论文部分内容阅读
摘要：互联网金融是一种新兴金融，依托于互联网工具如社交网络、云计算、搜索引擎等实现资金的融通、支付等业务，保证在安全、移动等网络水平上被电子商务用户接受以后产生的新模式、新业务，适应更多人的需求。未来的互联网金融发展空间无限大，现阶段互联网竞争不只是平台的竞争，更是大数据的竞争。
关键词：互联网金融；大数据；应用；控制
一、互联网金融和大数据的特点
（一）互联网金融的特点。交易成本低廉：资金供给双方在资金的融通过程中所发生的成本称之为交易成本，互联网借助信息网络，减少了人力、物力的投入，发布信息、匹配产品、定价、交易都依靠互联网完成，大大降低了交易成本。交易过程快捷简单：互联网金融模式下金融业务由计算机操作，效率高、速度快，不受时间、空间的限制，客户只需要一台电脑就可以实现资金的高效运转。数据价值大：依托于大数据和电子商务，互联网金融实现飞速发展，互联网的便利性使得人们的生活和工作依赖于互联网，将一些单位和个人的消费信息在网络空间暴露，产生了海量的数据库，数据就是资源，只要加以分析和研究就是巨大的商业价值。风险系数高、创新强：随着科技的发展，不断产生新的金融产品、融资形式，一些互联网产品和支付方式也层出不穷，如网络银行、网络保险公司、众筹融资、网络证券公司、余额宝、支付宝、微信支付、网络贷款等。但现阶段对互联网金融的监管力度较弱，缺乏法律约束，导致一些不法分子非法集资，进行网络诈骗，严重危害了互联网金融的安全。
（二）大数据技术。大数据是在信息时代由硅图公司麦肯锡提出的全新概念，用来描述和定义信息时代的海量数据，是从各种海量的数据中快速寻找有价值的信息，进行高度提纯，增加数据信息的利用率。大数据技术体系分为大数据的采集与预处理、存储与管理、计算模式与系统、分析与挖掘、可视化计算、隐私与安全等方面，可优化数据处理环节，提高数据处理效率。其特点主要是数据体量大、类型多、处理速度快、价值密度低。当今社会大数据无处不在，渗透在人们日常的生活、学习、工作中。
二、大数据在互联网金融中的应用
（一）高频交易和算法交易。交易者为实现高额利润，利用交易程序和硬件设备，快速分析、生成、获取和发送交易指令，可以在较短的时间内完成较多的交易。高频交易主要通过分析金融大数据，对特定的参与者的交易痕迹进行识别和总结，如：一支共同基金的大额订单通常情况下出现在收盘前最后一分钟的第一秒，能识别出此模式的算法就可以预算出这只基金在其他时间的动向，如果继续执行交易，必须付出更高的价格，算法交易商趁机获取利润。
（二）进行市场情绪分析。大约两年前，对冲基金从各种社交媒体中提取市场情绪信息进而开发出算法交易，如Facebook、博客、聊天室等。如发现有恐怖袭击、自然灾害的意外信息时就会抛出订单，精神病专家理查德·彼得于2008年在美国加州圣莫尼卡集资100万美元建立对冲基金，通过追踪网站、微博、聊天室分析企业情绪，确定基金的交易策略，该基金的回报率在2010年高达40%。又如位于伦敦的小型对冲基金DCM从社交媒体上收集信息，分析人们对金融工具的情绪，帮助投资者制定投资计划。
（三）提高风险的管理力度。金融机构通过对大量小型用户交易行为的数据进行收集，并对其交易范围、经营状况、用户、资金需求以及行业的发展进行具体的分析，解决小型企业的经营难题。阿里小贷首创了线上的审核到放贷的模式，有效连接贷款的全过程，为弱势群体提供个性化的小额贷款。
三、互联网金融风险控制的一般原则
