第一篇：江南愤青 大数据能解答风控命题么（范文模版）

江南愤青 大数据能解答风控命题么

202_-10-01 互联网金融

一、两类金融风控模式

具体到金融领域，金融在很大程度上是看天吃饭的。在过去几百年历史里，系统性风险的发生频率很高，黑天鹅事件层出不穷。几乎每8-10年就会来一次所谓的经济危机，只是危机或大或小而已。而且每次构成经济衰退的原因都不一而足，也无法预测。而每次经济危机都会带来金融机构的崩盘，逆势而上几乎不可见，也就说明了在天气不好的情况下，你的风控技术再牛，其实都无法对抗这种系统性风险。

很多人说，不是还有金融机构活下来了么？这就是风控技术的胜利啊。要回答这个问题，我们先对金融机构做个简单的区分。金融机构就本质而言，我习惯分为两种，一种是银行业金融机构，另外一种是非银行金融机构。两者区别是什么呢？

银行业金融机构其实本质是存贷的中间主体，它是唯一可以向公众吸收储蓄的金融机构。利用吸收的储蓄，可以进行贷款投放，银行承担了所有储蓄存款客户的风险，然后赚取贷款投放的中间利差。理论上，一旦收不回来的钱，超过了利差收入形成的利润以及资本金，它就破产了。但是这种商业模式的优点在于，可以合法利用资金池，不断地借新还旧。只要保证足够的流动性，信用品牌不出现问题，就能继续吸收储蓄。哪怕坏账再高，超越了资本金，都还能不断地玩下去。

世纪之初，中国的商业银行曾出现过类似技术性破产的局面。当时，由于有国家信誉背书，储蓄一直在继续，这个游戏就能玩下去。而且随着时间的推移，经济的增长，也能不断地消化风险。事实上，这种金融机构的本质是用制度来对抗各种风险，包括任何人都无法对抗的系统性风险。支撑银行模式走下去的核心就是制度性安排。

另外一类是非银行金融机构，如投资银行、信托公司、证券公司等等。非银行金融机构都是无法吸收公众存款的，也就无法通过吸储来进行资金池运作。它们的盈利模式很简单，一种是代理，一种是自营。代理业务本身不承担风险，赚取的是无风险的服务费。由于这类金融机构的本质是帮助风险定价的证券化模式，机构可以自己持有一定额度的风险头寸，即自营业务。事实上，如果业务操作得当，这部分的盈利会远超代理业务的收入。像次贷危机之前，大量投行都乐于持有大规模的次级债，从而形成账面大额盈利。但是由于持有了头寸，必然意味着也要承担风险，而一旦风险来临，这些头寸就会成为你的噩梦。

从银行类金融机构和非银行金融机构的两种业务模式来看，事实上，过去市场的风控一般也就是这两种模式。一种是以银行为代表的信贷化模式。它的本质是通过制度安排，利用中介机构的规模优势和期限错配，让风险在经济运行的长周期中被化解。这种制度安排其实是银行能活下来的根本原因。总体而言，当银行达到一定规模后，个人能力在银行体系内不再起主导作用，会不断分化和瓦解。也只有如此，银行才能稳定地发展到一定规模，凡是依赖个人能力的商业模式都是无法持续扩张的。

另一种就是证券化模式。证券化的本质是让核心风险在市场中寻求自我定价和平衡，最终让风险在不同的市场主体之间转移。证券化不是承担风险，而是让风险通过市场得到合理的配置。采用证券化模式的机构最终比拼的是风险定价能力，而并非承担风险的能力。

这两种模式各有利弊。我国是典型的信贷化主导的国家，信贷规模全球第一。这种间接融资占主导性地位的优点，是政府在经济活动中具备极强的控制力，而且在有效计算信贷总量的情况下，也可以有效防止发生系统性风险。缺点是因为无法通过证券化来分解和分摊风险，有可能会被倒逼产生极大的系统性风险。总体归纳，信贷化模式是总量可测下的风险不确定性。

证券化的优点，是让风险在自我承担和自我定价中不断分解和暴露。但由于证券化是个风险流动的过程，会因为各种原因导致风险在市场中出现总量不可测量的情况。如果市场堆积了太多的风险，而又无法进行测定，一方面会加剧投机成分，一方面则会形成比信贷化模式更可怕的风险。因为每个主体都可能承担了超越自我承受能力的风险，最终形成的风险会更高。

我们回到中国的国情来看下这个情况，事实上，我们很有意思的点在于，中国虽然名义上，有信贷机构，也有非信贷机构，我们在202_年年底大面积放开资产管理，开启大资管模式，无数人，包括我当初也都在欢呼雀跃，都认为资产管理元年开始，必将大面积削减银行主导的金融格局，但是两年多过去了，我们发现所谓的大资管，其实只是个接盘侠，而并非真正意义的进行所谓的证券化模式的核心就是让风险在市场中寻求合理定价，发现都不是，我们有那么多的资产管理模式，但是都是名义上的证券化，他们的实质其实都是信贷模式，为什么？因为他们都必须刚性兑付，所谓刚性兑付，就是如同银行一般，每个投资人都到最后必须拿回本金及利息，那也就是出现即使出现了风险，那必然到最后都是机构买单，这个时候，他们的盈利莫其实跟银行的逻辑是一样的，所以我们看到很有意思地方是，我们202_年的大资管，做的业务都是跟银行一样的，也就是纯粹是放贷款的壳罢了，以证券化的机构从事信贷业务，问题就出现了。他们并没有获得银行信贷机构的特许经营权，所以都只能变相的建设资金池，而资金池的成本却极高，导致现在我们看到的大面积的资管风险的出现，一场击鼓传花的游戏可能无法维系，这个时候打破刚性兑付其实成为了不得不为之的事情了。因为谁也无法兜底。传闻，银监会曾经对其所管辖的信托公司有过要求说，必须刚性兑付，公司兑付不了，股东兑付，股东兑付不了，换股东兑付，彻底的背离了资产管理公司所本身该承担的定义。

