大數據推動“AI+大數據+金融”加快發展

“未來，無科技不金融、無數據不金融、無AI不金融。中國的支付已經是世界領先，但是中國的金融科技、零售金融和金融創新才剛剛開始。今後十年，一定是中國零售金融和中國金融科技創新的黃金十年。”4月10日，融360聯合創始人兼首席執行官葉大清在博鼇亞洲論壇2018年年會期間指出。

據安永2017年發佈的一份報告顯示，作為世界第二大經濟體，中國金融科技的普及率居於世界前列。使用數字服務的中國消費者中，69%也使用金融科技服務，而在美國，這比例只有33%。

葉大清表示，當下須運用大數據推動“AI+大數據+金融”加快發展，把我國建成金融科技和AI的最大受益國和強國。

借貸寶CEO王璐認為，之前，被認為將顛覆傳統金融業，成為傳統銀行的“終結者”，這種角色顯然是被過分拔高。現在行業已經逐漸冷靜下來，互聯網金融與傳統金融存在競爭博弈，但更多的是補充關係，未來將互相融合。

葉大清預判，“在未來的五到十年間，整個金融科技領域將以每年兩位數的速度增長，在某些分支領域內，其增速甚至可能達到兩位數。”

談及金融監管的必要性，葉大清指出，“金融安全是國家安全的重要組成部分，維護金融安全，是關係著國家戰略全局和根本性的大事。所以，金融監管非常重要，也非常有必要。”

王璐認為，“互聯網金融正在監管整頓下合規發展，傳統金融也在主動擁抱網絡科技，兩者的目標都是更好地服務實體經濟。”

保險：數據是產品的基石

精算理論體系是保險行業科學發展和經營的重要基礎。保險產品大量依靠精算，進行各類數據統計，計算各類情況發生概率，制定產品費率。精算體系了解每一項產品的相關業務所處的環境背景以及其面臨的風險，並以此為核心進行分析，將相關的大數據利用各種統計方法進行分析，去監測各種情況，包括風險可能發生的概率，並以此作為保費等費率的重要制定因素，這些風險包括理賠發生概率、理賠額度大小、騙保的可能性等。過去，這個過程非常類似於數學統計工作，以樣本抽查等傳統方式進行測算，掌握規律。

隨著大數據時代的來臨，精算也實現了升級。可以依托數據挖掘技術、數據存儲技術，實現更全面的統計分析，不僅僅是樣本抽查，而是更大范圍的數據運算，實現了“大數據+精算”的精准化飛躍。

保險產品也為此獲得了更細分的深入挖掘：大數據為幫助保險產品的定價精准化和差異化。舉例來說，阿里巴巴運費險的進化演變就是利用大數據的成果，最初是統計定價，通過精算定價根據曆史事件率定期更新，從而預測分析改進精度，最終以機器學習極速核賠決策，通過各種算法實現差異化定價。

證券：潛移默化的大數據

證券行業可以說是普羅大眾認知度最高的金融細分行業，經過多年的普及和推廣，大數據已經潛移默化地深入每位股民的日常交易中。

證券行業有極其深厚的大數據基礎，即行情數據。不論是財經網站的股票行情圖，還是大智慧、通達信等行情軟件(包括App)，其背後都包含了海量的數據。市場上每一個交易者的買賣都是一個數據信號，而這行信號通過交易所後台的處理，形成了一個個原始數據包，然後由數據服務商進行處理，形成了可視化的行情圖，這是一個非常複雜的過程。譬如每一根K線包含了最高價、最低價、開盤價、收盤價、成交量等數據。而在此基礎上，證監會的信息披露條例，又增加了各種機構持倉數據、公告數據，實現了證券大數據的3D透視。

基於成熟的大數據，證券行業的相關產品不斷推陳出新，簡單舉例，在2005年前，由於長期熊市，股民數量銳減，在利潤稀薄的情況下，當時的產品主要是門戶網站的行情圖。

2006年至2007年的大牛市中，行情一方面吸引了增量資金入市，同時以基金為代表的機構投資者入市，培養了大量的基民。基於這樣的背景，東方財富、證券之星、金融界等證券門戶網站先後推出基金淨值估算數據。該產品上線後，備受好評，給門戶網站帶來很大比例的流量。該產品的成功在於：基於基金公司持倉數據+交易所的基金淨值計算公式+持倉股票當日變動+自有參數幾個關鍵要素，在盤中就能以行情圖的可視化界面，體現基金淨值的大致波動。這一產品的數據全都是公開數據，只有自有參數是一個變量。該產品受到了股民和基民的雙重青睞，基民可以實時了解所買基金的變化(基金淨值由基金公司每日收盤後公佈一次，盤中不顯示)，股民則可以根據估算淨值和基金公司盤後公佈的實際淨值進行對比，根據其每日的差額變化去預測基金調倉，從而成為買賣股票的一大判斷依據。