风险控制最有效的方法就是将所有的鸡蛋以不同的比例分开装在不同的篮子里，即“小额、分散”，避免集中投放。“分散”在风险控制方面有着非常重要的作用，借款客户个体差异性较大，所处的地域不同，且自身的条件有差异如年龄、学历等，这些分散的个体其违约的概率相对独立，同时违约的概率非常小。如100个独立的个人其违约的概率是20%，如果随机抽2个人，同时违约的概率为20%2即4%，随机抽出5个人，同时违约的概率为20%5，如果抽出8个人同时违约的概率为20%8，但是如果这100个人存在相关性，甲违约的时候乙也违约，那他们同时违约的概率就是10%（20%·50%），远远高于4%，因此贷款个体之间的独立性是降低风险的必要措施。
“小额”是避免“小样本偏差”。如：某贷款公司现在的贷款一共有10亿，如果每个借款人平均可以借5万，总共有2万客户，如果单笔借款金额是100万，就有1000个客户。根据统计学中的法则，样本个数越多，越能符合正态分布规律。因此，如果借款人违约率是2%，那这5万个客户的违约率就会高于1000个客户的违约率。通过数据分析建立风控模型和决策引擎也非常重要。小额分散借款客户较多，若银行采用传统的信审模式不能统一量度还款能力、还款意愿，就会增加风险成本。因此可以借鉴国外的P2P，采用信贷工厂模式，建立风险模型，根据客户的行为特征判断出该客户的违约概率，降低人工审核的成本，避免人工审核和判断标准的误差。风控体系的核心方法除了依据小额分散原则外，要研究不同特征个体的违约率，建立数据风控模型和评分卡体系，将其固定到风控审批的业物流程和决策引擎中，掌握不同特征个人的违约率程度，指导风险审
批业务开展。
四、大数据在互联网金融风控方面的具体应用
由于国内金融体系尚不完善，国内的用户数据虽数量较大但不准确，导致现阶段国内将大数据方式涉及到互联网金融的产品还比较少，数据来源困难且不精准增加了互联网金融的困难。在不依赖央行征信系统的情况下，各具特色的风险控制系统在互联网市场自发形成，小公司通过信息分享，借助第三方获得咨询服务，而大公司则通过大数据建立信用评级系统。现阶段互联网金融的风控体系大致有两种：一种是众多的中小互联网金融公司给中间征信机构贡献数据，进而获得征信信息的分享权；另一种类似于与阿里巴巴的风控模式，建立信用评级和风控模型需要对大量的电商交易和支付信息数据进行分析。
央行的征信系统结合身份认证中心的身份审核，通过社会机构和商业银行的数据，给银行提供银行信用查询和个人信用的相关报告，但对其他的互联金融公司或机构不提供查询服务，一些个人信贷记录也没有在该系统里，但有可能在其他的机构和互联网金融公司的系统里存在。互联网数据庞杂且量大，充满噪音。阿里建立完善的大数据挖掘系统较早，但是很多人还处于迷茫状态，通过淘宝、天貓、支付宝等积累大量支付数据作为基础的数据原料，结合卖家的销售数据和银行流水等数据，进行全面汇总后借助网络评分的模型进行信用评级活动。
信用卡类网站的大数据同样也对互联网金融风险控制具有非常重要的价值，可参考用户信用卡办卡年份、还款信息、信用额度、卡片种类等进行信用评级。2013年阿里巴巴收购新浪微博18%的股份花费5.86亿美元，目的就是为了获得社交大数据，进而完善了大数据，信用卡的还款信息、交易、支付、淘宝的水电煤缴费信息现阶段已经成为数据的基础。未来第三方支付平台支付的方向、额度、购买品牌及金额都可能成为信用评级的数据参考，而生活类服务网站有关用户的生活消费如水、电、煤、物业费、电话费、网络费都有可以反映用户的基本信息，为信用评级提供重要的参考，拥有这些所有的大数据才能够进行数据的加工。
社会经济的发展离不开金融的支持。互联网金融服务将会建立更完善、更全面的信用体制和风险管理体制，从粗放式向精细化转型，从抵押向信用转变，风险控制将变得很关键，大数据毫无疑问也变得非常重要，但是现阶段互联网交易额较小，用户规模不大，需要结合实际情况及时修正模型，从而优化风险控制模型。
参考文献
[1] 杨秀萍.大数据在互联网金融风控中的应用研究[J].电子世界，2014，（17）.
[2] 魏强.大数据征信在互联网金融中的应用分析[J].金融经济，2015，（8）.
