金融科技是技术驱动的金融创新，旨在运用现代科技成果改造或创新金融产品、经营模式、业务流程等，推动金融发展提质增效。面对新一轮科技革命和产业变革，金融科技的创新方向会有哪些趋势？技术的变革又会突破哪些金融场景的瓶颈？
金融科技是技术驱动的金融创新，旨在运用现代科技成果改造或创新金融产品、经营模式、业务流程等，推动金融发展提质增效。面对新一轮科技革命和产业变革，金融科技的创新方向会有哪些趋势？技术的变革又会突破哪些金融场景的瓶颈？
蚂蚁集团邀请全球顶尖专家学者一起共同碰撞观点，并深入研判和预测人工智能、区块链、新计算、数字安全等热点科技在金融场景中的应用，形成2021年全球十大金融科技趋势。
预测金融科技的发展趋势，必须将视野放宽到整个数字经济的高度。毫无疑问，未来10~20年金融科技都将是全球数字经济发展的核心驱动力，而金融科技的创新已经迈入普惠的可信智能时代。本白皮书研究的十大金融科技趋势顶层逻辑即由这两个大断言推导出未来5年发展的十大技术趋势。根据所属的技术域，这十大金融科技趋势可以归入“可信”、“智能”、“普惠”三大类别：金融作为对安全要求极高的行业，未来将会构建从芯片、操作系统、数据层、应用层、到端侧，从硬件到软件的全栈可信能力；而人工智能在金融科技领域的深化应用必将推动未来的金融机构走向以用户为中心，为客户提供高度定制化、个性化的金融服务。
可信领域的技术趋势
趋势1：全栈可信
概览
金融是经济运行的命脉，信任是金融服务的根本。信任意味着持续服务不间断，意味着安全可靠不泄漏，意味着谨慎保护不越矩。金融业需要从技术上确保对客户、对资金的可信。
金融系统在架构设计上就应该原生具有可信能力，从芯片等基础设施到操作系统，从系统冷启动到运行时，从数据到计算环境，从应用生产到系统运维，全链路确保安全可信，可以具备在极限环境下的生存能力。
描述
技术的迭代更新日新月异，其快速发展对现有的安全防御体系提出了更高的要求。对于 IT 系统安全极为严苛的金融服务场景，随着安全意识进一步提升，对“零信任”安全架构的需求愈发强烈。遵循零信任架构“永不信任且始终验证”的原则，软硬件架构每一层都需要实现安全防护避免攻破。则必须时刻随着网络环境的变化升级安全能力。
不仅于此，要在技术上确保，即使任意一点被入侵，系统也可以保证数据安全、不被窃取，而且，可以从行为上定位、发现入侵行为并进行自主的防御。
1. 在基础设施层，从软硬件层面实现可信是关键能力由于硬件安全和可信计算领域的人才稀缺，导致金融机构自建可信环境面临诸多挑战且成本较高。未来底层 IT 基础设施硬件会普遍趋向使用安全芯片作为整合安全基础能力的信任根。基于安全芯片构建 Boot Loader、底层操作系统、中间件等可信体系，并且会针对虚拟机、容器、业务以及用户认证层面构建全链路的可信体系。硬件以其不可篡改的天然属性可以帮助用户实现基于硬件的加密计算和可信，而加密计算等保障软件安全的手段则是差异化安全能力的体现。因此，一定程度上，未来安全能力的角逐也是软硬件融合能力的竞争。
2. 在系统层，基于身份的零信任架构成为主流当前一个业务系统的网络边界已经变得非常模糊，并不是所有的访问都通过物理部署的网关进行访问控制。以身份和访问管理为基础的零信任架构取代网络成为基础设施的新边界，构建全新的安全防御体系架构。基于云的 API 化等原生能力，企业可以对身份权限进行统一的认证和授权，并可以在动态环境中授予不同人不同权限，实现精细化管理，让任何人在任何时间、任何地点，都可以正确、安全、便捷地访问正确的资源。
3. 在应用层，围绕数据全生命周期的安全加密、流转成为基础条件。