2010年股指期貨推出後，基於大數據的投資產品突然爆發，並一度引發金融機構對MATLAB(MathWorks公司推出的一款軟件)程序員的招聘潮。股指期貨上線後，以“一價定律”為理論基礎的套利產品被市場熟知。機構投資者通過量化方式，推出了各種對沖套利產品。這類產品以股指期貨為主要必選標的(一腿交易)，以及相關的指數基金或者進行優化後的加強型指數基金為另一腿標的(在某指數所統計的大量股票中進行優選，選擇其中強勢股，按照指數計算的權重進行配置，力求配置組合的表現高於該指數)，進行雙邊多空套利，賺取價差。

此後的一段時間內，期貨獲得了金融機構的重視，商品期貨的相關產品也不斷推出，並從最初簡單的跨期套利、跨產品套利、期限套利逐漸發展為高頻套利、高頻交易(寬客)。由於當時大部分的金融量化模型，在落地層面，都是以MATLAB撰寫，因此這一時期，MATLAB工程師成為了金融機構的熱招人才。

不過，在光大“烏龍指”事件後，監管層對量化產品非常謹慎，因此以A股為標的的全自動量化產品逐漸轉變為半自動半人工產品(交易下單由人工進行，交易的時間價位由智能策略提供)。之後，在2015年股災後，股指期貨的持倉量、成交量、保證金比例、傭金都被限制，因此相關套利產品逐漸失去了生存土壤。不過隨著期權等衍生品的問世，金融基礎產品多樣化將推進大數據、金融量化在證券領域的步伐。

另一方面，金融大數據的商品化也最為成熟，在A股上，投資者早已了解信息的重要性，因此願意以金錢去購買數據，正因為如此，在證券大數據領域，誕生了多家金融數據類上市公司。

信貸：創新基礎 數據驅動

在信貸領域，大數據呈現兩極分化格局。信貸領域的大數據主要是征信數據，這一數據呈現兩極分化局面。一方面，針對大型企業的財報類數據，央行系統的征信報告已經形成了較為成熟的覆蓋，有了成熟的體系。另一方面，針對個人和小微企業的普惠領域，則數據缺乏，有待完善。

大企業通過銀行信貸、公開發債等方式進行融資，對於大企業資質等數據主要從財報數據、股東背景等進行判別，對於這些數據，經過長時間積累，央行體系有了健全的征信數據庫。同時，國內四大評級機構(中誠信、聯合資信、大公、上海新世紀)也有多年經驗，並形成了健全的產業鏈。

在個人和小微企業領域，則有較大比例的缺口。根據中國人民銀行的公開數據顯示，有信貸記錄的人群基本在4億人左右，征信中心有效覆蓋人數則達到9億人之多，也就意味著個人征信記錄覆蓋到45%上下，而美國的費埃哲公司(FICO)數據覆蓋率為95%。從這份數據上，能顯而易見地看到由征信數據嚴重不足所帶來的互聯網金融的信貸隱患。

企業層面，由於小微企業大部分屬於輕資產企業，可抵押資產有限，與傳統信貸機構的信用審核體系匹配度有限，風險管理成本高企。而近年來創新、創業爆發，這些企業多數為服務行業，在初期對資金有很大的需求，因此造成了小微企業的融資痛點。據公開數據，我國中小微企業已經超過7300萬家。然而，獲得貸款能力依然較弱。

同時，個人消費信貸的市場同樣潛力非常巨大。尤其隨著90後、00後消費崛起，年輕人生活環境的變化，導致了他們存款意識與過去不同。同時，隨著各種支付渠道的突破，他們更願意杠杆消費、透支消費。但是由於數據的匱乏，導致了信貸運用層面，大數據發展趨緩，未來的突破將源於數據的完善和技術運用的創新。

在數據完善層面，個人征信數據在2015年實現了質的突破，包括芝麻信用、騰訊征信在內的八家機構在人民銀行政策的引導下，開始籌建個人征信業務。雖然時至今日還未正式發放征信牌照，但市場在此推動下，湧現出一大批數據公司，進行數據採集，為個人征信提供基礎建設。盡管目前個人征信發展有待提速，市場也還未形成統一標准，但這只是行業發展之初的陣痛期，一旦相關政策細則落地，市場理清邏輯，個人征信將迸發出巨大潛力，成為信貸領域大數據的有利支持，促進信貸行業的多層次發展。

在運用層面，隨著互聯網金融的發展，風控模型、量化技術被運用在風險管理層面，大數據在風險管理的權重會越發突出。這一層面的典型運用主要是信貸工場：信貸工場利用消費場景、大數據、反欺詐系統、決策引擎等金融科技手段結合專家智慧進行風險管理，通過量化系統和自動化操作，提高運營效率，減少人工操作，降低操作風險和運營成本。

新技術、新方法的使用，將信貸工場打造為“決策流+工作流”的集合。信貸工場大量運用金融模型和機器學習等智能化手段，包括錄入環節引入手機App，提升用戶體驗，信審和反欺詐環節引入金融模型提高判斷效率等。

與傳統風控流程相比，信貸工場更智能、更高效，大量的判斷和機械操作都由機器完成，節省了人力降低了人工操作誤差，並通過機器學習的能力，不斷優化、提升信貸工廠的風險定價能力。同時，智能化的人機結合，也賦予了信貸工場打造優質普惠金融資產的底氣。

根據中國經濟時報網、經濟日報等採編【版權所有，文章觀點不代表華發網官方立場】