大數(shù)據(jù)、AI平臺支撐下的智慧金融產(chǎn)品研發(fā)與實踐

陳 強，代仕婭

（1.興業(yè)銀行 信息科技部，上海 201201；2.興業(yè)數(shù)字金融服務股份有限公司，上海 201210）

0 引言

金融科技蓬勃發(fā)展，以人工智能、大數(shù)據(jù)等為代表的核心技術(shù)驅(qū)動金融業(yè)務創(chuàng)新，持續(xù)提升金融服務的智能化水平，推動金融向高質(zhì)量發(fā)展［1］。央行《金融科技發(fā)展規(guī)劃（2019-2021）》明確表示，要探索人工智能在金融領(lǐng)域的應用，推動金融服務向主動化、個性化、智慧化發(fā)展，并指出要統(tǒng)籌優(yōu)化數(shù)據(jù)資源、算法模型、算力支持等人工智能核心資產(chǎn)，探索人工智能在不同業(yè)務場景的應用路徑與方法，創(chuàng)新智能金融產(chǎn)品與服務［2］。智慧金融已成為新形勢下金融業(yè)務轉(zhuǎn)型升級、高質(zhì)量發(fā)展的必然方向。

從需求端來看，智慧金融是滿足客戶金融需要的必要手段。金融服務需求呈現(xiàn)精細化、生態(tài)化態(tài)勢，單一的金融產(chǎn)品及服務已越來越難以滿足客戶的實際金融需要。為此，金融業(yè)務正走向大融合、大協(xié)同，其發(fā)展模式也迫切需要從線上化、移動化進一步向個性化、智慧化轉(zhuǎn)變，通過智能化技術(shù)迅速感知客戶需求，并讓適配的金融服務主動、快速、精準地觸達客戶，使其享受到“所需即所得、所想即所得”的智慧化服務體驗。

從供給端來看，智慧金融是促進金融供給側(cè)改革的關(guān)鍵路徑。依托智能化技術(shù)，對金融業(yè)務由描述性、統(tǒng)計性分析深入到診斷性、預測性、決策性分析，能夠挖掘出更深層次的金融業(yè)務價值；智能化產(chǎn)品能實現(xiàn)對現(xiàn)有線上化、數(shù)字化產(chǎn)品的升級與改進，有助于創(chuàng)新和完善金融產(chǎn)品供給，提升金融的供給側(cè)改革質(zhì)效，也有助于優(yōu)化金融資產(chǎn)的合理配置，降低金融業(yè)務成本，增強金融服務實體經(jīng)濟與普惠大眾的能力。

大數(shù)據(jù)、人工智能等技術(shù)已廣泛應用于金融的風險信貸、投資研究等諸多領(lǐng)域智能化建設(shè)中。隨著金融業(yè)務的復雜程度日益加劇，智慧金融建設(shè)對大數(shù)據(jù)、人工智能等技術(shù)的應用與創(chuàng)新也提出更高要求，需要搭建統(tǒng)籌集成數(shù)據(jù)資源、計算資源、算法資源的平臺化基礎(chǔ)服務設(shè)施［3］，為智慧金融建設(shè)在數(shù)據(jù)處理、算法建模、挖掘預測等方面提供更強有力的支撐，以充分釋放數(shù)據(jù)的業(yè)務價值，提升智慧化服務的敏捷性、精準性水平。

本文基于投資研究、風險內(nèi)控、財富管理等幾類典型金融業(yè)務場景的智慧金融研發(fā)實踐，重點闡述金融業(yè)的大數(shù)據(jù)平臺、AI 平臺的架構(gòu)搭建、實施方法，以及在平臺支撐下相關(guān)領(lǐng)域數(shù)據(jù)資產(chǎn)開發(fā)、算法模型構(gòu)建的成果，并展示基于該研發(fā)范式推出的智能化應用效果，最后對智慧金融高效落地的路徑進行了深入研究，為金融業(yè)智慧化轉(zhuǎn)型、高質(zhì)量發(fā)展提供啟發(fā)與建議。

