全球金融科技行業深度研究報告（上）

 

一、金融科技（FinTech）行業概述

1. 概述

金融：實現資源的跨期匹配

金融是在不確定的環境中進行資源跨期的最優配置決策行為，其基礎原則是貨幣的時間價值和風險收益對等。因此，簡化的金融市場模型是資本與資產之間的流動，其流動基礎是風險定價。

為實現資源的跨期匹配，終端用戶（包含個人及機構）的金融需求通常包括四類：儲蓄、支付、投資及融資。其中，儲蓄作為最基礎的金融需求，通常由傳統銀行來提供服務。支付、投資和融資則是目前新平台及機構重點發力的領域。

科技驅動金融服務業的重構

FinTech是Financial Technology（即金融科技）的縮寫，指金融和信息技術的融合型產業。科技類初創企業及金融行業新進入者利用各類科技手段對傳統金融行業所提供的產品及服務進行革新，提升金融服務效率，因此可以認為FinTech是從外向內升級金融服務行業。和“互聯網金融”相比，FinTech是范圍更大的概念。互聯網金融主要指互聯網/移動互聯網技術對傳統金融服務的改變，比如網上券商開戶、網上銀行系統等是最直接和最恰當的例子。而FinTech不是簡單的

“互聯網上做金融”，應用的技術不僅僅是互聯網/移動互聯網，大數據、智能數據分析、人工智能、區塊鏈的前沿技術均是FinTech的應用基礎。

金融科技的迭代演進

依據基礎技術與金融的融合變遷來劃分FinTech的發展階段，可以清晰的看出FinTech的概念與應用範圍。我們認為，互聯網金融是科技與金融相互融合的初始階段及形態，即FinTech1.0階段。目前，FinTech已完成了從1.0階段至2.0階段的過渡。

2. FinTech1.0時代的技術

FinTech1.0時代的互聯網和移動互聯網

互聯網和移動互聯網技術使產品在用戶體驗上取得了革命性的提升，金融產品更是如此。利用互聯網和移動設備為客戶提供線上服務，簡化業務流程，優化產品界面，改善用戶體驗，這一策略在所有的金融科技行業都是適用的。簡單來說，互聯網和移動互聯網技術使得產品不僅僅是界面變得好看，而是產品更加好用。除此之外，互聯網及移動互聯網技術使金融服務可以低成本便利的抵達用戶，為更多創新性服務提供基礎，使其得以實現。

FinTech1.0之大數據：數據+信息，初入分析門檻

若將大數據分析分為四個層次，在FinTech1.0階段，大數據技術的主要應用是集中於第一和第二層次，即數據架構和信息整合；初步進入第三層次，進行簡單的初步分析和決策。

• 大數據架構+信息整合。建立一個收集和存儲的大數據系統，加之信息整合和數據計算；

• 人工建模+大數據。該階段的大數據分析通常依靠人工建模分析，加之由於傳統數據分析模型對於多維度、多形態的數據存在不適用的情況，因此該類技術應用僅僅是大數據分析的初級階段。

3. FinTech2.0時代的技術

FinTech2.0之大數據：多維度多層次的大數據分析

金融是個強數據導向的行業。經過多年的數據發展和積累，大數據的數量、分析速度與數據種類都發生著極速的變化。可穿戴設備、智能家居等智能硬件的興起，再次擴充了數據的維度，使得可獲取的數據維度擴展到線下。目前，大數據已經發展到公司及第三方處理分析大量終端用戶數據的階段，為金融科技公司提供了良好的數據基礎，進而促進了個人徵信、授信、風控以及保險定價等金融領域的發展。

