什么是 DeFi 去中心化金融？
DeFi 为 Decentralized Finance 的缩写，指的就是去中心化金融，不同于过去中心化的传统金融需要许多中介机构如银行、保险业者、证券交易所的参与，并且对本人进行身份认证，才能让客户进行买卖交易、抵押借贷、保险赔付等金融商品的购买及使用；DeFi 利用了区块链的技术，完全解决了身份认证的麻烦以及因为中介机构参与而产生的额外成本支出这两个问题，同时也在这个基础上，逐渐发展出有别于传统金融的金融商品，而开始受到追捧，本文我们将解释 DeFi 是如何解决传统金融的问题以及为何会受到欢迎。
在区块链上，私钥就是帐户，不同的私钥就代表不同的帐户，透过随机产生的私钥，使用者可以无限制的生成帐户，而只要透过私钥签名的交易，就代表了这个帐户同意这笔交易。因此在区块链上没有身份认证的需求，任何人只要拥有这把私钥，就可以调用这把私钥对应的资产，这个机制避免身份认证的繁琐过程，更让整个生态圈真正达成了所谓的平等，区块链不会因为个人资产的多寡、职业身份及年龄限制，而给予用户不同的身份或 VIP 等级，只要有一把随机生成的私钥，用户就是这个私钥帐户的拥有者、就可以参与 DeFi，也就是参与去中心化金融。
智能合约是在区块链上执行的程式语言，透过部署智能合约，任何人都可以完成许多金融商品的开发，从简单的对赌协议，到复杂的去中心化交易所，甚至不同的金融衍生品还可以组合所谓的 DeFi 乐高，比如用户可以在金融商品 A 先用手上多余的以太坊借到一些稳定币，再用稳定币进行放贷赚取利息或增加流动池赚取价差。由于所有金融合约在区块链上的交易都是透明的，甚至需要通过安全审核的合约，连源码都必须是公开可查看的，最大程度避免了黑箱交易。
因此 DeFi 可以说就是万无一失，绝对低风险高报酬的金融产品了吗？不，尽管现在许多以太坊的 DeFi 项目，其价值一直在爆炸式的翻倍增长，有许多用户也因此赚到不少钱，但在开始投资之前，如何区别一个好的安全的项目，就已经让许多人栽了跟头，接踵而来包含钱包的安全、如何操作购买正确的金融衍生品等，又会刷掉一批又一批的使用者。因此我们将会接下来的篇幅中，陆续介绍包含钱包安全、DeFi 操作等讯息，帮助用户们更深入的了解DeFi。
智库观点｜金融产品创新日趋复杂 ——“专业而复杂”的背后是什么算计
上观学习 2017-08-01 06:06
现有研究表明，在市场竞争愈趋激烈的时候，发行者越偏好增加其产品的复杂性，以通过两大途径实现超额获利：第一，金融产品的复杂性使得投资者搜寻同类产品的成本增加，难以进行产品比较，无法选择投资者效用最高的产品，而金融机构却可以从中获利。第二，对无经验的投资者进行价格歧视，经验丰富或专家型的投资者能够撇开产品的复杂性，选择风险调整收益较高的金融产品，而无经验的投资者对复杂产品的平均预期收益水平的估计较高，从而选择复杂产品而非简单产品，为产品的复杂性支付溢价。
第一，通过协调监管为金融产品创新划定边界。近年来，我国金融市场上横跨银行、证券、保险等多个领域的金融创新产品大量涌现，金融机构实施产品战略复杂性更为便利。战略复杂性是金融机构主动制造的信息不对称，大多数投资者又没有专业能力和精力应对这种复杂性，这将很容易导致市场失灵，甚至引发系统性风险。因此通过协调监管为金融产品创新划定边界实为必要之举。英国的统一监管机构——金融服务管理局（FSA）将金融产品压力测试作为批准程序的一部分，要求各类金融机构（或委托第三方）对新发行的结构性产品进行压力测试，并公布各种可能情况的概率。FSA的这一监管要求适用于涉及结构性产品的各类金融机构，促使金融机构最大程度地公开产品信息，降低产品的战略复杂性。我国将设立国务院金融稳定发展委员会，金融监管协调机制的加强和提升有利于划定金融产品创新边界，优化金融风险监管覆盖方式，降低金融产品的战略复杂性，保障整体金融市场的良性运转。