1 相關(guān)研究工作

在行業(yè)智慧化解決方案中，大數(shù)據(jù)平臺、人工智能平臺作為重要的基礎(chǔ)設(shè)施，為智慧化建設(shè)提供基礎(chǔ)性數(shù)據(jù)、算力、算法等方面的核心能力支持?？挡ǖ龋?］提出面向行業(yè)應用場景的云計算、大數(shù)據(jù)、人工智能等基礎(chǔ)平臺的融合建設(shè)方案，實現(xiàn)不同平臺數(shù)據(jù)的整合共享、高性能計算和統(tǒng)一數(shù)據(jù)建模，并基于平臺推出了面向智能診療、智能輔助駕駛等多領(lǐng)域應用；王彥棡等［5］重點討論了高性能計算與人工智能應用的結(jié)合，通過整合數(shù)據(jù)、計算、應用資源，支持全流程模型設(shè)計、訓練和部署，實現(xiàn)智能化應用的快速研發(fā)，促進諸多應用領(lǐng)域發(fā)展；曹峰等［6］指出金融等傳統(tǒng)行業(yè)對人工智能應用的需求不斷提升，相關(guān)計算平臺和應用服務平臺的統(tǒng)籌建設(shè)是垂直行業(yè)智能化產(chǎn)品落地的重要基礎(chǔ)，能有效推動社會經(jīng)濟智能化水平提升。

在金融行業(yè)，大型商業(yè)銀行較早開展相關(guān)布局。工商銀行推出全行統(tǒng)一的大數(shù)據(jù)分析與應用平臺，支撐金融場景中海量、實時、復雜數(shù)據(jù)的存儲與處理，并完成企業(yè)級人工智能平臺建設(shè)，形成全流程、獨立自主的建模能力，驅(qū)動風控、營銷、客服等諸多金融領(lǐng)域的業(yè)務發(fā)展；中國銀行將云平臺、大數(shù)據(jù)平臺、人工智能3 大平臺作為數(shù)字化轉(zhuǎn)型的技術(shù)支撐，已完成企業(yè)級人工智能生態(tài)打造，形成數(shù)據(jù)高效連接、AI 模型自學習、數(shù)據(jù)分析閉環(huán)的智能化研發(fā)模式，相關(guān)智能化產(chǎn)品使中國銀行在營銷成功率、高風險交易攔截、工單處理效率等方面有顯著提升，增強了金融服務競爭力。

搭建整合數(shù)據(jù)資源、計算資源、算法資源的大數(shù)據(jù)平臺與人工智能平臺，并在此基礎(chǔ)上進行數(shù)據(jù)資產(chǎn)的開發(fā)、算法模型的構(gòu)建，已成為智慧金融建設(shè)的必要路徑，但目前相關(guān)建設(shè)仍處于初期應用階段。由于不同金融領(lǐng)域面向的客戶群體、數(shù)據(jù)特點、業(yè)務目標都存在較大差異，決定了大數(shù)據(jù)平臺、AI 平臺的功能架構(gòu)需要與具體場景的智能化應用緊密結(jié)合，也需要持續(xù)與業(yè)務演變相匹配，實現(xiàn)以智能應用為驅(qū)動的平臺搭建與產(chǎn)品研發(fā)。

本文基于財務管理、投資研究、風險內(nèi)控等具體金融場景，重點闡述在相關(guān)領(lǐng)域的智慧金融產(chǎn)品研發(fā)中，為滿足數(shù)據(jù)、計算、算法等方面的資源及性能，大數(shù)據(jù)平臺與AI平臺所需的技術(shù)構(gòu)架體系及主要功能組件。在大數(shù)據(jù)平臺、AI 平臺的支撐下，進行數(shù)據(jù)資產(chǎn)開發(fā)，在此基礎(chǔ)上進行算法模型構(gòu)建，能顯著提升算法模型分析預測服務的精準性。

2 平臺化智慧金融產(chǎn)品研發(fā)體系

智慧金融的核心在于依托智能化技術(shù)手段，形成面向業(yè)務場景需求的智能化應用解決方案［7］，促進金融服務的優(yōu)化升級，涵蓋數(shù)據(jù)、技術(shù)、業(yè)務等全方位內(nèi)容，是一個系統(tǒng)性工程。如何使大數(shù)據(jù)平臺符合不同場景對數(shù)據(jù)收集、存儲、加工、計算等性能要求，如何使AI 平臺滿足各類預測分析在模型構(gòu)建、信息挖掘等方面需求，如何在平臺支撐下研發(fā)出切實解決業(yè)務痛點、提升經(jīng)營效益的智能化應用產(chǎn)品，是智慧金融建設(shè)過程中研究與關(guān)注的重點。智慧金融建設(shè)整體框架如圖1 所示。

Fig.1 Intelligent financial construction architecture圖1 智慧金融建設(shè)整體框架

核心技術(shù)層為大數(shù)據(jù)平臺與AI 平臺，其中大數(shù)據(jù)平臺為AI 平臺提供算法建模所需數(shù)據(jù)和計算資源支持，AI 平臺可以向大數(shù)據(jù)平臺反饋復雜數(shù)據(jù)的處理結(jié)果，豐富大數(shù)據(jù)平臺提供的數(shù)據(jù)服務類型，兩者協(xié)調(diào)運作，賦能金融業(yè)務場景建設(shè)，快速滿足并響應不同業(yè)務領(lǐng)域的智能化應用需求。

