金融职业平台
无论是传统金融机构还是新兴科技公司，都纷纷在加强对金融科技的布局。虽然科技会让很多工作岗位消失，但同时也孕育出更多新兴岗位。金融科技受到越来越多的关注，成为金融业下一个高薪风口吗？
这里引用毕马威对金融科技公司的理解：
非传统企业以科技为尖刀切入金融领域，用更高效率的科技手段抢占市场，提升金融服务效率及更好地管理风险。
嗯，说人话——金融科技（FinTech）就是Finance与Technology的融合，就是运用高科技技术提高金融服务的效率，降低金融服务的风险——落地于金融服务，但以技术见长。
我们团队（模数师）的专家认为，这个融合过程大致可以分为两个阶段：第一阶段是办公自动化、实现信息存储的电子化和快速交换，主要是提高业务流程的执行效率，不牵涉优化流程；
第二阶段是在信息和数据积累的基础上应用新的科技手段对业务流程本身进行优化和创新，这个阶段就被我们称之为——金融科技。
金融科技核心技术
当所有人都在热捧金融科技的时候，有哪些新兴的技术是值得我们关注的呢？
其中，人工智能以机器学习、数据挖掘为两大核心技术，两者技术范畴上其实有所交叉。
金融行业交易量大，交易历史数据精确完备，是个强数据导向的行业，今天我们主要介绍的机器学习技术，已经成为金融生态中不可或缺的组成部分。
在金融领域，机器学习之所以能产生神奇的效果，原因在于，它们并不需要明确的编程就能从经验中进行学习。简单来说，就是当我们选择了一个机器学习的模型算法，并向它们提供数据之后，算法就能自动调整参数，然后输出训练好的模型。
当通过历史数据训练出了一个有还不错拟合效果的模型时，就可以应用到真实的业务场景中，并且随着时间的推移，现有数据不断更新，模型的参数也随之更新。
现在，金融机构纷纷布局金融科技，金融领域已经出现了很多机器学习的应用模式，今天我们就来了解一下，金融领域有哪些痛点问题，以及应用机器学习可以实现什么样的解决方案。
二、金融科技细分领域
在波士顿咨询2017年全球金融科技的发展趋势报告中，将全球金融科技领域划分成了8大主要范畴：
当然无论领域如何细分，都会同时涉及大数据、云计算、人工智能、区块链等多项技术，而接下来介绍的是主要以机器学习为核心的几个应用趋势。
1.借贷
伴随这移动应用的普及，我国消费金融行业蓬勃发展，消费信贷规模从2008年的3.7万亿元一直增长到2016年的22.6万亿，未来几年还将保持20%以上的速度继续增长，预计2018年将达到32.5万亿 。
2008~2018年中国消费信贷规模预测
无法被传统银行满足的长尾市场实在巨大，面对如此庞大的借贷需求，借贷业务估计占领了现在金融科技公司的半壁江山。
传统信贷业务依赖于人工审批的模式也逐渐不再适用于“小额”、“短期”、“高频”的消费性借贷业务，一来人力成本相对较高，审核效率又极低；二来主观性和片面性较大，完全依赖于审批人员的个人经验，缺乏对整体市场的全面判断和对庞大客户群体的标准画像。
因此，针对在贷前如何根据客户提交的信息，快速、准确地决定是否通过贷款审批，以及在贷中如何根据客户的还款行为建立风险预警系统的关键问题，解决方案在于，运用机器学习的方法，根据已有客户的历史数据，建立信用评分模型和违约风险预测模型，用训练好的模型，自动化地预测新客户将来是否会发生违约，从而做出批复或催收决策。
2.交易&投资
一个是交易执行，一个是投资组合模式。根据花旗银行数据显示，2017年中国个人可投资资产总额达188万亿元，个人财富规模在过去10年增长了5倍；中国互联网中心报告截至2017年12月，中国互联网理财用户规模达到1.29亿，同比增长30.2%。财富管理大众化、惠普化、数字化已成为必然趋势。
传统的人工投资顾问的痛点在于，一来受金融牌照和投顾资质影响，现有的专业投顾数量并不多，而且服务成本高，费用昂贵，无形中将海量的、投资额较小的个人投资者“拒之门外”，而这部分市场相当广阔；二来人在投资交易过程中，很容易产生贪婪或恐慌等非理性因素。
智能投顾作为人工投顾的替代品，首先可以根据每个用户的特征推荐个性化的资产配置方案；
接着，为投资人找到一组适配的金融产品之后，并不是一成不变的，而需要实时监测后续的市场变化，并通过交易来调整以适应最新的市场环境，所以，算法交易系统（有时也称为自动化交易系统）用机器学习模型对市场的变化进行预测，基于预测结果进行决策，快速且客观，每天可以操作数千次或百万次交易，这远远超出了人类交易员的极限。
3.保险
国内人们生活水平的提高也推动了保险行业的发展，2016年我国保费收入就已飙升至全球第二，成为保险大国。一开始借助互联网进行销售的居多，但现在也逐渐出现了很多利用大数据来进行差异化定价及出险率预测的金融科技公司。
典型代表如蚂蚁金服、腾讯和中国平安共同投资的众安保险（2013年成立），是中国首家互联网保险公司。互联网保险不缺乏场景，最初从电商切入，从退货运费险、保证金保险等，到如今已经开发了车险、健康险、航旅及商险、以及一些特色保险，例如手机碎屏险、银行卡盗刷险、宠物伤害险等200多款产品。
保险科技目前主要的问题是定价缺乏个性、理赔效率低下以及风险难以预测。通过机器学习技术能够提供的解决方案例如：根据积累的海量历史客户数据，建立基于客户或基于产品的出险率预测模型，当新来的客户选择了某类产品时，通过模型给出的出险概率作为风险程度的度量，从而进行个性化定价（例如，出险率较高则定价较高；出险率较低则定价较低）。
