沃顿商学院给出的金融科技释义是，“用技术改进金融体系效率的经济行业”。随着互联网的飞速发展，数据井喷推动人工智能技术及相关计算技术取得突破性发展，为以人工智能、大数据、云计算技术为代表的互联网新技术与金融服务深度融合提供了坚实的基础。

从宏观角度来看，金融科技和资管业务的融合具有必然性。互联网和金融行业所依仗的核心，本质都是对数据和信息的高效利用和价值挖掘。依托于数据技术的智能金融可以拓展资管行业的深度和广度，为整个大资管领域带来效率上的提升。与此同时，从宏观经济形势、监管制度格局和行业发展预期角度，未来大资管行业回归本源、差异化发展已成定局，借力金融科技实现行业的转型升级，也成为大资管行业的内生性需求和共识。

一 拥抱金融科技是资管行业发展的必然选择

（一）监管环境和行业格局剧变，造就金融科技应用内生动力

以2017年11月发布的《关于规范金融机构资产管理业务的指导意见（征求意见稿）》为标志，一系列监管政策接踵出台，随着2018年4月《关于规范金融机构资产管理业务的指导意见》的落地，宏观经济形势和监管环境全面趋严压力叠加，促使未来资管机构的核心能力终将回到管理人的主动资产管理能力和渠道方的资金募集能力这两个根本上，未来资管行业将从同质化逐步向异质化演化，各个领域都必须认清自身的优势和劣势，重新定位自己今后的发展方向。

1.破除刚兑，重塑风险管理能力

在刚兑传统下，资管机构的竞争焦点落在了预期收益率上，同质化程度过高。一旦负债成本的上升与金融市场风险积累形成强烈正反馈和叠加，金融机构的信用会受到较大的冲击。因此，资管行业破除刚兑的过程，必然伴随着重塑资管机构风险管理体系、提升风险管理能力的过程。

从信息收集、信息分析到风险建模的智能化演进，金融科技可以极大提高风险定价与管理效率，从而辅助资管行业风险管理体系的重塑。从资管产品的净值化转型诉求来看，智能风险定价可以帮助建立能及时合理反映基础资产收益与风险变动的估值体系。从微观资产层面上看，基于区块链技术的智能合约、共识算法、加密体系、资产跟踪和资产分析等手段，也为ABS、消费金融等领域提供了高效可靠的去中心化风控技术手段。

2.委外缩量，通道消亡，回归核心资管能力

由于流动性泛滥结合资管体量飙升，银行资管的委外业务在2015年前后开始大规模涌现。但从2017年委外模式的实际运行情况来看，主观上资金委托模式过于粗放，受托非银机构产品策略过于集中、无法起到分散风险的作用；客观上银行资管负债成本不断攀升、当前外部金融监管环境也使同业委外资金面临大幅缩量的危险。在委外业务的主观因素与客观环境均在恶化的情况下，证券基金机构作为受托人、银行资管作为委托人希望在同业端寻找突破口的难度极大。同时，券商子公司、基金子公司和信托委贷等通道模式的大规模受限，也促使银行，尤其是缺乏自主资管能力的中小银行回归资管能力本源。

传统的资管能力建设方式周期长、成本不可控。以解决资管能力痛点为核心，应用金融科技的资管平台具备如下特点。

（1）依托互联网行业成熟的敏捷开发和模块架构能力，实现针对业务的灵活扩展；依托安全机制和云计算能力，实现高效的SaaS模式或金融云模式，具备快速业务扩容的能力。

（2）灵活标准化的渠道适配能力，增强前端资金募集能力。

（3）统一的账户体系和数据统计分析、建模能力，快速规范实现账户体系内的FOF或MOM机制，构建多策略组合、建立业绩归因回溯系统。

（4）以智能风控技术和多投资策略构建为核心，利用智能投研技术辅助从根本上提升自身投资能力，也方便以账户或技术合作形式引入外部投顾辅助投资。

3.非标受限，债券降杠杆，要求多样化资产配置能力

2018年4月27日《关于规范金融机构资产管理业务的指导意见》（银发〔2018〕106号）（以下简称《资管新规》）等一系列新政对资金池、非标、期限错配、资产穿透、资金投向、通道业务等做出了严格的限制，同时也对债券投资杠杆率进行了严控。单一资产品种市场风险大，资管机构急需针对跨资产类别、跨市场的整体性配置策略及投资、风控、产品创设等完整链条的资管能力。

