关于大数据在金融行业中的运用研究

周涵

摘要： 在高度信息化的今天，大数据已经充斥在我们每个人的生活中，数据信息化也离我们越来越近，不仅如此，在传统金融行业里同样也逐渐开始运用大数据技术来分析市场走向以及人们的消费习惯等等。如何从海量的大数据中挖掘出有价值的信息，并且利用其来做出正确的投资判断，是本文研究的根本话题。

关键词：计算机、大数据、金融、运用模式

一、引言

众所周知，金融是市场主体利用金融工具将资金从资金盈余方流向资金稀缺方的经济活动。现如今大数据的出现使各种数据飞速增长，对大数据的研究和利用慢慢拓宽到了各个领域，而金融领域则是涉及最多的领域之一。

二、互联网金融的相关概念与意义

从2013年开始互联网金融开始兴起，和传统金融不同，互联网金融是指用互联网技术完成相关的金融活动，这种新型金融模式突破了时间和空间的限制，使原有的服务成本大幅降低，如掌上银行、移动支付、网络借贷、基金理财等等，这些原本需要去营业厅办理的业务如今在手机上就可以轻松做到。对于非传统意义上的金融机构以及个人来说，金融对于他们更像是余额宝等活期理财服务以及花呗、京东白条等小微贷服务，这些服务的最大共同点就是回款周期较长，基本都是一个月左右甚至还有36期也就是三年时间，当然以这种形式的小微贷贷款金额通常较小，对机构来说，金额小意味着风险低，不用担心用户还不上款，而对于用户来说买个手机可以分12期还款，他们可以买到自己想要的东西，同时也大大提高了手里现金的流动度。对金融机构、用户和企业来说，这是一个双赢的局面。对于传统金融机构来说，互联网金融主要表现为网络银行业务，如工商银行的网络银行业务占到了全部业务的78%，平均每秒就有6500笔业务产生。[1]

由此观之，互联网金融作为一种新的金融方式，在日常中起到了非常大的作用，也是传统金融行业的一次技术革新。

三、大数据相关技术

3.1数据采集

數据采集就是从庞大的信息量中收集到各种各样的结构化和非结构化数据。

数据库采集：目前比较常见的传输数据的工具有Sqoop和ETL，传统的关系型数据库MySQL和Oracle等等也依然是许多企业主要的数据存储方式。对于 kettle 和 talend 本身，现在可以进行大数据集成，使 hdfs、hbase 和当前主流 nosql 数据库之间的数据同步和集成成为可能。

Web 数据捕获：这是一种通过 web 爬虫或 web 公共 api 从 web 页面获取非结构化或半结构化数据的方法，不仅如此，它还可以统一地结构化为本地数据。

3.2数据挖掘

大数据挖掘，需要大数据技术框架的支持，早期的Hadoop MapReduce框架，是解决大数据挖掘问题的第一代框架，而随着数据处理需求的变化，紧随其后又出现了很多的解决方案，比如说UCBerkeley的Spark，斯坦福大学的Phoenix等。

在庞大的数据量中寻找某种关系的被称为无指导数据挖掘，而我们常用的分类、预测、估值等则属于有指导的数据挖掘。目前，数据挖掘的算法主要包括神经网络法、决策树法、遗传算法、粗糙集法、关联规则法等。

四、大数据技术在金融领域的运用

4.1大数据在金融市场中的作用

大数据具有一个很重要的特性就是可以通过对现有采集到的数据进行分析，从而对该事物进行一个全方面的判断与。而在金融行业里这更显得尤为重要，我们可以借助于大规模的数据技术，帮助金融机构在相关的金融衍生产品中进行创新，通过对用户的个人信息如爱好、收入等方面进行分析，由此来推荐给他最适合他的金融产品，这是传统金融行业所不能做到的。

4.2大数据在进行金融投资中的作用

大数据技术的核心是利用相应的计算机来掌握数据的价值，而机器学习则是利用我们来掌握数据的价值核心技术，对于利用大数据，机器学习非常重要。在股票等金融市场中，投资者可以使用机器学习中的相应算法来选择股票。本文介绍了随机森林算法，随机森林是一种将多树与集成学习思想相结合的算法，它的基本单元是决策树，每个决策树是一个分类器，然后对于一个输入样本，n个树将有 n 个分类结果。随机森林集成了分类投票的所有结果，得票最多的类别被指定为最终输出，这是最简单的装袋思想。同时，随机森林模型在训练完样本之后，可以通过基尼系数来评价各个特征，这一点降低了机器学习方法“黑箱”的特性。通过选用股市常用的一些判别因子（如价值、成长、动量以及盈利等四大类因子）对股票走向进行预测，在李斌等人所做的实验基础上，基于A股市场的96个基本面异常因素，采用12种机器学习算法构建股票收益预测模型和投资组合，表现最好的深度前馈网络预测的多空组合可以获得2.78%的月度收益。[2]因此，我们可以通过机器学习有效地预测股票等金融产品的未来方向。

4.3大数据在供应链金融中的作用

供应链管理是指在实现一定供应链效益的前提下，通过对供应商、制造商、仓库、配送中心和渠道商等实体进行有效组装而使整个供应链系统成本达到最小的管理方法。[3]在如今大数据的背景下，供应链金融也出现了更多不同的特点，一是速度快，这个快不仅仅说的是供应物流速度快，也包括支付交易的速度快;二是可预测，我们可以通过对处于供应链下流的的企业或者物流收货人群进行预估，从而得知哪种物流方式或者物流布局更适用于目标客户，减少成本提高效率。

五、结论

总的来说，大数据与现代的新金融相辅相成，文章解释了相应的计算机与大数据技术，并且分析了大数据在金融行业里所起到的作用，也讨论了未来的方向。

参考文献：

[1]姜超峰.供应链金融服务创新[J].中国流通经济，2015，29（01）：64-67.

[2]李斌，林燕，唐文轩.ml-tea： 一种基于机器学习和技术分析的定量投资算法[ J ].系统工程理论与实践，2017（5）：1081-1092

[3]田阳，陈智罡，宋新霞，李天明.区块链在供应链管理中的应用综述[J/OL].计算机工程与应用：1-18[2021-07-25]