浅谈大数据在金融中的应用

摘 要：近年来，大数据在各行各业中的应用发展飞快，其中金融行业先天的数字特性决定了大数据在金融中的应用有着广阔的前景。本篇文章将从大数据应用于金融业的理论基础与必要性、大数据金融的现状、大数据在金融业中的典型应用情景，结合现实分析大数据金融在实际应用中的一些问题，借此展望大数据金融的未来。

关键词：大数据;互联网金融;金融科技;金融创新

“大数据”这一概念起源于美国，最早在统计领域得到应用，并在计算机领域引发了一场革命，随后蔓延至经济、社会、科学等各个领域。近年来云计算的发展给大数据的广泛应用提供了土壤，大数据技术取得了飞速发展。由于金融业的天然特性，大数据与金融的结合不可避免。

一、大数据在金融领域应用的理论基础

大数据技术与金融的结合是必然的，两者的融合来自以下三方面的推动力：

（一）金融业应用大数据技术的优势。金融业是典型的数据密集型产业。一方面，金融机构沉淀了大量数据，这些数据经过数据分析以后具有巨大的商业价值。同时金融机构具有处理传统数据的丰富经验。最后，大数据的决策模式也适用于金融业的日常决策过程。

（二）大数据技术应用的逐步成熟。近年来移动互联网呈现爆发式增长。我国 2013 年产生的数据总量超过0.8ZB，预计2020年我国的数据总量将到达8.5ZB。同时大数据处理技术不断升级，如Hadoop、spark台等。同时，云计算平台趋于完善，为大数据提供储存空间与计算资源，使大数据分析的应用市场更加普惠化。此外，企业级数据仓库将成为主流。实现金融与大数据的结合，大数据技术的逐步成熟是必要条件。

（三）金融业创新发展的必然要求。金融机构必须创新才能避免同质化，金融业创新的最终目标便是提高金融服务水平。而利用大数据来刻画客户形象，精确分析客户偏好，精准推送金融服务便是金融业创新的一个很好突破口，比如针对现金留存多且投资机会少的企业推送理财类业务等。另外大数据可用于打开长尾市场，降低金融服务成本，更好地进行风险控制。因此说大数据与金融的结合是金融业创新的必然要求。

二、大数据金融的现状

大数据的应用大大降低了信息不对称，这使得资源配置更加突破空间时间的局限，使效率进一步提高。有关研究显示在大数据价值潜力指数中，金融业排第一。

随着大数据的广泛应用，金融交易数字化与电子化明显。具体表现为支付更加电子化，支付宝等APP大大改变了传统支付行业。渠道更加网络化，网络成为了越来越多金融业务的渠道。信用数字化，当前的征信系统离不开大数据的应用，如芝麻信用分在生活中的应用越来越广泛。此外，阿里巴巴等互联网企业也在凭借其强大的数据积累和客户基础进军金融业，支付宝、京东金融等得益于公司平台的大数据基础，不断开拓新的业务模式。

经过近年来的技术改造，金融机构具备了不同以往的数据处理能力，大数据金融已经显现雏形。主要包括集成、储存、计算、整合、智慧、消费和洞察。其中前四个层次主要考验金融体系IT基础设施能力，后三个则考虑金融业务范畴上的服务转型升级。

三、大数据风控

大数据风控是“大数据风险控制”的简称。说到风险控制，首先要提风险管理的三步法，第一是风险识别，第二是风险度量，第三便是风险处理。而大数据技术天然地迎合了风险控制的特点，可以从方方面面改变传统的风控模式，升级风险管理方法。

（一）大数据与征信体系。风险识别的基础便是征信系统的构建，征信是风控的基础。我国征信体系为中央银行主导的公共征信系统与市场化的征信公司相结合。国家层面有国家金融数据基础库;企业征信有鹏远、华夏等公司;个人征信方面，2015年开放了8家试点征信单位如芝麻信用等。互联网金融带来的最核心的变化是数据采集更容易、数据也更全面更丰富。与之前要求数据的质量不同，大数据时代不再拘泥于传统数据挖掘的统计特征，而是更加具体化。加之我国的征信系统不成熟不完善，大数据在征信方面有广阔的发展空间。