近些年前沿投资的实践证明，来源于互联网的大数据，特别是结构与非结构的另类数据集的构建和利用，以及分析这些数据的定量技术——机器学习，可以改善资产配置效能、拓展资产类别和投资半径，解决信息的二次不对称性。因此，在投资实践中，引入智能投研手段，将成为提升投资绩效、有效改善多资产配置的捷径。

4.业务差异化、机构碎片化，数据和技术差异化赋能

随着资管市场的发展，在资管业务细分领域中大量机构差异化发展。以私募基金、中小银行为代表的中小机构，差异化、碎片化趋势明显，对金融科技平台化赋能补足短板与多媒介灵活触达市场需求增长迅速；而以大型银行与保险资管为代表的大型机构拥有品牌和资金优势，科技赋能重点体现在补足自身能力短板，有效整合分散业务系统、消除信息孤岛、建设统一平台方面。

（二）技术爆发，造就行业机遇

就金融科技而言，侧重的是云计算、大数据、机器学习、人工智能等新技术在金融细分垂直领域的应用和深度融合。这些新技术之所以能够在金融领域中得到成熟的应用，得益于近20年来“互联网革命”中目不暇接的技术创新。

1.数据资源爆发催生技术突破

人工智能概念在1956年达特茅斯会议上被明确提出并被明确定义之后，在2000年前后才从理论真正走向应用，正是与互联网的大规模普及如影随形的，数据井喷为人工智能发展奠定了基础。时至今日，万亿级别的网页数据，千亿级别的电商交易和社交数据，百亿级别的图像、视频、音频、定位和物联网数据，可用数据量的指数增加为突破人工智能中“知识瓶颈”——如何表达系统所需的所有知识的问题——带来了量变到质变的决定性因素，使人工智能技术彻底摆脱前40年依赖专家系统、逻辑推理的桎梏；互联网金融场景革命，也促使强金融属性行业数据和用户行为数据资源完成初步积累。技术发展和数据积累的互相促进，正反馈叠加，使通过种类、格式丰富且不同领域的大数据资源刻画金融领域社会情绪、人群风险偏好、宏观经济指标、投资趋势等成为可能。

2.计算能力扩展释放了技术半径

计算能力的显著提高和数据存储容量的成本快速降低，是计算科学及互联网技术飞速发展的基石。低成本数据存储、百万级别分布式服务器技术架构的实现，使得汇集大数据资源、实现与行业应用紧密结合的数据仓库建设成为可能；而硬件计算能力的突飞猛进，尤其是大型分布式并行计算和针对特定技术应用场景优化的计算核芯的实现，促使人工智能技术可以付诸实践，并在实践中不断优化升级。

3.算法技术成熟孕育业务创新机遇

在资产管理领域，机器学习算法的进步以两个方向最具代表性：以智能算法技术为代表的投资端应用和以区块链技术为代表的基础资产端应用。以投资端的核心问题投资风险管理为例，以数据科学的视角看待是典型的高维、稀疏、小样本、高覆盖、强场景问题。可以通过集成学习、深度学习、半监督学习等技术，聚合大数据高维特征，模型化风险信号、发现稀疏特征潜在关联；在风险数据小样本的情形下，利用知识图谱、关系网络和图计算的方法，发现带有风险标签的客体特性，达到统计意义上的物以类聚、人以群分；构建大规模风险预警关联网络，基于智能图计算算法建立强大的风险挖掘和风险追踪能力。

以区块链为代表的网络技术的逐渐成熟和应用，为资管行业基础资产的生成、运营、管理、投资提供了全新的模式。区块链技术的基础是分布式网络技术的成熟，分布式账本、分布式数据库、共识算法、非对称加密算法、智能合约、TCP/IP模型点对点价值传输协议（不依赖中心建立信用价值）使其可传递价值与信用，推动互联网由无价、无序向确权、可控、强加密的价值互联网递进，使数字化货币和数字化资产、资产信用共识化成为可能。

4.“互联网金融”爆发为金融科技在资管行业的应用奏响了序曲

以2013年“互联网金融元年”为标志，互联网思维成为影响并改变传统金融业态的冲击性力量。借由第三方支付、互联网理财、网贷、众筹等支柱型业务模式在近十余年积累后的爆发，以BATJ为代表的国内互联网巨头深度切入金融业务，各类型金融机构也依靠自身优势拥抱互联网金融浪潮。网上银行、互联网理财、互联网保险、互联网证券经纪业务等业务遍地开花，传统金融业务场景化的过程中逐渐积累大量的数据，逐步获得业务系统和运营思维的改造和提升。

