金融大數(shù)據(jù)應用新進展從智能金融、普惠金融到宏觀金融決策

波士頓咨詢（BCG）的研究表明：不同的行業(yè)數(shù)據(jù)強度差異很大，金融行業(yè)的數(shù)據(jù)強度最大，因此大數(shù)據(jù)的概念很受金融機構(gòu)重視。麥肯錫近期的研究報告也稱大數(shù)據(jù)、云計算以及區(qū)塊鏈等下一代金融顛覆性技術(shù)正逐步成熟。一大數(shù)據(jù)推動智能金融的興起人工智能并非新生事物，在經(jīng)歷幾次起伏之后迎來一次新的高潮，許多國家從國家戰(zhàn)略層面來探索人工智能，美國政府曾組織多次關(guān)于人工智能的研討會，廣泛搜集意見，并且在2016年6月6號發(fā)布了《白宮人工智能未來計劃》；日本提出“超智能社會”；2015年5月23日中國四部委發(fā)布了《“互聯(lián)網(wǎng)+”人工智能三年行動實施方案》。（一）人工智能成為時尚人工智能（ArtificialIntelligence，簡稱AI）被用來代指一系列可以執(zhí)行感知、學習、推理和決策的計算機技術(shù)，目的是讓機器能像人一樣解決問題。AI涵蓋機器學習等學科，在過去15年，得益于數(shù)據(jù)、算法和計算能力的改善，業(yè)界在AI領(lǐng)域取得了長足進展。就目前的人工智能的布局來看，全球有6000多家人工智能公司（6038），美國人工智能企業(yè)總數(shù)為2905家，占全球的48%，約為一半，中國僅北京、上海、廣州就有人工智能公司447家，占全球的7.4%[1]。（二）人工智能與大數(shù)據(jù)最近幾年人工智能備受關(guān)注的一個重要原因就是大數(shù)據(jù)時代的到來，越來越多的數(shù)據(jù)產(chǎn)生了，這些數(shù)據(jù)中蘊含著很多經(jīng)驗和模式。為了教給人工智能新的技巧，需要將大量的數(shù)據(jù)輸入模型，用以實現(xiàn)可靠的輸出評分。目前，人工智能的突破主要依賴基于神經(jīng)網(wǎng)絡的機器學習。機器學習主要在大數(shù)據(jù)中尋找一些“模式”，然后在沒有過多的人為解釋下，用這些模式來預測結(jié)果。此方法意味著，數(shù)據(jù)量積累得越多，系統(tǒng)會越好。過去，人工智能的方法基本不受益于數(shù)據(jù)量的提升；新的方法中，只有五分之一的貢獻來自方法本身的改進，其余全依仗數(shù)據(jù)量的提升。數(shù)據(jù)量推動系統(tǒng)從量變飛躍到質(zhì)變[2]。大量數(shù)據(jù)（特別是標識數(shù)據(jù)）的支持是人工智能最核心的需求。無論是模式識別還是神經(jīng)網(wǎng)絡，不管是機器學習訓練還是算法優(yōu)化，都需要大量數(shù)據(jù)的“喂養(yǎng)”。例如，AlphaGo的成功之處，就在于其載有十幾萬份人類6～9段職業(yè)棋手對弈棋譜的數(shù)據(jù)庫，AlphaGo利用其模仿人類常見的落子方式。通過大數(shù)據(jù)學習，人工智能算法發(fā)揮著越來越重要的作用，尤其是近期深度學習的進展對感知智能（包括圖像和語音識別）的精度提升貢獻巨大。大數(shù)據(jù)蘊含了豐富的信息維度，可以比喻為提供了必需的血液和能量，人工智能就好像“大腦”，對這些信息進行分析識別和認知發(fā)現(xiàn)，具體的行業(yè)應用則好像“軀干”，基于信息執(zhí)行決策。國內(nèi)外知名的互聯(lián)網(wǎng)公司對人工智能都顯示出高度的關(guān)注，認為人工智能和互聯(lián)網(wǎng)大數(shù)據(jù)的結(jié)合會產(chǎn)生很多創(chuàng)新點，是驅(qū)動未來技術(shù)和商業(yè)模式的引擎。這些互聯(lián)網(wǎng)公司都投入大量的人力和物力進行一些前沿性的研究和探索。（三）金融+人工智能的智能金融的興起金融行業(yè)是一個數(shù)據(jù)密集型領(lǐng)域，除了數(shù)據(jù)量大之外，數(shù)據(jù)價值也非常高。AlphaGo所代表的人工智能在近幾年大放異彩，所展示出的機器的深度學習能力讓大數(shù)據(jù)處理呈現(xiàn)了新的方向。業(yè)界人士對于人工智能在金融領(lǐng)域的應用充滿了期待，希望機器可通過大量學習已有的歷史金融數(shù)據(jù)、策略、研報等，成為一個腦容量巨大、計算力超群的投資大師。國外金融領(lǐng)域已經(jīng)開始探索人工智能的應用。一家新興對沖基金Aidyia開發(fā)了自動交易機器人，該智能系統(tǒng)可以看到大量數(shù)據(jù)中蘊含的人們不能輕易發(fā)現(xiàn)的模式和規(guī)律。