金融MBA2020级 ｜ 人工智能在金融场景中的应用综述

从上到下、从左到右： 丁铎、冯雨奇、金严喆、刘钧柏 谢宇辉、雍扬、岳守钰 （按姓氏拼音排序） 本文为清华－康奈尔双学位金融MBA2020级“金融科技Ⅱ”课程报告，作者是丁铎、冯雨奇、金严喆、刘钧柏、谢宇辉、雍扬、岳守钰。授课教师： 薛正华。薛正华现任清华大学金融科技研究院副院长、中国计算机学会高级会员、大数据专委会委员、北京市西城区科技创新发展顾问。 第一章 人工智能与金融科技 1.1 人工智能的三次浪潮        1950年10月，艾伦·图灵发表了论文《计算机械和智能》，提出了著名的 “图灵测试” 掀起了人工智能的第一轮浪潮。1956年在美国Dartmouth大学举办的夏季学术研讨会上，J McCarthy、M Minsky和 Shanno等正式提出了 “人工智能 (Artificial Intelligence, AI)” 这一术语  （图1）。但当时受到计算机算力和符号主义理论的局限，人工智能的热度迅速消退。        20世纪80年代，人工智能再次兴起，该突破源于放弃了符号主义，改用了统计思路。1991年，IBM深蓝战胜象棋选手卡斯帕罗夫掀起了人工智能第二次浪潮，但当时的人工智能受限于数据量与测试环境，并不具备实用价值         人工智能的第三次浪潮源于2006年Hinton发表的等人提出的深度学习概念。此时，互联网行业的发展形成了海量数据，同时GPU的革新也使得计算机算力大幅提高，随着这两个条件的成熟，人工智能实现了飞跃性发展。以2016年Google AlphaGO 战胜围棋选手李世石为标志性事件，AI的概念已经深入人心，理论成为实践，科研走向市场。 图1 人工智能的三次浪潮 数据来源：讯飞晓医官微，安信证券研究中心 1.2 科技赋能金融行业的三个阶段        与人工智能的三次浪潮类似，金融科技（Fintech）的发展也可分为三个阶段（图2），对应不同的技术赋能金融行业：        1.0 电子金融，即“IT+金融”时期，信息系统的发展促进了金融业务的电子化与自动化，提升了网点服务能力，减少了存贷汇款的交易成本；        2.0 线上金融，即 “互联网+金融” ，随着海量用户数据的产生，金融服务范围和深度大大延伸，如诞生于2003年的支付宝促进了移动支付业务，此外信息交互渠道的诞生使得金融服务方式发生变革，产生了网上银行和手机银行等业务；        3.0 智能金融，即 “AI+金融” ，随着新技术（主要指ABCD，即人工智能（AI）、区块链（Blockchain）、云计算 (Cloud Computing) 、大数据(Big Data)）的成熟，进一步推动金融业智能化，减少了信息不对称、降低了交易成本、提高了风控水平，充分满足客户个性化需求。 图 2 科技赋能金融业的发展历程[2] 1.3 金融科技（FinTech）中ABCD技术的融合        FinTech 主要指大数据、人工智能、区块链、云计算等技术与金融业的融合。全球各国央行对于FinTech的应用主要是通过以上数种核心技术去加强监管与合规的手段。通过新兴技术，迅速提高金融行业企业的服务效率、用户体验以及精准监管等。        从广义来看，人工智能的发展是需要基于充足算力下获得足够数据让AI学习，而区块链在这中间发挥的主要是分布式信息加密的作用。从历史角度来看，人类逐渐从实验科学（钻木取火、摩擦起电等）到理论科学（自然现象的解释）再到计算科学（模拟现象）最后到数据科学（海量数据发现规律）。目前，大数据存储以及云计算领域已经有了国外三朵云（微软、亚马逊、谷歌）以及国内几巨头（腾讯、阿里、百度、华为）等企业抢跑。同时在数据存储传输及云计算快速发展的情况下，AI的发展也能随着海量分布式加密信息迅速提升。在Fintech领域快速发展的同时也诞生了像第四范式、恒生电子、云从科技等多家独角兽企业，巨头们也纷纷布局了发展体系内的金融科技板块（蚂蚁金服、腾讯金融、度小满、京东数科等）。 1.4 人工智能技术在金融行业的应用 1.4.1 机器学习         机器学习是人工智能的根本及核心，通过概率学、复杂的数学模型、人类行为学、心理学再结合长短期记忆神经网络、卷积神经网路、深度置信网络、栈式自编码神经等方式去推演未来可变量事件。