2.1 大數(shù)據(jù)基礎(chǔ)服務平臺

大數(shù)據(jù)平臺主要功能在于整合大數(shù)據(jù)采集存儲、集成批量計算、流計算、邊緣計算等方面的能力，構(gòu)建起面向全集團統(tǒng)一的、企業(yè)級的大數(shù)據(jù)基礎(chǔ)服務，為不同場景的智能應用建設(shè)提供便捷的數(shù)據(jù)訪問與分析能力。同時在大數(shù)據(jù)領(lǐng)域落實數(shù)據(jù)統(tǒng)一、技術(shù)統(tǒng)一，避免各應用分別構(gòu)建大數(shù)據(jù)集群、形成功能重復建設(shè)。大數(shù)據(jù)基礎(chǔ)服務平臺功能架構(gòu)如圖2 所示。

Fig.2 Big data platform architecture圖2 大數(shù)據(jù)基礎(chǔ)服務平臺功能架構(gòu)

平臺基于Hadoop 生態(tài)系統(tǒng)，利用集群進行高效的數(shù)據(jù)存儲與運算［8］，平臺重點實現(xiàn)以下幾方面功能：

（1）數(shù)據(jù)采集與存儲。金融業(yè)務場景的交叉程度與復雜程度日益提升，每項智能化應用所涵蓋的數(shù)據(jù)范圍往往會跨領(lǐng)域、跨系統(tǒng)，且涉及大量流式數(shù)據(jù)，如客戶實時行為數(shù)據(jù)等，大數(shù)據(jù)平臺需要對不同來源、不同類型的數(shù)據(jù)集中整合與存儲，以便后續(xù)進行統(tǒng)一、高效的處理與分析。在構(gòu)建過程中，大數(shù)據(jù)平臺需要對接銀行企業(yè)金融、零售金融、金融市場等相關(guān)領(lǐng)域的各類客戶、業(yè)務、管理系統(tǒng)，以及對外部的第三方信息進行日志等實時數(shù)據(jù)采集；讀取HDS、EDW 及各類數(shù)據(jù)集市中積累的數(shù)據(jù)，實現(xiàn)批量數(shù)據(jù)整合。平臺可通過Sqoop/Canal 等對關(guān)系型數(shù)據(jù)庫中全量數(shù)據(jù)及增量數(shù)據(jù)進行導入，采用Flume 進行圖片、視頻等非關(guān)系型數(shù)據(jù)，以及用戶行為日志等流式數(shù)據(jù)進行收集，最終以不同方式將采集的數(shù)據(jù)加載、整合到HDFS、Hbase 等分布式存儲系統(tǒng)中，供后續(xù)分析處理［9］。

（2）數(shù)據(jù)處理與計算。在傳統(tǒng)數(shù)據(jù)之外，非結(jié)構(gòu)化數(shù)據(jù)、實時流式數(shù)據(jù)等在金融業(yè)務的分析決策中逐漸發(fā)揮越來越重要的作用，帶來數(shù)據(jù)處理方式的改進。在數(shù)據(jù)處理類型上，除了結(jié)構(gòu)化數(shù)據(jù)，大數(shù)據(jù)平臺還支持非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)等貼源數(shù)據(jù)處理，提升數(shù)據(jù)質(zhì)量以更方便于查詢、使用。在數(shù)據(jù)處理時效上，在采用MapReduce/Spark 等分布式計算引擎進行大規(guī)模批量數(shù)據(jù)挖掘分析的同時，引入Flink/Storm/Spark Streaming 等大數(shù)據(jù)流式計算技術(shù)實現(xiàn)對實時數(shù)據(jù)的計算處理，生成實時分析決策［10］，滿足金融市場行情分析、理財產(chǎn)品精準推薦等高時效場景數(shù)據(jù)處理需求。同時平臺構(gòu)建大數(shù)據(jù)沙箱，在保障數(shù)據(jù)安全的同時，為數(shù)據(jù)探索分析、AI 模型訓練提供更貼近真實業(yè)務場景的開發(fā)環(huán)境。最終平臺對各類數(shù)據(jù)加工處理后的結(jié)果以元數(shù)據(jù)的形式進行存儲，以供進一步數(shù)據(jù)挖掘及業(yè)務應用。

