【摘要】本文首先針對大數(shù)據(jù)在互聯(lián)網(wǎng)金融中的應用提出了幾個創(chuàng)新的方向，然后介紹了在互聯(lián)網(wǎng)金融的大環(huán)境下風險控制的原則和核心方法，并重點分析了大數(shù)據(jù)在這些規(guī)則下數(shù)據(jù)積累、加工和應用的場景，最后根據(jù)應用的現(xiàn)狀提出了需要注意的問題和后續(xù)的展望。

【關鍵詞】大數(shù)據(jù);互聯(lián)網(wǎng)金融;風險控制

1.引言

互聯(lián)網(wǎng)金融是指以依托于支付、云計算、社交網(wǎng)絡以及搜索引擎等互聯(lián)網(wǎng)工具，實現(xiàn)資金融通、支付和信息中介等業(yè)務的一種新興金融?；ヂ?lián)網(wǎng)金融不是互聯(lián)網(wǎng)和金融業(yè)的簡單結合，而是在實現(xiàn)安全、移動等網(wǎng)絡技術水平上，被用戶熟悉接受后（尤其是對電子商務的接受），自然而然為適應新的需求而產(chǎn)生的新模式及新業(yè)務。是傳統(tǒng)金融行業(yè)與互聯(lián)網(wǎng)精神相結合的新興領域。

論起互聯(lián)網(wǎng)金融首先想到的是馬云的“三步走戰(zhàn)略”——平臺、數(shù)據(jù)、金融。未來的互聯(lián)網(wǎng)金融無疑有著巨大的發(fā)展空間，可目前看來三步走已經(jīng)不符合市場預期，因為市場到今天已經(jīng)不只是平臺之爭，特別隨著這兩年互聯(lián)網(wǎng)金融爆發(fā)式的發(fā)展，已經(jīng)形成了平臺、數(shù)據(jù)、金融相互影響的格局。在這種形勢下破局的點在哪里？就在于連接平臺、用戶、金融等方面的工具——大數(shù)據(jù)上，誰能對大數(shù)據(jù)合理利用，誰就能掌握這場數(shù)據(jù)之爭的未來市場。

2.大數(shù)據(jù)在互聯(lián)網(wǎng)金融的應用方向

從大數(shù)據(jù)的應用場景來看盡管達不到人們所預期的精確性，但確實已經(jīng)有了不少比較成功的商業(yè)案例。如Decide利用超過80億條的已知價格信息預測價格走勢，給出購買建議;DataSift通過分析社交網(wǎng)絡數(shù)據(jù)，制定針對性營銷方案;Zestfinance則利用大數(shù)據(jù)進行信用評估，并已累積獲得近一億美元的融資等等。

隨著平臺的發(fā)展和數(shù)據(jù)的積累，互聯(lián)網(wǎng)金融也越來越多參與到其中，所以三步走已經(jīng)轉(zhuǎn)變成交叉并行的三個方面。國內(nèi)對互聯(lián)網(wǎng)金融的應用比較多的還是在理財上，這是受了阿里余額寶、百度百發(fā)、微信理財通等的影響，可實際上貸款才是金融服務中最具剛性需求的服務。而且隨著大眾時間和需求上的碎片化程度提升，一方面是銀行等金融機構的產(chǎn)品自然而然的落地，二是互聯(lián)網(wǎng)信貸圍繞大數(shù)據(jù)分析等方式進行了很好的改造。因此大數(shù)據(jù)已經(jīng)促進了高頻交易、社交情緒分析和信貸風險分析三大金融創(chuàng)新。

2.1 高頻交易和算法交易

以高頻交易為例，交易者為獲得利潤，利用硬件設備和交易程序的優(yōu)勢，快速獲取、分析、生成和發(fā)送交易指令，在短時間內(nèi)多次買入賣出，且一般不持有大量未對沖的頭寸過夜。現(xiàn)在的高頻交易主要采取“戰(zhàn)略順序交易”，即通過分析金融大數(shù)據(jù)，以識別出特定市場參與者留下的足跡。例如，如果一只共同基金通常在收盤前一分鐘的第一秒執(zhí)行大額訂單，能夠識別出這一模式的算法將預判出該基金在其余交易時段的動向，并執(zhí)行相同的交易。該基金繼續(xù)執(zhí)行交易時將付出更高的價格，使用算法的交易商可趁機獲利。