[3] 贾元昕，杨明川，孙静博.大数据在“互联网+”进程中的应用[J].电信技术，2015，（6）.
（作者单位：濮阳市住房公积金管理中心）
关键词：互联网金融；大数据；应用；控制
一、互联网金融和大数据的特点
（一）互联网金融的特点。交易成本低廉：资金供给双方在资金的融通过程中所发生的成本称之为交易成本，互联网借助信息网络，减少了人力、物力的投入，发布信息、匹配产品、定价、交易都依靠互联网完成，大大降低了交易成本。交易过程快捷简单：互联网金融模式下金融业务由计算机操作，效率高、速度快，不受时间、空间的限制，客户只需要一台电脑就可以实现资金的高效运转。数据价值大：依托于大数据和电子商务，互联网金融实现飞速发展，互联网的便利性使得人们的生活和工作依赖于互联网，将一些单位和个人的消费信息在网络空间暴露，产生了海量的数据库，数据就是资源，只要加以分析和研究就是巨大的商业价值。风险系数高、创新强：随着科技的发展，不断产生新的金融产品、融资形式，一些互联网产品和支付方式也层出不穷，如网络银行、网络保险公司、众筹融资、网络证券公司、余额宝、支付宝、微信支付、网络贷款等。但现阶段对互联网金融的监管力度较弱，缺乏法律约束，导致一些不法分子非法集资，进行网络诈骗，严重危害了互联网金融的安全。
（二）大数据技术。大数据是在信息时代由硅图公司麦肯锡提出的全新概念，用来描述和定义信息时代的海量数据，是从各种海量的数据中快速寻找有价值的信息，进行高度提纯，增加数据信息的利用率。大数据技术体系分为大数据的采集与预处理、存储与管理、计算模式与系统、分析与挖掘、可视化计算、隐私与安全等方面，可优化数据处理环节，提高数据处理效率。其特点主要是数据体量大、类型多、处理速度快、价值密度低。当今社会大数据无处不在，渗透在人们日常的生活、学习、工作中。
二、大数据在互联网金融中的应用
（一）高频交易和算法交易。交易者为实现高额利润，利用交易程序和硬件设备，快速分析、生成、获取和发送交易指令，可以在较短的时间内完成较多的交易。高频交易主要通过分析金融大数据，对特定的参与者的交易痕迹进行识别和总结，如：一支共同基金的大额订单通常情况下出现在收盘前最后一分钟的第一秒，能识别出此模式的算法就可以预算出这只基金在其他时间的动向，如果继续执行交易，必须付出更高的价格，算法交易商趁机获取利润。
（二）进行市场情绪分析。大约两年前，对冲基金从各种社交媒体中提取市场情绪信息进而开发出算法交易，如Facebook、博客、聊天室等。如发现有恐怖袭击、自然灾害的意外信息时就会抛出订单，精神病专家理查德·彼得于2008年在美国加州圣莫尼卡集资100万美元建立对冲基金，通过追踪网站、微博、聊天室分析企业情绪，确定基金的交易策略，该基金的回报率在2010年高达40%。又如位于伦敦的小型对冲基金DCM从社交媒体上收集信息，分析人们对金融工具的情绪，帮助投资者制定投资计划。
（三）提高风险的管理力度。金融机构通过对大量小型用户交易行为的数据进行收集，并对其交易范围、经营状况、用户、资金需求以及行业的发展进行具体的分析，解决小型企业的经营难题。阿里小贷首创了线上的审核到放贷的模式，有效连接贷款的全过程，为弱势群体提供个性化的小额贷款。
三、互联网金融风险控制的一般原则
风险控制最有效的方法就是将所有的鸡蛋以不同的比例分开装在不同的篮子里，即“小额、分散”，避免集中投放。“分散”在风险控制方面有着非常重要的作用，借款客户个体差异性较大，所处的地域不同，且自身的条件有差异如年龄、学历等，这些分散的个体其违约的概率相对独立，同时违约的概率非常小。如100个独立的个人其违约的概率是20%，如果随机抽2个人，同时违约的概率为20%2即4%，随机抽出5个人，同时违约的概率为20%5，如果抽出8个人同时违约的概率为20%8，但是如果这100个人存在相关性，甲违约的时候乙也违约，那他们同时违约的概率就是10%（20%·50%），远远高于4%，因此贷款个体之间的独立性是降低风险的必要措施。