（3）數(shù)據(jù)中臺服務。大數(shù)據(jù)平臺對原始數(shù)據(jù)進行加工處理后，生成的數(shù)據(jù)分析與探索結(jié)果，一方面以數(shù)據(jù)服務的形式直接輸出給金融業(yè)務應用，另一方面為AI 平臺提供算法建模所需的數(shù)據(jù)輸入?；跇I(yè)務邏輯將原始數(shù)據(jù)計算成可應用的指標，形成標準化的數(shù)據(jù)資產(chǎn)，能降低原始數(shù)據(jù)的噪聲，增強數(shù)據(jù)的業(yè)務應用能力，提升數(shù)據(jù)的服務價值。根據(jù)數(shù)據(jù)工程化程度以及應用方式的不同，數(shù)據(jù)資產(chǎn)種類多樣，涵蓋了特征庫、標簽、知識圖譜、規(guī)則引擎等，以共享、可復用的形式供不同領(lǐng)域智能化建設(shè)靈活調(diào)用。數(shù)據(jù)服務直接輸出時，可以文件方式批量輸出數(shù)據(jù)結(jié)果，也可以API 服務方式開放實時接口給應用系統(tǒng)，供其進行數(shù)據(jù)查詢；數(shù)據(jù)資產(chǎn)作為AI 平臺的數(shù)據(jù)輸入時，可通過AI平臺的沙箱功能從大數(shù)據(jù)平臺提取部分數(shù)據(jù)，也可直接調(diào)用大數(shù)據(jù)平臺的接口，使用大數(shù)據(jù)平臺的數(shù)據(jù)和計算資源。

（4）數(shù)據(jù)管理與平臺管理。數(shù)據(jù)管理主要實現(xiàn)對元數(shù)據(jù)、數(shù)據(jù)資產(chǎn)的查詢、維護、更新，對數(shù)據(jù)質(zhì)量檢查、修正、調(diào)整，以及對數(shù)據(jù)關(guān)系的追蹤與影響進行分析等。當數(shù)據(jù)服務出現(xiàn)明顯異常時，能迅速定位并追溯到問題節(jié)點。平臺管理主要體現(xiàn)在統(tǒng)一調(diào)度、統(tǒng)一監(jiān)控、統(tǒng)一用戶認證、統(tǒng)一安全體系等方面。

2.2 人工智能基礎(chǔ)服務平臺

AI 平臺在人工智能計算資源支持下，集成多種機器學習框架及基礎(chǔ)算法模型，形成全流程、一體化的模型開發(fā)能力，并提供涵蓋計算機視覺、智能語音、自然語言處理等領(lǐng)域的AI 服務，為相關(guān)業(yè)務場景智能化產(chǎn)品研發(fā)提供核心建模支撐。AI 平臺整體架構(gòu)如圖3 所示。

Fig.3 AI platform architecture圖3 AI 平臺功能架構(gòu)

AI 平臺具備以下功能：

（1）算法資源集成。不同金融業(yè)務對算法模型性能有不同的側(cè)重，如信貸審批注重模型的業(yè)務可解釋性，而個性化推薦更側(cè)重模型的實時精準性。面對多樣的業(yè)務場景，平臺匯集了行業(yè)領(lǐng)先的機器學習算法庫及深度學習算法 框 架，如Scikit-learn、MLlib、TensorFlow、Torch、Caffe、CNTK 等，供模型開發(fā)時靈活調(diào)用；在此基礎(chǔ)上，涵蓋主流的各類人工智能基礎(chǔ)算法模型，如傳統(tǒng)機器學習算法中的邏輯回歸（LR）、支持向量機（SVM）、樸素貝葉斯（Naive Bayes）等；深度學習算法中的卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）及相應網(wǎng)絡衍生出的經(jīng)典結(jié)構(gòu)等；圖模型算法中的社區(qū)發(fā)現(xiàn)算法、鏈路預測算法以及GNN 類圖神經(jīng)網(wǎng)絡算法等。依托全面的開發(fā)框架以及基礎(chǔ)算法，能夠基于特定業(yè)務目標進行靈活的算法設(shè)計與重構(gòu)，充分滿足風險識別、財富管理、投資研究等領(lǐng)域?qū)夹g(shù)模型的差異化、定制化需求。

（2）全流程模型開發(fā)。AI 平臺提供多種人工智能開發(fā)工具，支持從數(shù)據(jù)標注、數(shù)據(jù)預處理、特征工程、模型構(gòu)建、參數(shù)尋優(yōu)、模型評估、模型部署等全流程、一站式算法模型研發(fā)流程，極大提升各場景算法建模效率。在人工智能開發(fā)工具支持下，可通過對開發(fā)功能組件進行拖拉拽方式形成特定的工作流，基于對基礎(chǔ)組件的調(diào)用減少代碼的重復編寫，以更便捷地完成數(shù)據(jù)分析、模型搭建等操作。如在數(shù)據(jù)標注環(huán)節(jié)采用自動標注工具，能迅速生成大規(guī)模數(shù)據(jù)的目標定義，以更便捷地構(gòu)建訓練樣本；在特征工程環(huán)節(jié)，可點擊“特征提取”組件自動實現(xiàn)對數(shù)據(jù)的離散化、歸一化、關(guān)聯(lián)計算等加工處理；對于加工好的指標變量，可點擊“特征選擇”組件選擇卡方檢驗、決策樹、信息熵等多種方法，挑選出有效的特征集合進入模型；還可點擊“特征組合”組件對選定的特征變量進行自動組合，以生成更體現(xiàn)業(yè)務含義的新特征。