所以，我有段时间说目前我国银行的信贷模式占比高达90%，被许多专家攻击说不懂数据，缺乏支撑，事实上，我到是想说，是因为他们压根不接地气，我们目前的信托的主业大部分都是银行通道业务，我们的基金子公司都是信托接盘，回到最后也是银行信贷业务表外话的通道，其他就不用说了，这些能算是证券业务？风险凡是不能自担的，其实一律都是信贷业务，那么最终使得我们的所谓资产管理，到最后都成为了银行的小妾，银行让他们干什么就干什么，市场上最终比拼的压根不是风险定价能力，而是谁的资源更好，渠道更佳，关系更好。能力压根在过去的十多年来，根本不重要。这个也是为什么我们的资产管理，财富管理一直起不来的核心，核心还是资产风险定价的能力被制度性给破坏，银行的优势一览无余，无人可企及，只有在银行都无法兜住的时候，才可能出现零星违约的事件，但是问题就来了，当银行都兜不住的时候，谁又能兜住呢？

所以我们目前看到的大量的本该是证券化机构，包括了P2P模式，这类公司最大的问题，就是跟银行从事一样的信贷工作，却未能享受银行一样的制度性保护，所以，很多P2P拿自己跟银行比较，其实是扯淡的事情，你是银行么？银行坏账率可以高达40%都不破产，你可以么？不把这个问题想想明白，还是离开P2P比较好。银行和非银行都在同样的信贷工作中一致竞争的时候，那就要想明白自己的核心优势是什么？拿什么跟银行去打。

顺带，在谈谈政府的牌照制度的弊病，我们最近很多资产管理机构出了事情，大量的小贷、担保、甚至信托出了问题，回到最后其实是要反思牌照制模式，因为从正常意义上看，除了银行这张无敌牌照外，其他牌照都是无法给机构增加风控能力的，并不是你政府给了牌照，这些所谓的资产管理机构，担保、小贷等等，就具备风控能力了，你不给牌照就不具备能力，这压根就是扯淡的事情，所以有次我在演讲的时候，有个台下担保公司的老总站起来非常愤怒的指责我认为担保基本快被P2P搞死的观点的时候说，一派胡言，我们都是经过政府部门审批发放牌照的正规金融机构。我当时，回应说，对不起，真的，把你搞死的看上去是P2P，其实就这种好像很高大上，很牛逼，但是对你毫无帮助的政府牌照，这种牌照，对你有意义？是让你团队因为有了牌照就立刻牛逼了？那不是扯淡么。牌照，其实只会让没有风控能力的机构具备政府信用，从而引发的社会问题只会更大。

我们只要看看现在大量担保小贷跑路，政府却会被围攻的情况就可以知道为什么了？为什么啊，不正是因为你政府发放了牌照么？而且一年还一审批，领导没事还常视察，这种审批和视察了之后，有用么？不照样，该跑路的跑路，该倒闭的倒闭么？与此对比的是，反观我们P2P出了事情以后，因为政府不附加信用，反倒问题相对简单，去围攻政府的几乎没有，围攻了政府也好说话，关我屁事。你们爱投资投资，要死自己死去。

从这个角度看，我们其实是政府要远离大量他帮不上忙的信贷金融机构，既然帮不上忙，就离开他远点，让社会自己去解决，去用脚投票，优胜劣汰之后，谁都会被教育出来的，但是政府一旦附加了信用，你就必须保证他不出事，就必须要附加政府信用，这个其实本身就是不公平的事情，反映的其实是政府信用的泛滥，凭啥你给他发，不给我发，凭啥你去他那里，不去我那里，而且为了获得政府去视察的机会，一个个包装门面的高大上，数据一个个开始造假，这种事情越演越烈。

其实，对于非银行信贷机构，最终是要跟证券市场一样，政府应该远离牌照审批的同时，不断加强风险提示，从而培养出一帮宁愿自己跳楼，也不找政府麻烦的人，不断培育和加强市场的违约机制，才可能是我们金融市场的未来，从这个角度我还是认同，证券化改革是未来的金融改革方向这个命题的。其实，这个问题后面还会再提。这里先扯淡到这里。

二、风控技术的无用性

前面说了，风控更多还是制度性安排，单一的风控技术其实往往是无效的，尤其是在市场同质化极为严重和饱和的情况下，更是无效，这里其实有个深层次的解答，是因为金融很大程度是维持社会稳定的一种工具应用，从跟原来看，信用过度的情况下，金融往往是零和博弈的游戏，整体金融的盈利一般被封顶在社会经济发展的上限制，超越这个值的很多都是自己跟自己玩的游戏，所以金融机构从短期和长期平均看，或者从整体和局部长期看，其实都是相对均衡的，往往都是社会平均理论值。