深度学习作为复杂机器学习算法，具有分析学习能力去识别文字、图像、声音等数据，对各类金融数据具有良好的适用性在股票市场预测、风险评估、事件预警等方面应用广泛。 1.4.2自然语言处理 （Natural Language Process, NLP）        NLP是融合语言学、心理学、计算机科学、神经科学等多领域的技术，该技术有几个重要发展意义，通过更好分析语言中的关联性，提高信息摘取有效性以及自我生成语言信息。NLP可以自动化读取以及生成金融报表及研报。另外一个重要应用就是智能客服，此领域将大大提高金融机构的效率减少进行重复性高的确认工作。 1.4.3 知识图谱         知识图谱技术的应用主要在客户营销、反欺诈以及反洗钱领域中。在客户营销过程中，提前链接多个数据源，提前预知用户群体的画像及描述，提高营销的精准度。在反欺诈中，提前识别出欺诈行为，更好的验证信息一致性。在反洗钱中，通过提前甄别可疑交易、可疑案例，大大提高金融机构运营效率，节省人力资源。最后，在投资研究中也能基于大量关联知识提高投资准确度，提高阅读信息效率。 1.4.4 计算机视觉        计算机视觉技术主要应用于身份验证、移动支付、用户安全等领域。在身份验证方面,通过智能设备对人脸捕捉与证件信息提取，提取人脸特征以及人脸关键点，确认身份安全性 。在移动支付端，通过人脸识别和具体特征行为，更为安全快捷的支付 。银行将可通过计算机视觉去规避客户大额交易中的潜在风险，通过分析交易场景等方式进行更高效安全的服务。 第二章 人工智能在金融场景中的应用 2.1 客户服务        目前人工智能最广泛的应用之一是客户服务。如图3所示，最常见的方式包括客户沟通渠道、根据客户需求进行实时调整的服务、针对性风险暴露分析  ^[4]        人工智能在客服中最早的应用源于创造更便捷的支付方式。为了简化客户在付款和转账过程中重复身份验证、银行账户验证等繁琐的流程，金融机构设计出如图像CV和生物识别等身份验证工具，使投资者获得更好的用户体验。 图3 当前应用率下利用人工智能产生新收入的前三个应用场景[4]        沟通渠道包含精准营销和售后服务。一个完整的营销需要将图像和自然语言处理结合，并推送给具有潜在兴趣的人群。随着投资者数据，产品知识和营销文案的不断积累，AI通过强化学习，能够整合资料库里的营销话术和金融语料，根据不同类型的消费者生成精准推断并构造相应的图文推广。        在售后服务，如理赔服务中，对于大多数流程简单的理赔申请，通过图像收集资料、识别检测证据真伪，代替更多人为处理而缩短理赔时间提高效率。其中典型的例子包括日本富国生命保险（Fukoku Mutual Life Insurance），运用包括深度类神经网路技术读取大量病例和诊断书，判断事故原因和手术类型，计算理赔费用。公司通过提高30%案件处理效率，每年节省约1.4亿日元成本。        另一应用为聊天机器人，随着虚拟机器人在商业领域的广泛应用，银行、理财公司、保险公司等金融机构从中发现机遇，将AI应用于客户自动应答中，从新产品的推广解说到售后的问答，进行更大程度的覆盖。AI在这方面的基本技术包括语言理解技术、口语技术、视觉分析技术（图4）。然而为了更好的复制真实人类交流，让客户得到更加个性化体验，金融行业也在不断试图构建更智能处理方式，以自然语言处理为开端，更深层次挖掘语言交流维度，例如语气和情绪分析和人格特质分析等。从服务的另一端来讲，AI也极大提升了人工客服效率：当客户寻求人工服务时，客服人员可以透过AI快速搜寻答案查阅资料和历史信息，更迅速准确的解决问题。 图4 多元语言及视觉AI能力与金融业务应用[4]        对于金融机构来说，通过AI的应用能够极大降低人工服务成本，提高流程效率，改善与投资者之间的互动模式。公司通过业务积累不断采集产品、服务、流程相关数据，并运用AI对数据进行处理分类，进而针对不同类型的投资问题进行解答。 2.2 运营环节        运营的主要目标是扩大用户、提高用户活跃度、改进产品体验、寻找盈利模式。