（3）AI 領(lǐng)域服務。計算機視覺、自然語言處理、語音識別是人工智能尤其是深度學習應用最為廣泛的3 大領(lǐng)域，由于具有較大規(guī)模、公開的訓練樣本，這些領(lǐng)域已形成較多針對特定任務、成型的通用智能服務，如計算機視覺領(lǐng)域的人臉識別、目標檢測、圖像分類等，自然語言處理領(lǐng)域的分詞、命名實體識別、文本分類等，這些通用服務已越來越深入地應用到風控、投資等金融核心領(lǐng)域的智能化建設(shè)過程中。AI 平臺通過提供相關(guān)通用服務的功能組件，將各領(lǐng)域智能化產(chǎn)品在研發(fā)過程中進行共享與調(diào)用，提升整體智能化研發(fā)效率。同時，對于信用評分、營銷白名單等銀行場景中常用的智能化服務，AI 平臺也提供相應的功能組件，滿足各類業(yè)務對通用機器學習服務的需求。

（4）資源調(diào)度管理。算法模型訓練尤其是深度神經(jīng)網(wǎng)絡模型訓練需要以強大的計算資源為基礎(chǔ)，故AI 平臺需實現(xiàn)對異構(gòu)計算資源的調(diào)度，為上層建模提供高可用、彈性可拓展的異構(gòu)計算能力。平臺采用容器管理技術(shù)進行CPU、GPU 等計算資源調(diào)度，且支持多租戶計算資源的調(diào)度、隔離與管理，可實現(xiàn)不同業(yè)務場景多用戶、多模型的并行訓練、測試、部署及對外服務。

2.3 場景化數(shù)據(jù)資產(chǎn)及應用型算法模型開發(fā)

在大數(shù)據(jù)平臺、AI 平臺的資源與環(huán)境支持下進行數(shù)據(jù)資產(chǎn)開發(fā)與算法模型構(gòu)建，才能研發(fā)出賦能業(yè)務場景的智能化應用。這兩者相互作用、相互影響，但相互影響、相互作用的過程有所不同。一方面數(shù)據(jù)資產(chǎn)作為算法模型的輸入，其質(zhì)量會直接影響模型的分析預測效果，如在金融市場投資等不完全信息博弈領(lǐng)域，金融資產(chǎn)動態(tài)因子庫這一數(shù)據(jù)資產(chǎn)對預測金融資產(chǎn)的價格至關(guān)重要；另一方面，算法模型作為某些數(shù)據(jù)資產(chǎn)的開發(fā)手段，模型的技術(shù)架構(gòu)也將直接決定數(shù)據(jù)資產(chǎn)的質(zhì)量，如對于知識圖譜這類數(shù)據(jù)資產(chǎn)，依托算法模型從大量非結(jié)構(gòu)化數(shù)據(jù)中提取出實體、關(guān)系等信息［11］，是構(gòu)建高質(zhì)量知識圖譜最為重要的步驟。

2.3.1 場景化數(shù)據(jù)資產(chǎn)開發(fā)

業(yè)務場景中原始數(shù)據(jù)通常形態(tài)多樣、紛繁雜亂，充斥著無關(guān)的噪聲信息，對業(yè)務的表達能力有限［12］，不能直接用來進行業(yè)務分析或建模預測，而需要工程化處理后轉(zhuǎn)化為應用價值更高的數(shù)據(jù)資產(chǎn)［13］。對應不同的應用目標，數(shù)據(jù)資產(chǎn)也具有豐富的類型，本文基于財富管理、投資研究、風險內(nèi)控等金融場景，主要構(gòu)建了特征因子庫與知識圖譜這兩大類數(shù)據(jù)資產(chǎn)。

（1）動態(tài)特征因子庫。動態(tài)特征因子庫是在原始數(shù)據(jù)基礎(chǔ)上結(jié)合金融領(lǐng)域業(yè)務邏輯思維，構(gòu)建出能有效應用于業(yè)務分析及建模預測的特征指標，并隨著數(shù)據(jù)的演變持續(xù)更新?；诮鹑谫Y產(chǎn)的特征因子庫（見表1）和基于客戶的特征因子庫（見表2）為財富管理相關(guān)算法模型構(gòu)建奠定持續(xù)穩(wěn)定、高可用度的數(shù)據(jù)基礎(chǔ)。