一直以来通过密码学进行数据加密保护是经典的做法，并且其应用从最初的数据加密保护已经扩展到整个系统的全生命周期的各个领域。当前对于简单的安全模型和算法，基于密码学的密态计算技术已经趋于稳定成熟，与明文计算的性能差距越来越小，但是性能提升已渐入瓶颈，从密码学角度的通用安全突破越来越难。未来密态计算技术的发展将依赖于如何针对特定需求类型进行定制化优化，通过密码学、机器学习、数据挖掘、软硬件结合的方法交叉实现突破。
4. 关键技术：可信软硬件一体、全链路加密、零信任架构、安全容器、密码学、机器学习、数据挖掘等。
趋势 2：主动安全防御
概览
近年来，全球企业安全风险环境愈发严峻，风险事件层出不穷。传统模式下的安全策略在防御体系上较为被动，集中表现在强依赖于对已知风险模式的刻画，
对于新型的攻击无法有效防御，且防控响应慢具有滞后性。对于安全敏感度极高的金融场景来说这种被动防御显得较为迟钝，金融安全防御模式必须升级为主动的防御体系。即通过不断的风险巡检、异常发现、异常风险评估的模式，从静态的被动防守转变为动态的主动安全防御。描述传统的风控平台，一般都基于实时智能决策的技术体系构建，在短暂而宝贵的决策响应时间内，充分激发硬件所有潜力，计算尽可能多的特征和规则，做出打扰率和资损率“完美”的决策平衡。而在另一边，黑灰产已经可以做到过非常低的成本，研究试错各类金融业务场景的防控体系，找到风险漏洞后进行大规模攻击。
1. 主动动态对抗博弈
要打破这种攻守的不平衡，化被动为主动，就需要对现有基于风险决策论的技术体系进行变革，升级为基于动态对抗博弈论的技术系统，并具备“自证”的基础能力。
在前期对黑产进行试探，对异常操作进行提前分析和跟踪，根据对手的潜在行动，针对性的布防。因此，大规模的异常检测技术增强分析技术、群组跟踪传播技术、动态决策技术，都将有新的突破出现。同时，在日常的防控中不再仅满足于区分正常和恶意，更需要对于行为背后的意图进行精准识别，做到完整解释和还原。
在深度实体 eKYC 和 eKYB 的基础上，实现eKYA ，布局知识图谱，深化行业知识内容，形成专有的风险知识演进和分析，进而成为融安全的核心能力。当前业界领先的金融安全主动防御技术可以降低资损率至千万分之 0.641，能极大提升金融安全水平。
2. 实战为王
在这个背景下，“实战为王”也成为安全行业共识。安全合规是重要的起点，但安全水位最终还是要看实际安全威胁的对抗效果。国内关键行业大规模安全演习更是凸显出安全水位，必须要靠攻防实战来检验出当代复杂安全态势下大规模复杂网络系统里的各种安全隐疾，也才能实质性地推动行业安全技术与服务的发展。在强大的对抗安全实战需求推动下，安全技术形成蓬勃的发展态势。
3. 关键技术：混沌攻击、形式化验证、红蓝攻防、增强分析、知识图谱等。
趋势 3：跨链
概览
区块链的蓬勃发展形成了不同的区块链形态，在技术标准不尽统一的当前，不同区块链在数据格式、接口开放等形式上往往不同。这使得部署了不同区块链的企业之间基于链的交互变得困难。尤其对于金融行业而言，其核心价值在于通过金融服务使资产在不同行业、机构、伙伴之间形成流动，因此跨区块链的交互尤为重要。要挖掘区块链的真正潜力，实现跨企业跨行业互通，并形成更开放的生态系统，促成更便捷的价值交换，就必须通过跨链技术实现整个行业网络、合作伙伴生态的数字价值流转和资产交换。
描述
区块链技术在过去几年迎来了新的爆发增长，应用落地从概念POC 逐步走向商业应用，形成了覆盖医疗、政务、金融、教育、交通运输通信、媒体娱乐等多行业探索。当前的应用探索大多聚焦在局部单一领域的应用，重点解决了“局域网”内部的商业协作。随着商业应用大规模落地，各场景下现有的局部数字资产流转已经不能满足未来数字经济的发展需求，如何突破不同区块链之间互通性的限制走向跨行业跨领域的深度互链，成为突破行业发展瓶颈的关键。
1. 需求飞速增长促进跨链技术升级
