圖片來自“123rf”

　　在互聯(lián)網(wǎng)時代，大數(shù)據(jù)在各類產(chǎn)品、營銷方面做出了巨大貢獻。其實在金融領(lǐng)域，大數(shù)據(jù)更為密不可分。金融是數(shù)據(jù)利用極高的行業(yè)，在大數(shù)據(jù)這個概念還未興起前，數(shù)據(jù)已經(jīng)深入金融的多個領(lǐng)域，以各類產(chǎn)品形式實現(xiàn)了不小的產(chǎn)出。

　　大數(shù)據(jù)的外延表現(xiàn)為各種信息的積累，這些信息以結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)進行存儲，并形成海量數(shù)據(jù)，以簡單的人工分析已經(jīng)難以去覆蓋所有數(shù)據(jù);其內(nèi)在是知識，是指導商業(yè)行動有效率、有效果的能力。大數(shù)據(jù)對金融的改造觸及了方方面面。

　　保險：數(shù)據(jù)是產(chǎn)品的基石

　　精算理論體系是保險行業(yè)科學發(fā)展和經(jīng)營的重要基礎(chǔ)。保險產(chǎn)品大量依靠精算，進行各類數(shù)據(jù)統(tǒng)計，計算各類情況發(fā)生概率，制定產(chǎn)品費率。精算體系了解每一項產(chǎn)品的相關(guān)業(yè)務所處的環(huán)境背景以及其面臨的風險，并以此為核心進行分析，將相關(guān)的大數(shù)據(jù)利用各種統(tǒng)計方法進行分析，去監(jiān)測各種情況，包括風險可能發(fā)生的概率，并以此作為保費等費率的重要制定因素，這些風險包括理賠發(fā)生概率、理賠額度大小、騙保的可能性等。過去，這個過程非常類似于數(shù)學統(tǒng)計工作，以樣本抽查等傳統(tǒng)方式進行測算，掌握規(guī)律。

　　隨著大數(shù)據(jù)時代的來臨，精算也實現(xiàn)了升級?？梢砸劳袛?shù)據(jù)挖掘技術(shù)、數(shù)據(jù)存儲技術(shù)，實現(xiàn)更全面的統(tǒng)計分析，不僅僅是樣本抽查，而是更大范圍的數(shù)據(jù)運算，實現(xiàn)了“大數(shù)據(jù)+精算”的精準化飛躍。

　　保險產(chǎn)品也為此獲得了更細分的深入挖掘：大數(shù)據(jù)為幫助保險產(chǎn)品的定價精準化和差異化。舉例來說，阿里巴巴運費險的進化演變就是利用大數(shù)據(jù)的成果，最初是統(tǒng)計定價，通過精算定價根據(jù)歷史事件率定期更新，從而預測分析改進精度，最終以機器學習極速核賠決策，通過各種算法實現(xiàn)差異化定價。

　　證券：潛移默化的大數(shù)據(jù)

　　證券行業(yè)可以說是普羅大眾認知度最高的金融細分行業(yè)，經(jīng)過多年的普及和推廣，大數(shù)據(jù)已經(jīng)潛移默化地深入每位股民的日常交易中。

　　證券行業(yè)有極其深厚的大數(shù)據(jù)基礎(chǔ)，即行情數(shù)據(jù)。不論是財經(jīng)網(wǎng)站的股票行情圖，還是大智慧、通達信等行情軟件(包括App)，其背后都包含了海量的數(shù)據(jù)。市場上每一個交易者的買賣都是一個數(shù)據(jù)信號，而這行信號通過交易所后臺的處理，形成了一個個原始數(shù)據(jù)包，然后由數(shù)據(jù)服務商進行處理，形成了可視化的行情圖，這是一個非常復雜的過程。譬如每一根K線包含了最高價、最低價、開盤價、收盤價、成交量等數(shù)據(jù)。而在此基礎(chǔ)上，證監(jiān)會的信息披露條例，又增加了各種機構(gòu)持倉數(shù)據(jù)、公告數(shù)據(jù)，實現(xiàn)了證券大數(shù)據(jù)的3D透視。

　　基于成熟的大數(shù)據(jù)，證券行業(yè)的相關(guān)產(chǎn)品不斷推陳出新，簡單舉例，在2005年前，由于長期熊市，股民數(shù)量銳減，在利潤稀薄的情況下，當時的產(chǎn)品主要是門戶網(wǎng)站的行情圖。

