大數據在互聯網金融風控中的應用研究

秦啟雯

(中國人民銀行西寧中心支行 青海西寧 810001)

1 大數據技術的出現與特征

近年來，大數據分析技術崛起，得到了人們更多的關注,并應用于現代信息科技領域。大數據分析概念，最初源于美國麥肯錫的一個科學研究報告,后來通過眾多科研人員和企業的推廣與普及,大數據分析的概念逐步流傳開來。由于大數據分析的體積十分巨大,內容類型豐富且數量規模龐大,并不是一個完全獨立的數據源,只是經過網絡技術的加工與采集后逐漸產生的數據庫，它在分析數據上具備真實性較高的特征。因此，公司在產品運營與發展過程中可以利用互聯網技術獲取數據且分析大量用戶數據,一定程度上增強企業產品運營的針對性,進而大幅改善公司管理水平。此外,由于大數據處理技術龐雜,對紛繁復雜的大數據處理信息需要進行相應的加工與處理,從而產生有用數據。

2 大數據技術在互聯網金融風控中的應用意義

雖然大數據分析技術一直是推動建立現代互聯網金融機構風控系統的有力工具,但我國的互聯網金融風控發展時間相對不長。伴隨科技的進步,很多智能技術已經在網絡金融風控上發揮作用，但還是受到內外部諸多不確定因素的影響。在計算機網絡上，大規模的社會信息采集、數據分析都需要煩瑣的步驟和較長的時間，但是在智能互聯網技術應用以后，一些全新的技術出現，與之前的舊技術形成交叉，兩者的融合與大數據技術的價值體現是需要深入研究的。利用大數據分析技術可判定并提高個人信息真實性,進行個人身份信息掃描、圖片辨別人臉,再加入融資擔保機構等,能夠層層把控網絡上金融信息的風險。就像目前中國互聯網金融業界比較重視的信用風險和欺詐風險等,可以通過剖析歷史事件,發現其內在的邏輯規律性,列出危險性指標,進行大數據樣本檢驗,從而實現算法優選,并建立基于大數據風險控制的基礎模式,通過不斷收集大量新數據加以檢驗與優化。以美國最主要的個人信用評價工具FICO信用分為例,評級的基礎思想就是將每個借款人過去的信貸發展歷史資源和信息庫中各個借款人的信貸習慣進行比較,檢查借款人的信息與違規、隨意透支、申請倒閉的各種財政困難的情況,FICO評級是傳統金融領域對大數據技術的利用,美國很多商業銀行早已著手試圖利用大數據分析來驅動銀行業務經營。例如，中信銀行刷卡中心利用大數據分析技術進行實際經營；光大商業銀行構建了社會互聯網信息數據庫系統；招商銀行運用大數據分析技術發展小微信貸。大數據分析技術在金融產業的利用率也相當高，可以為金融產業風險管理保駕護航。

3 互聯網金融和大數據的特點

首先，互聯網交易成本費用低廉。資本供求雙方在資本融通流程中所產生的成本費用稱為互聯網交易成本費用,互聯網利用信息網絡,降低了人力、物力的投資,發布資訊、匹配商品、制定價格、成交均采用互聯網完成,穩定了貿易成本費用。其次，網絡服務便捷、高效，而且不受時限、空間的約束,客戶只需在手機或者電腦上進行操作就可以完成需求。大數據中的信息價值量很廣，建立在大數據分析技術基礎上，電子商務和互聯網相融合，使得人民群眾無論是生活、學習還是工作上，都逐漸形成依賴性,使某些單元和個別的生活消費資訊在互聯網空氣中流露,從而形成了海量的信息數據庫,數據便是信息資源,如果進行分析與研究便是極大的商務價值。最后風險系數高、創新性強。隨著科學技術的發展,不斷誕生新的金融產品、融資形態,一系列網絡產品和支付方法也層出不窮,如互聯網銀行、網上保險、眾籌融資、網上證券、余額寶、支付寶、微信支付、網絡借貸等。但是由于現階段對網絡金融機構的監督力量薄弱,沒有法規制約,使得有些不法分子違規集資、實施網上欺詐,嚴重危害網絡金融的安全。

