劉德乾 山東省單縣不動產(chǎn)登記中心

一、大數(shù)據(jù)在經(jīng)濟管理中的意義

計算機信息技術(shù)應(yīng)用是當(dāng)前經(jīng)濟管理過程中的一種發(fā)展趨勢，其優(yōu)勢眾多，能夠有效的實現(xiàn)經(jīng)濟管理水平大幅提升。而機器學(xué)習(xí)、大數(shù)據(jù)等新型技術(shù)與經(jīng)濟管理行業(yè)不斷融合的加深，一種通過科技的創(chuàng)新及科技與金融的深度融合的產(chǎn)物金融科技應(yīng)運而生。其中機器學(xué)習(xí)加大數(shù)據(jù)的構(gòu)架，勢必會引發(fā)新型革命的浪潮。如運用該行業(yè)中早已存在的各種數(shù)據(jù)通過機器學(xué)習(xí)的算法進行不斷優(yōu)化，以解決現(xiàn)階段經(jīng)濟管理中出現(xiàn)的問題。金融機構(gòu)可通過人工智能技術(shù)對該行業(yè)中現(xiàn)存在的龐大源數(shù)據(jù)進行結(jié)構(gòu)化處理，充分根據(jù)客戶需求和要求對其資產(chǎn)管理進行優(yōu)化，為客戶匹配差異化風(fēng)險偏好的產(chǎn)品和服務(wù)，并對金融機構(gòu)中可能出現(xiàn)的風(fēng)險提供更為準(zhǔn)確的測算，為風(fēng)險識別、監(jiān)測、預(yù)警等提供更多元化的方案。

其中大數(shù)據(jù)充分起到了整體架構(gòu)基礎(chǔ)的作用，以大數(shù)據(jù)為基礎(chǔ)的量化模型在營銷管理、客戶定位、產(chǎn)品定價、貸款申請和審批、貸后管理和服務(wù)等整個客戶管理的整個生命周期中均有應(yīng)用。如今數(shù)據(jù)有機會成長為最重要的技術(shù)成分之一。以大數(shù)據(jù)為基礎(chǔ)的模型在金融機構(gòu)中的應(yīng)用可大幅提高其風(fēng)險識別能力、運營效率，減少運營成本及增加收益。

二、 機器學(xué)習(xí)、大數(shù)據(jù)在經(jīng)濟管理中的應(yīng)用

（一）機器學(xué)習(xí)的含義

機器學(xué)習(xí)的分析方法有很多，分為兩類統(tǒng)計方法：分類和聚類。分類可通過監(jiān)督機器學(xué)習(xí)來解決，而聚類則遵循無監(jiān)督的方法。分類對離散型變量進行預(yù)測。邏輯回歸是其最常見的方法，將模型輸出轉(zhuǎn)化為0到1之間的概率，然后再根據(jù)此概率進行下一步判斷。通過運用貸款者年齡預(yù)測信貸風(fēng)險為例，若模型計算新樣本的信貸風(fēng)險超過原本設(shè)定閾值，則程序代碼認(rèn)為會違約。當(dāng)分析多因素影響時，觀測結(jié)果可通過支持向量機將低維的空間映射到高維的空間進行分類，并在各類別中賦予變量數(shù)值。聚類則通過尋找數(shù)據(jù)的類重心，進而將數(shù)據(jù)劃分為若干個簇，每個簇表示一種類別，這些類別在執(zhí)行算法之前是未知的，聚類即是自動形成簇結(jié)構(gòu)的過程。它既可以單獨運行尋找數(shù)據(jù)內(nèi)在的分布結(jié)構(gòu)，也可作為過渡將無監(jiān)督學(xué)習(xí)的輸出作為監(jiān)督學(xué)習(xí)方法的輸入。

深度學(xué)習(xí)方法則是在傳統(tǒng)的模型方法上進行了深度的發(fā)展和優(yōu)化。傳統(tǒng)模型關(guān)注的是如何結(jié)構(gòu)化出良好的數(shù)據(jù)集，然而深度學(xué)習(xí)則是在學(xué)習(xí)過程中應(yīng)用分層算法，并且將初始數(shù)據(jù)轉(zhuǎn)換成可以進行識別的復(fù)雜模式，進而可以模仿人類的大腦。幾乎每種算法都關(guān)注不同數(shù)據(jù)的特征標(biāo)識，通過這些分層模型合并大量的輸入數(shù)據(jù)集（包含非結(jié)構(gòu)化數(shù)據(jù)甚至是低質(zhì)量的數(shù)據(jù)）。其中對數(shù)據(jù)進行分層的模型并不是人為編程所創(chuàng)造的，而是由該模型從各種各樣的數(shù)據(jù)中學(xué)習(xí)得來。