基于行业发展的现状以及现有区块链技术能力的积累，区块链迈入跨链需求飞速增长的阶段，成熟的行业应用从单链交互走向跨链协作阶段，朝向促进更大规模的数字化资产价值流转，加速万链互联的进程。同时在标准化方面，跨链技术整体正在形成多层次多模块的标准架构雏形，其中部分应用成熟的子层次模块已在相关标准组织立项推进。跨链技术架构趋于统一及核心技术的进一步升级，有望加速演进出支撑万链互联真实需求的生产级平台。
2. 典型场景
当前应用跨链技术实现跨领域合作的业务场景较多，典型如：
供应链金融
涉及核心企业、供应商、经销商、物流、金融机构等多环节多角色的资产与资金流转。当这些角色处于不同的区块链平台时，通过跨链技术可以实现跨企业的业务链接。
跨境贸易
在传统供应链的基础上，复杂的进出口流程，跨境业务透明度不足，业务分布在不同平台放大了资产追踪难度。
农村金融
农村金融的发展依赖农业经营的数据流通。以农产品溯源为例：从源头生产农场、到物流仓储、再到分销商，对品的全链路追踪要求其跨链路实现全流程透明。通过跨链技术使不同链上的业务环节相连通，使农产品溯源数据流转追溯成为可能，奠定了农村金融服务的基础。
3. 关键技术：隐私安全计算、高性能交易、中继技术、跨链事务、跨链治理、命名寻址、异构协议等。
智能领域的技术趋势
趋势 4：基于隐私保护的共享智能
概览
开放金融使金融行业对同业/异业合作成为了可能，但如果要真正成为现实，需要安全的多维度数据融合。共享智能为开放金融提供基于隐私保护的多方信息融合，使得数据价值最大化。
描述
1. 共享智能赋能联合信贷实现普惠金融
共享智能即通过多方信息融合学习，保护各方数据隐私前提下，安全联合多方价值信息。
共享智能帮助信贷业务：
通过多方价值信息共享进行线上授信，将传统的线下信贷过审模式，转变为线上自动过审模式，缩短授信时长； 实现多方联合数据建模，提升模型性能，从而提升授信决策水平，并在授信过程中，有效保护用户的数据和隐私。
涉及核心技术：
隐私计算中的安全多方计算及可信执行环境分别在共享智能中起到关键作用，同时也可以将两种技术融合到一起进一步提升联合模型性能。
隐私计算中的差分隐私保护同样应用在共享智能中，安全多方计算和可信执行环境技术确保了计算过程的安全性，而差分隐私保护确保计算结果的安全性，即无法通过计算结果反推出原始数据，维护数据安全。
共享智能技术将帮助大幅度增加授信成功用户数、提升授信额度，积极推动针对小微企业及农村金融的信贷业务发展。
2. 共享智能助力金融机构建立联合风控网络
共享智能助力风险控制：
实现将线下人工审核方式转为线上，避免人为偏差，降低人力成本提升效率；
针对不同的具象风险类型，沉淀标准化风险特征库、风险特征模型及风险特征规则；
实现多方共同决策，共建模型，共防风险，实现联合风控的“千人千面”。
共享智能技术帮助联合生态伙伴共同建立安全风控网络，多方利用可信执行环境等隐私保护技术共建风控模型，联合打击虚假交易、欺诈团伙等，在增加交易量、降低资损的同时，大幅度提升风险识别准确率，实现风控网络净化。
3. 关键技术：多方安全计算、可信执行环境、差分隐私保护、联邦学习等。
趋势 5：时序图计算概览
金融风险决策是一个不断对抗升级的过程，越来越多的风险体现出团伙性和隐蔽性，从单一事件和行为无法准确决策，需要引入更多的交易关系、资金关系、位置关
系、社交关系等，形成全局的洞察，进而识别深度风险，构建监控体系，图计算正是解决这种复杂金融关系的最优解；其中，图计算的数据构建，从单一金融行为数据，走向跨行业多维度异构数据，从单一时间切片的图数据，走向基于时序的图数据。在此基础之上，叠加人工智能以做决策。
描述
1. 时序图计算为金融风控提供
更丰富更精准的决策服务时序图计算融合图计算引擎、图存储等核心技术，尤其在超大金融资产规模智能风控场景中，极大地提升了实践效。