計算機輔助交易雖不是什么新鮮事，但是該公司希望可以開發(fā)智能軟件，在沒有人工指導或干預的情況下自行適應快速變化的交易市場。除了價格數(shù)據(jù)和技術(shù)圖形分析，該智能系統(tǒng)充分研究了現(xiàn)有數(shù)據(jù)，集合不同語言的新聞報道、基本因素和經(jīng)濟數(shù)據(jù)，以及其他多個市場的價格和成交量，綜合各種資料經(jīng)過復雜驗算，最終組合成模型，就個股在未來一星期或一個月將出現(xiàn)的價格走勢做出預測[3]。Kensho是美國一家基于大數(shù)據(jù)和人工智能的金融科技公司，專注于對各類事件對金融市場的影響進行智能分析。該公司在2014年獲得高盛的投資?！爱斢蛢r高于100美元一桶時，中東政局動蕩會對能源公司的股價產(chǎn)生怎樣的影響？”Kensho的軟件能很快給出答案，它的訣竅是通過大數(shù)據(jù)分析和自主學習。而對沖基金的分析師即便能獲得所有的數(shù)據(jù)，也要經(jīng)過數(shù)天的演算、推斷，才能找到答案。（四）國內(nèi)智能金融的現(xiàn)狀在人工智能的熱潮中，國內(nèi)“人工智能+投資顧問”結(jié)合體形式的智能投顧初創(chuàng)企業(yè)也如雨后春筍般不斷冒出，雖然參差不齊，但也代表了智能金融在國內(nèi)發(fā)展的一個方向[4]。智能投顧的一個重要的特點就是通過大數(shù)據(jù)獲得用戶個性化的風險偏好及其變化規(guī)律。從市場規(guī)模來看，國內(nèi)的智能投顧行業(yè)在中國國內(nèi)處于非常早期的階段，僅有的幾家知名平臺也處于創(chuàng)業(yè)期，遠未形成規(guī)模。短期來看，智能投顧雖然能起到較大的輔助作用，但在絕大部分領(lǐng)域還不能替代人力?；ヂ?lián)網(wǎng)金融的領(lǐng)跑者阿里巴巴率先布局智能金融[5]，把人工智能技術(shù)用到互聯(lián)網(wǎng)小貸、保險、征信、智能投顧、客戶服務等多個領(lǐng)域。另外一家互聯(lián)網(wǎng)巨頭百度也積極在智能金融領(lǐng)域進行嘗試。在2016年9月的百度世界大會上，百度金融宣布百度金融科技將投入大量的人力和物力來進行量化投資的研發(fā)。（五）智能金融的展望目前人工智能相對成熟的應用可以在圖像識別和語音識別方面實現(xiàn)突破，來改善金融領(lǐng)域的身份驗證、客戶服務以及反欺詐，螞蟻金服已經(jīng)在金融標準化委員會的指導下開始牽頭制定《互聯(lián)網(wǎng)金融行業(yè)生物識別個人身份驗證技術(shù)要求》和《互聯(lián)網(wǎng)金融行業(yè)生物識別個人臉識別安全應用框架》兩項金融標準。但是智能金融在一些重要的交易環(huán)節(jié)還不能完全實現(xiàn)自動化，目前和未來的一段時間內(nèi)，智能金融會主要以“人工智能+專業(yè)經(jīng)驗”的形式提供金融的決策支持[6]。人工智能在金融應用中存在的交易風險也不能忽視，例如程序化高頻交易會在市場下跌時根據(jù)策略模型嚴格執(zhí)行止損，而這容易加速下跌。2010年，類似的事件使道瓊斯工業(yè)指數(shù)在36分鐘里暴跌9%，被稱為萬億美元的股市下跌。從技術(shù)的角度來看，人工智能在金融領(lǐng)域的應用還處于嘗試階段。人工智能對金融的深遠影響還不能夠預測，真正的應用場景還要認真地思考。二助力互聯(lián)網(wǎng)金融，實現(xiàn)普惠金融（一）普惠金融人群缺乏傳統(tǒng)征信數(shù)據(jù)近年來傳統(tǒng)金融服務模式深受大數(shù)據(jù)技術(shù)的影響，后者不僅可以滲透到金融服務的每一個環(huán)節(jié)，而且還能開拓出新的金融服務應用場景，從而拓展被服務人群，讓普惠金融成為現(xiàn)實。普惠金融中的一個重要挑戰(zhàn)就是風險問題：例如，印度2010年發(fā)生了小貸危機，在印度微貸最發(fā)達的省出現(xiàn)多人違約事件；截至2016年夏天的統(tǒng)計表明，中國的P2P企業(yè)平臺已經(jīng)有一半出現(xiàn)問題。許多消費者和小微企業(yè)因為缺乏信貸記錄和合適的抵押品，在申請金融服務時困難重重。這些享受不到正常金融服務的低收入人群和小微企業(yè)，就是普惠金融服務的目標。無論對于發(fā)達國家，還是新興市場國家，金融普惠都是一個非常重要的話題。根據(jù)世界銀行估算，截至2014年，仍有約20億成年人無法享受到最基礎的金融服務。另據(jù)美國《彭博商業(yè)周刊》報道，全球1/4的人口沒有銀行賬戶、信用評分以及財務身份，也就是說全球有20億人沒有借貸能力。美國消費者金融保護局的一項最新分析指出，占美國成年人口11%的2600萬美國消費者沒有信用評分，因為他們的信用報告中沒有信貸信息。