現代信息技術系統包括收集與預處理、儲存與管理、運算模型與系統、大數據分析與挖掘、可視化計算、保護與安全管理等方面,可優化信息處理環節,提高信息處理效能，特征一般為信息資源體量大、類別多、處理速度快、信息內容價值密度系數低。在當今社會，信息技術隨處可見,并滲透于人們每日的生活、學習、工作中。以阿里巴巴小額貸款公司為例,在2015年累計發放貸款1953億元,交易額上升40%。大數據分析的運用可以有效減少交易成本、增加交易頻次、擴大交易空間、提升交易體驗,有效推動了網絡金融市場的健康發展,但也面臨著一定的隱患和風險,如暴露個人隱私,甚至影響公司的經營管理決策等。

4 大數據在互聯網金融中的應用

雖然大數據分析的運用在現階段并不能全部實現預測的精確性,但是已經有不少比較成熟的例子。比如DataSifi通過對社會數據網絡的數據分析總結,制定出具體的實施方案；Zest運用大數據分析信用評價,已拿到了一億美元的投資；Decide運用價格信息預測價格趨勢,已給出了比較合理的購買意見等等。隨著大數據的累積與平臺的發展,網絡金融服務越來越普遍,受余額寶、微信理財通等影響,國內互聯網金融主要應用在個人理財方面,但實際上金融中最具剛性要求的業務是借貸,大數據分析也推動著金融服務的不斷創新。交易是為了實現高收益,使用交易程序和硬件裝置,迅速分析、生成、捕獲并發出買賣命令,才能在短暫的時間內進行較多的買賣。交易方面已經十分頻繁，因為它能利用大數據分析技術將市場中的各方連接在一起，再共同使用先進的技術功能性，并且在交易過程中客戶信息會被記憶，而且很多信息的搜集都是在交易進行的同時展開的,能夠辨識此模式的算法就能夠估計這支基金在其他時刻的價格動向,但如果繼續執行買賣,就需要再支付更高的報價,此算法交易商可以趁機獲得收益。

大概兩年前, 對沖基金已經在各種媒介上形成了一種適應市場的信息搜集處理工具，在此集中包括很多軟件,如Facebook、博客、聊天室等。在看到有關恐怖主義事件、天然災難等突如其來的消息時也會拋售訂單,精神病專家理查德·彼得森在2008年于美國加利福尼亞州圣莫尼卡集資100萬美元成立對沖基金,利用追蹤網絡、微博、聊天室等剖析企業情緒,并制定基金的買賣決策,該基金的收益率在2010年高達40%。再如設在英國倫敦的小型對沖基金DCM，通過在社會媒介上獲取資訊,剖析人類對金融工具的情感,并協助投資者制定投資計劃。金融機構可以通過對大小額用戶買賣行為中的數據進行采集,從而對其買賣范圍、運營情況、目標用戶、融資需求及業務的發展趨勢等做出具體的數據分析,以化解企業的經營困難。阿里小貸開創了從線上審批到放款的管理模式,有效銜接了放貸的全過程,給弱勢群體提供了人性化的小額貸款。