FinTech2.0之大數據：以信用及定價為核心的主要應用場景

大數據分析的主要金融應用：個人徵信、授信與風控

個人徵信、授信及風控主要是圍繞借貸環節進行的，覆蓋貸前評估、貸中監控和貸後反饋三個環節。

貸前評估：國內個人徵信試點於2015年才開始試行，最具代表的是芝麻信用。阿里體系的交易數據以及螞蟻體系的金融數據形成強有力的數據支撐，自主研發信貸模型可用以支持銀行、小貸機構進行徵信及授信活動。信貸模型的訓練需要人工智能技術作為輔助，通過機器學習不斷完善模型並實時校正。

貸中監測：主要是通過用戶在貸款期的行為數據來發現問題客戶並及時報警。

貸後反饋：基於用戶本次貸款期間的數據，對該用戶原有信貸記錄評分進行補充，提升或降低其信用額度以供後續使用。

大數據分析的主要金融應用：保險定價

保險定價的主要場景是車險及運費險。

車險：根據車主的日常行車路線、里程、行車習慣、出險記錄以及車主的屬性比如年齡、職業、性別等，給出適合於該車主的車險定價。其中，車載智能硬件的發展使得行車數據的的獲得變得簡單且準確。

運費險：運費險是近年才出現的險種，電商的發展是必不可少的促進因素。運費險是“小而美”的金融產品代表。據相關資料顯示，其業務量近年的增長超過100%。

FinTech2.0之人工智能：智慧金融的無限可能

大數據、雲計算以及智能硬件的發展作為基礎技術支撐了人工智能技術的發展，智能數據分析與決策主要是人工智能發展的產物。智能數據分析在金融領域涵蓋了投資、借貸、保險和徵信行業，相關技術的運用成為業務開展的基礎，同時也支持了金融產品的創新，包括新型的保險及投資產品。

大數據、雲計算及智能硬件的發展為人工智能技術提供了基礎保障

將人工智能拆分為基礎層、技術層和應用層三個層面，基礎層作人工智能技術的技術支持，各個細分技術必不可少，特別是大數據的發展；在技術層面，與FinTech最相關的是機器學習和知識圖譜，其次是自然語言處理；在應用層主要與計算智能領域相關，應用示例包括神經網絡、遺傳算法、AlphaGo等。

智能化是FinTech重要發展方向

簡單來講，智能化是指用計算機代替人腦來進行分析並作出決策。目前，人工智能尚在發展初期，代替人腦來進行決策尚早，但至少可以做到大規模的量化、替代部分人力分析的層面。在金融領域，人工智能主要有以下四類應用：

FinTech2.0之人工智能——自動報告生成

投行業務及證券研究業務中涉及大量的固定格式的文檔撰寫工作，如招股說明書、研究報告及投資意向書等。這些報告的撰寫需要初級研究員投入大量的時間及精力進行數據整理以及文本複制粘貼的工作。而這些文檔中，有大量內容可以利用模板生成，比如公司股權變更、會計數據變更等等。利用自然語言處理及OCR技術可以方便快捷的完成以上工作，並最終形成文檔。自然語言處理包括自然語言理解和自然語言生成兩種細分技術：

• 自然語言理解：將人們自然語言消化理解，並轉換結構使之可為計算機進行後續處理；

• 自然語言生成：將計算機處理後的拆分的結構化數據轉化成人們可以理解的自然語言。OCR（光學字符識別）是針對印刷體字符，採用光學的方式將紙質文檔中的文字轉換成為黑白點陣的圖像文件，並通過識別軟件將圖像中的文字轉換成文本格式，供文字處理軟件進一步編輯加工的技術。

FinTech2.0之人工智能——人工智能輔助

一直以來，量化交易都是運用計算機來進行輔助工作的：分析師通過編寫模型，選取一些指標作為變量，利用機器來觀察數據分佈及計算結果。也就是說，計算機僅是進行了簡單的統計計算。近年來，隨著人工智能技術的發展，機器學習崛起。計算機可以進行海量數據的處理、分析、擬合和預測，因此人工智能與量化交易的關係也變得愈發密切。