金融行业的运营一般包含用户运营、渠道运营、产品运营、活动运营、数据运营、品牌运营。金融行业的特殊性也决定着在获客、服务、维系的过程中需要对市场和风险理解更深刻。 2.2.1 压力测试        2008年金融危机后，巴塞尔协议III要求银行在每个规定周期内进行压力测试，但这对于银行而言是一个新挑战。压力测试对于VaR、CVaR、核心资本充足率、流动性充足率的要求带来数据量和工作量大幅增加。如图5疫情对大型商业银行的冲击进行压力测试就包含多维度的数据 [6] 。 图5 新冠疫情对大型商业银行的冲击压力测试        中国银行业生态多样，共23类4571家（根据银行业金融机构法人名单，截至2018年6月），除去农商行和不带银行两字的银行业金融机构，仍有320家。面对这么大数量的测试主体和复杂的测试要求，传统方法逐渐无法跟上脚步。        而人工智能在模型管理和模型构建上有巨大优势。近年来，欧美监管机构通过提供模型风险管理指导，帮助银行进行回溯测试与模型验证的调校，这为人工智能在中国银行业的应用提供了生动的实践经验。 2.2.2市场影响分析        准确估计市场未来趋势对金融投资机构有着至高无上的意义。对于中低频量化基金，其绝大部分交易收益都来自于市场的波动。早在十几年前，全球第一个以人工智能驱动的基金Rebellion预测了2008年的股市崩盘，并在2009年9月给希腊债券F评级，比专业的评级机构惠誉提前了1个月  ^[7]  。如今，几乎所有国际投行都已开始大量运用人工智能技术，其中摩根大通已经在实战择时中领先一步应用。 2.2.3 风险控制 2.2.3.1 商业银行        风险控制一直是银行业的核心要务，银行业风控管理存在效率低下、信息不对称、更新速度慢、人力成本高等问题。这些问题导致不良贷款、影子银行等一系列风险。截止到2020年第三季度末，商业银行不良贷款率达到1.96%，与上个季度相比增加了0.02个百分点；不良贷款余额达到 2.84 万亿元人民币，与上个季度相比增加了 987亿 ^[8]        由于大数据时代机构和个人金融交易风险越来越复杂，极具隐蔽性、传染性，导致信息泄露和金融欺诈案件层出不穷。传统风控手段仅依靠经验判断和人工干预，但是因风险的突发性，银行往往来不及采取相应的措施，给客户和银行本身带来严重损失。因此，银行急需新兴技术来控制风险。        银行利用人工智能卓越的数据处理能力解决上述问题，如获取客户银行卡号、账户信息等多维度数据信息，挖掘用户行为特征、用户关联特征等异常事件，结合风控数据模型，对可能发生的风险事件发出预警。 2.2.3.2保险行业        保险行业中，如何对客户健康包括心理健康进行科学评估是一大难点。AI可以在健康评估方面发挥巨大作用，这不仅可用于在投保前风控和测试，而且在投保后，定时对客户健康进行跟进，利用人工智能系统来获取和判断客户的健康状况，能够为客户和保险公司节约大量成本，真正做到事中评估。        国内康语科技（2020年10月拿到了千万美元级别A轮融资）的人工智能产品就能通过保险客户30秒钟的自拍，精确测量客户包括心率在内的多项数据，目前已经应用于平安，忠利保险等15家中国和国际保险公司 ^[9]  2.3 交易投资        在人工智能技术已经大幅提升的如今，将此技术应用于交易投资已不再是科幻片中的情节。相比较人类交易的情绪波动，使用人工智能来对于交易趋势、交易信号、止损止盈进行判断是一种更加精细、成熟的方案。 2.3.1 投资研究        在投资研究领域，人工智能的应用在2016年开始蓬勃发展，时至今日，有一种叫做“量化基本面”的研究方式依旧非常火爆。对于传统的估值模型而言，有十分多的假设需要设定，例如，销售增长率、毛利率等等。这些假设对于估值模型最后的预测都是差之毫厘谬以千里的。以往都是通过研究员丰富的经验对此进行设定。虽然在商业模式等领域应用人工智能，因过多的数据维度而导致效果不佳，但是使用人工智能预估增长率、毛利率等单维度数据有着非常好的效果，通过对于这些参数更精准的估计得出更贴近实际的公司估值。        