此外，還有占美國成年人口8%的1900萬消費者因信用報告中沒有足夠的信貸歷史信息，從而無法支撐信用評分的基本應用。假設有這么一種情況：某位消費者每月按時繳房租，將薪水的20%存進銀行，在日常交易中使用借記卡而不是信用卡，避開一切信貸活動，意味著他不可能獲取信用評分，這種情況下申請相關(guān)金融服務，會困難重重。目前國內(nèi)央行征信系統(tǒng)所登記的8.7億自然人中，有信貸記錄的為3.7億人；可形成個人征信報告、得出個人信用評分的有2.75億人（統(tǒng)計時間為2015年9月底）。截至2014年，中國的人口是13.67億，這意味著將近10億個人消費者沒有包含傳統(tǒng)信貸信用記錄的信用報告，也沒有信用評分；約1億人由于傳統(tǒng)信貸信用記錄不足，僅有信用報告，而無信用評分。波士頓咨詢的研究報告顯示，5600萬小微企業(yè)僅從中國銀行體系獲取了12%的融資，加上類金融體系——含租賃、保險、P2P，合起來也只20%。背后的原因在于：融資時間長、抵押物不充分、沒有財務報表、成本較高。（二）國外面向普惠金融的大數(shù)據(jù)技術(shù)嘗試國外知名的征信機構(gòu)益博睿、艾奎法克斯、環(huán)聯(lián)、律商聯(lián)訊和決策分析公司費埃哲都積極嘗試大數(shù)據(jù)應用，將一些替代數(shù)據(jù)——非傳統(tǒng)信貸數(shù)據(jù)，例如房租、公共事業(yè)繳費、電信消費和支付數(shù)據(jù)等——納入信用報告，抽取新的指標變量開發(fā)新信用評分，研究成果目前在美國的金融機構(gòu)開始初步應用。另外，面對普惠金融的強大需求，目前有上百家金融科技（或者稱為互聯(lián)網(wǎng)金融）公司正在利用大數(shù)據(jù)技術(shù)（在中國這種初創(chuàng)企業(yè)也有幾十家），嘗試解決這些非傳統(tǒng)的信用風險評估問題，探索實現(xiàn)普惠金融的商業(yè)模式。例如通過手機使用情況和其他個人習慣來預測其信用狀況，從而幫助這些人進入金融體系。這些初創(chuàng)公司認為，手機使用習慣、網(wǎng)頁瀏覽、社交媒體使用方式、公共事業(yè)繳費記錄，以及心理測試結(jié)果都可以成為為貸款人提供評估潛在借款人的新方法。評估的思路是：如果手機的電量從來不會接近耗盡，其主人一般會及時償還貸款；接聽電話數(shù)量多于撥出電話數(shù)量的借款人的違約風險通常會小一些；以簡要方式陳述貸款用途的借款人要優(yōu)于長篇大論敘述貸款用途的借款人。比較有代表性的新興金融科技公司有ZestFinance、Upstart和企業(yè)金融實驗室（EntrepreneurialFinanceLab簡稱EFL）[7]。ZestFinance公司服務于發(fā)薪日還款的借貸者[8]；UpStart服務于年輕的大學生，利用他們的學習成績、畢業(yè)學校信息和簡單的工作經(jīng)歷進行風險評估[9]；EFL則服務于小微企業(yè)主，利用心理測量學進行風險評估。此外，其他的金融科技公司，例如Kreditech利用在線購物歷史、手機通話的地區(qū)分布和類似的信息生成約2萬個數(shù)據(jù)點進行消費者信用評估，并且給予每一位申請者100歐元的初次貸款，以便為借款人積累信用歷史，幫助其改善貸款模型；RevolutionCredit開發(fā)出對貸款申請人進行測試并向其介紹金融知識的問題和游戲。訂購其服務的貸款發(fā)放公司可以將測試和游戲結(jié)果作為對申請人進行評估的組成內(nèi)容；總部設在新加坡的Lendo通過社交網(wǎng)絡的朋友圈，預測消費者的信用狀況。如果這些金融科技公司的眾多不同商業(yè)模式中有任何一個能夠取得成功，那么它對金融服務業(yè)以及國際社會產(chǎn)生的影響都將是巨大的，將為普惠金融的實現(xiàn)帶來生機和活力。（三）大數(shù)據(jù)信用風險評估案例分析——ZestFinance美國新興的互聯(lián)網(wǎng)金融公司ZestFinance，原名是ZestCash，其研發(fā)團隊主要成員為數(shù)學家和計算機科學家。公司前期主要通過ZestCash平臺向用戶放貸，后來聚焦于信用評估服務：以大數(shù)據(jù)技術(shù)重塑審貸過程，使得那些很難獲得傳統(tǒng)金融服務（Underbanked）的用戶擁有可用的信用，從而降低該人群借貸成本。剛開始，ZestFinance為傳統(tǒng)的發(fā)薪日貸款（PaydayLoans）（因借款人承諾在發(fā)薪日還款而得名）公司提供在線替代的產(chǎn)品。使用該產(chǎn)品的人群因信用記錄缺失或記錄較差，銀行及一些非銀行機構(gòu)都拒絕為其提供金融服務，致使他們需支付高昂利息獲取貸款。