機器學習：由數據到模型

利用傳統的回歸分析等方法來建模交易策略有兩個弊端：首先，所用數據維度有限，僅限於交易數據；其次，模型可處理的變量有限，模型的有效與否取決於所選取變量的特徵和變量間的組合，而這很大程度上取決於研究員對數據的敏感程度。利用機器學習技術，結合預測算法，可以依據歷史經驗和新的市場信息不斷演化，預測股票、債券等金融資產價格的波動及波動間的相互關係，以此來創建符合預期風險收益的投資組合。

然而，機器學習可能是個相對緩慢的過程，且該過程無法通過其他統計方法來提供擔保行為。機器學習雖可能適用於尋找隱藏的趨勢、信息和關係，但在金融領域的應用和效果仍存在較大不確定性。市場上對於金融領域的機器學習仍存在一定程度的炒作。

自然語言處理：追踪市場動態，引入更多變量

為了解決由數據推測模型的局限性，通過自然語言處理技術，引入新聞、政策以及社交媒體中的文本，將非結構化數據進行結構化處理，並從中尋找影響市場變動的因素。除了可以豐富模型變量外，自然語言處理技術可以實現“智能投融資顧問助手”。集合自然語言搜索、用戶界面圖形化及雲計算，智能助手可以將問題與實踐關聯市場動態，提供研究輔助、智能回答複雜金融投融資問題。

知識圖譜：降低黑天鵝事件及虛假關聯性對預測的干擾

在黑天鵝事件發生時，機器學習和自然語言處理會失效。2015年中國證監會公佈的熔斷機制就屬於該類事件。由於人工智能係統內沒有載入類似事件及後果，無法從歷史數據中學習到相關模式。此時，由人工智能決策的投資就會出現較大風險。虛假關聯性對人工智能處理數據的影響不小於黑天鵝事件。人工智能善於發現變量間的相關性，而非因果性。強相關性的變量間並不一定具備經濟學關聯，而人工智能的機器學習無法區分虛假關聯性。為了降低黑天鵝事件及虛假關聯性對於人工智能自學習過程的干擾，需要專家設置相應的規則來避免。知識圖譜是一種語義網絡，基於圖的數據結構，根據已設計的規則及不同種類的變量連接所形成的關係網絡。

知識圖譜提供了從關聯性角度去分析問題的能力，將規則、關係及變量通過圖譜的形式表現出來，進行更深層次的信息梳理和推測。以投資關係為例，知識圖譜可以將公司的股權變更沿革串聯起來，清楚展示某家PE機構於某一年進入某家企業、進入價格是多少、是否有對賭協議等等。這些信息可以用以判斷PE機構進入時的估值及公司的成長節奏，同時該圖譜還可以用來學習投資機構的投資偏好及邏輯的發展。

目前，知識圖譜並未進行大規模的應用。其難點在於如何讓行業專家承擔部分程序員的的工作，將行業邏輯等關係通過計算機建模，輸入計算機以供機器進行學習和驗證。可見，開發形成簡易編程的界面及系統是目前應用推廣的關鍵。

FinTech2.0之人工智能——金融搜索引擎

研究員在進行研究工作時需要蒐集大量的數據和信息並進行整理和分析。目前所運用的軟件如Bloomberg、Wind等數據終端只解決了信息和數據的問題，並沒有解決信息過載後的整理和分析問題。利用人工智能技術可以從大量噪音信息中快速找到準確且有價值的信息，提高研究工作效率。

金融搜索引擎背後的關鍵技術是高質量的知識圖譜，幫助實現關聯、屬性查找及聯想。除了人工智能相關技術，金融搜索引擎需要人機協作界面，方便使用者記錄、迭代和重複使用；推薦和推送系統則可以幫助用戶聚焦於關鍵數據和信息，省時省力的做投前發現和投後監測。

金融搜索引擎一般用於解決信息獲取和信息碎片問題，而將復雜的查詢和邏輯判斷交給用戶來完成。搜索引擎提供不同類型信息及事件的查詢，如脫歐事件對貨幣市場的影響；將蒐集的信息切片後再進行聚合，提供可用於對比縱覽的