撇开这个角度，我们从微观来看，由于在同一市场里，大家最终的目标群体都是那些优秀的具备还款能力的人，因为最终都是通过收益覆盖，而这类人其实本身就是社会的少数，确切说是极少数，因此所有的金融机构的本质都是需要一种良好的技术能把他筛选出来。而事实上，银行在面临同业竞争的情况下，发现好的风控往往意味着没有业务可以做。因为你坚持严格风控，人家就不跟你玩了，全球都一样。很多人都跟我说我们的风控极端牛逼，第一我是不相信，第二即使相信了，我说，那就等死吧，谁来跟你玩啊，你要抵押，人家就不要抵押，你要担保，人家就不要担保，市场是竞争的，博弈的，谁都不是傻瓜，你以为你想怎么玩就怎么玩？还真想着业务随便你挑呢。也太把自己当一回事了。我们现在发现很多银行信贷机构都被套牢了，你以为人家风控能力差，不知道客户的真实情况？可能么？现实情况是，银行的风控面对业务压力的时候，大部分都只能选择妥协，尤其是客户经理，当前跟未来之间，做什么选择？肯定选当下，不然立马被扫地出门，所以客户经理每天想业务的同时，都想着如何绕弯子过风控？有时候想想，都是自己骗自己的游戏罢了。怪谁？不知道。只是觉得，每年要求银行40%的利润增长之下，谈风控本身就是很可耻的事情。

其实，现在的市场更有意思，今年二季度信贷规模数据下降，很多人很奇怪，有啥好奇怪的，今年这种情况，往往牛逼的人，都不来贷款了，为什么，因为贷款来的钱，赚不了钱，那贷款干什么呢？白白给银行付利息，市场形势不好的情况下，他们不愿意扩张，自然就不来贷款，而这么差的行情还来贷款的人，基本上都是垃圾，要么就是之前流动性出现困境，就是想浑水摸鱼，就是这么个事情，整体经济下行的时候，谈风控更是扯淡的事情了。毫无意义。

202_年次级债在美国兴起的时候，很多银行都认为风险极高，坚持抵制。但是随着该业务越做越大，盈利越来越高，你如果坚持抵制，就必然会丧失极大的市场，逼迫一些银行开始涉水进行该项业务操作，这就是劣币驱逐良币的结果，好人往往都是被坏人逼死的，或者沦落为坏人，很正常。

这几年很多人都开始指责银行的风控怎么那么差，明显的骗子都防范不了，事实上，我们再来比较银行过去五六年，发现五六年前的银行和现在的银行，在风控层面上无论技术还是人员结构都没有什么太大的变化，但是实质的坏账率却是十倍之差，难道是因为风控技术变化了么？都不是，实质是天气发生了变化，大环境在变化，导致你微观层面无论如何怎么动作都是无效的。

过去几年我在一个民间高利贷班上课，我经常让他们这几年如果没事就跟着我出去游山玩水，骗吃骗喝算了，回头看看，跟着我到处游走的人，这几年至少都还活着，而那些窝在家里勤勤恳恳努力放贷款的人，基本上都趴下了，为什么呢？跟技术毫无关系，你敢说在家勤恳放贷款的人一定比游山玩水的人要水平低？可能么，怎么可能，但是往往世界上有很多人很悲催的地方就在于在不该努力的时候太努力了。

过去十多年来看，往往发现一个真理是什么呢？是趋势比能力重要的太多，太多。我们很多技术大牛在00年的时候进了一家当时巨牛逼的技术公司，那家公司叫UT斯达康，而能力不行，而被抛弃的人去了当时一家名不见经传的小公司，叫阿里巴巴，十年后发现世界被颠覆了，ut基本死了，所以那些技术大牛都悲催了。而那些万般无奈去了阿里的人，现在身价都是当技术大牛无法企及的了？这种案例不可胜数，94年国企改革，大量下岗的人，转行经商，暴富，而那些没下岗的人都一个个现在开始下岗了。其实，能力越强，反倒越容易被趋势给击垮，这个是实情。我们很多人在02年出国读书，留在国外，其实恰恰错过的是中国发展最快的十年，虽然不能单物质来进行论述成败得失，但是错过的十年的确如此。这个世界我们大多数人总是无意识的在做一件跟趋势对抗或者顺应的事情，但是我们还是希望能多抬抬头看看，有意识的希望看的更远点，我们的历史如同一条大河，奔腾而去，大气磅礴，我们如同河流里一条鱼，大部分的鱼都是随波逐流，而总有个别的鱼希望跳起来看看未来，希望能看的更远，但是，大部分的鱼都只看到了自己看到的方向，最终谁都无法得知正确与否，于是结果论是最好的论调了。我对自己说的总是跳起来看，对不对压根不重要，重要的是我跳起来了，看到了更多的风景，哪怕错了也无值得，思考是自由的最好表现，不思考给了自由和民主，也都毫无意义。

貌似有点跑题了，我只是想表达，金融这个东西吧，就是能赚钱的时候，狠狠的赚钱，不会因为你发放贷款12%就一定比36%的安全，本质都是一样的，都不会出问题，而市场无法赚钱的时候，你其实怎么做都是错的，这跟风控技术关系都不是很大，金融是个极顺应经济周期的行业，所以作为个体而言，金融有做和不做的选择。而无技术高低的区别，个别人或许有，极端牛逼或者极端傻逼，绝大部分其实是差不多的。而作为金融机构而言，金融业的竞争不是单一技术的竞争，而是综合性竞争，某一个维度的优势不太可能成为持续性优势。我们看几百年的金融行业竞争格局，一时的胜利容易，持续的胜利挺难，不断超越的背后其实是几代人的努力。很多盛极一时的金融机构，都消失在历史粉尘之中。