圖1大數(shù)據(jù)征信視角和傳統(tǒng)征信視角的比較圖1展示的是ZestFinance公司基于大數(shù)據(jù)相關(guān)性原則所采用的信用評估視角。該評估方法和傳統(tǒng)征信評估的基本立足點是一致的：消費者的還款能力和還款意愿。差異在于，傳統(tǒng)征信的數(shù)據(jù)取自銀行信貸數(shù)據(jù)，和信用風險直接相關(guān)；而大數(shù)據(jù)征信的數(shù)據(jù)在傳統(tǒng)信貸數(shù)據(jù)之外，還囊括了與消費者還款能力、還款意愿相關(guān)的一些描述性風險特征，這些風險特征的抽取與篩選正是ZestFinance的技術(shù)核心所在。以傳統(tǒng)征信方法的視角看，這些大數(shù)據(jù)征信的數(shù)據(jù)和消費者的信用狀況相關(guān)性相對較弱，因此，ZestFinance就利用大數(shù)據(jù)技術(shù)搜集更多的數(shù)據(jù)維度，支撐、加強這些弱相關(guān)數(shù)據(jù)的描述能力。由此，大數(shù)據(jù)征信不再只依賴傳統(tǒng)信貸數(shù)據(jù)，而是覆蓋了更多消費者人群。1.大數(shù)據(jù)采集技術(shù)ZestFinance以大數(shù)據(jù)技術(shù)為基礎采集多源數(shù)據(jù)，一方面繼承了傳統(tǒng)征信體系的決策變量，重視深度挖掘授信對象的信貸歷史。另一方面，將能夠影響用戶信貸水平的其他因素也考慮在內(nèi)，如用戶申請信息等，從而實現(xiàn)了深度和廣度的高度融合。如圖2所示，ZestFinance數(shù)據(jù)來源的多元化體現(xiàn)在：首先，對于ZestFinance進行信用評估最重要的數(shù)據(jù)還是通過購買或者交換來自第三方，既包含銀行和信用卡數(shù)據(jù)，也包括法律記錄、搬家次數(shù)等非傳統(tǒng)數(shù)據(jù)。圖2ZestFinance公司的金融大數(shù)據(jù)實例其次是網(wǎng)絡數(shù)據(jù)，如IP地址、瀏覽器版本甚至電腦的屏幕分辨率，這些數(shù)據(jù)可以挖掘出用戶的位置信息、性格和行為特征，有利于評估信貸風險。此外社交網(wǎng)絡數(shù)據(jù)也是大數(shù)據(jù)征信的重要數(shù)據(jù)源。最后，直接詢問用戶。為了證明自己的還款能力，用戶會有詳細、準確回答的激勵，另外用戶還會提交相關(guān)的公共記錄憑證，如水電氣賬單、手機賬單等。多維度的征信大數(shù)據(jù)可以使得ZestFinance不完全依賴于傳統(tǒng)的征信體系，對個人消費者從不同的角度進行描述并進一步深入地量化信用評估。2.大數(shù)據(jù)挖掘技術(shù)ZestFinance的核心競爭力在于其強大的數(shù)據(jù)挖掘能力和模型開發(fā)能力，將機器學習領(lǐng)域比較成熟的技術(shù)創(chuàng)造性地用于傳統(tǒng)的信貸風險管理領(lǐng)域。傳統(tǒng)的信用評分模型一般擁有500個數(shù)據(jù)項，從中提取50個變量，利用一個預測分析模型做出信用風險量化評估。而在ZestFinance的新模型中，往往要用到3500個數(shù)據(jù)項，從中提取70000個變量，利用10個預測分析模型進行集成學習或者多角度學習，進而得到最終的消費者信用評分。如圖3所示，ZestFinance的數(shù)據(jù)源是大數(shù)據(jù)，可以生成數(shù)以萬計的風險變量，然后分別輸入不同的預測模型中，例如欺詐模型、身份驗證模型、預付能力模型、還款能力模型、還款意愿模型以及穩(wěn)定性模型等。每一個子模型都從不同的角度預測個人消費者的信用狀況，克服了傳統(tǒng)信用評估中一個模型考慮因素的局限性，使預測更為細致。圖3ZestFinance的信用評估模型解讀2015年6月底，京東集團宣布投資ZestFinance，同時雙方宣布成立名為JD-ZestFinanceGaia的合資公司，此舉意味著京東將在自身消費金融體系中進一步引入ZestFinance公司的技術(shù)和經(jīng)驗，打造創(chuàng)新消費者信用評估體系。這次合作最初將為京東的分期貸款購物行為評估信貸風險，最終的戰(zhàn)略目標是為中國各地的企業(yè)客戶提供信用分析服務。2016年7月18日，百度宣布也將向美國金融科技公司ZestFinance進行數(shù)額未明的投資，后者將利用機器學習與大數(shù)據(jù)分析融合為百度提供更加精準的信用評分。作為此次投資的一部分，百度將使用ZestFinance的技術(shù)來判斷其用戶的信用。例如，如果未成年人用戶在工作日搜索視頻游戲，表示此人可能沒有工作，而且不是學生，這項數(shù)據(jù)可以用于判斷此人的信用狀況。