政策层面，2017年我国颁布了《新一代人工智能发展规划》。综上所述，得益于政策面的利好与大数据应用于风控的天然优势，使得大数据征信迅速发展起来。

（二）大数据与贷后风险管理。贷后风险主要是借款人逾期的风险，常用的解决办法便是对进款人进行催收。借款人逾期后往往会故意造成贷款机构对其失联，常见的方法便是更换联系方式。据统计，逾期3个月以上的借款人失联的概率为70%，在借款人失联后若重新联系到则催收概率提高50%。传统的搜寻失联借款人的方式工作量大且成功率低。而大数据风控手段可以通过对社交平台、地理位置、网络浏览痕迹等对失联的借款人进行比较准确的搜寻。大大降低搜寻成本，提高催收成功率。

（三）大数据与动态风险管理。动态风险管理指对风险监控对象的行为进行跟踪，从而风险出现时可以及时识别。一个典型的应用就是企业经营风险识别。企业的经营活动充满不确定性，通过建立科学的经营风险评估体系，对企业经营风险实现动态跟踪，及时发现风险并做出预警。当风险暴露程度超过设定的阈值后便向管理决策人员发出风险预警信号与相应的对策指導，以保证及时调整经营策略，保证企业稳定发展。

四、银行业大数据金融

（一）大数据在传统银行业中的应用，主要体现在客户画像、精准营销、风险管控与运营优化这几个方面。

具体来说，银行在风控方面的创新就属于客户画像方面的应用。央行征信数据库虽然有大约8亿人与近2000万家企业的征信数据，但是央行征信的时效性差且不够精准，尤其是对中小微企业与个人来说。因此传统银行的一个举措便是建立自己的电商平台采集数据，如银联的云闪付APP。在个人征信方面，传统银行与第三方征信公司合作，如上文提到的蚂蚁信用等个人征信企业。

精准营销则在中小银行中应用广泛，我国历来的银行业格局便是大银行服务大企业，小银行大多面向中小微企业与个人开展业务。随着大数据分析技术的发展，光大银行2012年推出“阳光理财”资产配置平台，特点是能够面向客户提供个性化的资产配置建议，并随着市场变化动态指导客户调整资产配置方案。这项业务取得巨大成功，成为了国内银行零售金融服务的典范，属于银行业成功的业务创新。

风险管控体现在银行的信用评分卡业务与小微信贷方面。众所周知，中小企业融资不易。客观来说，由于中小微信贷单个体量小、数量多，使得信贷决策成本成了中小企业融资面临的最大问题。传统的信贷决策成本高。而大数据时代大大减少信贷决策成本，并且风险管控能力提高。通过建立智能化的中小微金融服务模式，可以在减少贷款成本的同时关注小微企业的运营风险。

（二）互联网银行。联网银行是互联网金融的典型产物。互联网银行不设物理网点，只进行线上业务。近些年来，电商平台凭借其得天独厚的数据与平台优势开始成立互联网银行。代表的有阿里巴巴主要控股的浙江网上银行与腾讯系的深圳前海微众银行，当然还有百度与中信银行共同出资成立的百信银行。

互联网银行的目标群体便是广大中小微企业、个人创业者等所谓的“长尾市场”的客户。互联网银行依托电商平台的用户行为数据与个人征信数据（如蚂蚁信用）对借款人进行审核，并实现个性化的与风险匹配的贷款额度划批。

五、证券业大数据金融

由于大数据的应用可以提高信息挖掘处理能力，减小交易成本，同时證券业在应用数据技术开展业务时也会产生大量新的数据素材。证券业属于信息密集型行业，由此实现了产业闭环，因此证券业比其他行业更适合融入大数据。

随着证券业的不断发展，券商的业务同质化日趋严重，传统的经纪业务由于竞争利润逐年减少，投行业务“靠天吃饭”的特点也不利于证券公司长远稳定的发展。因此未来券商避免同质化就必须转型。在资管与自营业务方面开辟新的天地，如大数据搜索技术应用于行研，通过多维数据精确地刻画行业、企业特征。应用于后台风险管理，对风险进行更精确的刻画。还可以应用于ABS资产证券化，借助利率期限结构利用金融工程方法，更好地实现不同期限利率产品的打包。最后，大数据在自营业务中最重要的应用便是量化投资。量化投资可以避免由于人的非理性情绪导致的投资缺陷，未来发展前景光明，是证券业务创新的突破口。