變量，如天使投資退出時平均收益率。對於相對複雜的查詢和邏輯判斷，搜索引擎將會提供相關的查詢結果給用戶，讓用戶進行複雜的過濾和篩選。比如搜索人工智能產業鏈的上游公司，引擎在無法準確提供上游公司的信息時，將會在便於交互的界面向用戶推薦相關信息，以供用戶進行篩選。

FinTech2.0之人工智能——智能投顧

傳統的投資顧問需要站在投資者的角度，幫助投資者規劃符合其投資風險偏好、符合某一時期資金需求和適應某一階段市場表現的投資組合。以上工作需要高素質理財顧問完成，昂貴的人工費用也無形中設置了投資顧問服務對象的門檻，一般只面向高淨值人群開設。而智能投顧（也成機器人投顧）則是以最少量人工干預的方式幫助投資者進行資產配置及管理：理財顧問是計算機，用戶則可以是普通投資者。智能投顧的目的在於提供自動化的資產管理服務，為投資者提供符合其風險偏好的投資建議。智能投顧平台借助計算機和量化交易技術，為經過問卷評估的客戶提供量身定制的資產投資組合建議，提供的服務包括股票配置、債券配置、股票期權操作、房地產資產配置等。

FinTech2.0之區塊鏈：顛覆金融產業的技術已來

談到區塊鏈，必然先想到比特幣。從技術角度來看，比特幣的系統包括三層：底層技術——區塊鏈；中層鏈接——協議；上層——貨幣。

• • 上層是貨幣，在這裡指的是比特幣。

  • 中間層是協議，也就是基於區塊鏈的資金轉賬系統；

  • 底層技術是區塊鏈，去中心化、分佈式記錄的公開透明的交易記錄總賬，其交易數據全網節點共享。礦工負責記錄，全網監督；

區塊鏈（Blockchain）：是一種分佈式共享數據庫（數據分佈式儲存和記錄），利用去中心化方式集體維護一本數據簿的可靠性的技術方案。該方案要讓參與系統中的任意多個節點，通過一串使用密碼學方法相關聯產生的數據塊（即區塊，block），每個數據塊中都包含了一定時間內的系統全部信息交流的數據，並生成數據“密碼”用於驗證其信息的有效性和鏈接下一個數據塊。比特幣是一種全球範圍內可交易的電子貨幣，是目前區塊鏈技術最成功的應用。當前銀行等機構更多關注的也正是比特幣背後的區塊鏈技術。

FinTech2.0之區塊鏈——以去中心化為核心的技術優勢

區塊鏈的信任機制基於非對稱密碼原理，是純數學加密方法。實現網絡中信息共享的同時，也保證了數據背後交易者個人隱私信息的安全。這使得區塊鍊網絡中的交易雙方在陌生模式下即可進行可信任的價值交換。同時，在去中心化的網絡系統中，價值交換的中間成本幾乎為0。因此區塊鏈技術在保證了信息安全的同時，也保證了系統運營的高效及低成本。

FinTech2.0之區塊鏈——應用領域

應用場景：應用於傳統的中心化場景中，替代原本由中介或中心機構處理的交易流程

區塊中包含了創始塊以來所有的交易數據，且形成的交易記錄不可篡改或虛構，任何網絡中的數據可以追本溯源，因此交易雙方之間的價值交換數據可以隨時被追踪和驗證。現實生活中，信息和數據在傳遞過程中經過多次交換會出現失真的狀況，長鏈條的傳遞過程也給不法分子提供了可乘之機。利用區塊鏈技術便可以為物品或數據建立一套不可篡改的記錄。

應用場景：數據追踪和防偽

區塊鏈中每個參與記錄和存儲數據信息的節點具有相同的權利，不存在中心節點，因此在受到攻擊的時候，也可以保持數據庫的正常運轉。同時，由於區塊鏈技術可以使得無需信任單個節點的情況下達成整個網絡的共識，使得節點與節點之間具備了能動性。此外，分佈式結構也大大降低了傳統中心節點設備的損耗。數據的可持續性及信息的安全性均得到了保證。