（四）國內(nèi)大數(shù)據(jù)風險評估的現(xiàn)狀由于發(fā)展階段的原因，中國市場可以使用的金融數(shù)據(jù)遠少于美國，普惠金融的風險評估存在巨大挑戰(zhàn)。但另外，移動互聯(lián)網(wǎng)重塑了社會生活形態(tài)，創(chuàng)造了豐富的金融消費場景和更多維度的用戶大數(shù)據(jù)，為實現(xiàn)普惠金融提供了信息渠道、技術(shù)手段和新思維。最新的《中國互聯(lián)網(wǎng)絡發(fā)展狀況統(tǒng)計報告》顯示，截至2016年6月，我國網(wǎng)民7.10億人，互聯(lián)網(wǎng)普及率達到51.7%，較2015年底提高1.3個百分點，分別超過全球及亞洲平均水平3.1和8.1個百分點[10]。截至2016年6月，我國手機網(wǎng)民6.56億，網(wǎng)民中使用手機上網(wǎng)的人群占比較2015年底的90.1%提升了1.4%；僅通過手機上網(wǎng)的網(wǎng)民占比為24.5%，網(wǎng)民進一步集中于移動端。2016年上半年，互聯(lián)網(wǎng)金融類應用保持較好增長，網(wǎng)上支付和互聯(lián)網(wǎng)理財用戶分別增長9.3%和12.3%。電商快速發(fā)展、第三方支付廠商拓展線下消費支付場景，提供了海量的基礎數(shù)據(jù)資源，成為征信大數(shù)據(jù)基礎。同時，互聯(lián)網(wǎng)上圍繞信用主體而產(chǎn)生的交易行為信息、金融或經(jīng)濟關(guān)系信息，為風險信息挖掘提供了基礎。中國大數(shù)據(jù)時代正洶涌而至。7億互聯(lián)網(wǎng)用戶、3.5億微信用戶，以及8億的智能連接裝置，產(chǎn)生了海量數(shù)據(jù)沉淀，這些基礎大數(shù)據(jù)組成了中國互聯(lián)網(wǎng)時代的核心資源。與歐美用戶相比，中國用戶對分享個人信息有更強的主觀愿望。BCG最近完成的一份調(diào)研結(jié)果顯示，當被問及“給您定制一個個性化產(chǎn)品，是否愿意分享你使用這一產(chǎn)品所產(chǎn)生的數(shù)據(jù)”時，給出肯定答復的客戶占被調(diào)研者的93%。目前，國內(nèi)有幾十家金融科技公司在嘗試利用大數(shù)據(jù)技術(shù)來解決普惠金融和互聯(lián)網(wǎng)金融中的風險評估問題，例如閃銀科技、量化邦、數(shù)云普惠、集奧聚合、銀聯(lián)智策等公司，分別對電信、支付和一些互聯(lián)網(wǎng)金融消費行為的大數(shù)據(jù)進行整合、匹配、交叉驗證和挖掘，量化評估普惠金融服務人群的信用風險。一些互聯(lián)網(wǎng)巨頭也在大數(shù)據(jù)信用風險評估領(lǐng)域躍躍欲試，搶灘普惠金融的制高點。除了前面介紹的京東金融和百度都與ZestFinance合作，共同探索大數(shù)據(jù)風控之道外，螞蟻金服旗下的芝麻信用還開發(fā)出信用評分產(chǎn)品，對海量信息數(shù)據(jù)進行綜合處理和評估，目前已經(jīng)應用到新金融的小額貸款和共享經(jīng)濟場景下，取得了不錯的效果。這些國內(nèi)外利用大數(shù)據(jù)信用評估技術(shù)的嘗試雖然不夠成熟，但是已經(jīng)初見成效，對于特定消費場景和特定的普惠金融人群，還是有很好的替代作用。首個具有全球意義的重要數(shù)字經(jīng)濟指導原則——由中國推動并參與制定的《G20數(shù)字普惠金融高級原則》，在2016年9月5日杭州召開的G20峰會上得以通過[11]。這一原則為金融大數(shù)據(jù)的應用指明了發(fā)展方向，利用大數(shù)據(jù)技術(shù)實現(xiàn)未來的數(shù)字普惠金融充滿了生機。三宏觀金融決策和監(jiān)管的新工具目前業(yè)內(nèi)的金融大數(shù)據(jù)強調(diào)在微觀層面的應用，例如評價消費者的信用風險、支持投資決策、識別金融主體的身份等。隨著大數(shù)據(jù)分析和挖掘技術(shù)的不斷提高，微觀的金融大數(shù)據(jù)可以經(jīng)過整合、匹配和建模，來支持宏觀的金融監(jiān)管和決策。傳統(tǒng)的金融監(jiān)管和決策以定性為主，輔助以簡化的量化指標，對實際情況缺乏充分的把握，而大數(shù)據(jù)技術(shù)可以充分利用底層的細粒度的微觀數(shù)據(jù)，整合分散的信息，融合不同維度的信息，帶來具有及時性、前瞻性和更為準確的決策支持，提高監(jiān)管水平和決策能力。