三方支付公司應儘快搶佔線下支付入口，掌握B端資源。

區塊鏈技術變革路線及實踐效果仍需等待及檢驗

通過上文，可以看到，基於類似區塊鏈技術的應用具有一定的優勢，但也存在較大的制約，需要利弊之間的權衡。在跨境支付場景中，由於目前在全球範圍內仍缺乏一個低成本高效率的解決方案，不同國家之間還存在政治、監管等因素的差異，類似區塊鏈技術這一去中心化、去信任化的模式是非常具有潛力的解決方案，但是具體的技術變革路線仍需在國內本土化落地，其實踐效果也有待觀察和檢驗。

二、案例分析

• 案例分析 · 智能投顧

Wealthfront：智能投顧鼻祖

• 公司概況

Wealthfront 前身為 Kaching 投資諮詢顧問公司，2011年轉型為專業的在線財富管理公司，是美國最早期的智能投顧平台之一。公司位於美國加州Palo Alto市。

• 主要產品

主要產品為系統推送的投資計劃，其中包括需要納稅的投資組合和退休金投資組合。投資組合的載體為各類指數基金ETF，涵蓋的資產類別包括：美股、海外股票、新興市場股票、股利股票、美國國債、新興市場債券、美國通脹指數化債券、自然資源、房產、公司債券、市政債券等。此外，wealthfront還推出其他服務。

• 盈利模式

Wealthfront主要客戶為中等收入的年輕人，並非高凈值人群。平台按照資產凈值按比例向客戶收取的諮詢費用：

• 當資產低於10000美元時，平台不收取諮詢費；

• 當資產高於10000美元時，平台每年收取0.25%的諮詢費；

此外，為了客戶推廣，Wealthfront還推出了優惠政策：即每邀請一位用戶，邀請人將獲得5000美元投資額的諮詢費減免。

• 業績指標

2015年1月，Wealthfront的管理資產僅為18.3億美元；截至2016年2月底，資產規模接近30億美元。

• 團隊背景

創始人Andy Rachleff 曾為Benchmark Capital 創始人之一，斯坦福商學院教師；首席投資官Burton Malkiel 曾著有《漫步華爾街》。管理團隊由業界和學界名人組成。

2. 案例分析 · 借貸

信而富 ： 致力於國內小額消費信貸服務

• 公司概況

信而富是一家致力於國內消費信貸服務的FinTech公司。成立於2001年，擁有基於大數據處理的預測篩選、自動決策、風險定價等核心技術，曾為國內多家全國性銀行提供服務，並於2010年涉足網路借貸信息中介業務。

• 主要服務

公司採用先進大數據風控系統，為借貸兩端用戶提供風險評估、信息交互、借貸撮合等服務。目前，信而富推出了多類出借類和現金貸類服務。

• 市場定位

信而富曾為多家國內大型銀行供消費信貸風險管理服務，加深了其對國人消費信貸需求的理解，促進了其消費信貸風險管理、貸后管理等技術的發展。基於此，信而富在涉足網路借貸信息中介業務后，提出了與其他同類企業差異化的戰略目標，即「面向5億無徵信數據人群，服務小額信貸需求」。

• 信而富與其他P2P平台定位不同，目標瞄準5億在央行有社保、稅收等數據，但沒有信貸記錄的人群（即傳統金融機構未覆蓋的人群），即EMMA族（Emerging Middle-class Mobile Activeconsumers)。一方面通過滿足此類差異化人群的信貸需求盈利，另一方面進一步完善其在徵信數據領域的積累。

• 央行統計數據顯示，網貸行業主要覆蓋10萬以上的信貸需求。信而富主要為10萬元以內的信貸需求提供服務。在此之前，信而富已與多家國內銀行開展徵信業務合作，在國內消費信貸的人群特點、徵信風險定價方法等領域有一定積累。

信而富 ：PST 和 ADT為核心技術，擁有強大技術壁壘

• PST技術可精準篩選並主動觸達合格借款人，避免用戶欺詐

預測篩選技術（Predictive Selection Technology）是信而富的核心技術之一，是基於對用戶在互聯網、社交平台等方面的行為、軌跡數據進行分析，篩選出具有潛在信貸需求的合格借款人的大數據處理技術。運用該項技術可以主動觸達目標用戶，很好的避免欺詐問題。

• ADT技術可科學決策合格借款人的階段額度、期限和費率

自動決策技術（Automated Decisoning Technology）是指提取合格借款人的移動軌跡、信用特徵等數據，進行風險、欺詐、價值等多維評分，判斷用戶還款能力、還款意願和還款穩定性，最終做出對該用戶借款額度、期限和費率等授信的決策技術。該技術不需要人工干預，即可做出標準化決策。

• 風險定價技術可識別不同客戶的風險區間，實現動態風險定價

風險定價（Risk pricing）指對風險資產的價格確定，它所反映的是資產所帶來的未來收益與風險的一種函數關係。風險定價是一種需要不斷驗證不斷優化的技術，可依據用戶信用評分差異化定價，用戶隨著信用累積，借款額度、期限、費率都會有差異。目前信而富可以準確識別客戶的風險區間。