　　2006年至2007年的大牛市中，行情一方面吸引了增量資金入市，同時以基金為代表的機構(gòu)投資者入市，培養(yǎng)了大量的基民。基于這樣的背景，東方財富、證券之星、金融界等證券門戶網(wǎng)站先后推出基金凈值估算數(shù)據(jù)。該產(chǎn)品上線后，備受好評，給門戶網(wǎng)站帶來很大比例的流量。該產(chǎn)品的成功在于：基于基金公司持倉數(shù)據(jù)+交易所的基金凈值計算公式+持倉股票當日變動+自有參數(shù)幾個關(guān)鍵要素，在盤中就能以行情圖的可視化界面，體現(xiàn)基金凈值的大致波動。這一產(chǎn)品的數(shù)據(jù)全都是公開數(shù)據(jù)，只有自有參數(shù)是一個變量。該產(chǎn)品受到了股民和基民的雙重青睞，基民可以實時了解所買基金的變化(基金凈值由基金公司每日收盤后公布一次，盤中不顯示)，股民則可以根據(jù)估算凈值和基金公司盤后公布的實際凈值進行對比，根據(jù)其每日的差額變化去預測基金調(diào)倉，從而成為買賣股票的一大判斷依據(jù)。

　　2010年股指期貨推出后，基于大數(shù)據(jù)的投資產(chǎn)品突然爆發(fā)，并一度引發(fā)金融機構(gòu)對MATLAB(MathWorks公司推出的一款軟件)程序員的招聘潮。股指期貨上線后，以“一價定律”為理論基礎(chǔ)的套利產(chǎn)品被市場熟知。機構(gòu)投資者通過量化方式，推出了各種對沖套利產(chǎn)品。這類產(chǎn)品以股指期貨為主要必選標的(一腿交易)，以及相關(guān)的指數(shù)基金或者進行優(yōu)化后的加強型指數(shù)基金為另一腿標的(在某指數(shù)所統(tǒng)計的大量股票中進行優(yōu)選，選擇其中強勢股，按照指數(shù)計算的權(quán)重進行配置，力求配置組合的表現(xiàn)高于該指數(shù))，進行雙邊多空套利，賺取價差。

　　此后的一段時間內(nèi)，期貨獲得了金融機構(gòu)的重視，商品期貨的相關(guān)產(chǎn)品也不斷推出，并從最初簡單的跨期套利、跨產(chǎn)品套利、期限套利逐漸發(fā)展為高頻套利、高頻交易(寬客)。由于當時大部分的金融量化模型，在落地層面，都是以MATLAB撰寫，因此這一時期，MATLAB工程師成為了金融機構(gòu)的熱招人才。

　　不過，在光大“烏龍指”事件后，監(jiān)管層對量化產(chǎn)品非常謹慎，因此以A股為標的的全自動量化產(chǎn)品逐漸轉(zhuǎn)變?yōu)榘胱詣影肴斯ぎa(chǎn)品(交易下單由人工進行，交易的時間價位由智能策略提供)。之后，在2015年股災后，股指期貨的持倉量、成交量、保證金比例、傭金都被限制，因此相關(guān)套利產(chǎn)品逐漸失去了生存土壤。不過隨著期權(quán)等衍生品的問世，金融基礎(chǔ)產(chǎn)品多樣化將推進大數(shù)據(jù)、金融量化在證券領(lǐng)域的步伐。

　　另一方面，金融大數(shù)據(jù)的商品化也最為成熟，在A股上，投資者早已了解信息的重要性，因此愿意以金錢去購買數(shù)據(jù)，正因為如此，在證券大數(shù)據(jù)領(lǐng)域，誕生了多家金融數(shù)據(jù)類上市公司。

　　信貸：創(chuàng)新基礎(chǔ) 數(shù)據(jù)驅(qū)動

　　在信貸領(lǐng)域，大數(shù)據(jù)呈現(xiàn)兩極分化格局。信貸領(lǐng)域的大數(shù)據(jù)主要是征信數(shù)據(jù)，這一數(shù)據(jù)呈現(xiàn)兩極分化局面。一方面，針對大型企業(yè)的財報類數(shù)據(jù)，央行系統(tǒng)的征信報告已經(jīng)形成了較為成熟的覆蓋，有了成熟的體系。另一方面，針對個人和小微企業(yè)的普惠領(lǐng)域，則數(shù)據(jù)缺乏，有待完善。

　　大企業(yè)通過銀行信貸、公開發(fā)債等方式進行融資，對于大企業(yè)資質(zhì)等數(shù)據(jù)主要從財報數(shù)據(jù)、股東背景等進行判別，對于這些數(shù)據(jù)，經(jīng)過長時間積累，央行體系有了健全的征信數(shù)據(jù)庫。同時，國內(nèi)四大評級機構(gòu)(中誠信、聯(lián)合資信、大公、上海新世紀)也有多年經(jīng)驗，并形成了健全的產(chǎn)業(yè)鏈。