本節(jié)將以金融系統(tǒng)性風險管理、銀行存款保險費率的計算、對欺詐交易的檢測和經(jīng)濟結(jié)構(gòu)變化四個方面為例介紹金融大數(shù)據(jù)在宏觀金融決策和監(jiān)管中的應用。（一）金融關(guān)聯(lián)的系統(tǒng)性風險管理金融危機之后，全球金融市場的關(guān)聯(lián)性遠勝于過去。市場的互動性一旦大大加強，就會導致流動性風險和系統(tǒng)性風險，造成市場恐慌。國內(nèi)的信貸擔保圈（多家企業(yè)通過互相擔?；蚵?lián)合擔保而產(chǎn)生的特殊利益群體）就是金融關(guān)聯(lián)的典型代表。由于信貸市場的發(fā)展，關(guān)聯(lián)的企業(yè)越來越多，互相形成擔保圈，甚至形成一張巨大的網(wǎng)。在經(jīng)濟平穩(wěn)增長期，擔保圈會降低中小企業(yè)融資的難度，推動民營經(jīng)濟的發(fā)展。然而，一旦經(jīng)濟下行，擔保圈就會顯露其負面影響——加劇信貸風險。如若處理不當，極易引發(fā)系統(tǒng)性金融風險。過去幾年，在南方企業(yè)擔保流行的省份，往往一家企業(yè)出現(xiàn)信貸不良，一群企業(yè)遭殃，一個行業(yè)陷入泥潭，整個地區(qū)面臨系統(tǒng)性風險，一些本來毫不相干，資金鏈正常，經(jīng)營良好的企業(yè)也由于擔保關(guān)聯(lián)，跌入破產(chǎn)的深淵。信貸市場擔保圈問題一度愈演愈烈，傳統(tǒng)的擔保圈分析方法對理解、處理擔保圈問題作用有限。企業(yè)之間擔保貸款本來是一種中性的信用增進方式，恰當?shù)厥褂脮a(chǎn)生風險釋緩作用，由于擔保圈風險迭出，銀行和監(jiān)管部門把問題歸結(jié)到擔保貸款本身，目前各家銀行采取了比較嚴格的限制條款來避免擔保貸款的發(fā)生。任何信貸產(chǎn)品都存在風險，金融機構(gòu)本身就是經(jīng)營風險的專業(yè)機構(gòu)。本文的研究認為，從專業(yè)角度來說，擔保圈風險發(fā)生的根本原因，是缺乏合適的風險管理工具，沒有對擔保圈進行正確的風險管理。目前對于擔保圈的量化風險分析存在以下問題。首先是缺乏擔保圈全量的大數(shù)據(jù)，沒有足夠的信息支撐。各家銀行和當?shù)氐谋O(jiān)管機構(gòu)只有局部的企業(yè)擔保關(guān)聯(lián)數(shù)據(jù)，構(gòu)不成完整的擔保圈視圖，風險信息有缺漏。無法了解整個擔保圈相關(guān)企業(yè)的詳細信息，因此處理具有系統(tǒng)性風險特點的擔保圈風險具有很大的局限性。其次是無法對擔保圈風險進行建模，對風險進行正確的量化描述。傳統(tǒng)的風險分析工具都是對單個企業(yè)進行風險建模，適合對企業(yè)的貸款金額、貸款質(zhì)量以及信貸行為建模，對于企業(yè)之間的關(guān)聯(lián)關(guān)系無法進行量化描述和風險分析。因此我國有必要借助大數(shù)據(jù)的復雜系統(tǒng)分析方法，啟動對擔保圈的深入分析，為化解因擔保圈引發(fā)的金融風險創(chuàng)造條件。要考慮到如下條件：一是央行征信系統(tǒng)已收集了大量豐富的企業(yè)擔保關(guān)系數(shù)據(jù)。截至2015年底，中國人民銀行征信中心為2146萬企業(yè)建立了信用檔案，有信貸記錄的企業(yè)超過596萬家，關(guān)聯(lián)關(guān)系信息（僅限于有貸款卡的用戶）超過2億條。二是復雜網(wǎng)絡技術(shù)已日趨成熟。復雜網(wǎng)絡是由數(shù)量巨大的節(jié)點（研究對象）和節(jié)點之間錯綜復雜的關(guān)系（對象之間的關(guān)系）共同構(gòu)成的網(wǎng)絡結(jié)構(gòu)。復雜網(wǎng)絡分析技術(shù)針對越來越多、越來越復雜的事物之間的關(guān)聯(lián)關(guān)系進行非線性建模，可以較好地解決大數(shù)據(jù)的數(shù)據(jù)量（Volume）、數(shù)據(jù)復雜程度（Variety）和處理速率（Velocity）等基本問題。圖4是利用大數(shù)據(jù)分析進行擔保圈風險管理的示例。首先對全國范圍的擔保關(guān)聯(lián)企業(yè)進行建模，圖4展示的是2007年1月的全國性擔保網(wǎng)絡，網(wǎng)絡中的節(jié)點表示企業(yè)，邊表示擔保關(guān)系。通過網(wǎng)絡算法劃分，將擔保網(wǎng)絡簡化為不同的規(guī)模較小且相對獨立的擔保群，這些擔保群之間的擔保關(guān)聯(lián)連接稀疏；擔保群的內(nèi)部聯(lián)系非常緊密，所以擔保圈風險一般只發(fā)生在群內(nèi)部。