3. 案例分析 · 支付

ABRA——區塊鏈下，跨境支付so easy

• 公司概況

ABRA成立於2014年，它通過區塊鏈技術和共享ATM網路，讓用戶可以隨時隨地存取款，或者以更便捷的方式進行跨境匯款。目前已完成菲律賓及美國地區的應用落地。

• 主要業務

利用ABRA App，用戶將貨幣以數字形式存儲在手機上，通過AbraTeller網路（ABRA建立的共享ATM網路）或傳統銀行路由的方式，匯款至世界各地任何的手機號捆綁的ABRA賬戶上，或將這些數字貨幣兌換成現金。在支付、匯款或提現期間，該應用會即時生成一個基於區塊鏈的智能合約，並由分派的對手方通過套期保值等方式，保證用戶的資金價值在三日內不因比特幣價格的變化而發生變動。Teller 提現：用戶通過ABRA應用找到附近ABRA Teller並與其進行面對面轉賬換取比特幣，如需取款也可以以同樣方式找到ABRATeller用比特幣換回現金。ABRA Teller可以向用戶收取一定比例的費用。

4. 案例分析 · 金融集團

螞蟻金服：金融服務全鏈條的科技融合

• 公司概況

螞蟻金融起步於2004年成立的支付寶。2014年10月，螞蟻金服正式成立，致力於打造開放的生態系統，通過技術支持，助力金融機構和合作方的轉型升級，為小微企業和個人消費者提供普惠金融服務。

• 主要業務

目前，螞蟻金服已主要涵蓋支付、信貸、理財、保險和徵信五個主要金融服務，包含9大品牌，實現從線上到線下、從體系內到體系外、從單純的支付到理財、徵信和消費金融等諸多功能的擴展，完成了金融服務到生活服務的諸多應用場景的延伸。支付業務是螞蟻金服的核心支柱，貢獻了大部分的收入及利潤。據相關報告顯示，2015年全國第三方支付交易規模中，支付寶佔比達

68%，其2016年交易額有望突破6萬億。技術的不斷迭代，使得支付寶實現了用戶體驗優化和便捷移動支付，同時保證了賬戶強安全性。大數據的積累及分析能力的提升為螞蟻金服上線借貸業務提供了較強的技術保障。旗下網商銀行主要服務小微用戶，農村金融將成為其新的業務增長點；螞蟻花唄和借唄則主要服務於個人消費者。

螞蟻金服：天然數據優勢，推動金融科技應用落地

• 安全信任體系升級

當支付寶從單純的支付屬性延伸承載理財、徵信、消費金融等財富屬性時，用戶對於賬戶安全的關注也日趨增強，「賬戶安全險」應運而生。傳統的保險設計邏輯和理賠方式並不適用，平台需要突破傳統賬戶安全保險的瓶頸，適用小額、高頻及海量的特性。隨著大數據、機器學習技術應用以及快速理賠系統的升級，賬戶安全將逐步實現「低保費、高效率理賠、敏捷定價」的目標。此外，螞蟻金服表示區塊鏈技術即將上線，並首先應用於支付寶的愛心捐贈平台，致力解決公益透明度和信任度問題。

• 智能客服和風控：智能金融服務的初探

隨著服務對象、交易規模、產品類型的快速增加，僅僅依賴傳統的人工客服已經難以支持企業的發展。利用智能技術來解放人工客服、提升服務能力，是目前很多互聯網及金融公司在探索的方向，螞蟻金服也在此進行了多方嘗試，並取得不錯的成績。2015年「雙十一」期間，淘寶的服務量超過572萬人次，較2014年的224萬人次，增長了150%。其中通過智能客服完成服務的佔比高達94%。智能客服僅僅是智能金融服務的初探，其背後是智能服務的集成平台，涵蓋智能質檢能力、智能運營調度、智能賠付等自助處理能力、智能自助問答能力等多種功能。未來將利用人工智慧等技術為用戶提供個性化的理財產品分析和推薦，幫助用戶完成更專業的金融理財服務。

• 未來探索：互聯網推進器計劃，助力1000家金融機構轉型升級

技術端：開放金融雲服務，降低金融機構尤其是國內廣大的中小金融機構的運行成本和創新成本，提升運行效率；開放的風控模型，可以幫助金融機構的金融服務更好地實現風險定價。

數據端：開放數據共享平台「維他命」，支持銀行、基金、保險等各類金融機構的研發、運營等業務。

除此之外，大數據、反欺詐等技術在商業領域的應用也在擴展。芝麻徵信也在嘗試將大數據徵信從金融場景的應用擴展到生活場景，包括為商業機構提供選址、業務改進等。

「遠望智庫」聚焦前沿科技領域，著眼科技未來發展，圍繞軍民融合、科技創新、管理創新、科技安全、知識產權等主題，開展情報挖掘、發展戰略研究、規劃論證、評估評價、項目篩選，以及成果轉化等工作，為管理決策、產業規劃、企業發展、機構投資提供情報、諮詢、培訓等服務，為推動國家創新驅動發展和軍民融合深度發展提供智力支撐。