2.2 通過收集、分析社交媒體上的內(nèi)容進行市場情緒分析

金融市場的投資者將對情緒分析的研究與應用結合起來。大約兩年前，對沖基金開始從Twitter、Facebook、聊天室和博客等社交媒體中提取市場情緒信息開發(fā)交易算法。例如一旦從中發(fā)現(xiàn)有自然災害或恐怖襲擊等意外信息公布，便立即拋出訂單。2008年，精神病專家理查德·彼得森籌集了100萬美元在美國加州圣莫尼卡建立了名為MarketPsy Capital的對沖基金，通過追蹤聊天室、博客、網(wǎng)站和微博，以確定市場對不同企業(yè)的情緒，再據(jù)此確定基金的交易策略，到2010年該基金回報率達40%。位于倫敦的小型對沖基金DCM資本從Facebook和Twitter等社交媒體收集信息，將人們對某個金融工具的情緒進行打分，并向零售客戶發(fā)布預測，輔助投資者作出投資決定。

2.3 加強風險的可審性和管理力度，支持精細化管理

金融機構希望能夠收集和分析大量小微企業(yè)用戶日常交易行為的數(shù)據(jù)，判斷其業(yè)務范疇、經(jīng)營狀況、信用狀況、用戶定位、資金需求和行業(yè)發(fā)展趨勢，解決由于小微企業(yè)財務制度的不健全無法真正了解其真實的經(jīng)營狀況的難題。

阿里小貸首創(chuàng)了從風險審核到放貸的全程線上模式，將貸前、貸中以及貸后三個環(huán)節(jié)形成有效聯(lián)結，向通常無法在傳統(tǒng)金融渠道獲得貸款的弱勢群體批量發(fā)放“金額小、期限短、隨借隨還”的小額貸款。

3.風險控制的原則和方法

有效的控制風險方法最簡單的說法就是不要把雞蛋放在一個籃子里，所以要求客戶必須是“小額、分散”，避免客戶過度集中在某一個或幾個行業(yè)或客戶。

先說一下“分散”在風險控制方面的好處，即借款的客戶分散在不同的地域、行業(yè)、年齡和學歷等，這些分散獨立的個體之間違約的概率能夠相互保持獨立性，那么同時違約的概率就會非常小。比如100個獨立個人的違約概率都是20%，那么隨機挑選出其中2人同時違約的概率為4%（20%^2），3個人同時違約的概率為0.8%（20%^3），四個人都發(fā)生違約的概率為0.016%（20%^4）。如果這100個人的違約存在相關性，比如在A違約的時候B 也會違約的概率是50%，那么隨機挑出來這兩個人的同時違約概率就會上升到10%（20%×50%=10%，而不是4%）。因此保持不同借款主體之間的獨立性非常重要。

“小額”在風險控制上的重要性則是避免統(tǒng)計學上的“小樣本偏差”。例如，平臺一共做10億的借款，如果借款人平均每個借3萬，就是3.3萬個借款客戶，如果借款單筆是1000萬的話，就是100個客戶。在統(tǒng)計學有“大數(shù)定律”法則，即需要在樣本個數(shù)數(shù)量夠大的情況下（超過幾萬個以后），才能越來越符合正態(tài)分布定律，統(tǒng)計學上才有意義。因此，如果借款人壞賬率都是2%，則放款給3.3萬個客戶，其壞賬率為2%的可能性要遠高于僅放款給100個客戶的可能性，并且這100個人壞賬比較集中可能達到10%甚至更高，這就是統(tǒng)計學意義上的“小樣本偏差”的風險。

除了堅持小額分散借款原則，用數(shù)據(jù)分析方式建立風控模型和決策引擎同樣重要。小額分散最直接的體現(xiàn)就是借款客戶數(shù)量眾多，如果采用銀行傳統(tǒng)的信審模式，在還款能力、還款意愿等難以統(tǒng)一量度的違約風險判斷中，風控成本會高至業(yè)務模式難以承受的水平，可以借鑒的是國外成熟的P2P比如LendingClub等都是采用信貸工廠的模式，利用風險模型的指引建立審批的決策引擎和評分卡體系，根據(jù)客戶的行為特征等各方面數(shù)據(jù)來判斷借款客戶的違約風險。簡單點說，建立數(shù)據(jù)化風控模型并固化到?jīng)Q策引擎和評分卡系統(tǒng)，對于小額信用無抵押借款類業(yè)務的好處包括兩個方面：一是決策自動化程度的提高，降低依靠人工審核造成的高成本;二是解決人工實地審核和判斷所帶來審核標準的不一致性問題。

因此除了小額分散的風控原則，風控的核心方法在于通過研究分析不同個人特征數(shù)據(jù)（即大數(shù)據(jù)分析）相對應的違約率，通過非線性邏輯回歸、決策樹分析、神經(jīng)網(wǎng)絡建模等方法來建立數(shù)據(jù)風控模型和評分卡體系，來掌握不同個人特征對應影響到違約率的程度，并將其固化到風控審批的決策引擎和業(yè)務流程中來指導風控審批業(yè)務的開展。