圖5展示了根據(jù)復雜網(wǎng)絡的算法分析，對擔保群的風險進行計算，對擔保群進行簡單的風險分類，便于金融機構(gòu)進行風險監(jiān)測和管理系統(tǒng)性風險，類似地，也可以對每一個擔保企業(yè)，根據(jù)擔保關(guān)聯(lián)關(guān)系，利用算法計算出風險等級，便于量化風險管理。圖4全國性的擔保網(wǎng)絡（2007年1月）圖5擔保圈風險分類結(jié)果此外，國外金融機構(gòu)和中央銀行、金融監(jiān)管機構(gòu)已經(jīng)將大數(shù)據(jù)的技術(shù)分支——復雜網(wǎng)絡分析——應用于研究銀行間拆借市場以監(jiān)測流動性風險的發(fā)生。隨著金融市場的創(chuàng)新和發(fā)展，金融風險變得越來越復雜，需要更多的數(shù)據(jù)支撐和復雜的數(shù)學模型來量化描述，大數(shù)據(jù)技術(shù)將成為未來金融風險管理的利器。（二）銀行存款保險費率的計算2015年5月，作為金融市場化進一步深入的重大舉措，銀行存款保險制度正式開始實施，這不僅有利于穩(wěn)定宏觀金融，也對利率市場化后商業(yè)銀行的穩(wěn)健經(jīng)營和有序競爭有利。存款保險費率的厘定是存款保險制度的一個核心，而保費的估算是設計存款保險方案中的難題之一。保費結(jié)構(gòu)的設計，在很大程度上決定了存款保險對于參保銀行的可接受度。想降低道德風險并減少逆向選擇，取決于合理的保費結(jié)構(gòu)。國內(nèi)對于銀行存款保險的研究以定性為主，對保險費率計算的量化分析比較欠缺。從國外信貸數(shù)據(jù)的應用情況來看，信貸數(shù)據(jù)有助于銀行監(jiān)管者準確評估監(jiān)管對象的信用風險狀況。對于建立了公共征信系統(tǒng)的國家來說，風險分析技術(shù)可以成為有效的監(jiān)管工具，由于銀行業(yè)的危機通常和高的不良貸款率相關(guān)，信貸數(shù)據(jù)常常用于信貸市場監(jiān)控和銀行監(jiān)管，是銀行監(jiān)管統(tǒng)計數(shù)據(jù)的補充。因此，央行信貸大數(shù)據(jù)不僅可以幫助商業(yè)銀行管理信用風險，還可以支持監(jiān)管和宏觀經(jīng)濟分析。未來的研究可以利用信貸大數(shù)據(jù)，基于預期損失模型來計算銀行存款保險費率，從最基礎的信貸數(shù)據(jù)單元開始計算，給保費制定提供更加及時、準確的決策支持。圖6列出了利用信貸大數(shù)據(jù)進行銀行存款保險保費計算的分析框架。圖6利用信貸大數(shù)據(jù)進行銀行存款保險保費的計算（三）進行精細化的金融監(jiān)管技術(shù)進步加上日益復雜的市場，會使得金融監(jiān)管機構(gòu)的工作變得艱難復雜，但大數(shù)據(jù)技術(shù)的發(fā)展提供了化解之道，讓金融市場維持良性運轉(zhuǎn)成為可能。如金融監(jiān)管機構(gòu)正利用計算和“機器學習”算法的最新進展，掃描金融市場信息和公司財報，從中找出欺詐或市場濫用行為的蛛絲馬跡。這些基于大數(shù)據(jù)分析技術(shù)的新型監(jiān)管工具是金融交易欺詐偵查的未來，有越多的數(shù)據(jù)積累，其功能就將越強大。美國證交會幾年前就推出了一個被稱為“機械戰(zhàn)警（Robocop）”的計算機程序（學名“會計質(zhì)量模型”），用證交會的金融數(shù)據(jù)庫檢查企業(yè)利潤報告，從中搜尋可能隱藏的異常行為——激進的會計手法或赤裸裸的欺詐[12]?！皺C械戰(zhàn)警”的具體情況、手法，透露給外界的信息甚少，但其基本思路是：通過大數(shù)據(jù)分析，發(fā)現(xiàn)多個可能暗示著潛在會計問題的重要指標。2013年，中國上交所開展了“捕鼠行動”，意在打擊“利用非公開信息進行交易”。依托數(shù)據(jù)庫，市場監(jiān)察部建立多種數(shù)據(jù)分析模型，通過深度挖掘?qū)ふ野讣€索：鎖定基準日，篩查高頻戶，參照賬戶開戶、歷史交易情況等，圈定嫌疑賬戶，最終查出一只只“碩鼠”。截至2015年初，上交所利用大數(shù)據(jù)分析方法，發(fā)現(xiàn)金額上百億元的基金經(jīng)理“老鼠倉”案件線索20余個。[13]（四）觀測產(chǎn)業(yè)結(jié)構(gòu)調(diào)整的新角度金融大數(shù)據(jù)的深入挖掘還可以反映宏觀經(jīng)濟變化的規(guī)律。例如，可以通過信貸大數(shù)據(jù)來觀測產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整。截至2015年底，2146萬戶企業(yè)及其他組織被收錄進企業(yè)征信系統(tǒng)，有596萬戶擁有信貸記錄，該系統(tǒng)累計提供信用報告查詢服務6.1億次。