六、中央银行大数据应用

央行与大数据的结合主要体现在其作为监管的职能中。有利于央行及时捕捉市场动向，提高监管能力，具体体现在以下几个方面。

（一）宏观审慎监管。央行可以通过爬虫技术获取市场舆情，减少对市场的信息不对称。在制定政策时通过对各方面信息进行综合考量，提高政策的科学性。通过对社会各方面的信息收集进行统计与预测，增强对市场总体的把握，提高宏观审慎监管能力。

（二）完善征信体系。金融体系良性运转离不开成熟的征信体系，从而减少信息不对称带来的市场摩擦。上文提到，中央银行的征信体系不能涵盖市场上的征信需求。未来央行应该利用自己的地位优势，利用大数据搜寻技术开展各方面的信息采集工作，加强同其他政府部门、商业银行、支付清算机构以及市场上的第三方征信机构的合作，争取做到规范征信市场、统筹征信体系。提高征信对象覆盖率，早日建成成熟高效的、涵盖企业与个人的中国征信体系。

（三）加强反洗钱监测。我国反洗钱检测中心的数据主要来源于各金融机构总部向其报送的可疑交易数据。而这些数据正是通过数据异常值动态检测技术获取的。2013年，央行组织多家金融机构开展大额交易与可疑交易报告综合改革，通过研发新的异常交易检测指标与优化算法，可疑交易报告的准确率大大提升，我国反洗钱工作取得了重大进展。

七、存在的问题与未来展望

大数据在金融中的应用如此广泛，大数据金融的飞速发展固然值得我们惊叹与期待。但是发展中存在的一些问题也不容忽视。

（一）个人隐私保护。目前我国已经成为数据最丰富、数据体量最大的国家之一，但在数据监管方面差强人意。互联网上各种“过分精准”的广告推送，让人不禁思考个人隐私究竟在多大程度上被暴露。甚至怀疑在个人隐私数据保护方面，每个用户都在“裸奔”。网上数据贩卖之猖狂令人发指。不只是中国，在国外也有著名的“Facebook被指控通过用户数据引导性干预大选结果”等新闻。种种事实表明，隐私数据的与使用亟需加强监管，同时国家应该加快相应法律规范的立法进程。避免“徐玉玉案”类似的恶性事件再次发生。

（二）数据质量安全。数据质量是大数据应用的基础，如果数据质量不过关，则基于这些不良数据的一切数据分析都是徒劳的。因此数据质量问题显得尤为重要。但是数据安全问题却层出不穷，电商平台上刷信用等级、刷销量等问题严重;社交平台“转发量造假”、“刷评论”等现象也不断被曝光。数据造假问题不解决，数据质量就难以得到保障。

（三）完全依靠大数据分析方法进行决策有时不具有说服力。在建模过程中，模型的假设条件是否接近现实就是一个很大的问题。其次在机器学习等方面，算法相当于黑箱，虽然有很好的决策预测能力，但是无法被解释。基于这个原因，机器学习应用于金融会造成风险不可度量不可控等问题。

在未来，大数据技术伴随着5G时代的到来无疑还会迎来一个更好的发展平台，拥有更多的应用情景与发展机会。但是在发展的同时，上面提到的问题更需要及时解决。大数据金融无疑会发展得越来越好，虽然在大数据发展的过程中固然存在一些问题，但是“发展的问题要用发展来解决”，相信这些问题都会随着大数据金融行业的逐渐成熟而逐一解决。

参考文献

[1]蔡宁伟.操作风险的诱发类型与前瞻性防控研究[J].金融监管研究.2015（04）

[2]龙海明，王志鹏，申泰旭.大数据时代征信业发展趋势探讨[J].金融经济，2014（12）：86-88

[3]罗明雄.互联网金融[M].中国财政经济出版社，2013.

[4]陶娅娜.互联网金融发展研究[J].金融发展评论，2013（11）：58-73.

[5]Lauer，David.The Challenges and Opportunities of Big Data in Finance[J].Inside Market Data，2013，29（9）.

作者简介：

杨鹏程（1997—），男，汉族，山东德州人，学生，金融工程硕士，单位：中央财经大学，研究方向：金融风险管理。