基于时序的图计算帮助4：
实现数据升维，引入多维、多时序的数据进行决策，单场景数据超万亿级； 实现百万级并发下，毫秒级实时构图及查询能力，数据强一致；
实现秒级的群组关联决策能力，复杂关联分析从事后走向事中；
实现从单点建模到实时网络化智能升级；
实现百亿节点及万亿边的图数据推理和深度学习训练；
数据构建从分散的单一时间切片走向连续的时间切片，拟合一段时间的行为，从而进行行为预测；其中，数据收集包括但不限于金融交易数据外的多维度异构数据。
涉及核心技术：
包括基于时序的分布式图数据库、实时图计算/时序图分析、图学习框架、图的动态时序、知识图谱的构建与推理；
其中图的动态时序涉及动态时序图挖掘、动态图学习、时序分析、时序建模等技术能力支持。
对于金融机构投资风险预测，可基于一段时间的历史交易数据以及跨行业多维度异构数据，以综合判断影响。同时，时序图计算也可应用于交易风险识别，协助降低欺诈风险，减少个人与企业的资损；在企业授信中，可优化客户评级模型、降低信贷管理风险。
时序图计算还可以帮助金融专家将其行业经验以规则方式沉淀下来，是智能风控中的利器，将会走向纵深发展。
2. 企业知识图谱帮助减少信息不对称带来的金融风险企业与企业、企业与个人通过资金链接形成了复杂的网络关系图谱，金融机构如何处理复杂客户关系网络，进而识别深度风险、构建监控体系成为重大挑战。
企业知识图谱将帮助减少多方信息不对称带来的金融风险，通过 NLP、机器阅读理解、动态持续分析、因果推断、关联推断等技术，将非结构化的数据结构化，相关的数据通过相关的关联面联系起来，中关联面基于可公开的信息分析，包括但不限于公司股东/历史股东、投资情况、债务债权、开庭公告、业务竞争等，最终形成企业知识图谱，用来理解分析当前企业将面临的重大风险，并进行风险预警等。同时，也可以通过企业知识图谱协助预测企业经营情况，降低不良贷款率，达到提额降风险目的。
3. 关键技术：图数据库、图计算、图学习框架、图的动态时序、知识图谱
趋势 6：持续智能
概览
金融行业的资产负债管理，业务繁杂且资金体量大，而日常的资金管理主要依靠人工经验，往往通过储备较大量资金来应对流动性风险，但是带来了资金的闲置、增加了经营成本，在流动性风险和资金利用率上难以获得较好的平衡。
持续智能结合大数据和 AI 技术，建立智能资产负债管理模型并持续自动化迭代和演进升级，通过流动性预测、投融资交易策略、交易机器人帮助金融机构实现高效的资产负债管理，提供金融决策支持，大幅降低流动性风险并提升资金利用率。
描述
1. 智能资产负债帮助金融机构精准预测流动性，极大提升资金利用率智能资产负债管理实现：
对资金流入流出中间业务做出精准预测，全自动化的头寸及圈存管理体系帮助机构做好资金管理；
对资产类业务预测未来增长并发现核心增长点，帮助企业高效经营；
面向金融市场提供投资组合策略、提升投资效益。
涉及核心技术：
基于宏中微观的金融时序预测及基于大数据分析技术的用户资金行为预测；
基于大数据分析技术的金融市场价格预测及市场研判；
基于遗传规划算法的因子自动挖掘和模型的可解释性，以及效益归因；
多目标优化策略。
在日均资金流量上千亿5的情况下，精准把控流动性变化，提升预测准确度，提前识别流动性风险，无人化进行圈存管理，大规模释放头寸管理员的工作，极大地提升了金融机构的资产负债管理效率。
2. 智能交易机器人代替人工进
行同业间金融交易，极大提升交易效能智能交易机器人可实现自动询报价、智能交互、交易意图识别、交易撮合、交易核验及交易执行
全流程自动化。
涉及核心技术：
基于 NLP 技术的串联聊天、交易撮合；
基于大数据分析技术的及时交易统计、交易规则抽取及市场实时分析；
基于金融云底座的弹性扩容
及分布式训练。
