【华泰证券】科技赋能金融，重构业态模式.pdf

2023-07-11

40页

3MB

银行：坐拥数据富矿，科技全面赋能

概览：金科投入加大，人才建设提速

上市银行金融科技投入整体呈现逐年加大态势，股份行投入比例相对较高。从投入规模看，国有行投入规模较大，2022 年六家国有大行平均投入 194.2 亿元，工商银行、建设银行、农业银行以及中国银行投入规模均超 200 亿元。从占营收比例看，股份行金融科技投入占营收比例较高，2022 年平均占比为 3.89%，中信银行、招商银行、光大银行金融科技投入占营收比例均超 4%。

上市银行金融科技人员队伍规模逐年扩大，占比逐年升高。从人员规模看，国有行科技人员最多，2022年六家国有行科技人员平均数量达到14564人，其中工商银行科技人员最多，近 36000 人。从员工比例看，股份制银行科技从业人员平均比例 7.88%，占比最高，其中兴业银行占比高达 11.87%，招商银行达 9.6%。

银行金融科技子公司近年发展迅速。随数字经济发展与银行数字化转型的不断推进，自2015 年起，中国部分银行开启金融科技子公司创立之路，至今已有 15 家上市银行成立金融科技子公司，并有逐步从国有大行、全国股份行到城商行、农商行扩展之势。从 2015 年第一家银行金融科技子公司兴业数金成立，到 2022 年 7 月金融壹账通在香港交易所挂牌上市，银行金融科技子公司近年发展迅速。各银行金融科技子公司注册资本差异较大，国有银行注册资本普遍较高，建信金科以 17.3 亿元的注册资本占首位。金融科技子公司需塑造新型商业模式走出前期高投入净亏损困局。前期高投入和短期净亏损属于大多数高科技公司的必经之路，如唯一上市金融科技子公司金融壹账通（平安银行旗下）2017 年以来持续亏损，而 2019 至 2022 年亏损幅度收窄，所以银行金融科技子公司的预期展望需要拓宽时间维度，从明晰产品定位、丰富产品业态、畅通商业渠道等方面着手，塑造银行金融科技新型商业模式，在中长期发展中获得持续且稳定的创新与盈利能力，切实赋能金融数字化和银行现代化转型。

前端：引流获客效率提升，产品匹配更加精确

人工智能使银行对客户的了解加深，细分现有客群，打造立体化的客户标签，洞察其不同需求，围绕全生命周期进行布局。从潜在客户挖掘—>新客户培养—>业务精准营销—>产品智能匹配—>客户流失预警—>沉默客户再激活等各个方面提供针对性的产品和服务。

客户获取：智能客服降低获客成本，精准营销助力流量转化

节省人力成本，大范围获客提升营销效率。对于新客获取，银行传统方式是基于物理网点覆盖范围为主要根据地进行营销推广，一方面因网点覆盖范围有限而无法触达范围外的客户，另一方面传统模式人力消耗较大且获客效率并不高，极大增加了银行单位新客获取成本。对于存量客户运营，则主要通过电话销售员进行新产品和服务的推荐，但推销电话过于密集且并未触及客户核心需求使得客户体验感较差。在客户触达环节，主要针对信用卡、消费贷等标准化程度较高的业务，AI 外呼机器人可以实现与客户的全智能交互，节省销售员大量的时间成本，基于 ChatGPT 深度学习的自然语言处理技术不断精进，智能客服可精确理解客户诉求，产出更为丰富的对话内容和应答范围，高效解决客户问题，效率大幅提升。

从自动化到智能化，进阶“千人千面”精准营销。银行内部积淀海量客户数据，依靠人工智能强大的数据分析能力，使银行可以在大范围客户触达之前进一步细化客户的定位与分类，由广撒网似的推广宣传进阶至数据驱动的精准营销方案。具体而言，基于客户的内部和外部行为数据，建立多元化客户标签，形成不同的营销方案，嵌入不同的场景化平台，通过差异化的创意触达客户，实现营销活动因人而异、因场景而异，提升流量转化效率；然后持续追踪客户如参与率、响应率、购买率等行为反馈数据，利用机器学习、知识图谱等技术不断优化迭代模型，让每次营销活动在最短时间、最低成本中实现最优效果。

浦发银行：人工智能在信用卡呼叫中心的应用

浦发银行是首家在呼叫中心推行服务营销一体化模式的银行，公司提出以科技驱动业务发展的战略，充分运用大数据对客户进行深入挖掘，利用人工智能输出精准营销策略。具体来看，一是搭建数据中心，将行内与客户沟通交流的数据以统一标准录入该中心，以便提供模型应用；二是构建大数据分析平台，将与客户行为、偏好有关的数据由大数据模型重新统一定制标签，结合各类标签生成客户画像；三是搭建智能决策平台，基于人工智能的机器学习技术，主要结合客户的购买行为、服务行为、消费场景等历史数据分析，由智能机器人自主决策，输出精准服务与营销方案，最终以智能机器人外呼、短信触发等手段触达客户。浦发银行成为业内首家全面实现电话智能语音服务的银行，推动呼叫中心逐渐实现由成本中心向利润中心的转变。截至 2020 年，呼叫中心 AI 占比 85%以上，外呼业务承载量可达每日 20 万通，相当于替代约 800 名外呼人员，该技术广泛应用于客户营销、产品推介、催收、追保、大额核实等场景，交互完成率达 33%。