二 金融科技在资管行业中的典型应用

金融科技在泛资管行业中的典型应用可以从资金端和资产端两个维度进行梳理。

（一）资金端：个性化服务汇集碎片化渠道资金

传统销售渠道面向个人用户销售银行理财、基金、保险等理财产品的过程，本质隐含“存款替代”的过程，单纯追求规模和收入，针对客户的服务单一化、同质化明显；面向机构销售的资管产品委外配置、出表、绕监管等需求的主导，同质化程度高，过度强调压缩管理成本、拉高负债成本，导致风险极端放大等弊端。因此，提升资金端个性化服务质量、精细化产品配置和开发、重构用户连接与服务的价值链，在目前的市场形势下均成为迫在眉睫的任务。

1.智能获客

金融行为的低频与隐性造成获客的成本高、难度大。最初的获客策略机械地采用高利率、用户返现补贴等方式，然而客户留存率低、活跃度低。智能获客以关系数据、身份信息、消费数据、网络行为等多层次数据为基础，通过神经网络等技术进行特征表达和转化，建立刻画全面、定位精准、触达实时的金融画像，立体刻画个人用户的风险模型和需求模型，真正做到“千人千面”，发现价格敏感的用户。智能创意契合场景，通过用户的风险偏好、收益偏好和响应预估及最优补贴计算模型可以有针对性地触达不同的需求，进行精准投放，定向锁定时机，直接命中用户，降低获客成本，提升资金获取效率。

2.智能客服

基于金融业务的强安全要求，身份验证作为准入环节依赖线下人工校验，烦琐耗时、用户体验差、安全隐患大，无法完全嫁接到互联网线上服务流程中。声纹识别、人脸识别、虹膜识别、手写体识别等身份识别技术的发展突破了实时准确验证身份的难题，适用于远程登录、场景支付、远程开户与授信、安全校验、公章识别、票据验真等多个应用方向，大幅提高了用户身份鉴定准确性和效率。

智能客服核心是自然语言处理和语音技术，借助AI驱动定制化客服平台，通过语音文本转换、语气识别、问题预测、问答检索及交互会话等技术，使智能机器人能够自主与客户进行互动交流，覆盖常见业务问题，减少客户等待时间，强化针对用户的安全保证，增强用户黏性。

3.智能投顾

智能投顾，又称“机器人投顾”，大多数情况下，是指通过在线调查问卷获取投资者信息以了解投资者的风险偏好以及投资偏好，从而结合算法模型为用户制定个性化的资产配置方案，包括动态调仓、实时监控等功能。相较于传统的投资顾问，智能投顾试图为投资者提供更具性价比的投顾服务，在相同的服务等级下，资金门槛更低。

智能投顾初起源于美国，2008年金融危机之后，以Betterment和Wealthfront为代表的智能投顾公司成长起来，而后传统金融机构加入布局。相较于国外智能投顾业务相对集中于目标日期基金和养老资产管理领域，国内智能投顾形态更偏重于面向个人用户理财产品组合化销售。京东智投、广发贝塔牛、华泰证券并购AssetMark、招行摩羯智投、民生璇玑智投等机构智能投顾上线引起市场广泛关注。

目前，国内智能投顾发展面临着可配置资产种类、产品品种、用户习惯、市场成熟程度和监管政策等方面的难题，核心智能用户匹配能力和资产配置能力还需要更深入地挖掘和提高，整体市场尚处在初创期。归根结底，智能投顾是资管行业资金端的产品销售行为，重点在于让用户有“投”的意愿，才能达到“顾”的本质。因此，如何通过智能客服高效利用线上流量、有效沉淀转化；如何夯实投资策略开发能力，实现本质上的高效资产配置，是未来行业发展的核心问题。

4.智能反欺诈

网贷业务具有无尽调、无线下审核、无强质押物等突出特点，低壁垒与弱风控的弊端客观上催生了高利率、高违约率、重复授信、集团骗贷等问题。目前，从BATJ互联网巨头到规模较大的网贷平台，乃至于现金贷、消费金融创业公司，都在尝试通过大数据结合智能算法手段控制业务中的授信风控和反欺诈行为。