三、大数据风控无效的N个理由

全球到目前为止，其实也就是这两种风险承担模式，除此之外，没有一个机构或者一项技术可以说它能解决风控问题。现在很多人在扯大数据的风控，事实上都是一厢情愿，不现实也不可能。大数据可以优化管理、提高风控效率、降低风控成本，但是无法决定风控质量，银行的风控质量永远是个一揽子系统工程。不同银行面对同一风险等级的客户，它们的风控往往不是同一个水平。因为不同的银行有不同的风险承受能力，自然会形成不同的风险定价，存在差异性。

所以我曾说，很多P2P公司提出来的征信系统接口如何开放的问题，其实是无法解答风控命题的。不是说征信系统开放了，你风控就OK了，这是不可能的。因为全行业都面对同一个征信系统，最终的使用效率、定价能力，还是取决于你自己的能力。越是公开透明的市场，其实竞争的难度越大，单纯开放征信系统不能解决你们的风控问题。

仔细分析下为什么大数据无效，我的理由是多方面的。第一个理由就是，金融其实是看天吃饭的。我一直坚持金融是被经济形势所决定的，在经济形势低迷的情况下，金融机构无论怎么折腾都很难玩出特别好的花样。202_年金融危机一来，覆巢之下安有完卵，就是这么简单的道理。系统性风险是任何一家金融机构都必须面临的现实问题，风控制度在系统性风险面前，毫无意义。那么，大数据能否预测经济形势，即预测系统性风险呢？很多人说大数据可以做到，我觉得都是扯淡。前面已经论述了“过去是无法有效推演未来”的逻辑。那么就个人而言，是否有通过数据分析形成准确判断的可能性？这个很难说，有人一叶而知秋，有人一叶而障目，都是个人能力的结果。个人能力很难说是一种模式的核心竞争力，也缺乏可持续性。

第二个理由是，金融行业其实不完全符合大数据所要求的逻辑前提。大数据的核心逻辑前提是统计学，有两个要素：一是样本筛选，就是通过数据筛选出相同特征的群体出现违约的概率；二是需要足够数量来覆盖统计学里的偶发性特征。两者是统一而不可分割的。因为大数据的相关性必然是建立在足够大样本量基础上的，仅仅是个体相关不足以成为推断相关性的基础。也就是说，在金融业务操作的时候，也必须覆盖足够大的人群，但足够大是多少？对于单一金融机构而言，“足够大”已经是个绝对致命的难题了。另外，这里其实还隐含一个基础逻辑，就是每个操作的业务群体还要呈现独立非相关，否则也没啥意义。

这里我们做个小讨论：经营性贷款和消费性贷款，哪个更可能做大数据风控？

我认为是消费信贷。为什么呢？因为从人群的需求特征来看，消费性需求更稳定，虽然也会受经济波动的影响，但跟经营性需求相比还是更稳定，更容易预测。而且从人群来看，消费性需求的覆盖面也更广泛，有更扎实的数据基础。相对而言，经营性需求就很难使用数据来进行模型化了。为什么呢？先从企业主来看。什么人会成为企业主？事实上，只要成为企业主，无论是大是小，他们都自动从普通人群里独立出来了。再小的企业主，其实都是社会的另类，成功的是精英，失败的是脑残，唯一不可能的就是社会公众。所以这类人本身就是异类，个个都充满极大的不确定性和变数，很难被量化和模型化。

这里还有一个问题，相同的人群在不同场合呈现的特征是不一样的，尤其是目前人们在线上、线下割裂的状态，其行为方式往往会出现强烈的反差。因此，对于同一个人，根据单一维度数据对其进行判断的意义是很有限的，不同维度的数据会反映出极为不同的特征，这时候全数据就显得异常重要。而我在上一章节里也提到所谓全数据就是N=所有，这个概念提出是牛津大学互联网中心的维克托迈尔－舍恩伯格教授，曾说他最喜欢的对于大数据集合的定义是“N=所有”，这里不再需要采样，因为我们有整个人群的数据。这就好比选举监察人不会找几张有代表性的选票来估计选举的结果，他们会记点每一张选票。当“N=所有”的时候，确实不再有采样偏差的问题，因为采样已经包含了所有人。这个说法很有意思，因为互联网的海量容纳数据的可能性，的确给了全数据一个很好的假设前提，但是这个命题就很容易回归到假设的前提上去，在未实现全数据的之前，就别谈大数据了。毫无意义。

第三个理由是，大数据的前提——“过去决定未来”，并不总是成立的。现实中往往会出现未来改变过去的情况。这个有点难以理解，啥意思呢？其实很简单，就是一个人某些特征值的改变，会改变系统对他过去的数据所形成的基本特征的认定。比如我们经常说“男人有钱就变坏”，这里隐含的逻辑是，过去判断一个男人是好人，是建立在他没钱的基础上的。而一旦这个基础被破坏，这个男人变成有钱人的时候，他就已经脱离了最早的系统判定，进入另外一个范畴了。因此，这个未来的变化，直接把过去建立的逻辑给打破了。

这种现象其实是一个循环函数的概念，带有变量值的东西往往是无法建模型的。我们在金融运作中经常发现这样的现象：给钱之后的企业跟给钱之前的企业，是有绝对不同的基础性特征的。过去往往被未来给改变了。

以前也碰到过有人谈所谓的量化炒股，设定各种各样的模型来实现炒股的自动化。这种方法，在你规模不大的情况下，我认为还真是有一定的成功概率的。但是一旦你的规模足够大，你自己也成为了市场的重要角色的时候，你就会发现你所有模型失效了，因为你进入了死循环。《银河帝国》里面给了一条重要的假设，就是所有成为统计样本的样本主体，并不知道自己是被统计的样本，否则就会失去统计意义。