产品匹配：打造客户立体化标签，定制产品增强客户粘性

在触达客户建立起立体化客户标签后，围绕客户实际需求，基于对市场产品的全方位覆盖与追踪，为其提供最优的产品匹配方案及配套服务。在财富管理领域和小微信贷领域，均存在着有效供给不足的情况，大量长尾客群需求难以覆盖，人工智能优势凸显。懂客户、懂产品，实现财富客户与产品的精准匹配。财富管理的核心是对客户的深入了解，大数据与人工智能的应用使银行一方面可以全方位透视客户静态画像，定位其所处生命周期及风险偏好，针对其兴趣点进行投教与营销，制定有效措施和方案促进购买转化；另一方面基于既有点击、浏览、购买等行为数据，挖掘其潜在财富管理需求，完善客户产品偏好体系，进一步实现产品的精准匹配。通过对客户准确、全面和动态的把控，以实现更精细化的客户经营与财富管理服务。除了对客户的深入了解，还需要对产品较强的判断能力。以模式识别、机器学习、智慧图谱等 AI 技术为基础的智慧投研，可以对特定行业和特定底层资产进行更精准的分析和判断，从而提供更加优质的资产或产品；同时能监测市场全量产品，做到 24h 不间断追踪，实时分析产品组合，完善产品评价体系。

招商银行：智能财富助理“AI 小招”

招商银行 2021 年推出智能财富助理“AI 小招”，其主要基于意图识别、知识图谱、智能交互、深度学习等大数据技术，拥有流动性预测、风险偏好分析、投资决策、智能推荐等多个引擎，可以为客户提供收益查询、涨跌分析、市场热点解读、产品推荐、资产配置建议等财富管理综合服务。不同于一般的互联网金融平台，AI 小招的优势在于具备较强的多轮会话交互能力。根据客户在 App 端内的浏览与行为数据排行榜，AI 小招预设了现金流管理、招财分、四笔钱理财等十大主题会话，通过知识沉淀与机器训练，培养出一定的开放式会话能力，使其懂客户、懂产品，并且有能力将客户与产品匹配起来。由于其具有强大的知识图谱，AI 小招基于每天与客户交互中产生的海量数据不断优化算法和迭代模型，并反哺客户经理，实现人脑与科技的紧密连结，驱动招行财富管理业务快速发展。

完善小微企业画像，助力普惠金融实现。普惠市场中长尾客群主要以小微企业客户、个体工商户为主，数量较大且定位分散，具有“小额高频”且多样化的融资需求。一方面，金融资源分配不均是行业的普遍现象，由于信息不对称、抵押物不足等原因小微企业面临着融资难的问题。另一方面，市场上信贷产品差异化不明显，难以匹配小微企业多元个性化需求。金融科技成为驱动普惠金融发展的新机遇，通过提升数据搜集和分析能力，将此前难以覆盖的诸如生产经营流水、物流、纳税、出行等“软信息”纳入考量，充分刻画小微企业画像，减少信息不对称的同时了解小微企业核心需求，丰富商业银行信贷产品。

建设银行：小微快贷业务

建行对内打通不同渠道、不同部门数据间壁垒，对外则连通征信、工商、司法、社保等外部数据，将小微企业的实际经营状况转化为量化数据，综合构建起小微企业全方位精准画像。在此基础上，围绕小微企业实际需求，分层给予其差异化授信，量身匹配定制化信贷产品，推动精准获客。比如，对于已积累了一定金融资产、交易结算流水且信用状况较好的客户，给予较高贷款额度；而对于刚接触的小额无贷户，则主动降低其信用贷款准入门槛，给予小额授信，引导客户体验小额贷款服务，解决小微企业融资难问题。建行 2016 年上线拳头产品“小微快贷”，针对不同客户类型及需求场景，目前小微快贷已包含“云税贷” “账户云贷”“医保云贷”“投标云贷”等多个子产品体系。截至 2022 年，建行“小微快贷” 等新模式产品累计提供信贷支持 8.83 万亿元，服务客户 352 万户。

中台：蓄积海量数据，筑牢风控生命线

科技在银行中台应用广泛，是完善银行风控体系的关键之举。科技在银行风控中有着广泛的应用，包括大数据风控、人工智能风控、区块链风控等。与传统金融风控手段相比，大数据风控的核心是利用更多维的数据，比如用户的互联网足迹数据，以及诸多传统金融行业没有触及的非金融类数据，通过海量数据累积，以及适应业务发展诉求的算法支持，刻画出客户或潜在客户的精确“画像”，进而提升风险管理的准确性和效率。融入金融科技的 “智能风控中台”则将大数据、云计算和人工智能等技术融入贷前-贷中-贷后全流程，有力夯实银行风控底座。

