
人工智能、大数据、区块链成金融科技2.0核心技术
百度副总裁张旭阳今日出席2017清华五道口全球金融论坛时表示,“我们觉得,在人工智能阶段,人工智能、大数据、区块链,会成为我们所谓金融科技在场景革命之后,新的金融科技革命2.0的核心技术。”
张旭阳认为,人工智能、大数据,可以改变我们对经济整体面貌,包括个人的洞察。而区块链,使得我们互联网从无序到有序,从无价到确权,从无界到可控。因为我们知道,区块链主要的核心技术,包括了去中心或多中心化,包括了我们的分布式账本,共识算法、加密算法、可编程性、智能合约、时间戳。但区块链的结构,使得我们可以把我们的价值跟互联网的信息流结合在一块,使互联网从信息互联网到价值互联网。这种情况下,下一步的数字资产化或数字资产成为可能。
以下是发言实录:
百度副总裁张旭阳:
感谢清华五道口的邀请,两年前我也有幸参加了清华五道口全球金融论坛,也就资管行业的一些发展变化做了一些发言,当时我提出了资管行业的五个之变:模式之变、技术之变、投向之变、体制之变、参与者之变。
今天,也是我加入百度的一年,在百度的一年当中我觉得,我更深刻地感受到了技术进步,感受到了技术对金融,包括资管行业可能带来一些变化。
首先我觉得,金融包括技术也在不断发生变化。就像一个小孩成长一样,可能你日常感受不到他的变化,但是突然一天发现他长大了。
互联网从PC互联网阶段到移动互联网,以智能手机为代表的。在移动互联网阶段,我们最大的一个变化就是,人的存在变成数字的存在。
从去年开始,我觉得互联网进入到了第三阶段,就是人工智能阶段,包括去年的AlphaGO战胜了李世石,今年战胜了柯洁。可以看到,在移动互联网世界是水平的,很多通用平台在通吃。但在人工智能阶段,世界变成垂直的,人工智能在赋能各个行业,为各个行业的效能提升、成本下降、新的空间展开,打开了一个新的视野,也包括金融。
因此我们觉得,在人工智能阶段,人工智能、大数据、区块链,会成为我们所谓金融科技在场景革命之后,新的金融科技革命2.0的核心技术。
在这一阶段我们觉得,人工智能、大数据,可以改变我们对经济整体面貌,包括个人的洞察。而区块链,使得我们互联网从无序到有序,从无价到确权,从无界到可控。因为我们知道,区块链主要的核心技术,包括了去中心或多中心化,包括了我们的分布式账本,共识算法、加密算法、可编程性、智能合约、时间戳。
但区块链的结构,就使得我们可以把我们的价值跟互联网的信息流结合在一块,使互联网从信息互联网到价值互联网。这种情况下,我觉得下一步的数字资产化或数字资产成为可能。
今年5月16号,百度金融做了一个尝试,为我们的消费金融贷款、资产债券化,做了区块链架构。我们把评级公司、律师、信托、原始权益人拉了进来,为大概将近一个包里的将近2万笔资产,用区块链打上标签。解决了资产债券化过程中信息的穿透透明性的问题,也解决了我们所谓风险隔离的问题。
所以,区块链在使得我们在进行一些底层架构的变化。
人工智能,我们觉得可能也到了一个爆发阶段,为什么这么讲?第一个就是所可充分运用数据的指数化增长。第二,我们分析数据算法的变化,也包括我们处理数据能力的提升。我们已经从CPU到GPU到FPGA的机群架构,包括云计算的能力,使得我们可以更好的处理大数据。
包括,特别是金融,它更加清晰、连续的需求,使得我们可以为所谓的AI,提供很好的分析框架架构。
同时我们也看到了所谓跨界人才不断的衍生。前段大家可能看到一个消息,微软的人工智能首席科学家邓力,加盟了一个全球对冲基金。在这种bains的基础上,人工智能对资产管理行业的改进,也会发生到临界点和爆发点。
在此基础上我们看到,大数据在实时反映出个体和整体经济活动变化。这个图的左上角,是我们通过卫星来观测到的中国夜间灯光情况,用我们的地图定位、大家的上网地点、WiFi的信号地点,来刻画出中国人口的聚集程度和人口流量情况。这样的数据,可以实时全面的反映出我们的经济活跃度。
运用这样的数据,可以分析城镇化率,分析一个地区、一个地段的人口聚集程度,可以分析出我们聚集这个地区、地段上的企业财务状况变化程度。
在这种基础上,可以改善我们的资产配置效能,提升大数据资产配置的绩效,并可拓展我们投资的边界,创造出新的α。一方面我们可以通过大数据分析寻求β,再创造新的资产类别,我们寻找新的α。