前段时间碰到阿里金融的朋友，也谈到大数据，但我们无法在大数据是否可以建立风控模型上达成一致。最后退而求其次，我就说，好吧，假设你的模型能成立，事实上，你会面临一个非常严重和致命的问题，就是你的客户群体，会变得让你越来越不认识。为什么呢？因为一旦阿里金融采取大数据的量化放贷，在市场就会出现大量的放贷机构，依附在阿里之上，进行尾随和跟踪放贷。也就是在阿里放贷的基础之上，再配置20%左右的贷款，期限比阿里短。在这种情况下，阿里之前所设定的所谓模型，会全部失去效应。事实上，在传统信贷中，浙江大量股份制银行就是采用如此策略，使得大银行的所谓风控审核都形同虚设。

第四个理由，金融业还有一个与其他行业不同的地方，就是风险滞后。风险滞后意味着什么呢？意味着由过去数据所推导的模型，会在过去和未来之间留有一段缝隙，这个缝隙中所发生的任何变化，都让你无法有效调整风险的认定。简单举例，我们根据餐饮企业的大量数据推导出某一风控模型之后，进行批量化的业务操作，等着贷款回收。这期间，银行基本无主动权，你要回收贷款，人家第一要有钱，第二要配合。实际上，贷前你是老大，贷后你就是孙子了。而突然某一天政府发文要求降低三公消费，你就等着傻眼吧。所有的数据都会因为期间任何一个偶发性变化而发生实质性变化，而你却丧失了主动权。

所以，我们哪怕撇开目前大数据受限制于数据孤岛等一系列的现实问题(全维度数据的成本极高、难度极大，美国政府的棱镜计划有点这个意思，但那几乎是集中了一个国家的资源），就单一大数据风控而言，实现风控的数据模型化只是美好的设想，是脱离了社会现实的一种自我意淫的产物。除非体系内不存在市场博弈行为，毫无竞争对手。不过，真到了市场毫无竞争对手的情况，你需要风控模型么？闭着眼睛做就行了。

当然，我这里并非是全盘否认大数据的现实意义。大数据可以有效地提升效率，降低管理成本，而我在前面说了，作为金融机构，效率的提升和管理成本的下降，最终都是提升了对抗风险的能力。因此，大数据虽然不能直接提高风控能力，但也具备重要的现实意义。

我在看金融史和马克思的《资本论》时，会设想一个奇怪的命题：大数据能否让计划经济回归？这个说法其实最早是阿里金融的胡晓明先生提出来的，有次我们在西湖边喝茶，他跟我说的，我后来越想越有道理。

马克思等人提出，社会总是生产出那些高于实际需要的产品，牛奶宁愿倒掉也不给予普通民众，说明市场的生产是过度的。为什么如此？虽然从结果来看，市场经济是高效的资源配置方式，但从过程来看，市场经济的弊端也是非常明显的，它高效的背后其实是巨大的资源浪费。一个成功企业背后是倒下的无数个类似企业，这些都是要计入的社会成本。因此，市场经济高效率的背后其实是整个社会的低效率。

在这种情况下，计划经济从其出发点来看，是力图构建一个体系，让市场需求能被有效计算，然后以需定产，从而最大程度地降低社会成本。理论无限美好，但现实中却往往发现，需求是无法统计和计算的。缺乏有效的统计手段，从而使得理想也只是理想。计划经济的失败，让前苏联的生产和实际需求产生了极大的错位，重工业泛滥而轻工业不足。

那么，现在大数据匹配云计算，是否可以解决这个问题呢？理论上是否可能让计划经济回归或者部分回归？呵呵，很有意思的问题。

不扯远的了。大数据这章，可能很多专家会认为我的理解过于肤浅，但是从金融运行实践来看，我对自己的结论还是抱有极大信心的。其实，大数据即使成功，也必然只是个别案例，不具备普遍性。因为对于同一数据，不同的机构对其有效应用的能力必然是不同的，而这种应用能力，才是机构之间竞争的关键。

第二篇：P2P平台如何基于大数据做风控

P2P平台如何基于大数据做风控？

目前，大部分的网贷平台业务模式都是与第三方的机构合作开展的，比如担保公司担保、小贷公司、商业保理公司、融资租赁公司债权回购等。虽然网贷平台标榜双重风控，但是主要的风控还是外包给了这些机构，网贷平台的那一重风控变为了形式，因为如果真的要控制风险的话就要养很多具体操作业务的人，这对平台本已居高不下的运营成本无疑是雪上加霜。

银行是如何来控制风险的？

银行的业务组织结构分为很多条线，核心是风险管理条线，此外还有公司业务条线、个人业务条线、会计条线等；还有直属于总行的同业金融条线和信用卡条线等。风险管理条线之所以被称为核心，是因为金融的核心就是风险控制，所有银行业务中的风险把控操作都由这个部门来具体操作，在其之上还有审批委员会，委员会的成员是由各个与业务相关部门的一把手组成，委员会的最终决策人被称为首席风险官，这个角色没有一票通过权，只有一票否决权，可有效避免一人独裁的局面。此外，风险管理条线还分为授信审批中心、授信管理中心、资产保全中心，职能分别是负责贷前、贷中、贷后的操作。

纵观现在整个网贷行业，风控模式基本沿用了传统银行的风控模式，但比起银行的风控模式还有很大的差距，只是一些皮毛而已，形式单一，只停留在了表面。如何基于大数据做风控？

