大数据推动“AI+大数据+金融”加快发展

郑瑟

　　“未来，无科技不金融、无数据不金融、无AI不金融。中国的支付已经是世界领先，但是中国的金融科技、零售金融和金融创新才刚刚开始。今后十年，一定是中国零售金融和中国金融科技创新的黄金十年。”4月10日，融360联合创始人兼首席执行官叶大清在博鳌亚洲论坛2018年年会期间指出。

　　据安永2017年发布的一份报告显示，作为世界第二大经济体，中国金融科技的普及率居于世界前列。使用数字服务的中国消费者中，69%也使用金融科技服务，而在美国，这比例只有33%。

　　叶大清表示，当下须运用大数据推动“AI+大数据+金融”加快发展，把我国建成金融科技和AI的最大受益国和强国。

　　借贷宝CEO王璐认为，之前，被认为将颠覆传统金融业，成为传统银行的“终结者”，这种角色显然是被过分拔高。现在行业已经逐渐冷静下来，互联网金融与传统金融存在竞争博弈，但更多的是补充关系，未来将互相融合。

　　叶大清预判，“在未来的五到十年间，整个金融科技领域将以每年两位数的速度增长，在某些分支领域内，其增速甚至可能达到两位数。”

　　谈及金融监管的必要性，叶大清指出，“金融安全是国家安全的重要组成部分，维护金融安全，是关系着国家战略全局和根本性的大事。所以，金融监管非常重要，也非常有必要。”

　　王璐认为，“互联网金融正在监管整顿下合规发展，传统金融也在主动拥抱网络科技，两者的目标都是更好地服务实体经济。”

　　保险：数据是产品的基石

　　精算理论体系是保险行业科学发展和经营的重要基础。保险产品大量依靠精算，进行各类数据统计，计算各类情况发生概率，制定产品费率。精算体系了解每一项产品的相关业务所处的环境背景以及其面临的风险，并以此为核心进行分析，将相关的大数据利用各种统计方法进行分析，去监测各种情况，包括风险可能发生的概率，并以此作为保费等费率的重要制定因素，这些风险包括理赔发生概率、理赔额度大小、骗保的可能性等。过去，这个过程非常类似于数学统计工作，以样本抽查等传统方式进行测算，掌握规律。

　　随着大数据时代的来临，精算也实现了升级。可以依托数据挖掘技术、数据存储技术，实现更全面的统计分析，不仅仅是样本抽查，而是更大范围的数据运算，实现了“大数据+精算”的精准化飞跃。

　　保险产品也为此获得了更细分的深入挖掘：大数据为帮助保险产品的定价精准化和差异化。举例来说，阿里巴巴运费险的进化演变就是利用大数据的成果，最初是统计定价，通过精算定价根据历史事件率定期更新，从而预测分析改进精度，最终以机器学习极速核赔决策，通过各种算法实现差异化定价。

　　证券：潜移默化的大数据

　　证券行业可以说是普罗大众认知度最高的金融细分行业，经过多年的普及和推广，大数据已经潜移默化地深入每位股民的日常交易中。

　　证券行业有极其深厚的大数据基础，即行情数据。不论是财经网站的股票行情图，还是大智慧、通达信等行情软件(包括App)，其背后都包含了海量的数据。市场上每一个交易者的买卖都是一个数据信号，而这行信号通过交易所后台的处理，形成了一个个原始数据包，然后由数据服务商进行处理，形成了可视化的行情图，这是一个非常复杂的过程。譬如每一根K线包含了最高价、最低价、开盘价、收盘价、成交量等数据。而在此基础上，证监会的信息披露条例，又增加了各种机构持仓数据、公告数据，实现了证券大数据的3D透视。

　　基于成熟的大数据，证券行业的相关产品不断推陈出新，简单举例，在2005年前，由于长期熊市，股民数量锐减，在利润稀薄的情况下，当时的产品主要是门户网站的行情图。

　　2006年至2007年的大牛市中，行情一方面吸引了增量资金入市，同时以基金为代表的机构投资者入市，培养了大量的基民。基于这样的背景，东方财富、证券之星、金融界等证券门户网站先后推出基金净值估算数据。该产品上线后，备受好评，给门户网站带来很大比例的流量。该产品的成功在于：基于基金公司持仓数据+交易所的基金净值计算公式+持仓股票当日变动+自有参数几个关键要素，在盘中就能以行情图的可视化界面，体现基金净值的大致波动。这一产品的数据全都是公开数据，只有自有参数是一个变量。该产品受到了股民和基民的双重青睐，基民可以实时了解所买基金的变化(基金净值由基金公司每日收盘后公布一次，盘中不显示)，股民则可以根据估算净值和基金公司盘后公布的实际净值进行对比，根据其每日的差额变化去预测基金调仓，从而成为买卖股票的一大判断依据。

