智慧金融與傳統金融最顯著的區別便在于：智慧金融是人工智能（ai）與大數據結合金融場景的產物，在業務流程中，通過對大量產生的用戶數據進行分析，借以提升業務效率。在數據的基礎上，研發人員能針對金融流程中各環節展開模型優化，借以提高用戶體驗感受并提高業務效率。

以催收為例，從經驗來看，在m0階段（逾期4至15天階段），大多數客戶都有較高還款意愿，催收能夠精確識別用戶逾80%的問題并提出解決方案。但到了m1（逾期15天+）以后，由于情況轉趨復雜，機器催收的效率也隨之遞減。在這個階段之后，人機結合的比例也逐漸隨之提升。這時，搭配適當的人力來輔助催收將大幅降低成本并提高催收效率。

未來，需求密度極高的小額貸款市場（還款金額小、還款周期短、需求較單純且無需抵押）將高度ai化。傳統商業銀行則將專注開發大額、復雜程度較高的項目，朝高商業附加值的方向轉型。

此外，通過機器學習算法分析，智能投資系統能分析客戶賬戶投資活動，并根據客戶風險偏好來診斷投資狀況。然而，現階段智能投資處在早期階段，主要仍停留在投資偏好識別、賬戶診斷、異常檢測提醒、流動性管理、量化投資等基本功能上。

2017年可說是ai廣泛應用在金融領域的一年。當年初，美國最大投資銀行jp morgan開始積極雇用ai專業人才從事金融交易業務，并積極將相關交易擴展至歐洲、亞洲。

隨后，全球最大資產管理機構貝萊德（blackrock）也積極提高量化團隊的比重，用以替代部分傳統基金經理人。所謂量化團隊是指依賴機器學習技術，通過對社交網站、網頁信息檢索來挖掘有價值的投資信息，這被市場看作是金融領域內人機協作的作業模式。

然而，智能投資仍處在早期階段，卻已經引來市場過度追捧。近年來，國內已有不少投資機構號稱通過ai與大數據對歷史交易信息進行深度挖掘，對投資人來說，如何正確認識智能投資則是至關重要。

智能投資能提高商品投資的媒合效率，但卻無法創造出新的投資商品；其次，在ai與大數據加持下，智能投資能在既有數據的基礎上提供買入、賣出的建議，但真正主導市場走勢的還是一些醞釀中的事件而非歷史數據；最后，如果所有人的交易行為都依據同樣的數據樣本，那市場買入機會將不復存在，ai總結出的歷史規律將嚴重背離市場走勢。

從目前的投資收益結果來看，通過ai進行決策的投資回報率未必能優于市場行情。但隨著ai技術更新換代，在未來5至10年，強ai或許將取代機器學習用在投資領域，屆時，智能投資的收益率或將出現更加顯著的提升?？傮w而論，智慧金融的目的不在于消滅金融領域內的人力需求，而是提高人力資源的配置效率。

鏈接：智慧金融研究院

以上是網絡信息轉載，信息真實性自行斟酌。