Table 1 Example of financial assets’dynamic feature corpus（part）表1 金融資產(chǎn)動態(tài)特征因子庫字典截圖示例（部分）

Table 2 Example of customer’s dynamic feature corpus（part）表2 客戶動態(tài)特征庫數(shù)據(jù)字典截圖示例（部分）

（2）金融知識圖譜。金融知識圖譜主要是通過大規(guī)模語義網(wǎng)絡，將金融領(lǐng)域中結(jié)構(gòu)化、半結(jié)構(gòu)化、非結(jié)構(gòu)化等不同類型的數(shù)據(jù)進行整合，并以圖連接的形式加以展現(xiàn)［14］，沉淀成結(jié)構(gòu)化的知識體系，并通過進一步分析挖掘得出更深層的隱藏信息，使信息的檢索查詢都更加智能化［15］。本文構(gòu)建了投研領(lǐng)域的企業(yè)債券知識圖譜（見圖4），以及風險內(nèi)控領(lǐng)域的資金賬戶關(guān)聯(lián)圖譜（見圖5），更清晰地展現(xiàn)不同主體之間的關(guān)聯(lián)關(guān)系，研判可能的風險事件。

Fig.4 Enterprise bonds knowledge graph圖4 企業(yè)債券知識圖譜

Fig.5 Capital accounts knowledge graph圖5 資金賬戶關(guān)聯(lián)圖譜

2.3.2 應用型算法模型構(gòu)建

數(shù)據(jù)價值的釋放需要設(shè)計和開發(fā)符合業(yè)務需求的數(shù)據(jù)挖掘與機器學習算法模型［16］。依托AI 平臺豐富的算法框架，在數(shù)據(jù)資產(chǎn)基礎(chǔ)上根據(jù)業(yè)務目標構(gòu)建相應的金融模型，能有效提升分析預測服務的精準性。本文列出兩類在智慧金融建設(shè)中具有較強金融屬性與業(yè)務代表性的模型并研發(fā)形成相應的技術(shù)架構(gòu)。

（1）行為序列注意力機制（BSA：Behavior Sequence At?tention）模型。該模型在前述金融資產(chǎn)、個人客戶等動態(tài)特征因子庫數(shù)據(jù)資產(chǎn)基礎(chǔ)上構(gòu)建，將金融資產(chǎn)的風險、收益等特征與客戶的靜態(tài)基本信息、動態(tài)行為特點等結(jié)合進行預測分析［17］，發(fā)掘出與客戶更適配的金融產(chǎn)品及資產(chǎn)組合（見圖6）。

（2）圖卷積神經(jīng)網(wǎng)絡（GCN：Graph Convolutional Neural Network）。該模型基于金融知識圖譜這類數(shù)據(jù)資產(chǎn)進行構(gòu)建，應用于投資研究中的金融風險預測，研判企業(yè)可能出現(xiàn)的風險事件［18］；也被應用于風險內(nèi)控中欺詐交易的識別，挖掘資金賬戶交易網(wǎng)絡的深層信息，預警異常交易行為［19］（見圖7）。

Fig.6 BSA model’s technology architecture圖6 BSM 模型技術(shù)架構(gòu)

Fig.7 GCN model’s technology architecture（taking fraud as an example）圖7 GCN 模型技術(shù)架構(gòu)（以欺詐預測為例）

3 智慧金融產(chǎn)品業(yè)務實踐效果

在大數(shù)據(jù)平臺和AI 平臺支撐下進行數(shù)據(jù)資產(chǎn)的開發(fā)及算法模型構(gòu)建，最終實現(xiàn)投資研究、風險內(nèi)控、財富管理等場景智能化產(chǎn)品的研發(fā)、落地與應用。業(yè)務實踐結(jié)果表明，這些智能化產(chǎn)品顯著提升了金融服務的智慧化水平，提高了業(yè)務的經(jīng)營效益，有助于推動銀行智慧化轉(zhuǎn)型、高質(zhì)量發(fā)展進程。

3.1 投資研究領(lǐng)域——智能投研

智能投研主要功能是幫助投研人員進行行業(yè)知識的提煉、總結(jié)、關(guān)聯(lián)，構(gòu)建出行業(yè)、企業(yè)等主體相關(guān)更加清晰、完整的關(guān)聯(lián)關(guān)系及事件關(guān)系全景拓撲網(wǎng)絡視圖，并在此基礎(chǔ)上進行風險及事件預測，輔助研判行業(yè)趨勢。