智能交易机器人在金融同业市场交易提效上具有显著的成效，目前应用于质押式资金交易及现券交易场景，降低交易撮合耗时，提升交易达成效率及交易总额，控制交易风险，从而整体提升同业间金融交易效能。
3. 关键技术：自然语言处理、机器学习、遗传规划算法
趋势 7：自动因子发现的机器学习
概览
传统机器学习中因子分析依赖专家经验和专家模型，而基于自动因子发现的新一代机器学习可以自行发现因子，在零人工干预的情况下实现自适应、自学习，代表着人工智能技术的一个颠覆性突破。未来 5 年，自动因子发现的机器学习将会大规模应用于金融场景，弱化主观分析、强化客观事实对金融风险控制的影响，进而极大提高智能决策的水平。
描述
1. 基于自动因子发现的机器学习将在各类金融决策场景中普及机器学习的效果高度依赖于数据训练集，而金融行业海量用户产生的交易、客户、账单、转账记录为机器学习提供了绝佳的数据场景。自动因子发现可以同时探索用户的金融行为和外部的生活类关联数据，也一定能提供比基于人工经验的特征工程更多的价值。因子对于金融领域的重要性不言而喻，在智能投顾、智能保顾、信用评估、智能风控，RPA等场景中，因子分析是核心能力；尤其在智能投顾及智能保顾的业务场景中，通过自动因子发现，可以帮助找到对金融产品价格变化的领先指标，从而极大提高金融决策的水平与此同时，传统的机器学习算法中，影响因子依赖于人工干预，而提前预设的因子带有较强主观色彩，从而对金融决策具有主观引导性，不利于业务风险控制及创新发展。
未来 5 年，基于自动因子发现的机器学习将在各类金融决策场景中普及。它可以通过分析多维度历史金融数据，利用遗传算法等方式自动且持续生成新的有效因子，淘汰过时无效因子，同时确保因子的多元化和因子的可解释性，达到弱化主观分析、强化客观事实对金融决策的影响，对于 AI 技术在金融领域的应用造成颠覆性的变革。
2. 关键技术：机器学习、自动因子发现、增强分析
趋势 8：知识图谱与多模态学习
概览
传统金融业务处理流程复杂，需要大量人力审核投入，人工成本高；通过知识图谱、多模态机器学习、共享智能等关键核心技术，以智能保险服务为例，其智能化过程如智能核保、智能理赔等，进一步提升保险业自动化程度，降低人力审核投入，提升用户体验。
描述
1. 知识图谱助力智能金融效率提升
以保险业务为例，在智能理赔过程中，知识图谱技术帮助实现：
抽取相应凭证信息，将凭证中的字符、图像、音视频等异构信息理解成理赔需要的结构化信息，解读是否有欺诈风险；
同时将上述抽取并结构化后的信息实体化链接入知识图谱中，在图谱平台上沉淀业务规则，利用规则推理引擎得到业务决策建议。
涉及核心技术：
知识图谱技术，包含知识构建、知识抽取、知识融合、知识评估及知识推理等核心能力。
共享智能技术，帮助实现数据最小化使用原则，即仅获取相关、必要、脱敏后的特征信息进行模型训练，因此，共享智能技术既保护了个人的数据隐私，保护了系统的特征加工机密不外泄，防止因此带来的骗保风险。
通过智能化理赔决策，帮助节约人工审核成本，加速理赔流程，降低误赔率，提升用户体验。
2. 关键技术：自然语言处理、知识图谱、图像理解、多媒体内容理解、共享智能及RPA
趋势 9：深度个性化
概览
互联网技术驱动金融从离线走向在线，未来的金融一定是融合在业务场景中的泛在实时服务。
大数据和人工智能在金融领域的广泛应用，使得金融机构可以实现用户与内容、用户与服务的精准匹配，从而生成深度个性
化的金融服务：AI 与保险业务的结合产生智能保顾、AI 与投资业务的结合产生智能投顾、AI 与客户服务的结合产生智能客服、AI 与营销洞察的结合产生智能营销。未来 5 年，大数据及14
人工智能技术必将在更多的金融场景中产生融合，深度个性化的金融服务将成为主流。
描述