贷前审核方面，多维度数据验证客户信息真实性。信用评估方面，银行可以整合央行征信、政府平台、多头借贷报告等数据接口，通过多种手段交叉验证用户信息的真实性。同时凭借强大的数据处理分析及建模能力，准确判断借款人身份信息，提高贷前审核准确度。审批流程方面，传统的审批流程比较繁琐，需要客户提供大量文件和材料，且耗时较长。而银行可以应用 OCR 技术等，自动读取客户提供文件中的信息，大幅度优化审批流程。贷中监控方面，大数据提高预警处理的准确度。智能贷中管理系统融合全面的数据标签库、 AI 大数据分析能力，通过关系图谱、设备指纹等技术挖掘用户行为数据，实时监测用户的行为，对用户贷款用途和还款意愿进行追踪监控。为提高预警处理的准确度，还可以将客户风险等级进行分级，根据用户的行为、借贷意向等建立评分模型，利用相关数据和行为特征预测未来发生逾期的风险概率。

平安银行：阿波罗智能审批平台赋能风控全流程

平安银行智慧风控平台将授信业务风控全流程纳入线上化、数字化管理。平安银行通过智慧风控平台，贷前依托评级模型体系开展智能尽调，自动导入信息数据，实现客户经理 80% 去手工。贷中塑造风险预警模型体系。具体而言，审批方面通过四步排除、五定量化生成八维项目决策画像，标准化业务自动审批+非标准化业务辅助人工审批结合，单笔业务平均审批时长缩短 50%。贷后应用限额模型体系，攻克智能预警+智慧贷后，实现贷后管理精细化以及贷后动作自动化。

风险管理已成为平安银行的核心竞争力。鉴于风控能力稳步提升，2016 年以来平安银行不良率大幅下降，从 2016 年的 1.74%下降到 2022 年的 1.05%。同时平安银行不断加厚拨备安全垫，拨备覆盖率由 2016 年的 155%提升至 2022 年的 290%，在上市股份行中排名由第八上升至第二，风险抵御能力显著增强。

建行、工行：金融科技为小微风控插上双翼

小微业务客群较为下沉，对银行风控能力要求格外突出。普惠金融服务对象财务管理水平较低，征信风险成本较高，对银行风控要求较为严苛。金融科技可以在互联网基础设施支持下，利用移动互联网技术、影像识别技术等，充分发挥远程、高效、安全的特点，延展金融服务半径，降低金融服务成本及潜在风险。国有大行发挥“头雁”作用，借力金融科技提升小微风控水平。建设银行通过普惠金融风控体系+定制化产品全方位提升小微业务风控水平；工商银行针对 400 个场景匹配特点的风控准则，借助多维数据提升风控精准度。建设银行普惠金融风控体系全方位增强风控能力，建设银行打造“六位一体”普惠金融风控体系，即智能反欺诈拒险、大数据模型排险、系统机控防险、可视化监测判险、预警催收避险、专业处置化险，构筑贷前中后“三道防线”。贷前环节通过系统匹配企业和企业主在建设银行的业务数据，筛选客观数据作为客户准入、授信评价依据，同时利用普惠金融合规检测平台对客户情况交叉验证、智能拦截。贷中环节实行“内整外派”，将放款、审核人员派驻到普惠金融事务部内，进行集约化业务处理。贷后环节用好小企业期预警系统、信贷催收系统、客户检测系统等工具，对企业风险及时预警和处置。受益于有效的风控体系，据公司财报，2022 年末建设银行普惠小微贷款不良率保持在 1%左右（22 年末全行平均不良率为 1.38%）。

后台：夯实数字化后台基础建设，实现前中台全面赋能

底层平台基础建设+交易后台能力建设+AI 智能银行建设赋能业务全流程。金融科技在银行后台应用广泛，银行云、智能风控、智能审计、智能投研等应用成为银行发展重要生产力，帮助银行提高管理和运营效率，降低风险和成本，为客户提供更好的服务和体验。1）底层平台基础建设提升整体运营效率。银行底层平台基础设施覆盖银行大多数系统，在业务、渠道以及管理端支撑银行经营运作，为银行核心业务开展、线上线下渠道拓展以及客户信息、风控合规和决策分析管理提供底层支持。通过构筑数字基础设施底座，数字化运营能力不断提升，底层平台能够持续提供更加安全、高效、灵活的服务，银行业务、渠道、管理三端效率实现整体提升。2）交易后台能力赋能前台交易。作为交易后台建设重心，银行核心业务系统承担绝大部分交易数据处理工作，支持各种交易处理请求，通过交易处理，驱动会计核算和支付清算。随着核心系统能力提升，后台交易系统能够高性能、高可靠、高安全处理交易指令，从而为前台交易业务强效赋能。3）开放平台、主机上云为 AI 智能银行做好基础。大数据平台与云计算技术为银行后台数据及指令处理提供更为强大的计算能力以及更丰富的服务，计算资源以及数据存储能力得到极大拓展，更高的运营及风险管理效率为 AI 智能银行打下基础，为新兴业务提供强有力支持。