授信方面，以蚂蚁金服推出的芝麻信用为例，以阿里体系内的交易记录、金融数据为支撑，从最直接相关的客户资产、收入、借贷历史等数据扩充到电商、社交、搜索等与信用强相关的场景数据，将传统模型的百以内的变量扩展到千、万级别，提升了用户的信息厚度。再以芝麻信用为支撑，推出了针对个人消费者的蚂蚁花呗消费贷、蚂蚁借呗现金贷业务，积极拓展在租房、租车、社交、消费、生活服务和执法等领域与信用场景应用的结合。智能反欺诈以百度推出的般若产品服务为代表，以ID-Mapping真实身份识别为核心，实现人、账号ID、设备ID的拓扑记录，结合来源于社交、电商、出行、位置服务、信息获取等场景的用户行为数据刻画用户行为特征。

线上信用体系和系统的建立和尝试，为打破信息孤岛现象、完善个人征信市场、建立社会信用体系提供了基础。2015年国内正式开展个人征信试点，芝麻信用、腾讯征信、深圳前海征信等8家机构获得个人征信牌照试点许可。2018年2月22日，央行正式向由中国互联网金融协会牵头、8家试点机构入股的百行征信下发个人征信业务许可，信用社会时代即将来临。

（二）资产端：系统化能力提升管理效率

在资管行业去杠杆、打破刚兑的大环境下，资管机构提升自身资产管理能力、回归资产管理本源成为资产端迫在眉睫的刚需。

1.构建以风控为核心的资产配置策略体系

资产管理的核心能力是风险处理能力，即风险定价和风险管理能力在整个资产管理流程前中后台，事前、事中、事后的高效率整合应用。就风控的本质而言，核心工作可以分成两个方面：一方面是在信息碎片化时代，发掘信息的广度、深度、关联性，构建灵敏有效的风险或信用评价体系；另一方面是将风控能力模型化、系统化，引入投资、贷款和风险资产处置过程。

信用评价体系的建立首先要解决的就是高效识别、获取有效信息的问题。传统数据获取及分析方式存在时效低下、质量参差不齐，且容易受研究人员主观情绪影响的缺陷，金融科技可在拓展风控数据源和提升信息分析技术上实现飞跃。来源于互联网的用户行为、舆情、社交、电商、定位服务数据可以多维度刻画宏观经济指标趋势和市场情绪、中观行业和区域经济热度和微观信用主体行为，而过往难以处理的搜索、新闻、地图、财表、研报、社交媒体等非结构化数据也可转化为结构化数据，成为传统信用评价体系的有效补充。将数据以平台形式构造统一数据分析环境和专门的数据仓库，以动态知识图谱、机器学习等技术完成数据向知识转化的提取、组织、关联和生成过程，数据与信用研究框架、智能模型相结合，为非标资产、信用债、ABS等资产提供高效实时的解决方案。例如，百度金融推出的“信评大脑”平台，基于千亿量级的舆情和用户行为数据、百亿量级的LBS数据，结合具体资产类别和应用场景的需求，已经广泛应用于信用债信用预警和监测、商业地产监控、ABS信用监控和估值、企业主体信用行为监测等方面，取得了良好的效果。

在资产处置过程中，金融科技的引入为可量化、动态化的管理提供了可能。例如，在银行贷款贷中和贷后过程中对押品的估值、动态监控，可以通过引入舆情、用户行为和LBS数据测度区域、行业经济热度和企业经营行为，为押品价值提供动态实时的损益估值；可以针对企业或具体行为人的用户画像、智能图关联、经营行为评价等为风险资产处置和清收提供辅助。中小企业规模小、经营风险大、缺乏担保物，导致传统评级方法授信审批困难，智能信评技术引入立体化、动态化企业信用体系和经营评价模型，有效减小了放贷机构审批授信与贷后管理难度。在此基础上，衍生出贸易金融、供应链金融、小微贷等多种业务模式，如京东供应链金融服务“京保贝”，蚂蚁网商银行的“网商贷”“旺农贷”“信任付”等产品，为大量小微企业提供融资、信用支付服务。

2.智能投研

金融科技在投资领域的广泛应用和机构资管方式的普遍转型，将引发两个明显的趋势：一是被动化、风格化投资工具型产品在市场中的广泛出现及其规模的迅速扩展；二是大量另类数据、因子、算法、技术和系统的应用，拓展资产类别和投资半径，解决信息的二次不对称性问题，从而提供新的Alpha。