与传统模式下的风控体制不同，大数据风控模式正成为行业热点，基于大数据下的风控分为两个方面：一个是内部风控；一个是外部风控。

内部风控主要是防范一些操作上的风险，尽量的将主观人为的操作系统化，这就要求网贷平台加大技术开发的投入，对后台系统功能不断完善以及操作员与管理员的权限尽可能细化，而外部风控主要体现在项目端上，就是要抓住借款人的信用情况、借款资金流向等因素。

P2P平台无法直接查询客户的征信，这降低了行业平台对借款人的震慑力，导致违约成本的降低和重复借贷现象的增加。平台想要获得借款人的个人信用报告，需要花费很多时间，很多年轻人、自由职业者等并未使用信用卡人群无任何信用记录。在这背景下，大数据的作用凸显出来，从某种意义上说，大数据征信与风控将是互联网金融未来发展的命脉。

业内人士认为，大数据征信能够降低信息不对称、数据不及时以及还款能力判断不足的问题，可以增加反欺诈能力，同时更精确的进行风险定价。毕竟，相比于央行的征信，大数据征信因为数据来源、数据内涵、模型思路的不同，信用评价更趋于对人的一些本性的判断，可以运用于借贷以外更广的场景，生活化、日常化的程度更高。原银监会副主席蔡锷生表示：“有大数据的创新和支撑，在风险控制方面会带来很大的变化，这恰恰能体现出来它对传统金融缺失的补充，甚至是小微企业、个人消费信贷的一种金融支持。另外，大数据在未来建立社会征信的作用也会逐渐地发挥作用。”

征信的问题解决了，其实只解决了所有问题的一部分，对借款资金流向的监控也是非常重要的一环。要形成整个风控的闭环，这个环节不可或缺，就像电商企业要解决物流最后一公里的问题同样重要。目前，银行与第三方支付机构只能监控到本行与本机构内的资金流向数据，一旦资金转出到其他银行和其他结算机构后，就无法监控到了。这些机构间的资金流监控还没有形成联网。资金在清算机构间的转账是通过人民银行的大、小额支付系统实现的，如果人行能够建立一个统一的，跨机构查询资金流向的系统，使资金流向也没有了死角，那么，大数据下的风控就可以形成有效的闭环了。

以上从解决征信和资金流两个方面入手来达到风控目的进行了分析，但对于现实而言，仍存在一些问题，比如监控资金流的问题，一旦通过银行柜台进行取现操作，资金流监控就会出现断档，就无法准确的统计资金的真正流向。所以，大数据时代的风控才刚刚起步。相信随着未来互联网技术手段的不断创新，这些目前困扰我们的问题会迎刃而解。业内知名大数据风控平台服务商神州融已对接多家电商平台、征信机构与第三方支付公司，实现了业界最佳实践的大数据征信接入和风控模型运用，并可使P2P等小微金融机构零门槛拥有银行级全流程信贷管理系统，帮其实现资金流的安全与量化风控管理。

有业内人士曾这样表达自己对于大数据的看法：“大数据不是万能的，没有大数据是万万不能的，大数据在信用决策、风险控制中发挥着重要作用，而传统的信用和金融数据在今天和看得见的未来还是主要决策信息来源，大数据起着越来越重要的辅助作用。”

第三篇：万亿汽车金融市场迎考验,大数据风控正当时

万亿汽车金融市场迎考验，大数据风控正当时

目前国内汽车金融正方兴未艾，俨然成为金融领域的新风口，汽车金融市场规模202_年预计突破2万亿。汽车金融机遇与风险并存，在P2P行业合规整改的大环境下，车贷资产成为诸多平台新业务支撑，资产争夺势必愈演愈烈。由于汽车金融平台自身风控意识和能力普遍薄弱，导致行业间欺诈乱象频出，因此拥有良好品牌以及风控实力的平台将占据绝大多数市场份额。

《中国汽车互联网金融发展报告202_》白皮书指出中国汽车互联网金融的市场空间将爆发出巨大潜力，预计202_年P2P车贷规模达到3500亿元以上。随着更多互联网巨头进入，行业将进入深水区，未来大数据将助力汽车互联网金融匹配个性化的金融体验。

在互联网时代，大数据对汽车金融服务的渗透越来越深入。作为浙江省大数据科技协会理事会成员，仁润股份扎根大数据领域，致力于互联网金融风控领域研究，运用大数据驱动的贷前、贷中、贷后风控管理解决互联网金融骗贷、恶意拖欠等难题。

万亿汽车金融市场迎考验，仁润汽车贷款管理系统为平台安全运作保驾护航。系统通过大数据、云服务在反欺诈、身份识别、贷前贷后追踪、用户画像等层面给汽车金融机构带来实质性保障，改善用户体验、实现资产精准投放的同时，更完善风控体系，提升风控效能。

贷前，仁润汽车贷款管理系统对借款人进行征信评估，提供人脸识别、身份证识别、身份证认证、黑名单查询、短信认证等数据接口服务，快速判断借款人信用情况。此外，对借款人的抵押物进行信用查询，一键输入车架号信息，车辆估价、违章、维修记录等信息一目了然。目前仁润已推出“仁润云风控”服务和人查宝、车信用app征服工具服务，移动端操作，方便快捷。

贷中，系统集成车辆GPS定位追踪系统，只要在系统内输入安装在抵押车辆上的GPS系统的设备号，就可以不出门直接在系统内一键对抵押车辆进行定位追踪，动态显示车辆的地理位置，运行状况和时间信息等。此外，合同电子化、签约视频监控更进一步增强汽车金融系统风控管理能力。

贷后，系统拥有成熟的贷后管理、处置体系，对逾期未还者进行多渠道催收，从最开始的提前7天预警，到系统短信直发，再到直接系统点击电话拨打，皆能以日志的形式将催收跟踪情况进行详细记录，支持微信助手实时提醒。