我想,整个新技术在渗透我们资产管理行业的各个领域,包括我们的数据采集和分析,投资研究。现在,我们百度在用机器读研报,通过机器人的图象识别、自然语义理解和算法,我们每小时可以看2000份研究报告,进而归纳出我们当天的投行报告中主要的主题词,辨别出我们当前的市场热点和情况变化。
同时,我们可以在战略资产配置、战术资产配置,包括交易执行方面,通过人工智能提升效能。
大家前段时间可能看到过一个报道,高盛的交易师,已经从几百个交易员变成22个交易员。人工智能的技术,使得我们更快的去应对市场信号。
当然,我们更关键的可以看到,这些技术在改变我们的清算、核算和风险控制。刚才我提到了,通过我们区块链技术,我们可以更好的看到底层资产,从我们基础资产流转过程中的不同阶段,去跟踪它,可溯。这部分,是我讲的技术在改变资产管理行业的一些底层架构。
但我很同意,技术只是提高了我们的效能,但不应该改变我们金融的本质。不管前面我们的忠民理事长、李总,包括陆局长都提到了,资产管理行业的本质是一个风险、收益过手的信托责任。如何能够无风险兑付,是我们资管行业能够持续稳健发展的一个前提。
我们老说大资管,但实际上这里有刚性资产存在,真正的资产管理行业的规模比例是很小的。
金融机构对我而言,核心对我们来说是风险资产的形成、定价和处置。银行为主导的金融融资体系,风险是被银行管理的。所以,我们的监管和立法都会强调银行的杠杆率、能力,包括它的放贷边界,怎么去保护存款人。
而在以金融市场为主导的金融融资体系当中,风险控制主要是通过专业机构的分散来加以解决的。我们通过一个投资银行,把一个不可变现、不可流转的技术资产变成一个可交易、可估值的标准化资产,通过资管机构把单一风险变成一个组合风险,再通过包括像唐总这样的机构,把一个组合风险变成一个跟投资者风险偏好和生产周期相适合的资产配置风险,从而使一个基础资产风险在全社会加以分散、流转,并且使投资者能够获得与风险相适应的收益,这是我们的风险加以处置的根本流程。
如何使得我们的风险和收益平衡,就是资产管理行业的一个前提。也就是说风险合理、风险可计量、风险可承受,这也恰恰对应了我们公募基金的三个强制,强制托管,以净值为核心的强制信息披露,以及强制的组合投资。
刚才陆局长提到了,为什么公募基金可以在过去十年的时间健康发展?就在于它实践了风险的过程。我想下一步资产管理大资管行业的监管,包括归置的设置,也以此为基础。
今天明晰各类投资计划的实体地位,从募集方式、产品投向,确定投资的保护程度,包括强调资管管理人的净值和善于管理人原则,以及公允交易,信息披露,与适度销售等等一些基本的原则。
同样我们也会看到,在基础进步上,监管也会有新的思路。
第一,基于互联网3.0时代的新技术群,包括刚才提到的大数据、人工智能、区块链,可以为监管的实时、同步、穿透、可塑和自控提供支持。
第二,在新技术的基础上,投资者适合度应该有新的视角。现在很多投资者适合度简单以一个门槛几百万表明是高尖客户,可以投资某些产品。但是我们看到过去中国三十年,财富在不断积累的同时,贫富差距也不断在拉大,怎么使得大众投资者获得一个更好的更加公允呢?资产配置也好,财富管理业务服务也好,需要重新审视一些投资者的门槛和条件。因为在新的时代,新的技术条件下,我们可以有更好的维度为投资者进行画像和用户识别。
第三,在新的技术条件下,互联网金融P2P可以向PSP去转变,这个S第一指的是SPV,通过信托,把架构进行风险隔离。还有专家能力,在普惠阶段,专家能力需要提升,从原来P2P到把融资人的资产通过财富管理的形式、组合管理进而销售给投资人,而不仅仅只是P2P的架构,我相信这样既能达到连通、投资和融资,达到普惠,也能达到风险控制的目的。
最后我想说,未来几年,我们会看到技术更快的进步,我们会看到人和机器会重新学习和创新这个世界,包括新的生产方式、商业模式和新的增长空间。
在未来,我们相信撬动数据和人的才智,资产管理行业和价值投资的主要逻辑,资产管理行业的核心竞争力所表现的核心竞争力的体现。
在新的大资管时代,资管之大,资管之美,让我们坚守资管行业的业务本质,同时迎接技术革新的未来。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10