典型案例：农业银行打造 iABC 强后台

农行数字化转型打造 iABC 强后台。2019 年初“推进数字化转型再造一个农业银行”战略构想提出，农业银行以人工智能、大数据和云计算技术为基础，构建新一代数字化云平台 iABC，其中“强后台”建设包括金融大脑、大数据平台以及应用云平台。“金融大脑”基于 GPU/CPU 的高性能 AI 计算架构，大范围集成人工智能核心技术，建设感知引擎以实现“听说读写”等高感知高可用能力，搭建思维引擎以实现学习、分析、预测以及机器学习建模能力。大数据平台采用 MPP+Hadoop 混搭架构建设，MPP 数据库加工处理结构化数据， Hadoop 负责海量数据存储以及流数据运算、统一预处理，最终实现 PB 级结构化数据处理、 EB 级非结构化数据处理和毫秒级流计算处理。金融云平台通过 IaaS 平台和 PaaS 平台建设，将复杂应用系统和软硬件纳入统一管理，底层的基础架构更简单，同时实现云上应用全生命周期管理，提升应用研发、运维效率和资源利用率。

“强后台”为中台提供强大技术输出能力，为前台提供敏捷响应服务。金融大脑为农行各业务条线提供智能化服务基础能力，助力交互拟人化、交易安全化、流程便捷化，推动构建贯前、中、后台的智能创新服务体系。以大数据平台主库为基础构建的数据集市为多种业务领域、条线、应用输送大数据血液，在经营管理、分析应用、统一报送、价值发现等方面提供服务，构建营销、风控、运营、核算、监管等全方位应用支持。高可用、易管理的金融云平台一定程度上解决了硬件、软件以及业务系统异构带来的巨大挑战，能够优化中台基础资源管理能力、增强前台服务能力。

证券：金融科技赋能，重构业务生态

趋势：IT 投入持续增长，技术多场景落地

金融科技正在推动证券行业信息化快速发展。金融科技与证券行业的结合，核心在于机器自主反馈、不断学习且调整的能力。当前，金融科技与证券的融合主要体现为以深度学习为代表的机器学习和以知识图谱为代表的知识工程两大技术领域的突破。其中，深度学习技术直接通过数据生成结果，主要针对影响因素较少但计算复杂度较高的业务问题，如智能投顾等；知识图谱技术则根据已知结果梳理实现自动问答，主要针对计算复杂度较低但影响因素多样的业务问题，如智能投研等。未来，伴随金融科技逐渐发展成熟，证券领域业务流程环节将进一步优化，提升业务开展效率，统多方资源，迈向人机融合协同下的证券新业态。

证券行业 IT 投入呈增长态势，其中中后台建设和证券经纪业务投入较多。随着证券行业数字化转型和金融科技应用的持续深入，券商进一步加大 IT 建设性投资和自主研发投入，一方面通过采购市场上较为成熟的产品、技术或服务，快速实现业务落地；另一方面通过借助外部人力资源，快速弥补自主研发资源的不足。2021 年证券行业 IT 投入合计 304 亿元，同比增长 27%，资本性支出和费用性支出占比均超 36%。其中，软件投入金额占比近 20%，运维费用、硬件投入、通讯费用投入占比均在 10%-18%左右。分业务来看，中后台建设和证券经纪业务投入最多，2021 年占比分别为 41%和 38%，且增长相对较快，较 2020 年投入金额同比分别提升 34%和 22%。

人工智能在证券行业应用场景广泛，但目前仍以外购为主。2021 年共 90 家证券公司反馈开展了人工智能应用，涉及案例 336 个，同比增长 78%，其中 2021 年投产或在建的案例 324 个，同比增长 215%。从应用场景来看，主要覆盖七大业务领域，并集中在证券经纪业务（占比 45%）和中后台（占比 32%）。从建设模式来看，全部外购占比 38%，合作研发占比 36%，自主研发占比 26%，意味着在满足场景需要的情况下，证券公司仍首选外购建设或合作研发，以便快速投入使用，自主研发仍相对较少。

金融科技将在前、中、后台多个方面渗透证券经营体系，最终形成一体化智能平台。金融科技的应用将重塑行业价值链，在关键价值环节形成垂直化专业分工，并在此基础上进行全价值链整合，推动证券行业向渠道触达网络化、产品服务整合化发展。具体而言，在证券行业运营体系中，金融科技应用主要集中在前台（与客户直接交互的界面和触点）、中台（证券业务活动的作业中台）和后台（券商 IT 体系的基础支撑架构）。其中前台应用场景包括数智交易、智能营销、智能客服、智能投顾、智能开户、电子合约、生物识别等；中台应用场景包括智能投研、智能风控、反欺诈检测、情分析、账户分类、智能资讯、用户需求预测等；后台应用场景主要是智能运维平台。最终，金融科技将通过功能集成赋能证券公司形成覆盖全业务链、多客户群的一体化智能运营平台。国内金融科技水平领先的券商有望优先实现效率提升。近年来，上市券商普遍加大信息技术投入水平并实现人员规模扩张，尤其部分金融科技水平领先的券商，信息技术投入金额和员工数量都有明显提升。金融科技的应用价值在于重塑券商业务价值链，在关键价值环节形成垂直化专业分工，并在此基础上进行全价值链整合，推动业务渠道触达网络化、产品服务整合化发展。未来，金融科技水平领先、应用布局全面的券商有望优先实现经营效率提升和成本压降。