（二）機器學(xué)習(xí)的應(yīng)用與意義

如今，越來越多的經(jīng)濟管理機構(gòu)開始摒棄原有傳統(tǒng)的信用風(fēng)險評估模型，開始將機器學(xué)習(xí)方法與傳統(tǒng)的模型結(jié)合起來，用于解決當(dāng)今復(fù)雜、非線性數(shù)據(jù)下的信用風(fēng)險捕獲，以便提高這些模型預(yù)測金融風(fēng)險的能力。無監(jiān)督方法通常用于探索數(shù)據(jù)，而回歸和分類方法可以預(yù)測違約率、違約損失率等關(guān)鍵信用風(fēng)險變量。

美國數(shù)據(jù)風(fēng)控模型公司。開始將機器學(xué)習(xí)算法應(yīng)用于傳統(tǒng)信用評估模型中，這也是為數(shù)不多的通過機器學(xué)習(xí)進行融資授信決策的早期探索之一。Zestfinance公司現(xiàn)階段還進行了模型開發(fā)和數(shù)據(jù)分析的進程，除了對財務(wù)資產(chǎn)狀態(tài)進行評估外，還將更多非傳統(tǒng)數(shù)據(jù)模型納入信用評估模型中，致力于從應(yīng)用媒體、社交媒體軟件及個人的行為習(xí)慣中挖掘出風(fēng)險因子，將表面上毫無聯(lián)系的復(fù)雜數(shù)據(jù)進行分類與標(biāo)簽化，對信用人經(jīng)濟活動的背后線索進行學(xué)習(xí)，從而進一步分析出線索間的關(guān)聯(lián)性，最終根據(jù)評定做出信貸決策。

三、 機器學(xué)習(xí)、大數(shù)據(jù)在經(jīng)濟管理中面臨的挑戰(zhàn)

機器學(xué)習(xí)與風(fēng)險管理領(lǐng)域相結(jié)合是未來的發(fā)展方向，有關(guān)的經(jīng)濟機構(gòu)應(yīng)正視這種趨勢，并且積極完善經(jīng)濟管理中立法體系有關(guān)的工作，為機器學(xué)習(xí)的發(fā)展創(chuàng)造優(yōu)良的市場環(huán)境，并重視機器學(xué)習(xí)給風(fēng)控工作所造成的沖擊，以便進行研究與部署。隨著智能時代的來臨，各行各業(yè)都開始將自動化技術(shù)運用到該領(lǐng)域中以便進行下一步的數(shù)據(jù)處理，機器學(xué)習(xí)技術(shù)的介入，方便了將更多的數(shù)據(jù)模型納入分析體系中，以此來提高傳統(tǒng)業(yè)務(wù)的決策效率。當(dāng)然各機構(gòu)也應(yīng)該清楚地認(rèn)識到其技術(shù)與人類決策是為互補，而并非取代作用，機器學(xué)習(xí)所帶來的更多是通過數(shù)據(jù)的敏感特征進而分析其之間的相關(guān)性，以做出決策結(jié)論。利用機器學(xué)習(xí)的各種算法進行決策，這其中必然會含有潛在的各種風(fēng)險。所以對前期數(shù)據(jù)來源、算法編程等環(huán)節(jié)進行嚴(yán)格審查，高資產(chǎn)凈值及更為復(fù)雜的業(yè)務(wù)交易仍需要面對面的風(fēng)險估量，尤其在國際市場動蕩、監(jiān)管政策變革等個別極端情況下，必須介入人類決策，由風(fēng)險管理人員進行必要的風(fēng)險檢測及應(yīng)急計劃制定。

隨著機器學(xué)習(xí)技術(shù)應(yīng)用的不斷提高和深度發(fā)展，其數(shù)據(jù)挖掘能力使得消費者的隱私保護即將受到嚴(yán)重的威脅，個人信息的泄露在當(dāng)今時代也屢見不鮮。因此，無論從機器學(xué)習(xí)的長久發(fā)展考慮，還是從基于保護消費者權(quán)利出發(fā)，都應(yīng)該亟須相關(guān)部門加強相關(guān)法律約束和行政監(jiān)管，明確金融機構(gòu)相關(guān)告知義務(wù)、信息安全保障義務(wù)，有效保證機器學(xué)習(xí)在風(fēng)險管理應(yīng)用中的信息安全。還有提高消費者對風(fēng)險管理相關(guān)業(yè)務(wù)的了解程度。隨著經(jīng)濟管理服務(wù)的創(chuàng)新活躍進行，消費者之間應(yīng)及時知曉與之相關(guān)的風(fēng)險因素，提高自身的對于風(fēng)險識別和防范的能力。并且相關(guān)的經(jīng)濟管理機構(gòu)更要為消費者提供實時的信息來源，加強對業(yè)務(wù)流程的透明化程度，從而指導(dǎo)消費者正確認(rèn)識風(fēng)險因素及報告安全問題。