應用場景：物聯網、智慧交通、供應鍊等

區塊鏈中每筆交易信息基於可編程原理，內嵌了腳本概念，使得基於區塊鏈技術的價值交換活動升級成為可編程“智能合約”模式。因此，在市場秩序不夠規範的環境下，在資產或價值轉移合約中引入區塊鏈的“可編程特性”，可以規定該筆交易資金日後的用途和方向。

應用場景：各類合約

基於以上四個主要優勢，憑藉比特幣網絡的自身貨幣及價值傳播基礎，區塊鏈技術可自然而廣泛的運用於金融領域，用以簡化流程、提升數據及信息存儲的安全性，降低信任成本。

• 銀行

銀行作為資金的安全倉庫和傳輸樞紐，與blockchain作為一個數字化、安全和不可篡改的分步賬簿，具備相似的功能。這意味著基於blockchain的顛覆式改變可能將在未來對銀行產生深遠的影響。據公開信息，瑞士銀行和英國巴克萊銀行都已經開始試用區塊鏈技術，以加快後台結算功能。

• 支付與轉賬

通過區鏈塊技術可以繞過傳統機構複雜的流程,創造一個更加直接的付款流程。因此，區塊鏈技術可能會改變資金轉移業務的體系機構。該系統能夠實現跨境、無中介、低成本，且交易可以快速完成。

• 股票投資

股票購買、銷售和交易的過程存在著很大可以簡化的空間。區塊鏈技術有望實現整個流程的自動化，提升效率和安全性。

• 眾籌智能合約

在股權眾籌發起初期，由項目發起方、眾籌平台、領投人等多方共同發起眾籌智能合約，來約定各方的責任和義務。這份智能合約可以保存在區塊鏈中，由此保證合約在履行過程中不被篡改，到期後的強力執行。

• 其他領域

在金融服務領域，回購、債務分配及保險處理等流程均有區塊鏈技術的相關發展。

在一個可信任的網絡中，用分佈式賬簿替代擔保品託管方及託管方合約，簡化交易。

• 債權的擁有權可以追溯、保留並被監管

• 極大減少債務管理工作，增強安全性

利用區塊鏈技術保證保險處理過程的完整性，減少欺詐行為，流程化文件管理等。

二、FinTech行業投資熱度與發展回顧

1. 投資熱度

FinTech與傳統金融機構的協同關係大於競爭，全球投資熱度不減

金融機構通常有三種方案開展FinTech相關活動：

• 自己研發技術並應用

• 收購相關FinTech公司，得到對方技術

• 與FinTech公司合作，以達到協同

全球來看，銀行等金融機構越來越看重與FinTech之間的協同作用。不單純是金融機構與FinTech企業之間的協同作用，還包括FinTech企業之間、與監管者和其他行業之間的作用。比如，區塊鏈技術還可用於除了在金融領域的其他領域，如公證、供應鍊等等，政府及監管機構也開始嘗試利用區塊鏈解決問題。基於此，全球FinTech投資熱度不減，2016年第一季度，總投資額達到57億美金，總投資案例達到468件，同比上升47%，環比上升39%。其中，VC機構總投資49億美金，環比上升22%。

FinTech領域亞洲投資金額獨大，總投資額達26億美金

2016年Q1，亞洲FinTech領域投資達26億美金，佔全球總投資額45%；全球25筆最大投資，亞洲FinTech公司所獲投資金額最大，佔總數64%。亞洲領域內的FinTech公司開始尋求本土外的機會，尋求全球化擴張。但由於本土金融監管，部分FinTech企業的業務可能無法複製到其他地域。因此，可以提供跨境產品或商業模式可複制的FinTech企業將更具吸引力。