在智能投研领域一个典型的独角兽为Kensho，该公司创立于2013年，2018年3月被标普500以5.5亿美元收购，收购金额刷新了当时的AI领域收购记录。Kensho主打一款名为 “Warren”的软件，通过AI技术识别、分析用户的问题，收集数据库、互联网中全球范围的政策/审批信息、经济报告、社会热点、政治事件、自然灾害等巨量的相关资料，迅速提供答案。这大大压缩了传统投资分析过程中耗费时间但创造价值有限的数据搜集环节，极大的提高投资分析效率，乃至令人惊呼“Kensho取代华尔街分析师”。 2.3.2 投资顾问        在投资顾问领域，人工智能的应用更多是针对不同的细分人群。投顾业务可以通过调查问卷获取人群不同的风险承担能力，再以此为参数输入到模型中，同时以多元的数据获取能力，比较各基金的投资回报率和对应风险波动，以此为组合，挑选出最适合客户的风险资产以及相关基金。同时以往投顾更多切入中高端市场，由于人工智能的加入彻底改变了整个客户群体。对于小额客户而言，他们也能通过人工智能接触到投顾服务，获得匹配自己风险承受能力的产品信息。而在以往的调查问卷中，基金的小额客户是很难得到投顾服务的。 2.3.3 量化交易        在量化交易领域，是人工智能最出色的应用场景。完整的数据源，高度可用的各种量化数据，对于人工智能而言都构建了足够大的舞台。同时，一个优秀的人工智能模型，也能很直接的获得市场回报。无论是从投入端还是回报端，量化交易似乎是人工智能最好的实践地。美国知名量化交易对冲基金——文艺复兴的旗舰基金（大奖章），据说就是运用了复杂的人工智能模型而能够在过去接近十多年汇总获得极高的超额收益。量化交易，在策略设计、模型设计、参数判断、策略回测等过程中都可以充分运用到人工智能的预判、回归能力。同时，由于人工智能的自适应等技术特点，对于量化模型而言，迭代也特别便捷。通过现在的Github等版本管理软件，可以轻松的对于人工智能模型创造多个分支进行模型测试，这种极高效的多人合作处理模式也给了人工智能在量化交易领域极高的应用价值。 2.4 监管合规        人工智能应用于金融监管与合规领域时，一方面是定位于提升传统金融业态监管中提高效率并降低监管成本（如反洗钱，反欺诈，KYC等）；另一方面也针对伴随新技术产生的新的金融风险（如线上交易风险和非法集资等）助力金融监管机构更加精准识别和管控风险，规避新技术应用带来的新风险，保证新技术是安全可用的。在大量应用领域中，目前对我国价值最大，需求最旺盛的领域就是反洗钱与反欺诈。 2.4.1反洗钱        洗钱风险是金融机构面临的最严峻的风险，中国反洗钱检测中心于2016年着手构建反洗钱二代系统（AML），综合运用大数据、云计算、人工智能、可视化分析等先进技术，对数据全环节进行智能化改造，构建关联网络，智能化识别可疑行为，全面覆盖反洗钱检测业务全流程，开发出反洗钱智能化监测模型。        目前，中国人民银行反洗钱二代系统实现了针对银行证券保险、第三方支付机构、各类互联网金融机构等各类机构的全覆盖，推动反洗钱监测从数据汇集、信息排查、线索挖掘、可疑分析等传统职能向精准预警、智能展现、自动化决策转变。 2.4.2 反欺诈        反欺诈的核心是解决交易前与交易过程中的信息不对称问题。反欺诈过程当中最基础的点一是源头数据，二是欺诈规则。        就数据源而言，越广泛的数据源，越能够支撑跨渠道反欺诈，也能对算法识别能力提供更多支持。这方面，中国互联网金融协会开发了人工智能金融监管云平台，构建了金融领域特定监管对象摸底监管、实时监管与预警、行业监管统计、风险监管要报等多种金融监管需求的监管科技技术实施方案。目前，此平台可以提供中国国家、各省、各市、各县政府及司法公开数据技术服务。包括公开司法诉讼、涉诉黑名单、网贷黑名单、工商登记、税务表扬与处罚、新闻媒体、环保审批与处罚、食品药品监督处罚、招聘、抵押质押、招投标等涉及22个领域14个维度的各类数据技术服务，数据领域和维度还在快速增加。上述相关数据条目超过35亿条，每天新增采集超过1000万条，跟踪网站超过10万家，跟踪网站频道超过300万，用人工智能技术，平台可以确保所采集信息的时效性和完整性。