　　在個人和小微企業(yè)領(lǐng)域，則有較大比例的缺口。根據(jù)中國人民銀行的公開數(shù)據(jù)顯示，有信貸記錄的人群基本在4億人左右，征信中心有效覆蓋人數(shù)則達到9億人之多，也就意味著個人征信記錄覆蓋到45%上下，而美國的費埃哲公司(FICO)數(shù)據(jù)覆蓋率為95%。從這份數(shù)據(jù)上，能顯而易見地看到由征信數(shù)據(jù)嚴重不足所帶來的互聯(lián)網(wǎng)金融的信貸隱患。

　　企業(yè)層面，由于小微企業(yè)大部分屬于輕資產(chǎn)企業(yè)，可抵押資產(chǎn)有限，與傳統(tǒng)信貸機構(gòu)的信用審核體系匹配度有限，風險管理成本高企。而近年來創(chuàng)新、創(chuàng)業(yè)爆發(fā)，這些企業(yè)多數(shù)為服務行業(yè)，在初期對資金有很大的需求，因此造成了小微企業(yè)的融資痛點。據(jù)公開數(shù)據(jù)，我國中小微企業(yè)已經(jīng)超過7300萬家。然而，獲得貸款能力依然較弱。

　　同時，個人消費信貸的市場同樣潛力非常巨大。尤其隨著90后、00后消費崛起，年輕人生活環(huán)境的變化，導致了他們存款意識與過去不同。同時，隨著各種支付渠道的突破，他們更愿意杠桿消費、透支消費。但是由于數(shù)據(jù)的匱乏，導致了信貸運用層面，大數(shù)據(jù)發(fā)展趨緩，未來的突破將源于數(shù)據(jù)的完善和技術(shù)運用的創(chuàng)新。

　　在數(shù)據(jù)完善層面，個人征信數(shù)據(jù)在2015年實現(xiàn)了質(zhì)的突破，包括芝麻信用、騰訊征信在內(nèi)的八家機構(gòu)在人民銀行政策的引導下，開始籌建個人征信業(yè)務。雖然時至今日還未正式發(fā)放征信牌照，但市場在此推動下，涌現(xiàn)出一大批數(shù)據(jù)公司，進行數(shù)據(jù)采集，為個人征信提供基礎(chǔ)建設。盡管目前個人征信發(fā)展有待提速，市場也還未形成統(tǒng)一標準，但這只是行業(yè)發(fā)展之初的陣痛期，一旦相關(guān)政策細則落地，市場理清邏輯，個人征信將迸發(fā)出巨大潛力，成為信貸領(lǐng)域大數(shù)據(jù)的有利支持，促進信貸行業(yè)的多層次發(fā)展。

　　在運用層面，隨著互聯(lián)網(wǎng)金融的發(fā)展，風控模型、量化技術(shù)被運用在風險管理層面，大數(shù)據(jù)在風險管理的權(quán)重會越發(fā)突出。這一層面的典型運用主要是信貸工場：信貸工場利用消費場景、大數(shù)據(jù)、反欺詐系統(tǒng)、決策引擎等金融科技手段結(jié)合專家智慧進行風險管理，通過量化系統(tǒng)和自動化操作，提高運營效率，減少人工操作，降低操作風險和運營成本。

　　新技術(shù)、新方法的使用，將信貸工場打造為“決策流+工作流”的集合。信貸工場大量運用金融模型和機器學習等智能化手段，包括錄入環(huán)節(jié)引入手機App，提升用戶體驗，信審和反欺詐環(huán)節(jié)引入金融模型提高判斷效率等。

　　與傳統(tǒng)風控流程相比，信貸工場更智能、更高效，大量的判斷和機械操作都由機器完成，節(jié)省了人力降低了人工操作誤差，并通過機器學習的能力，不斷優(yōu)化、提升信貸工廠的風險定價能力。同時，智能化的人機結(jié)合，也賦予了信貸工場打造優(yōu)質(zhì)普惠金融資產(chǎn)的底氣。

　　金融是一個與數(shù)據(jù)息息相關(guān)的行業(yè)，大數(shù)據(jù)變革金融是歷史趨勢，同時也是漸進發(fā)展的過程。目前的變革僅僅是大數(shù)據(jù)對金融改造的開始，隨著數(shù)據(jù)挖掘技術(shù)的不斷推陳出新，越來越多的概念走向商業(yè)化產(chǎn)品，大數(shù)據(jù)將對金融形成大規(guī)模的改造，未來金融已經(jīng)跟以前完全不一樣，將是一個普惠與個性化共存的多層次金融體系，實現(xiàn)更大的資產(chǎn)管理規(guī)模、更廣闊的服務覆蓋。