在智能化應用過程中（見圖8），將大量文本形式的行業(yè)研究報告、債券評級報告等作為分析挖掘的基礎(chǔ)數(shù)據(jù)，基于場景化的Bi-LSTM+CRF 模型［20］、PCNN 網(wǎng)絡［21］等，從報告中提取出關(guān)鍵信息，自動構(gòu)建關(guān)聯(lián)知識圖譜，一方面幫助投研人員對報告核心內(nèi)容進行迅速、便捷、全面的檢索，另一方面基于GCN 模型前瞻性地預判企業(yè)可能面臨的金融風險，更深入地輔助投研人員進行投資決策。

該智能化產(chǎn)品應用后極大提高了投研人員的分析效率，以一份城投債評級報告為例，如表3 所示。通常情況下人工進行深入分析、梳理大概要花費2 小時左右的時間，而智能投研產(chǎn)品能夠在1 分30 秒內(nèi)迅速完成對報告內(nèi)容的解析、提煉，以關(guān)聯(lián)圖譜的形式進行展示，并可應用于檢索查詢及深入的挖掘預測。

Fig.8 Business application framework of intelligent investment research圖8 智能投研業(yè)務應用解決框架

Table 3 Intelligent Investment Research Analysis Results表3 智能投研報告解析效果

3.2 財富管理領(lǐng)域——智能投顧

智能投顧旨在為客戶推薦符合其特點的個性化資產(chǎn)配置組合。一方面在客戶端評估刻畫投資者的風險屬性、行為偏好等特征，形成客戶的全面畫像；另一方面在資產(chǎn)端分析并篩選當前金融市場走勢下的有效資產(chǎn)組合，最終通過客戶特征與有效資產(chǎn)的結(jié)合映射，形成個性化的資產(chǎn)組合推薦。

在具體的智能化應用過程中（見圖9），首先對場景相關(guān)數(shù)據(jù)進行匯集及工程化處理，形成股票、基金等金融產(chǎn)品，及客戶相關(guān)的特征因子庫數(shù)據(jù)資產(chǎn)；然后在數(shù)據(jù)資產(chǎn)基礎(chǔ)上構(gòu)建資產(chǎn)配置與推薦相關(guān)的業(yè)務模型。除了經(jīng)典的均值—方差模型外，還重點采用前述的BSM 模型，將資產(chǎn)風險收益與客戶行為特征同時納入模型進行分析，為客戶提供個性化的金融資產(chǎn)配置及推薦。

Fig.9 Robo-advisor’s business application framework圖9 智能投顧業(yè)務應用解決框架

該智能化產(chǎn)品應用后，能及時、充分識別資產(chǎn)的風險收益特點，有效控制資產(chǎn)組合的整體風險，并基于客戶的偏好特點進行配置與推薦，提高了相關(guān)資產(chǎn)的點擊率及購買率。截至2019 年末，該智能化服務為直銷銀行上的基金和理財客戶提供了分層化、差異化、個性化及更適配的資產(chǎn)推薦服務（見表4），推動直銷銀行零售財富管理規(guī)模實現(xiàn)15%以上的增長。

Table 4 Robo-advisor’s asset allocation results表4 智能投顧差異化配置效果

3.3 風險內(nèi)控領(lǐng)域——智能案防

智能案防主要應用于商業(yè)銀行內(nèi)部違規(guī)操作、可疑交易等風險事件的識別、預警與排查，以降低違規(guī)交易事件帶來的資金損失。

在具體的智能化應用實踐中（見圖10），首先對歷史風險事件案例信息進行結(jié)構(gòu)化處理，提取其中風險特征，形成違規(guī)操作風險指標庫；然后結(jié)合交易賬戶相關(guān)主體的資金、信貸、往來等多維數(shù)據(jù)，構(gòu)建資金賬戶關(guān)聯(lián)圖譜這一數(shù)據(jù)資產(chǎn)；再在關(guān)聯(lián)圖譜基礎(chǔ)上采用此前構(gòu)建的GCN 模型進行關(guān)聯(lián)風險提取，并結(jié)合風險指標庫深度挖掘可能的違規(guī)交易事件。

該智能化產(chǎn)品應用后取得了顯著的業(yè)務效果，會計風險案件核查準確率高達90%以上，如表5 所示。在運行一年多的時間里對全行近3 000 萬個賬戶進行排查，發(fā)現(xiàn)問題交易流水上萬筆，挽回損失金額達上百億元，為內(nèi)控合規(guī)建立了一道有效的智能化風險防線。