原创|当前结构化金融产品发展及影响
有助于股市实现慢牛。 雪球产品具有降低市场波动率的特点，大量的雪球产品类似于一个个平准基金，将逐渐熨平市场波动。因此，推测监管对雪球产品大量发售的态度是乐见其成的。市场波动降低并不意味着长期横盘，缓慢上涨和缓慢下跌都是低波动率的体现。美股股指和大型蓝筹股价的稳定低波的走势正是雪球产品的功效。当前A股市场内外部环境支持其长期走强，雪球产品抑制住市场剧烈波动后，A股持仓体验将更加友好，从而吸引更多资金入市，促进市场实现慢牛。
促使市场有效性增加。 长期以来，中证500股指期货持续贴水，尤其是2015年股灾后，监管对股指期货功能长期限制，使得贴水大大加深，常年保持在年化10%以上，造成中小盘股票量化对冲策略难以发展，中小盘股票流动性始终不足。当前雪球产品的大量发行使得这一多年顽疾得到修正，当前中证500股指期货贴水已经消失，甚至略有升水，代表市场深度增加，中小盘股票重归活跃。
创造新的投资机会。 雪球产品扎堆出现也带来了新的投资机会。由于雪球产品较为拥挤，券商急切需要香草期权来对冲vega风险，当前中证500的场外看涨期权已经便宜到相当夸张的地步。因此，无论是通过结构性存款挂钩中证500进行无风险投资，还是通过指数基金+看涨期权合成指数增强产品，都将是非常划算的交易。
无序发行雪球产品将为下次股灾积累能量。 雪球产品的结构化金融手段，类似于将战船用铁索连环，一方面降低了市场波动率，使得市场大船行驶平稳；另一方面，一旦遭遇重大宏观冲击的火攻，将有全军覆没的风险。未来监管的重点应在于控制雪球的集中发行，以及对合格投资者的审查。
利好政策赋予AI+金融发展活力
2017年8月，国务院印发《新一代人工智能发展规划》提到，加快产业智能化的升级，创新智能金融产品和服务，发展金融新业态。 鼓励金融行业应用智能客服、智能监控等技术和装备。 2018年1月，人工智能标准化论坛在北京召开，本次论坛发布了《人工智能标准化白皮书（2018版）》，呼吁社会各界共同加强人工智能领域的技术研究、产业投入、标准建设与服务应用，共同推动人工智能及其产业发展。 2019年9月，中国人民银行印发《金融科技(FinTech)发展规划(2019-2021年)》，并提出到2021 年，建立健全我国金融科技发展的“四梁八柱”，进一步增强金融业科技应用能力，实 现金融与科技深度融合、协调发展，明显增强人民群众对数字化、网络化、智能化金融产品和服务的满意度，使我国金融科技发展居于国际领先水平。
金融产品的多样化给个性化技术在金融行业的应用提供了契机
随着金融行业的快速发展以及国家一系列政策的实施，越来越多的金融机构推出了自己各种各样的理财产品。 理财产品种类的不断丰富和数量的快速增长为理财用户提供了更多选择，也为投资理财市场开辟了广阔的发展空间。 同时，随时大众生活水平的提高，理财观念渐渐普及，越来越来的人开始接触理财服务。 用户需要花费大量的时间才能找到自己想买的理财产品。 这种浏览大量无关的信息和产品过程无疑会使淹没在信息过载问题中的消费者不断流失。 大多数用户由于缺乏金融相关知识，主观风险偏好和客观承受能力不匹配，很难自主选出符合自身真实需求的理财产品。 简单化的金融产品 专业的工作人员相对较少，销售导向的价值定位也使得用户无法从专业人员那里获取到最好的服务。 这些问题促使金融服务转向寻求智能化技术的帮助，智能个性化理财服务应运而生。
图2 2013-2018年中国公募基金数量（引用自QUEST MOBILE）
个性化理财服务中的关键要素
用户画像
（1）基本属性
（2）信用属性
（3）消费特征
（4）行为特征
（5）社交属性
图3用户画像： 配置偏好、风险偏好（引用自QUEST MOBILE）
产品画像