1. 用户需求的变化催生人工智能与大数据技术在金融业的大规模普及当金融服务从离线走向在线，金融服务的对象、模式、重心皆发生重大变化：
金融服务对象从大企业、高净值人群逐渐走向中小企业、大众化；
金融服务模式从 B2C 逐步发展到 C2B，由人工受理发展到在线无接触服务，再发展到个性化智能实时处理；
金融服务的重心将从传统的企业组织为中心逐步发展到为以用户为中心，更加关心用户的体验和感受，更加关心用户的个性化要求；
得益于人工智能和大数据技术，金融机构可以从用户的消费行为数据中产生和获取洞察，从而通过满足用户深度个性化的服务需求，留存老客户、吸引新客户。
2. 用户智能驱动个性化金融服务覆盖全业务场景用户智能就是结合大数据分析和人工智能技术，通过搜索推荐、服务内容理解等，达到用户与服务、用户与内容的精准匹配，它是一种数据智能和人工智能的结合态。未来 5 年，用户
智能会把深度个性化的服务推送到所有的金融业务场景中，实现人人皆可获得适合其自身的金融服务。其中较为典型的场景包括：
智能投顾结合人工智能算法和产品，依据用户设定的投资目的及风险承受度，为投资者提供“千人千面”的投资决策支撑；未来 5 年，智能家庭理财师将成为服务全球亿级大众的金融基础设施；
智能保顾
海量用户数据结合智能推荐技术，将为用户提供定制化的智能荐保、风险评测服务；未来 5 年，智能保顾将会服务超过亿级全球客户；
智能客服
聊天机器人 、虚拟助理等为金融机构和用户之间提供会话接口，建立起基于自然语言的沟通方式；
客户将得到训练有素的专家提供的高标准、量身定制的服务；
智能营销
基于机器学习算法深度挖掘客户交易、消费、社交、信用等行为数据，金融机构可以进行用户画像、用户分层、用户定位，进而实现营销服务的精准化和个性化，优化营销的质量与效率。
3. 关键技术：用户行为分析算法、自然语言处理、机器学习、互动技术、自动语音识别与合成
趋势 10：开放透明
概览
科技高速发展，创新层出不穷，如何利用技术发展来增强用户信任而非迷惑用户成为重中之重。
在科技发展过程中，数字化理念和隐私越来越受到个人、企业和政府的关注，随着用户个人信息保护意识增强，需要企业规则制定过程清晰，且规则是易于被访问的，同时需要相关政策法规制定来确保个人数据隐私受到严格保护；
在金融普惠的愿景下，金融服务应该是人人可获得、人人可无差别公平享用，金融科技相关企业应始终坚持以用户为中心提供开放统一的金融服务；
科技赋能金融服务最终应对世界产生积极影响。
描述
1. 金融业呼唤数字化理念
在利益面前，金融科技企业存在通过以下方式利用用户隐私牟取暴利的不当操作：
利用用户对金融法规的盲点，向其强制授权、过度索权；
通过用户信息结合人性弱点让用户频繁交易、加大杠杆；
通过大数据杀熟以及进行信息造假。
企业需要制定一系列开放透明的数字化理念准则，及时更新隐私政策、规则说明等。
金融科技企业应做到包括并不限于：
建立公司数字化理念指导原则，并关联公司价值观、技术目标和战略；
公开隐私权政策，明确如何收集、存储、保护、使用、对外提供用户信息等，让用户可以更好地理解、控制针对数据的共享与使用；同时，保持隐私权政策简短精悍，易于浏览，且易于被用户访问；
以“公开透明”为出发点，清晰化规则制定过程，公开规则说明于服务应用首页，易于被用户访问，让用户在共享数据的过程中获得体验升级和实惠，并支持用户在必要时能够简单方便地退出服务。
2. 开放与透明成为金融业数字化理念建设共识金融数字化理念标准应深深根植于金融科技相关企业，保护用户隐私、维持用户信任，让数据为用户创造价值，而非为企业创造收益。提供基于数字化理念的金融服务应作为每一个金融科技企业的责任和承诺。
随着科技创新对世界的影响更加广泛和深入，人类应抱有善意的目标和动机运用技术，应采取负责任的行为，确保科技真正惠及人类。