就大數據分析的實際使用情況來說,雖然達不到人們所期望的精確性,但是目前的確有了很多較為成熟的商業例子。比如，Decide運用八十億條以上的已知市場價值信息預估價格趨勢,并提供了采購意見；DataSift利用分析社交互聯網數據挖掘,并提出了針對性銷售方法；Zestfinance運用大數據分析開展個人的信用評價工作,并累計取得近一億美元的商業投資；等等。隨著大數據平臺的發展與數量的累積,互聯網金融公司也將加入當中,所以三步走目前已經轉變成交叉并行的三個方向。國內市場對網絡金融服務的應用比較多的是在傳統理財產品上,主要是受到阿里余額寶、百度、微信理財產品通等的負面影響,但其實借貸才是傳統金融服務中最具剛性要求的業務。由于社會大眾資金需求上的碎片化程度增加,商業銀行等傳統金融機構的產品自然而然地落地,網絡征信已經圍繞大數據挖掘等方面完成了很好的轉型。因此，大數據挖掘已經推動了高頻網絡交易、社會金融分析方法及信息風險分析方法三個金融服務技術創新。

首先，高頻交易和算法交易。以高頻買賣為例,交易中人們為了獲取最大收益,往往運用硬件設施和買賣程序上的優點,通過迅速收集信息、分類、制作并傳遞買賣指令等,在短時期內連續買進或賣出,而現在的高頻買賣大多采用“策略序列買賣”,即通過解析資金信息,以辨識出某個金融市場參與者所留下來的足跡。舉例來說,假設一個合伙基金常常在收盤前一分鐘的第1秒做出最大訂單,可以辨識這一模型的計算將預測出該基金在其他買賣時段內的價格動態,并做出同樣的買賣結果。該基金在繼續執行成交時也將支付較高的報價,因此采用算法的交易者可趁機獲益。

其次，通過搜集、分析社會媒介上的內容,開展市場情緒分析，金融市場的投資者把對情緒分析方法的研發和應用緊密結合起來。大概兩年前,對沖基金就在Twitter、Facebook、閑聊室和博客等社會化媒介中，為獲取市場情感消息研發交易算法。比如,只要從中發覺有自然災難或恐怖主義侵襲等的意外消息發布,就迅速發出訂單。2008年,美國精神病專家理查德·彼得森募集100萬美元,在美國加利福尼亞州圣莫尼卡成立了名叫MarketPsy Capital的對沖基金,通過跟蹤閑聊室、博客、網頁和微博等,以判斷金融市場上對不同公司的情感,再由此制定基金交易策略,至2010年該基金收益率已達到40%。設在倫敦的小額對沖基金DCM資本，利用從Facebook和Twitter等社會化媒介上獲取的資訊，將人類對某種金融工具的情緒狀態加以打分,從而向零售顧客發出預警,并輔助投資人做出決策。

最后，增加對風險的可審度和管控措施,以支持精細化管控。金融機構希望獲取并分析大量中小微企業用戶日常交易活動的歷史數據,從而確定其主要經營范疇、運營情況、誠信狀態、用戶定位、融資要求及業務發展,克服因為小微企業財務制度的不完善而無法真實掌握其實際運營情況的困難。阿里小貸開創了從風險評估到放款的全程線上服務模式,將貸前、貸中和貸后的三環服務形成高效連接,向一般無法從傳統金融機構拿到信貸的人群，大規模投放“數額小、時限短、隨借隨還”的小額貸款。