4.大數(shù)據(jù)在風險控制中的應用

國內(nèi)運用大數(shù)據(jù)方式涉及互聯(lián)網(wǎng)金融的產(chǎn)品還相對較少，一是由于國內(nèi)的金融體系還不完善，二是國內(nèi)的用戶數(shù)據(jù)存在“大而不準，大而不精”。數(shù)據(jù)存在獲取困難和不精準的問題，因而給大數(shù)據(jù)互聯(lián)網(wǎng)金融帶來了很多難題，但嘗試者也并不少特別是在風險控制方面。

在不依賴央行征信系統(tǒng)的情況下，國內(nèi)金融市場自發(fā)形成了各具特色的風險控制生態(tài)系統(tǒng)。大公司通過大數(shù)據(jù)挖掘，自建信用評級系統(tǒng);小公司通過信息分享，借助第三方獲得信用評級咨詢服務?；ヂ?lián)網(wǎng)金融企業(yè)的風控大致分為兩種模式，一種是類似于阿里的風控模式，他們通過自身系統(tǒng)大量的電商交易以及支付信息數(shù)據(jù)建立了封閉系統(tǒng)的信用評級和風控模型。另外一種則是眾多中小互聯(lián)網(wǎng)金融公司通過貢獻數(shù)據(jù)給一個中間征信機構，再分享征信信息。

圖1 風控相關大數(shù)據(jù)及代表企業(yè)或產(chǎn)品

央行的征信系統(tǒng)是通過商業(yè)銀行、其它社會機構上報的數(shù)據(jù)，結合身份認證中心的身份審核，提供給銀行系統(tǒng)信用查詢和個人信用報告。但對于其它征信機構和互聯(lián)金融公司目前不提供直接查詢服務，同時大量的個人在此系統(tǒng)里面沒有信貸記錄，而這些人卻有可能在央行征信系統(tǒng)外的其它機構、互聯(lián)網(wǎng)金融公司自己的數(shù)據(jù)系統(tǒng)中存有相應的信貸記錄。從網(wǎng)貸公司和一些線下小貸公司采集動態(tài)大數(shù)據(jù)，為互聯(lián)網(wǎng)金融企業(yè)提供重復借貸查詢、不良用戶信息查詢、信用等級查詢等多樣化服務是目前市場上征信公司正在推進的工作。而隨著加入這個游戲規(guī)則的企業(yè)越來越多，這個由大量動態(tài)數(shù)據(jù)勾勒的信用圖譜也將越來越清晰。

但是互聯(lián)網(wǎng)大數(shù)據(jù)海量且龐雜，充滿噪音，哪些大數(shù)據(jù)是互聯(lián)網(wǎng)金融企業(yè)風險控制官鐘愛的有價值的數(shù)據(jù)類型？下圖揭示了互聯(lián)網(wǎng)海量大數(shù)據(jù)中與風控相關的數(shù)據(jù)，以及哪些企業(yè)或產(chǎn)品擁有這些數(shù)據(jù)。

利用電商大數(shù)據(jù)進行風控，阿里金融對于大數(shù)據(jù)的謀劃已久。在很多行業(yè)人士還在云里霧里的時候，阿里已經(jīng)建立了相對完善的大數(shù)據(jù)挖掘系統(tǒng)。通過電商平臺阿里巴巴、淘寶、天貓、支付寶等積累的大量交易支付數(shù)據(jù)作為最基本的數(shù)據(jù)原料，再加上賣家自己提供的銷售數(shù)據(jù)、銀行流水、水電繳納甚至結婚證等情況作為輔助數(shù)據(jù)原料。所有信息匯總后，將數(shù)值輸入網(wǎng)絡行為評分模型進行信用評級。

信用卡類網(wǎng)站的大數(shù)據(jù)同樣對互聯(lián)網(wǎng)金融的風險控制非常有價值。申請信用卡的年份、是否通過、授信額度、卡片種類;信用卡還款數(shù)額、對優(yōu)惠信息的關注等都可以作為信用評級的參考數(shù)據(jù)。

2013年阿里巴巴以5.86億美元購入新浪微博18%的股份來獲得社交大數(shù)據(jù)，阿里完善了大數(shù)據(jù)類型。加上淘寶的水電煤繳費信息、信用卡還款信息、支付和交易信息，已然成為了數(shù)據(jù)全能選手。