Fig.10 Business application framework of intelligent accounting risk management圖10 智能案防業(yè)務應用解決框架

Table 5 Intelligent risk accounting verification results表5 智能案防風險排查效果

4 智慧金融落地路徑思考與啟示

智慧金融建設(shè)中數(shù)據(jù)、技術(shù)及應用環(huán)環(huán)相扣又相互影響，構(gòu)建大數(shù)據(jù)平臺、AI 平臺、應用平臺三者之間順暢的垂直交互架構(gòu)，形成靈活的橫向延伸模式，使智能化產(chǎn)品既能快速在當前金融領(lǐng)域落地，又能進一步敏捷推演至其他金融場景，對智慧金融的高效、全面建設(shè)起到?jīng)Q定性作用。智慧金融應用發(fā)展路徑要從以下幾方面著手：

（1）形成垂直切片、小場景演進的研發(fā)架構(gòu)，如圖11 所示（彩圖掃OSID 碼可見，下同）。從特定場景的某項具體智能化應用入手構(gòu)建該場景的大數(shù)據(jù)平臺、AI 技術(shù)平臺、應用平臺之間垂直切片架構(gòu)，一方面通過聚合垂直領(lǐng)域各層面的相關(guān)功能，使智能化應用可以基于業(yè)務目標自行選擇更有效的數(shù)據(jù)、設(shè)計更合適的算法、創(chuàng)造更精準的服務，并根據(jù)業(yè)務場景及服務目標的變化進行快速迭代；另一方面經(jīng)過在垂直切片領(lǐng)域的探索試錯，將成功、有效的方法、技術(shù)迅速拓展到更廣泛的金融業(yè)務中，使智能化服務由小場景逐漸演進至全領(lǐng)域，為全面智慧金融建設(shè)提供更穩(wěn)健、可靠的路徑保障。

Fig.11 Vertical slice technology architecture圖11 垂直切片的研發(fā)技術(shù)架構(gòu)

（2）打通數(shù)據(jù)、技術(shù)、應用的循環(huán)交互鏈條，如圖12 所示。在垂直業(yè)務領(lǐng)域的切片架構(gòu)下，數(shù)據(jù)、技術(shù)與應用之間存在閉環(huán)傳導機制，數(shù)據(jù)為技術(shù)模型提供分析基礎(chǔ)，技術(shù)模型為業(yè)務應用輸出決策能力，業(yè)務變化又產(chǎn)生新的數(shù)據(jù)及分析需求，只有疏通三者間的傳導渠道才能使數(shù)據(jù)的信息價值、技術(shù)的預測能力成功轉(zhuǎn)化成智能化服務。一方面在正向傳導過程中要保障數(shù)據(jù)向技術(shù)模型順暢傳輸，使技術(shù)模型因數(shù)據(jù)特點靈活設(shè)計，業(yè)務場景由技術(shù)模型驅(qū)動運營，最終使智能化產(chǎn)品觸達到市場與客戶；另一方面在反向傳導過程中，要形成對業(yè)務經(jīng)營中產(chǎn)生與變化的數(shù)據(jù)進行實時加工整合的能力，使數(shù)據(jù)隨場景演變及時更新匯集，再通過技術(shù)模型得到新的分析結(jié)果，從而能迅速捕獲到金融業(yè)務中稍縱即逝的新機會。

Fig.12 Interaction architecture of data，technology and business圖12 數(shù)據(jù)、技術(shù)、業(yè)務的交互架構(gòu)

5 結(jié)語

智慧金融是金融供給側(cè)改革的重要路徑，也是商業(yè)銀行滿足客戶需求的重要手段，已成為金融業(yè)轉(zhuǎn)型發(fā)展的必然選擇。本文對商業(yè)銀行相關(guān)業(yè)務領(lǐng)域智能產(chǎn)品的研發(fā)與實踐進行了總結(jié)，并基于此對商業(yè)銀行智能化建設(shè)的路徑，尤其是大數(shù)據(jù)、人工智能相關(guān)核心技術(shù)在金融場景的落地應用、效能提升等相關(guān)問題進行了研究和思考，為商業(yè)銀行全面高效推進數(shù)字化轉(zhuǎn)型和高質(zhì)量發(fā)展提出了一些更具前瞻性的建議。在業(yè)務領(lǐng)域智能化實踐中，商業(yè)銀行需將數(shù)據(jù)體系、技術(shù)體系、應用體系三個層面有機結(jié)合統(tǒng)籌推進，構(gòu)建大數(shù)據(jù)平臺、AI 平臺、應用平臺三者之間順暢的垂直交互架構(gòu)，以實現(xiàn)智能化產(chǎn)品在業(yè)務場景中敏捷化落地應用。