5 互聯網金融風險控制的一般原則

風險管理中，最有效的辦法比喻起來便是把全部的雞蛋以各種各樣的比率分別裝到各個籃子里,即所謂小額、散放,盡量避免集中投入。散放在風險管理方面具有十分關鍵的意義,因為借款客戶個人差異很大,由于身處地區有所不同,而且經濟條件如年紀、學歷等也有差異,所以這種離散的個體違約的概率就比較獨立,并且違約的概率也非常小。如100個單獨的個人其違約的概率為20%,假設隨機抽取兩個人,同時違約的概率是22%或4%,如果隨機抽取5個人,同時違約的概率是25%,如果抽取8個人同時違約的概率是25%,但是假設這100個人之間具有相關性,甲在違約的時候乙也違約,那么他們一起違約的概率就是10%,所以貸款中個人間的獨立性就是減少風險的必要措施。小額解決小樣本偏差問題。像某家信貸企業現在的信貸一共有10億元,假設每位貸款人平均能貸5萬元,一共有2萬個客戶,假設單筆貸款數額平均為100萬元,那么就有1000個客戶服務，按照計量經濟學中的一般規律,樣本數量越多,越遵循正態分布法則。所以,如果借款人的違約概率為2%,那么這2萬個客戶的違約概率就會超過另外1000個客戶的違約概率。利用大數據分析構建風控模式和決定引擎也十分關鍵。由于小額分散貸款客戶總量較多,如果銀行通過傳統的信審模式無法統一衡量償債能力、償還意向,就會進一步提高風險成本。因此，可參考國外的P2P,通過信貸工廠模式,構建風險模型,結合客戶的行為特點判定該客戶的違約概率,從而減少人工評估的成本,降低人工評估結果與評估準則的偏差。風控系統的核心方法除按照小額分散原則之外,還要通過深入研究不同特征個人的違約概率,形成大數據風控模塊和評分卡系統,將其固化在風控審核的業務過程和決策引擎中,了解不同個人的違約概率程度,從而引導風險審批業務進行。

6 大數據在互聯網金融風控方面的具體應用

目前由于我國的金融風險防控體系尚不完善，其中有許多信息的搜集無法真實精準地完成，所以結合大數據信息技術在互聯網金融服務當中的應用產品數量并不多，信息數據相對不實，而且來源不明確，缺乏真實準確性，導致網絡金融服務的落實比較困難。如果不接近央行征信體系，那么很多風險管控體系在互聯網上的建立就能幫助企業完善信息搜集。現階段,網絡金融機構的風控體系主要有兩類:一類是規模龐大的中小型網絡金融機構向中間征信機構貢獻財務數據,能夠把握征信的信息共享權利。另一類是與阿里進行合作，構建全新的信用評估體系與模型，還要對諸多交易及消費者的信息進行全面統計和分析。在中央銀行征信體系的基礎上可驗證一些身份，然后商業銀行或者金融組織就能有效結合大數據技術進行信息搜集和挖掘，但是對于其他的互聯網金融組織和機構并不會提供查詢等服務。甚至一些個人的信用記錄也不會在該體系內,有可能在其他的金融機構或者網絡金融公司的體系內出現。

互聯網信息數量龐大,充滿了復雜性。阿里構建完整的大數據挖掘體系比較早,不過當時不少人還處在迷茫狀態,于是利用以淘寶、天貓、支付寶等積累了大量消費為基本的數據分析原料,再根據賣家的銷量和銀行流水等財務數據,進行全面整理后通過網絡評級模式開展個人信用評估活動。銀行卡分類網站的大數據分析功能同樣對于網絡金融風險防控有著巨大的實用價值,可以依據用戶信用卡辦卡年齡、還款信息、信用額度、發卡類型等做出信用評估。2013年,阿里買下了新浪微博18%的股權,耗資約5.86億元,目的是希望掌握社會大數據,進而完成大數據分析,銀行卡的還款信息、交易、消費，以及淘寶上的水電煤氣等繳費信息,現階段已經形成大數據分析的基石。未來,第三方消費平臺付款的方向、額度、購物品牌及金額等都可以作為個人信用評估的重要數據參考,生活類信息服務網站中有關個人用戶的日常生活消費信息如水費、電費、煤氣費、物業費、電話費、上網費等都有可能反映用戶的生活基礎信息,為個人信用評估提供重要的依據,只有掌握所有的大數據分析信息才可以實現大數據分析的有效加工。

7 結語

本文對于互聯網背景下大數據技術支撐的網絡金融風險管理體系進行全面闡述，并從中挖掘此期間利用互聯網金融存在的各種風險，再對相關解決措施進行深入探究，根據當前的互聯網金融風控實際情況全面探析和論述，并提出了個人的見解，希望能對相關人員提供借鑒。