小貸類網(wǎng)站積累的信貸大數(shù)據(jù)包括信貸額度、違約記錄等。但單一企業(yè)缺陷在于數(shù)據(jù)的數(shù)量級別低和地域性太強。還有部分小貸網(wǎng)站平臺通過線下采集數(shù)據(jù)轉(zhuǎn)移到線上的方式來完善信用數(shù)據(jù)，這些特點決定了如果單兵作戰(zhàn)他們必定付出巨大成本。因此貢獻數(shù)據(jù)、共享數(shù)據(jù)的模式正逐步被認可，抱團取暖勝過單打獨斗。

第三方支付類平臺未來的機遇在于未來有可能基于用戶的消費數(shù)據(jù)做信用分析。支付的方向、每月支付的額度、購買產(chǎn)品品牌都可以作為信用評級的重要參考數(shù)據(jù)。

生活服務類網(wǎng)站的大數(shù)據(jù)如水、電、煤氣、有線電視、電話、網(wǎng)絡費、物業(yè)費交納平臺則客觀真實地反映了個人的基本信息，是信用評級中一類重要的數(shù)據(jù)類型。

圖2 大數(shù)據(jù)加工過程圖解析

擁有了這些數(shù)據(jù)后，大數(shù)據(jù)加工的過程如圖2所示。同時阿里的加工過程也極具代表性，具體流程如下所示：

首先，通過阿里巴巴B2B、淘寶、天貓、支付寶等電子商務平臺，收集客戶積累的信用數(shù)據(jù)，利用在線視頻全方位定性調(diào)查客戶資信，再加上交易平臺上的客戶信息（客戶評價度數(shù)據(jù)、貨運數(shù)據(jù)、口碑評價等），并對后兩類信息進行量化處理;同時引入海關、稅務、電力等外部數(shù)據(jù)加以匹配，建立數(shù)據(jù)庫模型。

其次，通過交叉檢驗技術輔以第三方驗證確認客戶信息的真實性，將客戶在電子商務網(wǎng)絡平臺上的行為數(shù)據(jù)映射為企業(yè)和個人的信用評價，通過沙盤推演技術對地區(qū)客戶進行評級分層，研發(fā)評分卡體系、微貸通用規(guī)則決策引擎、風險定量化分析等技術。

第三，在風險監(jiān)管方面，開發(fā)了網(wǎng)絡人際爬蟲系統(tǒng)，突破地理距離的限制，捕捉和整合相關人際關系信息，并通過逐條規(guī)則的設立及其關聯(lián)性分析得到風險評估結論，結合結論與貸前評級系統(tǒng)進行交叉驗證，構成風險控制的雙保險。阿里小貸還憑借互聯(lián)網(wǎng)技術監(jiān)控貸款的流向：如果該客戶是貸款用于擴展經(jīng)營，阿里小貸將會對其廣告投放、店鋪裝修和銷售進行評估和監(jiān)控。

5.結論

金融服務將進一步從粗放式管理向精細化管理轉(zhuǎn)型，由抵押文化向信用文化轉(zhuǎn)變，更全面的信用體制和風險管理體制將會建立。風險控制作為金融的本質(zhì)將是其中最重要的一環(huán)，而大數(shù)據(jù)毫無疑問將在此過程中發(fā)揮重大的作用，但大部分的互聯(lián)網(wǎng)金融企業(yè)目前體量尚小，用戶規(guī)模和交易額都不大，因此在數(shù)據(jù)積累基礎上能夠及時結合實際情況進行互動，及時修正模型，相互促進從而達到風險控制模型的逐步優(yōu)化。

參考文獻

[1]李耀東，李鈞.互聯(lián)網(wǎng)金融框架與實踐[M].北京：電子工業(yè)出版社，2014.

[2]羅明雄，唐穎，劉勇.互聯(lián)網(wǎng)金融[M].北京：中國財政經(jīng)濟出版社，2013.

[3]張海泉.大數(shù)據(jù)時代下的信貸風險防控研究[J].中國集體經(jīng)濟.2014（14）：75-77.

[4]吳昭華.大數(shù)據(jù)時代的互聯(lián)網(wǎng)金融發(fā)展研究[J].電子世界.2014（05）：192-193.

[5]井華，王南海.大數(shù)據(jù)時代下的互聯(lián)網(wǎng)金融[J].國際融資.2013（11）：24-25.

[6]王召.“大數(shù)據(jù)”：傳統(tǒng)金融與互聯(lián)網(wǎng)金融爭奪的焦點[J].中國農(nóng)村金融.2014（02）：44-45.

作者簡介：楊秀萍（1978—），廣東龍川人，碩士，廣東農(nóng)工商職業(yè)技術學院計算機系講師，主要研究方向：智能信息處理。