學習目標（Learning Outcomes）#

  • 描述何謂「金融科技（fintech）」
  • 說明大數據（Big Data）、人工智慧（artificial intelligence, AI）與機器學習（machine learning, ML）
  • 闡述金融科技在投資管理中的應用
  • 描述分散式帳本技術（distributed ledger technology, DLT）的金融應用

何謂 Fintech#

「Fintech」是 finance 與 technology 的結合，指金融服務與產品在設計與遞送上的技術創新。早期僅止於資料處理與規則自動化，如今已演進到能自我學習的決策應用，挑戰傳統金融機構的商業模式。

與投資管理直接相關的領域#

  • 大數據分析：除傳統證券價格與財報外，社群媒體、感測器網路等替代資料（alternative data）也被納入投資決策
  • 分析工具：以 AI 與 ML 處理大型資料集，挖掘非線性關係
  • 自動化交易：演算法執行帶來效率、低成本、匿名性與流動性
  • 自動化建議：機器人理財顧問（robo-advisers）以更低成本服務更多散戶
  • 金融記帳：DLT 提供 P2P 形式的資產所有權追蹤，降低對中介的依賴

Big Data#

三 V 特徵#

Big Data 的三 V 是判斷資料是否為大數據的標準特徵。

  • Volume（量）：從 MB、GB 擴展到 TB、PB
  • Velocity（速度）：愈來愈多資料以即時或近即時形式流動
  • Variety（多樣性）：包含結構化（SQL、CSV）、半結構化（HTML）、非結構化（影片、語音、圖像）資料

Exhibit 1: Big Data Characteristics: Volume, Velocity, and Variety

資料來源#

來源涵蓋金融市場、企業、政府、個人、感測器與物聯網（Internet of Things, IoT）。其中替代資料的三大來源：

  • 個人產生：社群貼文、評論、瀏覽紀錄；多為非結構化
  • 業務流程產生：刷卡資料、供應鏈、零售 POS；多為結構化，可作為先行指標
  • 感測器產生：智慧手機、相機、RFID、衛星；資料量呈指數級成長

主要挑戰#

  • 資料品質與選擇偏誤
  • 資料量與儲存成本
  • 個資隱私與法規遵循

人工智慧與機器學習#

AI 的定位#

AI 系統能執行原本需要人類智慧的任務，水準可與人類比擬甚至超越。

ML 的核心邏輯#

ML 演算法的口號是「找出模式，套用模式（find the pattern, apply the pattern）」。

主要類型：

  • 監督式學習（supervised learning）：以標記資料訓練模型
  • 非監督式學習（unsupervised learning）：在未標記資料中尋找結構
  • 深度學習（deep learning）：以多層神經網路處理高維資料

風險與限制#

  • 過擬合（overfitting）：模型對訓練資料過度貼合，在新資料上表現不佳
  • 黑箱問題：複雜模型難以解釋
  • 仍需人類判斷介入

數據科學（Data Science）#

數據科學涵蓋從原始資料到投資洞察的整個流程：

資料處理方法#

  • 資料擷取（capture）、整理（curation）、儲存（storage）、檢索（search）、傳輸（transfer）

資料視覺化#

視覺化能呈現傳統表格無法揭示的關係，例如熱圖（heat map）、樹狀圖（tree map）、網路圖（network graph）。

Exhibit 3: Data Visualization Tag Cloud

Fintech 在投資管理的應用#

文字分析與自然語言處理（NLP）#

  • 分析公司年報、法說會逐字稿、新聞、社群媒體
  • 量化情緒（sentiment）以預測股價走勢

機器人理財（Robo-Advisory）#

  • 提供資產配置、組合最佳化、再平衡、稅務策略
  • 服務多偏向保守，作為門檻較低的入門建議
  • 仍受監管規範，並非無監督

風險分析#

  • 即時監控與壓力測試（stress testing）
  • 結合傳統與替代資料以辨識新興風險

演算法交易（Algorithmic Trading）#

  • 依預設規則決定何時、何地、如何下單
  • 優點：執行速度、低成本、匿名性
  • 推升市場效率，但也帶來新型市場風險

分散式帳本技術（DLT）#

什麼是 DLT#

DLT（包含區塊鏈，blockchain）是一種以分散方式安全儲存、紀錄、追蹤金融資產的技術。

網路類型#

  • Permissioned networks（許可制）：僅特定參與者可加入
  • Permissionless networks（無許可）：任何使用者皆可加入

Exhibit 5: Distributed Ledger Network Setup

投資產業中的應用#

  • 加密貨幣（cryptocurrencies）：例如 bitcoin
  • 代幣化（tokenization）：將實體資產轉化為數位代幣
  • 後交易（post-trade）流程自動化：透過智能合約（smart contracts）與身分驗證提升效率
  • 法遵與監理：可驗證的紀錄鏈降低稽核成本

採用障礙#

  • 系統可擴展性（scalability）尚有限
  • 與既有系統整合複雜

Fintech 並非萬靈丹。Big Data 偏誤、ML 黑箱、演算法交易引發的市場閃崩等議題提醒從業者：技術雖強，仍需專業判斷與適切治理。