“小额”是避免“小样本偏差”。如：某贷款公司现在的贷款一共有10亿，如果每个借款人平均可以借5万，总共有2万客户，如果单笔借款金额是100万，就有1000个客户。根据统计学中的法则，样本个数越多，越能符合正态分布规律。因此，如果借款人违约率是2%，那这5万个客户的违约率就会高于1000个客户的违约率。通过数据分析建立风控模型和决策引擎也非常重要。小额分散借款客户较多，若银行采用传统的信审模式不能统一量度还款能力、还款意愿，就会增加风险成本。因此可以借鉴国外的P2P，采用信贷工厂模式，建立风险模型，根据客户的行为特征判断出该客户的违约概率，降低人工审核的成本，避免人工审核和判断标准的误差。风控体系的核心方法除了依据小额分散原则外，要研究不同特征个体的违约率，建立数据风控模型和评分卡体系，将其固定到风控审批的业物流程和决策引擎中，掌握不同特征个人的违约率程度，指导风险审
批业务开展。
四、大数据在互联网金融风控方面的具体应用
由于国内金融体系尚不完善，国内的用户数据虽数量较大但不准确，导致现阶段国内将大数据方式涉及到互联网金融的产品还比较少，数据来源困难且不精准增加了互联网金融的困难。在不依赖央行征信系统的情况下，各具特色的风险控制系统在互联网市场自发形成，小公司通过信息分享，借助第三方获得咨询服务，而大公司则通过大数据建立信用评级系统。现阶段互联网金融的风控体系大致有两种：一种是众多的中小互联网金融公司给中间征信机构贡献数据，进而获得征信信息的分享权；另一种类似于与阿里巴巴的风控模式，建立信用评级和风控模型需要对大量的电商交易和支付信息数据进行分析。
央行的征信系统结合身份认证中心的身份审核，通过社会机构和商业银行的数据，给银行提供银行信用查询和个人信用的相关报告，但对其他的互联金融公司或机构不提供查询服务，一些个人信贷记录也没有在该系统里，但有可能在其他的机构和互联网金融公司的系统里存在。互联网数据庞杂且量大，充满噪音。阿里建立完善的大数据挖掘系统较早，但是很多人还处于迷茫状态，通过淘宝、天貓、支付宝等积累大量支付数据作为基础的数据原料，结合卖家的销售数据和银行流水等数据，进行全面汇总后借助网络评分的模型进行信用评级活动。
信用卡类网站的大数据同样也对互联网金融风险控制具有非常重要的价值，可参考用户信用卡办卡年份、还款信息、信用额度、卡片种类等进行信用评级。2013年阿里巴巴收购新浪微博18%的股份花费5.86亿美元，目的就是为了获得社交大数据，进而完善了大数据，信用卡的还款信息、交易、支付、淘宝的水电煤缴费信息现阶段已经成为数据的基础。未来第三方支付平台支付的方向、额度、购买品牌及金额都可能成为信用评级的数据参考，而生活类服务网站有关用户的生活消费如水、电、煤、物业费、电话费、网络费都有可以反映用户的基本信息，为信用评级提供重要的参考，拥有这些所有的大数据才能够进行数据的加工。
社会经济的发展离不开金融的支持。互联网金融服务将会建立更完善、更全面的信用体制和风险管理体制，从粗放式向精细化转型，从抵押向信用转变，风险控制将变得很关键，大数据毫无疑问也变得非常重要，但是现阶段互联网交易额较小，用户规模不大，需要结合实际情况及时修正模型，从而优化风险控制模型。
参考文献
[1] 杨秀萍.大数据在互联网金融风控中的应用研究[J].电子世界，2014，（17）.
[2] 魏强.大数据征信在互联网金融中的应用分析[J].金融经济，2015，（8）.
[3] 贾元昕，杨明川，孙静博.大数据在“互联网+”进程中的应用[J].电信技术，2015，（6）.
（作者单位：濮阳市住房公积金管理中心）