在线直播 7月7日已结束线上-7月11日广州-7月9日
阅读（7372）
来人人都是产品经理【起点学院】，BAT实战派产品总监手把手系统带你学产品、学运营。
导语：互联网金融时代，如何借助互联网思维利用机器学习方法建立高效安全的大数据风控系统？
随着互联网的发展，互联网金融已成为当前最热门的话题，包括支付、理财、众筹、消费等功能在内的各类互联网金融产品和平台如雨后春笋般涌现。互联网金融是传统金融行业与互联网精神相结合的新兴领域，是对传统金融行业的有效补充，因此互联网金融的健康发展应遵循金融业的基本规律和内在要求，核心仍是风险控制。
传统金融的风险控制，主要是基于央行的征信数据及银行体系内的生态数据依靠人工审核完成。在国内的征信服务远远不够完善的情况下，互联网金额风险控制的真正核心在于可以依靠互联网获取的大数据，如BAT等公司拥有大量的用户信息，这些数据可以用来更加全面的预测小额贷款的风险。而机器学习将是大数据时代互联网金融企业构建自动化风控系统的利器。
什么是机器学习？
机器学习这个词相信大家都是耳熟能详，尤其是近几年机器学习界的执牛耳者与互联网界的大鳄的联姻（见图1），更加推动了大众对机器学习的追求热情和在互联网行业中应用的探索热情。
图1：机器学习界的执牛耳者与互联网界的大鳄的联姻（左起分别是Geoffrey Hinton，加拿大多伦多大学教授，"Google Brain"负责人；Yann LeCun，纽约大学教授，Facebook人工智能实验室主任；Andrew NG，斯坦福大学副教授，百度首席科学家，"Baidu Brain"负责人。）
那么，什么是机器学习呢？机器学习这个词是英文名称Meaching Learning的直译，从字面意义不难知道，这门技术是让计算机具有“自主学习”的能力，因此她是人工智能的一个分支。我个人还是比较喜欢Tom Mitchell在《Machine Learning》一书中对其的定义：
A computer program is said to learn from experience E with respect to some task T and some performance measure P, if its performance on T, as measured by P, improves with experience E.
关于机器学习的具体概念及介绍，有很多这方面的资料，有兴趣的话大家可以去查看，在这里我就不赘述。简而言之，机器学习方法就是计算机利用已有的数据（经验），得出某种模型，并利用模型来预测未来的一种方法，这种方法很类似于人类的思考方式（见图2）。也就是说，机器学习的一个主要目的就是把人类思考归纳经验的过程转化为计算机对数据的处理计算得出模型的过程。
图2：机器学习与人类思考的对比
机器学习算法的类型
一般来说，机器学习算法可以分为监督学习，无监督学习，半监督学习，强化学习（Reinforcement learning）以及推荐这几大类。各部分常见应用场景和算法详见图3。
图3：机器学习算法分类
机器学习在互联网金融行业中的应用
在企业数据的应用的场景下，人们最常用的主要是监督学习和无监督学习的模型，在金融行业中一个天然而又典型的应用就是风险控制中对借款人进行信用评估。因此互联网金融企业依托互联网获取用户的网上消费行为数据、通讯数据、信用卡数据、第三方征信数据等丰富而全面的数据，可以借助机器学习的手段搭建互联网金融企业的大数据风控系统。
除了在放贷前的信用审核外，互联网金融企业还可以借助机器学习完成传统金融企业无法做到的放贷过程中对借款人还贷能力进行实时监控，以及时对后续可能无法还贷的人进行事前的干预，从而减少因坏账而带来的损失。以点融网为例，经过这两年的发展，我们积累了很多用户的借款还款信息，这为我们提供了高质量的模型训练样本，也为我们搭建点融的大数据自动化审批系统奠定了坚实的基础。除了自动化审批系统外，后续我们将在用户还款能力实时监控，标的的有效组合，资产的合理配置等方面进行发力。
目前互联网金融企业以及第三方征信公司在信用评估这方面比较常用的架构是规则引擎加信用评分卡。说到信用评分卡，最常用的算法就是Logistic Regression，这也是被银行信用卡中心或金融工程方面奉为法宝的算法。的确，Logistic Regression因其简单、易于解释、开发及运维成本较低而受到追捧。然而互联网中获取的用户的数据维度较多，以离散或分类属性变量居多，且缺失数据较多，在这种情况下，Logistic Regression的适应性会较差。而且规则引擎和信用评分卡模型分开的模式，有时会因为规则引擎里面某些规则过强而拒绝掉很多优质客户。比如，某人因学生时代的助学贷款在刚毕业时未能及时偿还而发生过逾期，按现有银行审批规则是无论现在怎样，申请信用卡时一律拒绝。因此比较好的改进方法是，将规则引擎作为一系列弱的分类器，与信用卡评分分类器一块构成强的分类器模型。在这方面，GBDT将是一个不错选择。