前台：优化获客效率，提升服务体验

在前台，金融科技帮助证券行业实现低成本拓客、促进客户转化并提升客户服务体验。近年来互联网理财用户和证券 APP 用户数增速已明显放缓，流量获客边际成本持续提升，同时机构客户规模提升，业务逐步综合化、复杂化，对数智化机构服务平台需求提升。未来如何以较低成本拓展新用户、促进新户转化，同时深挖存量客户价值、夯实客户粘性、提供个性化服务，将是证券行业面临的重要问题。金融科技将帮助券商构建线上化、数字化、智能化运营平台，通过以数智交易、智能营销、智能客服、智能投顾等为代表的重点应用领域，全流程提升客户服务体验。

数智交易：一体交易平台，提升客户体验

数智交易平台通过大数据分析和人工智能等技术，向用户提供高效专业的综合交易服务。根据用户投资交易的全流程需求，数智交易平台按照投前、投中、投后的逻辑将数据服务、市场监测、交易服务、风控服务、管理服务、运营服务等集成在一个终端，通过有效的整合和设计，为客户提供统一的交易服务新体验。新一代交易系统采用分布式低时延技术，能够减少不同模块的耦合性，确保单笔交易的超低延时，解决账户、交易等信息的整合难题，提升企业数据的质量和应用水平，减轻信息不对称问题，显著提升客户交易体验，提高交易效率。

国内券商均大力发展数智交易平台，以提升经纪业务竞争力。例如东方证券与东证期货联合自主研发的 OST 交易系统，为客户定制化开发了 FPGA 行情，实现中心间资金的实时调拨，提升客户下单频率和收益率。中金财富的 IMS 系统，提供交易经纪、风险管理、账户配置、资产托管、估值清算等一体化服务，为机构客户提供一站式交易解决方案。国泰君安 NGTP 交易系统基于分布式低时延架构，以交易行为核心，采用直通式处理方式串联前、中、后台应用，提供完整的交易、清算、资产、风控、账户、认证、接入、运营、运维、报表、实时数据服务等一体化解决方案。头部券商如华泰证券已经打造出多元化交易平台，通过金融科技提升投资者交易体验。华泰证券打造了 MATIC、融券通、大象等交易平台，以满足客户专业化的交易需求。1）机构交易平台 MATIC 包含金融数据、极速交易、场内交易、场外衍生品、行算法等在内的服务矩阵，通过科技驱动机构交易领域的变革，提升客户端到端交易全业务链服务体验，为客户提供全方位交易服务解决方案。2）大象交易平台具有多资产组合量化分析能力，提供实时多维度的损益、流动性风险和持仓风险监控，支持量化做市及自动对冲策略，打造一体化多资产交易、风控、量化策略和组合管理 FICC 业务能力。3）融券通平台通过智能撮合、AI 定价和券池管家三大核心引擎，为中国证券借贷市场的各方参与者，提供实时的证券供需信息、高效的证券借贷交易以及智能化的全流程服务体系。

国际券商交易平台应用场景丰富，为不同交易经验的客户提供差异化交易平台。盈透证券开发出 TWS(Trader Workstation)、Client Portal 等平台，为交易经验不同的投资者提供相适应的交易服务。TWS 是为专业投资者设计的旗舰交易平台，用户可以通过统一的平台在全球 150 多个市场中交易股票、货币、期权、期货、基金和债券，平台提供功能全面的工作空间，实现订单类型与交易算法、账户管理、研究、风险分析、业绩报告、投资组合模型及再平衡工具的交易全方位服务；Client Portal 是基于网页的交易平台，适用于普通投资者，客户端包含了所有交易所需的核心功能，包括下单、查看报价、查看盈亏、业绩指标等，只需要一次登录即可进行交易并管理和监控 IBKR 账户。盈透证券还将交易平台拓展到 IBKR Mobile、IBKR GlobalTrader 等移动应用程序上以实现随时随地交易的应用场景，提高不同专业度客户的交易体验。

智能营销：降低获客成本，促进客户转化

智能营销降低券商获客成本，促进客户转化。智能营销兼具先进技术和专业服务，从原有的业务导向营销模式转向以客户为中心的服务模式，构建智能化、精细化的互联网客户运营平台，全流程提升客户体验。一方面，在开户引流上，通过渠道追踪和数据分析，对线上线下渠道引流效果进行评估，帮助券商选择最优引流组合，降低获客成本；另一方面，在提升转化上，可分析用户开户中断原因，定位中断率最高的步骤，优化、迭代开户流程，并建立客户精准画像，辅助后续个性化营销，推荐个性化投资产品，提升客户转化率。最终，智能营销将通过新客引入和个性化推荐实现用户全生命周期管理。