仁润汽车贷款管理系统是将大数据技术与风控结合的一个典型案例，而基于大数据的数据挖掘与分析技术，在不断发展完善后，将为更多平台带来安全与效率并存的风控保障，成为行业发展的必然趋势。

第四篇：征信数据—征信大数据的挖掘与风控应用

互联网金融发展的关键是风险控制，“风险控制”已然成为诸多互联网金融企业能否长大的魔咒，这个不争的事实像一座大山摆在众多互联网金融大佬与创业者的面前。为什么阿里金融能够将它的网络小贷不良率控制在不到1%，有胆量再贷多点吗？大数据挖掘技术和互联网金融的风险控制到底是什么关系？互联网金融将怎样建立有效的风险控制生态体系？本文将带你揭开大数据挖掘与互联网金融风险控制的神秘面纱。

最近互联网金融圈不仅自己玩的很开心，而且还拉上了金融界甚至央行的大佬们一起玩的很开心。尽管让互联网金融企业头痛的问题——央行征信系统不对市场开放，仍然没有解决，但至少央行的态度明朗，支持互联网金融的发展，并认为互联网金融是传统金融的有益补充。

生命的神奇之处在于它总能找到一个出口。作为新生事物的互联网金融也不例外，在那扇门朝他们关闭的同时，他们却找到了另外一扇窗。在亦步亦趋的探索中，他们中的大企业通过自身力量，小企业通过联合的力量找到了适合自身发展的风险控制生态系统，正朝着良性和有序的方向发展，正如凯文凯利在他的《失控》中描述的群氓智慧那只无形的手。

互联网金融掌握了可以颠覆传统金融的风控技术

在不依赖央行征信系统的情况下，市场自发形成了各具特色的风险控制生态系统。大公司通过大数据挖掘，自建信用评级系统；小公司通过信息分享，借助第三方获得信用评级咨询服务。

互联网金融企业的风控大致分为两种模式，一种是类似于阿里的风控模式，他们通过自身系统大量的电商交易以及支付信息数据建立了封闭系统的信用评级和风控模型。另外一种则是众多中小互联网金融公司通过贡献数据给一个中间征信机构，再分享征信信息。

央行的征信系统是通过商业银行、其它社会机构上报的数据，结合身份认证中心的身份审核，提供给银行系统信用查询和提供给个人信用报告。但对于其它征信机构和互联金融公司目前不提供直接查询服务。202_年1月开通运行的央行征信系统，至202_年初，有大概8亿人在其中有档案。在这个8亿人当中，只有不到3亿人有过银行或其他金融机构发生过借贷的记录，其中存在大量没有信贷记录的个人。

而这些人却有可能在央行征信系统外的其它机构、互联网金融公司自己的数据系统中，存有相应的信贷记录。市场上一些线下小贷公司、网络信贷公司对于借贷人的信用评级信息需求非常旺盛，也因此催生了若干市场化征信公司，目前国内较大的具有代表性的市场化征信公司有几家：如北京安融惠众、上海资信、深圳鹏元等等。

从P2P网贷公司和一些线下小贷公司采集动态大数据，为互联网金融企业提供重复借贷查询、不良用户信息查询、信用等级查询等多样化服务是目前这些市场化的征信公司正在推进的工作。而随着加入这个游戏规则的企业越来越多，这个由大量动态数据勾勒的信用图谱也将越来越清晰。

互联网海量大数据中与风控相关的数据

互联网大数据海量且庞杂，充满噪音，哪些大数据是互联网金融企业风险控制官钟爱的有价值的数据类型？下图为大家揭示了互联网海量大数据中与风控相关的数据，以及哪些企业或产品拥有这些数据。

（图）风控相关大数据及代表企业或产品

利用电商大数据进行风控，阿里金融对于大数据的谋划可谓非一日之功。在很多行业人士还在云里雾里的时候，阿里已经建立了相对完善的大数据挖掘系统。通过电商平台阿里巴巴、淘宝、天猫、支付宝等积累的大量交易支付数据作为最基本的数据原料，再加上卖家自己提供的销售数据、银行流水、水电缴纳甚至结婚证等情况作为辅助数据原料。所有信息汇总后，将数值输入网络行为评分模型，进行信用评级。

信用卡类网站的大数据同样对互联网金融的风险控制非常有价值。申请信用卡的年份、是否通过、授信额度、卡片种类；信用卡还款数额、对优惠信息的关注等都可以作为信用评级的参考数据。国内最具代表性的企业是成立于202_年，最早开展网上代理申请信用卡业务的“我爱卡”。其创始人涂志云和他的团队又在202_年推出了信用风险管理平台“信用宝”，利用“我爱卡”积累的数据和流量优势，结合其早年的从事的FICO（费埃哲）风控模型，做互联网金融小微贷款。

利用社交网站的大数据进行网络借贷的典型是美国的Lending Club。Lending club于202_年5月24日在facebook上开张，通过在上面镶嵌的一款应用搭建借贷双方平台。利用社交网络关系数据和朋友之间的相互信任聚合人气。借款人被分为若干信用等级，但是却不必公布自己的信用历史。

在国内，202_年阿里巴巴以5.86亿美元购入新浪微博18%的股份，其用意给人很多遐想空间，获得社交大数据，阿里完善了大数据类型。加上淘宝的水电煤缴费信息、信用卡还款信息、支付和交易信息，已然成为了数据全能选手。