理财产品种类繁多，包括银行理财、货币基金、股票、P2P、投资型保险、公募基金、私募基金等等。好的理财产品是易于推广、购买率高的，而如何描述一个产品，这就是产品画像。 产品画像的丰富、精准，有利于剖析理财服务的应用需求。 理财产品的画像信息可以简单地归纳为以下几类。
（1）基本信息
（2）投资组合
（3）公告信息
（4）财务报表
智能匹配
基于内容的推荐
主要过程是将推荐物品的信息特征和待推荐对象的特征相匹配的过程，从而得到待推荐的物品集合。 在理财产品中，内容信息有历史评级、收益率、业绩基准、行业配置等信息，这些都可作为产品的特征数据，对产品数据进行建模，得到产品向量数据。 结合用户画像以及历史行为记录，将用户向量矩阵和产品向量矩阵作为输入，得出每个用户与待推荐产品之间的匹配程度。 基于内容的推荐方法，优点是能保证推荐内容的相关性，并且根据内容特征可以解释推荐结果，而且对新物品的推荐是也能有很好的考量。 缺点是由于内容高度匹配，导致推荐结果的惊喜度较差，而且对新用户不能提供可靠的推荐结果。
基于用户的协同过滤
主要思想是基于群体智慧，利用已有大量用户群过去行为数据来预测当前用户最可能感兴趣的东西。 简单化的金融产品 这种方法克服了基于内容方法的一些弊端，最重要的是可以推荐一些内容上差异较大但是又是用户感兴趣的物品。 根据用户的画像信息、行为信息，通过统计、聚类方式得出用户间的距离，把用户划分为不同的属性组，如激进型人群、保守型人群、基金偏好人群等。 将用户购买的理财产品推荐给同群组中的其他用户。
基于知识图谱的推荐
知识图谱能够比较全面的记录客户的非常详细的信息，包括名字，住址，经常和什么样的人进行互动，还认识其它什么样的人，网上的行为习惯、行为方式是什么样的， 这样就可以知识图谱挖掘出更多的用户的属性标签和兴趣标签，以及社会的属性标签，形成全面的用户洞察， 基于知识图谱就可以进行个性化的理财产品推送，或者基于用户的分群分组做定向营销，从而实现精准营销。
深度学习
（1）Wide & Deep
图4 Wide & Deep模型结构
（2）DeepFM
整个模型大体分为两部分： FM和DNN。 借助FNN的思想，利用FM进行embedding，之后的wide和deep模型共享embedding之后的结果。 DNN的输入通过一定方式组合后，模型在wide上完全模拟出了FM的效果，最后将DNN和FM的结果组合后激活输出。
（3）xDeepFM
一个基于神经网络的模型，以一种显式的向量方式学习特征交互。 在deepFM的基础上，不改变deep层的部分，而是对FM层的部分，使用创新的CIN层进行特换。 这样CIN层首先具有FM的功能，其次，由于CIN可以进行deep扩展，保证了能够学到更高维度的显式特征融合，提高了效率，保证了最终的模型准确性。
（4）DIN
DIN通过一个兴趣激活模块(Activation Unit)，用预估目标Candidate的信息去激活用户的历史点击物品，以此提取用户与当前预估目标相关的兴趣。 权重高的历史行为表明这部分兴趣和当前物品相关，权重低的则是和物品无关的”兴趣噪声“。 通过将激活的物品和激活权重相乘，然后累加起来作为当前预估目标相关的兴趣状态表达。最后将这相关的用户兴趣表达、用户静态特征和上下文相关特征，以及目标相关的特征拼接起来，输入到后续的多层DNN网络，最后预测得到用户对当前目标物品的点击概率。
达观智能推荐系统助力理财服务更多可能
图7 群组推荐配置 达观智能推荐系统内置数十种深度学习算法，同时结合不同行业特点，对算法进行深度优化，帮助企业提升转化率、点击率、留存率等业务核心指标。
达观智能推荐系统采用业内首创的“召回+排序+后处理”三段式推荐流程，提供了数十种内置的召回策略、排序策略、推荐方案，同时支持策略、方案的自定义， 满足企业根据业务场景和规则自主配置推荐策略的需求，让企业最大化实现自主可控的配置。打造用户分群、精准推送、效果反馈的全流程精细化运营体系。