該系統(tǒng)數(shù)據(jù)有三大特點：一、全面，數(shù)據(jù)采集覆蓋了國內(nèi)絕大部分金融機構(gòu)；二、真實，所采集數(shù)據(jù)來自金融機構(gòu)實際發(fā)生的每筆信貸業(yè)務，統(tǒng)計結(jié)果得自每筆業(yè)務數(shù)據(jù)匯總相加，數(shù)據(jù)可追溯從而可還原每筆明細；三、時間跨度長，企業(yè)征信系統(tǒng)始自銀行信貸登記咨詢系統(tǒng)，2005年起提供對外服務，已運行了十年有余，意味著系統(tǒng)收集的數(shù)據(jù)超過十年，因此，對于分析國內(nèi)企業(yè)的行業(yè)行為和行業(yè)情況很有價值。例如可以將這些賬戶級的信貸數(shù)據(jù)，逐層整合成企業(yè)級和行業(yè)級，利用大數(shù)據(jù)挖掘、分析，從信貸市場角度剖析產(chǎn)業(yè)結(jié)構(gòu)的變化[14]。圖7描述了三大產(chǎn)業(yè)的產(chǎn)業(yè)增加值和信貸發(fā)生額的增長速度。由于歷年信貸發(fā)生額的變動較大，為更好地反映整體趨勢，圖7選擇以五年為節(jié)點，將2006～2015年切分為“十一五”和“十二五”兩個區(qū)間。首先，通過產(chǎn)業(yè)間的橫向比較發(fā)現(xiàn)，“十一五”期間，第三產(chǎn)業(yè)的增加值和信貸發(fā)生額兩項增速都高于其他產(chǎn)業(yè)，第一產(chǎn)業(yè)恰恰相反，增加值和信貸發(fā)生額兩項增速都低于其他產(chǎn)業(yè)；“十二五”期間，第三產(chǎn)業(yè)仍保持最強增長勢頭，而第一產(chǎn)業(yè)的增速超過了第二產(chǎn)業(yè)。從產(chǎn)業(yè)間增速對比角度看，信貸發(fā)生額和產(chǎn)業(yè)增加值保持了同樣的趨勢。其次，縱向比較不同時期各產(chǎn)業(yè)增長情況，“十二五”期間，各產(chǎn)業(yè)的信貸發(fā)生額和產(chǎn)業(yè)增加值的增速都呈現(xiàn)不同程度下降，其中第二產(chǎn)業(yè)下降最快——信貸發(fā)生額年均增速下降了54%，產(chǎn)業(yè)增加值年均增速下降了53%。另外，盡管各產(chǎn)業(yè)信貸發(fā)生額的增速一直高于增加值的增速，但隨著時間推移，二者間的增速差逐步縮小，除第二產(chǎn)業(yè)外，信貸發(fā)生額增速下降的速度均快于增加值下降的速度。圖7從信貸大數(shù)據(jù)看產(chǎn)業(yè)結(jié)構(gòu)變化從上面的例子可以看出，金融大數(shù)據(jù)分析可以成為宏觀金融決策和監(jiān)管的有力工具，可以在市場化金融發(fā)展的過程中發(fā)揮重要的作用。與微觀金融大數(shù)據(jù)的應用方面很多金融科技公司沒有足夠的金融大數(shù)據(jù)的情況不同，國內(nèi)的金融大數(shù)據(jù)都掌握在政府和監(jiān)管部門的手中，金融大數(shù)據(jù)的宏觀應用有著良好的數(shù)據(jù)條件，更容易見到成效。四金融大數(shù)據(jù)的挑戰(zhàn)與展望從金融智能投資，普惠金融的大數(shù)據(jù)風險評估到宏觀金融決策和監(jiān)管，金融大數(shù)據(jù)的應用帶來了生機和活力，將成為金融服務業(yè)未來發(fā)展的有力工具。由于還處于發(fā)展過程中，目前金融大數(shù)據(jù)應用中的局限性和存在的問題還是不能忽視。（一）金融大數(shù)據(jù)的信息安全問題信息安全特別是網(wǎng)絡安全是金融大數(shù)據(jù)應用的一個重要和緊迫的問題。據(jù)統(tǒng)計，2015年，31.5%的網(wǎng)上攻擊針對金融行業(yè)，全球5億金融消費者的信息遭到黑客攻擊或泄露。因此金融機構(gòu)在應用大數(shù)據(jù)時，需高度重視網(wǎng)絡信息安全，嚴格遵守國家、行業(yè)有關(guān)網(wǎng)絡信息安全管理要求，建立有效的網(wǎng)絡安全防御體系及應急事件響應處理機制，定期進行風險識別、漏洞掃描和安全加固，設置信息安全官，專職向董事會匯報。對核心數(shù)據(jù)實施嚴格加密措施，最大程度降低數(shù)據(jù)泄露風險，必要時購買網(wǎng)絡信息安全保險服務以彌補損失。（二）對大數(shù)據(jù)的真實性和公正性存在疑問大數(shù)據(jù)為金融風險評估提供更多的信息維度，甚至是傳統(tǒng)風險管理的替代工具，但也對這些金融相關(guān)的數(shù)據(jù)真實性提出了更高要求。例如對上述ZestFinance的大數(shù)據(jù)信用風險評估