中信证券结合大数据和人工智能技术在经纪业务领域推出智能营销平台。智能营销平台以提升金融产品营销能力和客户服务满意度为目标，将大数据分析能力进行组件化设计，从数据批处理、实时数据处理、数据挖掘、人工智能、知识图谱五大方面来提升内在信息技术能力，进而实现客户价值和客户贡献度的提升，同时让客户得到最适合自身的金融产品和金融服务，实现客户资产的保值增值，促成公司与客户的共同成长。具体而言，中信证券建立起数字化驱动的闭环营销体系，通过采用前沿的机器学习模型挖掘分析客户点击、交易、持仓、言、员工拜访、产品行情、活动政策相关多方数据源，及时定位或预测客户当前所处或即将进入的生命周期，并在对客户、渠道、业务、场景等进行进一步细分后，实施差异化、个性化的营销服务。

智能客服：提升沟通效率，降低人工成本

智能客服帮助券商提升客户沟通效率，降低传统客服人工成本。伴随证券业务进入“一人多户”时代和非现场开户限制放开，券商对客服人员的需求愈发增加。传统人工客服的工作场景通常是“一对一”服务，工作效率较低，且重复性咨询问题占据较多人力，导致人力成本大幅提升。智能客服通过人工智能技术与传统客服的结合，实现智能化业务查询、业务办理、服务投诉等功能，解决传统人工客服人力成本高、工作效率低、智能化程度不足、多渠道服务能力缺失、非工作时间无法应答等问题。智能+人工的双线客服模式仍为主流。智能客服的入门技术门槛相对较低，但要实现高智能化服务水平，解决客户高度个性化、复杂化的问题，则需要较大的资金和时间投入。当前大部分券商的智能客服难以完全覆盖客户服务需求，通常以机器服务为主、人工服务为辅，搭建问答机器人+人工客服+工单/呼叫中心的服务模式，在降低客服运营成本的同时，避免机器人客服智能化水平不足导致的客户体验不佳。

智能投顾：低门槛低费率，个性化易操作

智能投顾具有低门槛、低费率、易操作、个性化等优势。伴随公募基金规模扩张、大财富管理迈入新增长期、基金投顾业务试点启动，智能投顾应用需求逐渐提升。智能投顾基于投资者财务状况、风险偏好、投资目标等，通过内部数据模型和后台算法定制化、动态迭代地为投资者提供包括财富保值增值、税务与财务管理、传承规划等有具体目标的财富管理服务。相较于传统人工投顾，智能投顾具有多重优势：1）低门槛，通常投资门槛较低，不仅针对高净值客户，也能满足大众富裕客户的投顾服务需求；2）低费率，智能投顾可节省一部分人工成本，因此服务费率相对较低，为客户缩减投资成本；3）易操作，通常智能投顾已设置好内部数据模型和后台算法，客户只需输入投资目标、经济现状、风险承受能力等个人信息，便可实现自动化投资组合推荐；4）个性化，智能投顾通常兼顾个性化设置，客户可在自动生成的投资组合上做个性化调整，满足差异化投资需求。

Betterment 依托算法模型和资产配置理论协助客户投资，先发优势引领发展。Betterment 作为最的智能投顾公司之一，利用算法在线上完成传统投资顾问的功能，例如分散化投资，组合再平衡，税收亏损收割等。当前 Betterment 投顾服务方案主要分为建议与规划工具（Advice and planning tools）、数字化投资（Digital investing）、高级投资（Premium investing）三种，通过填写问卷-投资组合推荐-资金入账理财-实时跟踪再平衡等一系列流程，为客户提供投资建议和服务。用户可以根据自我需求和风险偏好程度在 Betterment 平台上同时设立多个投资目标，系统会在评估所有目标的前提下，给出最优化的投资组合。

国内券商也逐渐进驻智能投顾领域，利用金融科技+投研能力优势抢占市场份额。国内布局智能投顾的公司主要包括银行、券商、基金公司等传统金融机构和阿里、京东、腾讯等互联网企业。其中券商掌握更多市场行情信息，有强大投研能力支持，投资分析和交易优势显著。同花顺、招商证券、中信证券、国泰君安等均推出智能投顾服务，利用精准用户画像推荐个性化投资策略，并在买入组合后持续推送市场点评和解读，增加客户认知。其中，同花顺开发智能投顾机器人问财，借助自然语言优化、Double Check 模型确认用户的真实意图，并采用 3D 虚拟数字人的实时验证交互，优化客户体验，为客户提供建议配置个股、指令下单、客服等核心服务，为不同风险承受能力和偏好的用户提供不同的资产组合；国泰君安打造全程伴随用户的投资决策辅助平台君弘灵犀，实现智能投资、智能理财、智能客服三位一体，将智能服务贯于选股、择时、配置的每个阶段，通过数据解盘、智能诊股、相似 K 线、异动雷达、策略定投等功能，打造每个用户独有的投资策略。

中台：优化投研流程，赋能风险管理

智能投研：赋能研究效率，触达机构客户

智能投研通过信息搜索、知识提取和分析研究输出可视化观点。智能投研主要从信息搜索、知识提取、逻辑推演、数据运算、可视化分析等方面赋能证券投研业务，解决传统人工投研体系中获取信息不及时、知识专业性难保障、提取数据不完整等问题。智能投研技术可以从宏观到微观视角对经济周期、经济现象、经济数据与市场表现进行全方位、综合性分析与研究，挖掘内在联系，锁定潜在的投资机会。主要模式包括文本分析、智能搜索、智能投资管理等，其中文本解析主要提供基础的结构化信息支持，智能搜索主要匹配有效信息极值点，智能投资管理主要实现流程高效自动化。