　　2010年股指期货推出后，基于大数据的投资产品突然爆发，并一度引发金融机构对MATLAB(MathWorks公司推出的一款软件)程序员的招聘潮。股指期货上线后，以“一价定律”为理论基础的套利产品被市场熟知。机构投资者通过量化方式，推出了各种对冲套利产品。这类产品以股指期货为主要必选标的(一腿交易)，以及相关的指数基金或者进行优化后的加强型指数基金为另一腿标的(在某指数所统计的大量股票中进行优选，选择其中强势股，按照指数计算的权重进行配置，力求配置组合的表现高于该指数)，进行双边多空套利，赚取价差。

　　此后的一段时间内，期货获得了金融机构的重视，商品期货的相关产品也不断推出，并从最初简单的跨期套利、跨产品套利、期限套利逐渐发展为高频套利、高频交易(宽客)。由于当时大部分的金融量化模型，在落地层面，都是以MATLAB撰写，因此这一时期，MATLAB工程师成为了金融机构的热招人才。

　　不过，在光大“乌龙指”事件后，监管层对量化产品非常谨慎，因此以A股为标的的全自动量化产品逐渐转变为半自动半人工产品(交易下单由人工进行，交易的时间价位由智能策略提供)。之后，在2015年股灾后，股指期货的持仓量、成交量、保证金比例、佣金都被限制，因此相关套利产品逐渐失去了生存土壤。不过随着期权等衍生品的问世，金融基础产品多样化将推进大数据、金融量化在证券领域的步伐。

　　另一方面，金融大数据的商品化也最为成熟，在A股上，投资者早已了解信息的重要性，因此愿意以金钱去购买数据，正因为如此，在证券大数据领域，诞生了多家金融数据类上市公司。

　　信贷：创新基础 数据驱动

　　在信贷领域，大数据呈现两极分化格局。信贷领域的大数据主要是征信数据，这一数据呈现两极分化局面。一方面，针对大型企业的财报类数据，央行系统的征信报告已经形成了较为成熟的覆盖，有了成熟的体系。另一方面，针对个人和小微企业的普惠领域，则数据缺乏，有待完善。

　　大企业通过银行信贷、公开发债等方式进行融资，对于大企业资质等数据主要从财报数据、股东背景等进行判别，对于这些数据，经过长时间积累，央行体系有了健全的征信数据库。同时，国内四大评级机构(中诚信、联合资信、大公、上海新世纪)也有多年经验，并形成了健全的产业链。

　　在个人和小微企业领域，则有较大比例的缺口。根据中国人民银行的公开数据显示，有信贷记录的人群基本在4亿人左右，征信中心有效覆盖人数则达到9亿人之多，也就意味着个人征信记录覆盖到45%上下，而美国的费埃哲公司(FICO)数据覆盖率为95%。从这份数据上，能显而易见地看到由征信数据严重不足所带来的互联网金融的信贷隐患。

　　企业层面，由于小微企业大部分属于轻资产企业，可抵押资产有限，与传统信贷机构的信用审核体系匹配度有限，风险管理成本高企。而近年来创新、创业爆发，这些企业多数为服务行业，在初期对资金有很大的需求，因此造成了小微企业的融资痛点。据公开数据，我国中小微企业已经超过7300万家。然而，获得贷款能力依然较弱。

　　同时，个人消费信贷的市场同样潜力非常巨大。尤其随着90后、00后消费崛起，年轻人生活环境的变化，导致了他们存款意识与过去不同。同时，随着各种支付渠道的突破，他们更愿意杠杆消费、透支消费。但是由于数据的匮乏，导致了信贷运用层面，大数据发展趋缓，未来的突破将源于数据的完善和技术运用的创新。

　　在数据完善层面，个人征信数据在2015年实现了质的突破，包括芝麻信用、腾讯征信在内的八家机构在人民银行政策的引导下，开始筹建个人征信业务。虽然时至今日还未正式发放征信牌照，但市场在此推动下，涌现出一大批数据公司，进行数据采集，为个人征信提供基础建设。尽管目前个人征信发展有待提速，市场也还未形成统一标准，但这只是行业发展之初的阵痛期，一旦相关政策细则落地，市场理清逻辑，个人征信将迸发出巨大潜力，成为信贷领域大数据的有利支持，促进信贷行业的多层次发展。

　　在运用层面，随着互联网金融的发展，风控模型、量化技术被运用在风险管理层面，大数据在风险管理的权重会越发突出。这一层面的典型运用主要是信贷工场：信贷工场利用消费场景、大数据、反欺诈系统、决策引擎等金融科技手段结合专家智慧进行风险管理，通过量化系统和自动化操作，提高运营效率，减少人工操作，降低操作风险和运营成本。

　　新技术、新方法的使用，将信贷工场打造为“决策流+工作流”的集合。信贷工场大量运用金融模型和机器学习等智能化手段，包括录入环节引入手机App，提升用户体验，信审和反欺诈环节引入金融模型提高判断效率等。

　　与传统风控流程相比，信贷工场更智能、更高效，大量的判断和机械操作都由机器完成，节省了人力降低了人工操作误差，并通过机器学习的能力，不断优化、提升信贷工厂的风险定价能力。同时，智能化的人机结合，也赋予了信贷工场打造优质普惠金融资产的底气。

　　根据中国经济时报网、经济日报等採编【版权所有，文章观点不代表华发网官方立场】