采集数据后，该平台自动完成自然语言解析和全网企业风险监控服务，可综合运用分词、词性标注、命名实体、依存语法分析、语义角色标注、语义依存分析等步骤，实现对大文本量和非结构化内容进行精准分析与提取。在此高精度海量解析数据基础上，金融监管部门就可以针对监控需求制定有效的包括反洗钱在内的监管场景。 图6 反欺诈系统示意图 ^[10]        寻找欺诈规则需要算法支撑。以某中型银行应用反欺诈系统为例，银行提供300万的客户相关数据表，这个数据集中有2000个确认过的欺诈客户，借助人工智能技术对行内数据的分析，寻找到一套更好的反欺诈规则和算法。数据中主要有三类信息，一类是客户基础信息，第二类就是过往的交易数据，这些交易可能不限于转账、支付、信贷或存款等。第三类就是登录注册的行为信息。在必要的数据质量检查和模型选择后，通过对客户维度和交易维度进行建模，整个反欺诈场景当中，第一个结果就是输出反欺诈的规则。除专家规则以外，通过人工智能算法平台所输出的这套规则体系补充整套规则引擎，整个新增的规则在这个案例当中将近两千个，这是特征升维的结果。第二个输出物是整个欺诈客群，原来2000多个扩展到40000多个，整个欺诈客群被扩展20多倍，最终从里面随机挑选10000个客户线下验证，无一例外都是欺诈客户。 第三章 人工智能应用于金融行业的现状与未来 3.1 我国人工智能+金融产业图谱        AI技术在金融服务场景中呈现广泛的运用，相关的业务领域正如火如荼地发展当中。业内根据人工智能生态中不同企业提供的技术、产品与服务的差异 ^[11]  ，将AI 产业链大致分为基础服务层、技术服务层与解决方案层三部分（图7）。        目前，与美国相比，我国相关企业在基础服务层仍处于较为落后的状态，包括芯片在内，多个技术处于“卡脖子”阶段，然而在技术服务层和解决方案层领域则具有着相当的前瞻性和落地性。 图7 2020年AI+金融产业图谱[12] 3.2我国人工智能与金融科技政策分析        从政策上分析，我国虽然将AI列入国家战略层面，同时也在积极整顿金控公司（如蚂蚁金服等），行业浪潮和政策导向均开始回归技术本身。2017年7月，国务院发布了《新一代人工智能发展规划》，正式从国家层面对人工智能进行系统布局，国家重点对金融提出了自动化和智能化的发展要求，要求到2020年，人工智能水平与世界同步，2030达到世界领先水平（表1）。        2019年8月，人民银行正式发布了《金融科技(FinTech)发展规划(2019-2021年)》，明确提出了六方面重点任务：“加强金融科技战略部署、强化金融科技合理应用、赋能金融服务提质增效、增强金融风险技防能力、加大金融审慎监督力度、夯实金融科技基础支撑”，为金融科技的发展指明了方向和路径，具有深远的意义。 表1 2017 年-2020 年我国人工智能相关政策 来源：根据国家各机构公布的相关政策文件整理 3.3 人工智能应用于金融行业的挑战        金融行业随时生成、分析和存储大量客户的数据信息，天然依赖于数据科技。AI技术的发展正在成为金融行业演进的重要引擎。同时也应注意到，AI在金融领域的应用仍然面临一系列的挑战。其中：        一方面，AI技术在与金融业务融合结合中面临若干挑战。首先是数据噪音的问题，股票等金融市场中的交易信息等市场数据存在大量噪声，有时可能覆盖有效信息，难以反映真实市场情况。其次是竞争导致AI技术有效性的问题，由于金融行业激烈的竞争，数据资源等作为企业的重要竞争力很难如同技术公司一般实现开源分享。再次，是面临另类数据的问题，除了标准的市场交易数据、企业基本面数据等传统意义的“金融”数据外，大量的另类数据，如卫星图像、图片及语音信息、非结构化的海量文本等等，同样在决策中起到重要作用。        另一方面，在AI应用于金融行业发展的过程中，必须对其中的道德与监管风险加以正视。首先，在应用AI技术的过程中，如何保障涉及个人隐私的数据不被滥用。特别是曾被广泛指出的，我国目前金融科技领域快速发展的态势，在一定程度上正是由于和欧美等地区相比对金融科技涉及隐私问题相对宽松的监管环境推动。同时，除了保护个人隐私数据外，对数据应用中的权属界定、乃至信息主权与跨国数据应用等问题，目前在实务操作上的管理边界尚不清晰，缺少广泛共识。