2016年Q1全球25筆最大金額投資案例地域分佈

借貸和支付平穩發展，理財需求日益攀升

FinTech細分領域中，借貸和支付近年來發展穩步，所獲投資金額最多，借貸佔比高達46%。各個細分領域中，借貸、儲蓄及投資、保險的目標用戶均為個人及中小企業。可見，更大的個人及中小企業用戶需求亟待釋放和滿足。

隨著全球個人財富的增長，理財(資產管理)領域的需求正在極速上升。據統計，2016年Q1，資產管理領域投資額達1.1億美元，相比2015年全年1.9億美元投資額，漲幅顯著。此外，種子及天使輪公司獲投比例佔70%。Scalable Capial、Indexa Capital及CashBoard積極推動了種子期公司的投資，在種子期投資總份額中佔比超過50%。

2. 發展回顧

FinTech海外先行，中國後來者居上

近年，中國的互聯網金融發展迅猛，其背後原因主要是中國金融發展環境下金融服務的供給不足，給互聯網金融公司在相對包容的監管環境下製造了發展條件，進行了大規模的“監管套利” 。發展至今，如第一章所述，互聯網對於金融的改造和顛覆已有成效。在本章，我們回顧一下金融科技的發展歷程，並進行中美兩國FinTech行業狀況的對比。通常來講，在美國不存在“互聯網金融”的說法，一直是以“科技金融”的概念存在。相比國內，在美國之所以沒有大量的互聯網金融公司，主要因為其線下金融體系已經比較發達，各項金融服務也趨於成熟，做創新難度和成本均較高。美國和中國金融市場的不同發展環境以及用戶對金融服務的不同訴求決定了FinTech在兩國發展的不同狀況。

海外與中國FinTech企業成立時間對比

中美對比：不同監管體系下，FinTech創業公司套利空間差距大

2010年，金融危機後，美國金融改革落地，從“傘式監管”升級到全面監管。新法案中，著重體現了“消費者至上”的思想：

• 新成立一個獨立的消費者金融保護機構（CFPA），保護消費者和投資者不受金融系統中不公平和欺詐行為損害。該機構將擁有包括規則制定、從事檢查、實施罰款等在內的權力；

• 從增強透明度、簡單化、公平性和可得性四個方面進行消費者保護改革；

• 加強對投資者的保護，促進退休證券投資計劃，鼓勵更多儲蓄。

監管體系的升級使得創業企業的創新監管成本加大。以當下火熱的P2P平台為例，美國監管當局認為，這些平台上發行的貸款已經具備了證券的性質，因此該類平台應該理解成證券交易所，按照證券交易所的規定來監管。同時，從保護個人投資者和借款人的角度，需要由消費者保護機構來監管。這種方式下，創業公司可能需要取得不同州的借貸業務牌照，創新​​監管成本加大。除此之外，競爭充足和壟斷的兩種不同市場環境，也導致中美傳統金融機構創新意識不同。由於美國金融市場競爭環境激烈，金融服務機構多為私營背景，創新意識也相對較強。相比國內，金融牌照壟斷相對嚴重，天然的資源壟斷優勢賦予了傳統機構金融資源定價能力，享有現有的資源優勢就可以獲得高額利潤，故而企業創新和服務提升的動機不足。

中美對比：傳統金融服務體系力量的差別是中國創新的機會

美國的金融市場的競爭環境促就了傳統金融體系的完備。傳統金融體系的力量和影響是中美金融市場的最大不同，也因此成為中國相比而言最大的機會。從信用卡及保險滲透率可以清晰的說明這個問題。在美國，傳統理財產品、中小企業信貸、保險等均有成熟的金融巨頭覆蓋，消費者習慣已養成。與已成熟的巨頭進行競爭，是多數創業企業無法承擔的。

中美對比：美國傳統金融體系成熟，FinTech更多扮演“補充”角色

由於美國成熟的金融服務體系，相比“顛覆”銀行等傳統機構，FinTech公司更多的是尋求與之合作。未被傳統金融服務覆蓋的客戶或市場縫隙，由FinTech企業來補充，其角色更多的是“提高某已有業務的效率”。