随着国内金融市场尤其是股票二级市场由散户主导的市场风格向机构化市场演进，监管新规限制下资产回表、机构主动管理能力和产品净值化等硬性要求，以及多风格和资产类型的工具化、被动化投资需求逐渐显现。引入来源于大数据的另类因子，通过机器学习训练，结合SmartBeta等投资理念为丰富工具化种类带来可能；计算能力和算法能力的提升为通过算法交易、统计套利等量化交易手段扩大产品规模、降低管理成本提供可能。

智能投资技术可以分为以下几个层面。首先，在投资标的调研的过程中，可以借助舆情监控、大数据经济指数、市场行为热度数据和LBS数据描绘的微观主体或区域经济流量形态，获取更广、更深的信息；其次，在投资标的筛选阶段，利用市场情绪因子、行业热点数据聚合、NLP舆情和研报自动化解读、企业经营性数据预测等手段形成差异化投资因子；再次，在投资组合建立阶段引入分类算法、集成学习算法、排序算法、资产相关性分析等机器学习技术，利用AI提升决策能力；最后，在组合运行风控阶段利用结合情景分析的智能配置、市场动态跟踪，从宏观和市场情绪角度发掘多资产关联关系，完成智能配置及调仓。目前除以BATJ为代表的各大互联网公司结合自身技术数据特点积极与资管机构合作和已经推出大量“大数据”资管产品外，涌现出了萝卜投研、优矿、聚宽、米筐等多样化开放性量化平台，在智能投研领域开展多样化的探索。

3.资管系统建设

资产管理能力借助金融科技提升需要可靠的系统载体，才能将数据、算法、技术的革新沉淀为机构的内在能力。云计算技术、灵活可插拔敏捷系统开发技术和移动应用技术为面向业务全生命周期管理的、部署灵活的金融资产管理平台出现提供了可能。凭借有效降低IT成本、具有高可靠性和高扩展性、运维自动化程度高、具备大数据和人工智能技术支撑等价值，金融云技术被越来越多的机构作为IT系统的首要选择。当前，已有大量金融机构利用BAT云计算平台承载和处理高并发业务，实现IT转型。

例如在《资管新规》的影响下，通过构建具备灵活账户体系的资管系统，真正意义上实现FOF或MOM产品在机构统一账户机制下区分组合管理，引入具备资管能力的管理方，以技术投顾的身份进行子账户、子产品的管理，对于丰富机构资管能力外延、符合监管穿透要求、快速摆脱委外产品萎缩后机构自身能力的脱节有巨大的现实意义。京东金融上线“京东行家”机构自运营平台，免费帮助金融机构打造“移动官网”。百度金融与农行联合打造的“金融大脑”，开放获客、身份识别、反欺诈、信息核验、信用管理与产品功能。蚂蚁金服旗下芝麻信用通过商家自助服务平台全面开放消费金融风控功能。

4.资产信用体系重构

“刚兑”的打破必然带来资产形成层面系统性的信用冲击。通过技术手段增强、重构资产生成过程和信用体系，建立长效机制，可以帮助释放信用压力。此类应用当前首推区块链技术。区块链在资产管理中有两种典型的用途：一种是降低由资产生成和管理过程中信息不匹配造成的风险，增强安全和互信；另一种是提升多方交易的透明度和效率。

区块链技术作为独立的底层数据存储和验证技术，具有去中介信任、防篡改、交易可追溯等特性，能够实现交易过程中各节点共同维护一套交易账本数据。对于消费金融、供应链金融资产证券化等具备典型下沉到场景、基础资产分散、交易高频化特点的领域，项目中各参与方作为联盟链上的参与节点，可以通过引入区块链技术，有效增强底层资产形成期的真实性和透明度及各中介机构履约的客观性和信息透明度，实现资产存续期状况、现金流实时监控和精准预测，同时二级交易的估值和定价也变得有据可依，有针对性地增强安全、互信，减少信息不对称性。2017年5月百度金融与佰仟租赁、华能信托等联合发行国内首单区块链技术支持的私募ABS项目；8月百度金融联合天风证券、长安新生发行了国内首单运用区块链技术的交易所ABS；同月，京东金融ABS云平台与建元资本合作完成首单全程基于区块链技术的汽车融资租赁Pre-ABS项目放款。

区块链技术应用在支付、金融资产交易等领域，可以提升多方交易的透明度和效率。如Ripple公司提供的跨境支付平台交易速度快，平均节省成本33%。在资产交易等领域使用基于区块链的系统，通过去中心化和共识信用交易、清结算体系，可以显著缩短交易结算时间，节约对账成本，从而帮助减少全流程资本需求、运营成本和托管费用。根据高盛的报告估算，将为全球金融市场每年节约110亿～120亿美元的成本。目前已经涌现了Digital Asset Holdings、R3CEV、Chain.com等一大批创新型企业，这将给银行托管和清算所体制带来极大的冲击。