未来国家及国际范围“有关部门”在监管层面的介入，将必然对市场趋势、行业格局、发展路径等产生显著冲击。        中国人民银行于2019年10月出具《个人金融信息（数据）保护试行办法》，提出完善征信机制体制建设，加之今年9月将正式施行的《数据安全法》，立法司法解释进入到隐私保护、数据安全、网络安全、公平竞争、消费者权益保护等各个层面，我国在人工智能的监管上加大了力度，必然会造成行业的重塑。 3.4 我国人工智能应用于金融行业的发展趋势        根据艾瑞咨询研究院发布的《2020中国AI+金融行业发展研究报告》，前述AI在不同金融场景的应用中，最具价值的应用场景为智能风控，而最具潜力的是智能监管 ^[12] （图8）。 图8 AI+金融场景应用与技术发展潜力分析[12]        人工智能在监管科技和合规科技应用场景广泛，数据收集基于大数据技术，而数据分析则基于人工智能技术，具体应用包括市场操作及内幕交易、反洗钱、反欺诈、风险控制、流动性风险分析及管理等方面。目前英美已在监管领域开展ABCD技术的综合应用（图9），这类实践对我国的相关部门的技术发展有一定的启示作用。        就产业发展趋势而言，监管与产业融合将是新机会，一方面我国相关部门在逐步加强金融科技领域的监管，另一方面监管助推了金融科技的普惠化，注重向实体经济提供金融服务并不断拓展普惠边界和覆盖程度，实现了“虚实结合”。 图9 国外监管科技的应用实践列举[13]        此外，随着5G、物联网、云联网等新的技术的成熟与推广，结合人工智能，必将在金融行业带来全新的产业机会，而把握政策方向并转化为机遇也将成为金融科技发展的目标。  参考文献 1. 梁迎丽,刘陈.人工智能教育应用的现状分析、典型特征与发展趋势[J].中国电化教育, 2018(03):24-30. 2. 光子量化. “人工智能+金融行业” 未来能走多远？[EB/OL]. 2020-08-14[2021-08-01]. https://zhuanlan.zhihu.com/p/183819302. 3. 佳琪. 思图场景张璐：AI赋能金融企业智慧转型[EB/OL]. 2019-11-18[2021-08-01]. https://www.iyiou.com/news/20191118118338. 4. 国际金融科技观察.全球金融服务AI应用调查报告：人工智能在金融服务业中的应用[EB/OL]. 2020-10-02[2021-08-01]. https://www.sohu.com/a/422313347_674079. 5.  萧俊杰. 人工智慧与金融应用[EB/OL]. 2019-09-27[2021-08-01]. https://www.ibm.com/blogs/think/tw-zh/2019/09/27/aifinance/  6. 云顶财说. 疫情会引发新一轮金融危机吗？——基于银行业风险分析[EB/OL]. 2020-04-24[2021-08-01]. https://www.sohu.com/a/390700930_686826. 7. 曾繁荣.人工智能在金融行业的应用与影响[J].国际金融,2018(04):36-42. 8. 郑应平. 人工智能在商业银行经营管理中的应用对策研究[D].重庆工商大学,2021. 9.  康语. 人工智能压力测试[EB/OL]. 2019-08-06[2021-08-08]. https://www.sohu.com/a/331768997_798057. 10. 陈增敬,严晓东,冯新伟.金融科技中人工智能技术典型事实与核心规律[J].中国科学基金,2021,35(03):387-393. 11. 张立书.人工智能在金融服务体系中的创新应用[J].河北金融,2020(03):4-6+23. 12. 艾瑞咨询研究院. 2020中国AI+金融行业发展研究报告[R]. 北京:iResearch Inc, 2020. 13. 云锋金融. 金融科技产业未来六大发展机遇[EB/OL]. 2019-01-13[2021-08-01]. https://zhuanlan.zhihu.com/p/54751678.