小贷类网站积累的信贷大数据包括信贷额度、违约记录等等。但单一企业缺陷在于数据的数量级别低和地域性太强。还有部分小贷网站平台通过线下采集数据转移到线上的方式来完善信用数据。这些特点决定了如果单兵作战他们必定付出巨大成本。因此，贡献数据，共享数据的模式正逐步被认可，抱团取暖胜过单打独斗。其中有数据统计的全国小贷平台有几百家，全国性比较知名的有人人贷、拍拍贷、红岭和信用宝等。

第三方支付类平台未来的机遇在于，未来有可能基于用户的消费数据做信用分析。支付的方向、每月支付的额度、购买产品品牌都可以作为信用评级的重要参考数据。代表产品为易宝、财付通等。

生活服务类网站的大数据如水、电、煤气、有线电视、电话、网络费、物业费交纳平台则客观真实地反映了个人的基本信息，是信用评级中一类重要的数据类型。代表产品为平安的“一账通”。

互联网金融风控大数据加工过程

（图）大数据加工过程图解析

如上图所示，在进行数据处理之前，对业务的理解、对数据的理解非常重要，这决定了要选取哪些数据原料进行数据挖掘，在进入“数据工厂”之前的工作量通常要占到整个过程的60%以上。

在数据原料方面，越来越多的互联网在线动态大数据被添加进来。例如一个虚假的借款申请人信息就可以通过分析网络行为痕迹被识别出来，一个真实的互联网用户总会在网络上留下蛛丝马迹。对征信有用的数据的时效性也非常关键，通常被征信行业公认的有效的动态数据通常是从现在开始倒推24个月的数据。

通过获得多渠道的大数据原料，利用数学运算和统计学的模型进行分析，从而评估出借款者的信用风险，典型的企业是美国的ZestFinance。这家企业的大部分员工是数据科学家，他们并不特别地依赖于信用担保行业，用大数据分析进行风险控制是ZestFinance的核心技术。他们的原始数据来源非常广泛。

他们的数据工厂的核心技术和机密是他们开发的10个基于学习机器的分析模型，对每位信贷申请人的超过1万条原始信息数据进行分析，并得出超过7万个可对其行为做出测量的指标，而这一过程在5秒钟内就能全部完成。

事实上，在美国，征信公司或者大数据挖掘公司的产品不仅用于提供给相关企业用于降低金融信贷行业的风险，同时也用于帮助做决策判断和市场营销，后两者不在本文的探讨范围内，但是可以从另一个方面给我们很多启发。

神州融大数据风控平台是由神州融与全球最大征信局Experian（益博睿）、阿里金融云联合各大征信机构、电商平台等伙伴合作打造，小微金融机构零门槛即可拥有价值千万、世界顶级信贷工厂管理系统与量化风控决策能力，一站式轻松接入3000+维度鲜活数据源和自动化决策评分卡，并免费对接大型电商平台、获得垂直信贷场景下的创新金融产品。

第五篇：大数据风控怎么做？新网银行的做法是……

大数据风控怎么做？新网银行的做法是……

贷款旅个游 贷款买个包

贷款解决个人消费急需 ……

这个年代，个人消费金融产品满地开花 纯信用，无抵押和担保的贷款方式

让风控成为每一家银行的重中之重新网银行目前也推出了“好人贷”

全在线纯信用的银行大额云授信产品

想要用钱，公众号上直接注册、扫脸申请 秒申秒贷，随借随还so，问题来了 每天几万笔线上贷款

新网银行的大数据风控怎么做滴 朱望仔这就给你解个密 收好系统篇

酷炫“棱镜”系统，定义你是谁？

有过传统贷款体验的用户，最头疼的事情莫过于，交纸质材料去证明：你是谁，以及你有没有还款能力。不过在新网银行，这个头疼的问题，交给“棱镜”系统来处理就好。在客户授权的前提下，“棱镜”系统会提供8大分析维度，为申请“好人贷”的客户，画一张画像。

这样的画像过程，只需要几秒钟哦。

但是几秒钟的背后，包括三位一体的大数据库（“个人征信数据”、“个人行为数据”、“银行信贷数据”）在做强力支撑，也包括人脸识别、生物探针等技术的线上运用，当然也包括人工智能算法的每天迭代升级……朱望仔好想说，这个系统真是酷~毙~了！技术篇

行星级防护体系，安全无需担忧

有了这样的“棱镜”系统，还需要密不透风的风控技术，确保安全。新网银行花了大力气，部署了一系列入侵检测、入侵防御以及各种相当酷炫的行星级防护体系，打造出了一套安全可控的系统运行和业务交易保障设施。结合贷前、贷中、贷后的各种手段，匹配设计了体系化的风险监测、漏洞扫描、异常预警等强大功能，确保用户信息和客户资金能够得到恰当的多维防护。嗯，这防护措施，杠杠滴，想要骗贷的人请省点力气，自行退出 ……团队篇 专业精品团队，娴熟驾驭系统

当然，强大的系统和技术背后，必须有一群 smart 的人来驾驭。下面朱望仔直接上图，给各位介绍下抛弃 word 方式管理风险，采用 R、SAS、Python 来管理银行风险的风险管理团队吧：▼惬意书写数据代码的数据码农▼95后小女孩和80后大叔

一起在庞大数据网络中寻找诈骗份子▼用数据跟踪客户活跃与风险关系的

90后妈妈和她的搭档▼GBDT 与随机森林的较量▼来看看，风险管理工作的日常

嗯，有时候很有 J 情▼有时候需要做一个安静的女子▼有时候需要一些小小安抚▼如此年轻、充满激情的风控团队 新网出品，必属精品