三 金融科技发展相关问题的思考

作为新生事物，未来金融科技的发展机遇与挑战并存，需要经历业务实践中的反复锤炼和沉淀，才能逐渐成熟、发挥更大的价值。

（一）增强业界与监管良性互动，加强对科技应用的规范和引导

金融科技在与资管各领域不断探索交融的过程中必然会触及大量新领域、产生大量新业务模式。面对众多新生领域，无论业内的实践认知还是相关监管引导都存在一定的空白或灰色地带，如何在促进技术创新提升效率的同时避免可能引起的市场波动和不良后果，应该引起业界和监管共同思考，形成良性互动。

一个典型的例子就是近年来美股市场备受争议的高频交易。目前程序化交易占美股市场的比例已高达90%。然而程序化交易的盛行，有放大市场波动率的嫌疑，容易造成市场暴涨或暴跌的一致性行为叠加。早在2010年5月6日，美国就曾出现机器引发的“闪电崩盘”（Flash Crash），道指日内大跌1000点，近1万亿美元市值蒸发，之后又大幅回升。SEC和CFTC将此归咎于高频交易公司，技术手段的无限度扩展改变了原有市场结构。

《资管新规》也就目前部分金融科技热点领域给予了关注。《资管新规》明确将智能投顾界定为“运用人工智能技术开展投资顾问业务”，并明确要求“运用人工智能技术开展投资顾问业务应当取得投资顾问资质，非金融机构不得借助智能投资顾问超范围经营或者变相开展资产管理业务”，“金融机构应当向金融监督管理部门报备人工智能模型的主要参数以及资产配置的主要逻辑，为投资者单独设立智能管理账户”，“金融机构应当根据不同产品投资策略研发对应的人工智能算法或者程序化交易，避免算法同质化加剧投资行为的顺周期性，并针对由此可能引发的市场波动风险制定应对预案”。《资管新规》并未要求金融机构全面披露产品模型的策略细节。一个全面公开且运行良好的策略，一定会被复制从而造成顺周期性，如何权衡策略开放程度与机构保留核心策略的需要，势必将成为监管落地与市场博弈的热点。

（二）金融科技与资管业务的融合路径需要长期的探索

现阶段，金融科技在资管业务的实践中尚存在至少两个不可回避的技术性问题：一是金融科技本身的成熟性，二是资管业务与技术产品化的匹配程度。

从技术本身来看，金融科技本身所涵盖的大数据、人工智能、云计算、区块链等技术处于起步阶段，自身尚有大量的难题和未知领域未攻克。具体算法、技术在应用迁移通用性、复杂环境的适应性、执行效率等方面发展阶段参差不齐，需要更大的突破才能“走出实验室”。

在金融科技融入资管业务的过程中，技术体系及全新的思想、架构、逻辑、方法论如何与已经具备成熟业务体系的资管业务相结合是决定金融科技发展成败的关键。传统的金融理论体系是建立在逻辑关联、理论自洽性的基础上的，而大数据科学、人工智能的产出预测结果很大一部分是统计意义上的，很可能存在统计偏差，与传统的计量模型不相容，甚至出现因一致性预测行为改变市场行为而与预测结果背离的问题。例如穆迪曾经通过分析MasterCard和Visa的消费数据来提供行业就业率的观测指标。但显然在这个例子中，利用信用卡消费指标推导出就业率指数的前提就是被调查人群至少有一张MasterCard或Visa，这样客观上的统计样本变差就造成了结论的缺陷。那么在这种情况下，是否采信“科技”的结论？“科技”的结论如何融入现有理论框架下？这些问题都有待进一步明确。从实际应用的角度看，本文中所列举的金融科技目前还处在辅助资管业务提升效率、减少错误的阶段。利用技术可以很好地将海量信息和数据抽取成具备内在逻辑的知识，但从知识到智慧、从智慧到技能从而应用到实际业务中，是资管从业人员主观能动性、经验、学习能力发挥的过程，科技尚不具备代替人的能力，尤其是代替人的创造能力。

客观地讲，现阶段金融科技尚处在找寻行业痛点、适应行业的过程中，金融科技的成熟过程必然是用技术手段沉淀行业智慧的过程，必然是通过微观上解决行业痛点逐步实现体系化、综合化的过程。