反觀中國，金融服務供給的不足，部分監管環境的模糊地帶給金融科技類公司製造了發展條件。模式創新、普惠金融等在中國的發展十分之迅速。近年來P2P的迅猛發展正說明該問題：大量未被傳統藉貸服務覆蓋的中小企業和個人，通過P2P平台可以獲得融資，解決短期的資金缺口。

中美對比：細分領域梳理及對比

• 徵信

在徵信領域，美國起步早,徵信體係自1920年起伴隨消費企業的擴張而推進，徵信公司數量曾從2000多家減少到500家，行業經歷了充分競爭，機構徵信和個人徵信體系趨於完善成熟。中國起步晚，線下數據被銀行與保險公司壟斷割據，線上數據隨著互聯網的普及而完善，目前數據量龐大但發展歷程短暫，徵信模型仍待完善。從大數據徵信模型算法的成熟度來看，我國雖與美國存在一定的差距，但數據的快速迭代為算法的優化提供了很好的環境。伴隨大數據時代的到來，徵信數據的應用場景更加豐富，不僅僅用於信貸，更可以滿足社交、消費等方面的需求。而這方面的探索尚在起步階段，國外企業也尚未經歷大數據徵信的迭代驗證。因而從這點個角度來講，美國和我國幾乎是站在同一起跑線上的。

• 借貸

在美國，真正意義上的P2P借貸（即個人對個人的借貸）公司只有Lending Club和Prosper。其他平台需要投資者不僅僅是高淨值個人，而是需要其為具備投資資質的個人，即機構投資者、專業投資者等。而國內的P2P平台則是面向大眾的理財工具。

借貸領域

• 個人理財

如上所述，美國傳統金融服務完備，因此大多數中產階級的理財服務是由傳統銀行和資產管理公司、投資顧問公司提供的。近年來，智能投顧平台（自動化投資平台）的興起，如Betterment、Wealthfront，其主要服務對像是年輕人群，是未來的中產階級。相比而言，國內投資者對於智能投顧公司的接受度仍不高。其背後原因是中美投資者不同的投資理念和不同的金融市場環境。智能投顧平台提供的服務是一種消極投資，是長期投資。投資目標是長期下（10年以上）使得投資收益與市場持平，這需要投資者俱有比較成熟的長期投資理念。國內資本市場有效性不高，投資者散戶化程度高，更偏好主動投資和短期投資。

• 保險

在美國，保險行業的發展是極為發達的。個人保險（如健康險、壽險），財產險（如房產保險、車險）以及企業保險已經成為美國人民生活中的一部分。同時，保險行業的進入門檻非常高，因此保險行業的金融創新也並不火熱。相比之下，我國對保險行業的監管也同樣嚴格，牌照被少量國有控股公司壟斷。在既有利潤豐厚的情況下，公司的創新意識和信息化動力均較低；同時，我國居民保險意識弱，對保險產品很少主動詢問或投保。可見，我國保險行業在與科技融合的過程中仍處於非常早期的階段，目前重點發力在用戶體驗優化。

• 第三方支付

最早出現的第三方支付平台早在1999年已創立，為美國的Paypal，5年之後阿里巴巴的支付寶業務才推出。在美國，由於美國的信用卡體系已經相對完善，用戶體驗的提升難度較高，第三方支付作為信用卡支付的替代品，滲透率的增長並不高。另一方面，第三方支付高度依賴互聯網平台，即支付的應用場景，而美國電子商務的普及率與中國相比較低，第三方支付應用場景受限。截止目前，中國已成為世界上第三方支付市場份額最重的國家，而支付寶的交易金額也遠超第三方支付鼻祖Paypal。第三方支付高度依賴互聯網平台，影響該行業發展的主要因素有：

• 其他支付方式的便利性與安全性

• 電商的發展