智能投研优化分析师工作效率，打通投研工作全链路。部分国内券商已开发出智能投研平台，赋能分析师投研工作，例如华泰证券的 RIS 睿思研究平台，对行业研究进行体系化梳理，搭建行业研究模型、产业链图谱及子行业研究数据库，提供配套数据分析和研究工具，并可以一键预生成研究报告，帮助分析师扩大影响力、沉淀投研逻辑、提高生产效率；同时与集团机构客户 CRM、机构客户对客平台“行知”进行整合，实现机构客户触达。海外券商和数据分析公司也积极布局智能投研体系，2014 年领先数据分析公司 Kensho 与高盛合作为其提供金融分析和预测技术，并获得高盛的 1500 万美元投资；2018 年 Kensho 被标普全球（S&P GLOBAL）以 5.5 亿美元收购。当前 Kensho 是标普的人工智能和创新中心，利用标普的世界级数据在内部为标普构建机器学习应用程序，并在外部为客户构建机器学习应用程序。

同花顺 iFinD 兼顾金融数据服务和智能投研功能。iFinD 集多维数据、组合构建、智能投研和风险管理等功能于一体，为专业机构客户提供智能投资组合管理服务。iFinD 依托于大数据技术、高性能系统，智能抓取识别底层金融信息，经过清洗加工形成基础、应用、特色三大数据库。采用机器学习和知识图谱技术抽取金融投资逻辑，形成特色的金融事理图谱，使用 nowcasting 建模跟踪宏观景气度跟踪、洞察金融事件热点、构建行业景气图谱，实现宏观态势感知和微观指标预测。同时，使用自然语言技术形成情监控，针对企业公司的公告新闻来观察情和投资者情绪，从各个维度全面呈现金融产品的风险状况。

智能风控：突破效率瓶颈，护航稳健发展

证券行业经营模式变革，风控是创新业务发展基础，金融科技赋能保障行业稳健发展。一方面，伴随零售客户财富积累并向资本市场转移，机构客户规模扩张业务需求渐趋多元，证券业务逐渐向复杂化、多样化演变，衍生品等各类创新业务蓬勃发展的同时也对券商专业能力和风控能力提出更高要求。另一方面，证券行业金融科技水平逐渐提升，传统风控也逐步衍生出更多科技化、数据化的模块和应用，风控成为金融科技领域最主要的应用场景之一，帮助券商突破传统风险管理模式在效率与空间上的局限性。

国内证券行业智能风控应用已较为普遍。部分券商已具有更加前性的风险管理意识，建立了风险管理领导驾驶舱，将金融科技逐渐应用于全面风险管理工作。如国泰君安构建了一线风控、风险管理手册、数据采集处理平台、全面风险管理及驾驶舱等，其智能化风控平台通过探索图像识别、自然语义处理、知识图谱、机器学习等现代金融技术，在营销欺诈防控及异常交易监控、证券发行审核、企业财务粉饰识别与预测、电子协议的版本比对与管理方面实现智能化管理；海通证券建成全面风险数据中心，搭建了市场风险管理系统、市场风险计量引擎、信用风险管理系统、操作风险管理系统、并表风险控制监管指标监控系统和流动性风险管理系统，研发了智慧运维平台，应用语音识别、自然语言处理、生物识别、智能调度算法等关键技术，实现了“智能监控、智能审核、智能分析、智能操作”；同花顺通过企洞察、证券预警系统等产品，使用 AI 赋能底层数据，应用于信贷风控、情数据跟踪、隐匿关系查询等等业务场景，支持客户自定义监控目标，结合同花顺特有的标签数据，对新闻、公告、研报等多渠道企业情进行资讯跟踪，基于重要情事件进行风险跟踪，并智能生成监控报告。

海外行业龙头如高盛业务体量更大，种类更复杂多样，智能风控技术水平也更成熟。例如，高盛拥有强大的交易系统和全面的风险管理体系，其交易定价和交易头寸风险评估平台 SecDB 由公司自主研发，于 1992 年首次推出，在货币和商品领域取得成功后逐步应用于公司其他业务。高盛的交易员可以访问 SecDB 并使用该系统来衡量与给定头寸相关的损失风险，以对头寸在不同未来情况下的表现进行情景分析，甚至可以确定向交易对手方收取的价格。在企业层面，高盛公司范围内的风险职能部门可以使用 SecDB 来汇总整个公司的交易风险。在公司跨内部职能部门部署技术的同时，高盛也认识到能够与客户联系并以电子方式共享信息的价值，在 2014 年 6 月通过 Marquee 的发布将 SecDB 提供给高盛的机构客户。搭载 SecDB 的 Marquee 发布后，高盛的 PB 估值波动上行，由 2014 年 4 月的不到 0.9 倍提升至 2015 年 7 月的约 1.1 倍。

后台：运维更新迭代，运用场景多元

证券业务更新迭代，监管要求不断提高，传统 IT 运维面临多方挑战。在证券业务不断推陈出新，程序化交易模式快速发展，人工智能、大数据等技术水平提升，传统 IT 架构向微服务、分布式架构演进，以及由软硬件数量激增、应用和架构复杂化、调用链显著增长、运维数据井喷而带来的运维复杂度不断提升的背景下，证券公司运维工作面临多方挑战。一方面，在快速响应业务迭代发展的要求下，敏态业务对交付效率和运维质量提出更高要求，且随着金融科技高速发展，技术系统复杂度越来越高，传统 IT 运维逐渐力不从心；另一方面，监管对基础技术平台要求越来越高，如何在保障系统稳定性的同时，实现高可用、高性能和高可扩展，成为传统运维亟待解决的问题之一。

国泰君安通过智能运维体系实现自动化运维。国泰君安已建立自动化智能运维体系，主要应用在指标异常检测、日志异常检测和故障根因定位三个领域，包括全景监控、告警收敛以及故障定位等。其中，指标异常检测主要是针对传统固定阈值监控存在的“无法随着业务变化自动调整；完全依赖人工、部分阈值设置不合理；阈值触发前的突变无法检测；难以设置周期性指标；配置工作量大”等问题，可以通过对各类关键业务指标异常情况的实时检测、告警，及时感知业务波动。日志异常检测通过日志的相似性进行聚类，对日志模板的频率变化进行检测，将未匹配日志及频率改变的日志进行告警提示，辅助运维人员快速定位异常。故障根因定位则利用告警数据、拓扑数据和指标数据，推算出每个节点的根因概率，并将相关数据提供给运维管理人员进行故障诊断。

集成：覆盖全业务链、多客户群的一体化智能平台

金融科技的未来在于形成覆盖全业务链、多客户群的一体化智能平台，全面赋能业务发展。当前金融科技在证券行业前台、中台、后台的应用已经较为普遍，但大部分国内券商的金融科技平台呈现专业化特征，各业务条线技术平台相互分离，内部协同性和客户使用便捷性较差。一方面，各业务条线分别使用自身独立的业务平台，内部协同存在一定壁垒，运营、管理、维护工作也相对繁杂，增加不必要的技术工作负担。另一方面，相互分割的业务平台意味着同一客户需要下载、注册、学习、使用多个软件系统以分别满足不同的业务需求，同时可能需要对接多个系统销售和技术维护人员，不利于巩固客户粘性。因此，金融科技的发展迭代应当朝着一体化智能平台方向出发，实现全业务链、多客户群覆盖，围绕金融本源，强化科技价值输出，全面赋能业务发展，提升内部协同效率。

海外顶尖机构金融科技集成技术成熟，阿拉丁平台助力贝莱德成为领先资管机构。阿拉丁（Aladdin）是资管巨头贝莱德旗下的投资管理和业务运作一体化平台，包含 Aladdin OS、 Aladdin Studio 和 Aladdin Sustainability 三大模块，下设 12 个细分子平台，共同构成一体化投资组合分析平台，辅助投资者进行投资决策、有效管理风险、提高运营效率。其中， Aladdin OS 是投资管理的终端操作系统，可提供风险管理、数据管理等多项功能，能够辅助投资者监控资产组合的风险敞口，并在不同风险情境下及时调整；Aladdin Studio 是以数据和计算为基础的阿拉丁社区开发平台，为客户团队提供开发者指南、模板等工具和资源，便于阿拉丁系统根据客户业务需求更新迭代；Aladdin Sustainability 是可持续投资平台，能够量化 ESG 和气指标，辅助投资者把握可持续领域投资机会。

阿拉丁功能多样、客群丰富，成为贝莱德为机构客户提供一站式服务的重要触达平台。阿拉丁系统集投资、交易、风控、数据、管理于一身，功能丰富多样。在投资端，负责组合和风险分析，为客户提供每日风险评估报告、盘前分析、以及交易和资金分配模型；在交易端，负责订单行，为客户进行订单管理、交易指令行、并提供实时风险和现金报告；在风控端，对资产实行实时全面监控、每日风险敞口限值监控、VAR 分析，跟踪误差、压力测试等；在数据端，对数据进行保密管理、交易确认和日志的管理；在管理端，对现金和仓位进行对账、最组合的表现进行业绩归因、对净资产进行估值计算。此外，阿拉丁服务于类型多样的机构投资者，包括养老金、资产管理机构、保险公司、非金融企业、财富管理机构和其他金融机构，成为贝莱德为机构客户提供一站式服务的重要触达平台。

金融科技拓宽机构业务边界，阿拉丁赋能贝莱德自身产品的同时还为其创造科技服务收入。一方面，阿拉丁强大的投资管理和运营能力赋能贝莱德自身产品，帮助其取得长期优异的投资业绩，增厚管理费及业绩费收入，并保障其风险管理和交易效率，成为贝莱德长期发展的重要基石。另一方面，贝莱德凭借领先的金融科技能力不断输出技术服务，并为其创造科技服务收入。2022 年贝莱德的科技服务收入达到 13.6 亿美元，2017-2022 年年复合增长率为 15.7%；2022 年科技服务收入占营业收入的比例为 7.6%，且近年来始终维持在 5%-8%区间。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）