GBDT(Gradient Boosting Decision Tree)又叫MART(Multiple Additive Regression Tree)，该模型不像决策树模型那样仅由一棵决策树构成，而是由多棵决策树构成，通常都是上百棵树，而且每棵树规模都较小（即树的深度会比较浅）。模型预测的时候，对于输入的一个样本实例，首先会赋予一个初值，然后会遍历每一棵决策树，每棵树都会对预测值进行调整修正，最后得到预测的结果。
F(x)=F_0+β_1 T_1 (x)+β_2 T_2 (x)+?+β_m T_m (x)
其中，F_0为设置的初值，T_i是一棵棵的决策树（弱的分类器）。
GBDT在被提出之初就和SVM一起被认为是泛化能力（generalization）较强的算法。近些年更因被广泛应用于搜索排序以及推荐中而引起大家的关注，如Yahoo, Ebay等大型互联网公司就采用过GBDT进行搜索排序。在国内，我在携程工作时就曾应用GBDT算法对客人进行酒店noshow和延住的预测，为公司每年带来千万的收入，该项目是携程技术驱动业务发展的典型代表。
GBDT作为一种boosting算法，自然包含了boosting的思想，即将一系列弱分类器组合起来构成一个强分类器。它不要求每个分类器都学到太多的东西，只要求每个分类器都学一点点知识，然后将这些学到的知识累加起来构成一个强大的模型。
分类模型的性能评估
分类模型应用较多的除上面讲的Logistic Regression和GBDT，还有Decision Tree、SVM、Random forest等。实际应用中不仅要知道会选用这些模型，更重要的是要懂得对所选用的模型的性能做评估与监控。
涉及到评估分类模型的性能指标有很多，常见的有Confusion Matrix(混淆矩阵),ROC,AUC, Recall, Performance, lift, Gini ,K-S之类。其实这些指标之间是相关与互通的，实际应用时只需选择其中几个或者是你认为是重要的几个即可，无须全部都关注。下面就以Logistic Regression为例对这些常见的指标做些简单的说明，以方便大家理解与应用。
注： 以下所有说明均以信用评分中的好坏用户为例，坏客户（坏人）标识为1（也称正例），好客户（好人）标识为0（也称负例）。
1）Confusion Matrix
一个完美的分类模型就是，一个客户实际上属于坏的类别，模型也将其预测为坏人，实际上是好人时也预测为好人。而实际情况是模型不可能做到这一点，即常说的模型会存在误判，因此我们必须知道模型预测对的有多少，预测错的部分又占了多少，混淆矩阵就是囊括了这些所有信息。
a是正确预测到的负例的数量，True Negative(TN)
b是把负例预测成正例的数量，False Positive (FP)
c是把正例预测成负例的数量，False Negative(FN)
d是正确预测到的正例的数量，True Positive(TP)
a+b是实际上为负例的数量，Actual Negative
c+d是实价上为正例的数量，Actual Positive
a+c是预测成负例的数量，Predicted Negative
b+d是预测成正例的数量，Predicted Positive
2）Accuracy（准确分类率）
Accuracy=(true positive and true negative)/total=(a+d)/(a+b+c+d)
3）Error Rate（误分类率）
Error Rate=(false positive and false negative)/total=(c+b)/(a+b+c+d)
4）Recall（正例覆盖率）
recall也称为sensitivity,在机器学习中称recall较多，而sensitivity是生物统计中的常用叫法
Recall=(true positive )/(actual positive)=d/(c+d)
5）Performance也称为Precision（正例的命中率简称命中率）
Performance=(true positive )/(predicted positive)=d/(b+d)
6）Specificity（负例覆盖率）
Specificity=(true negative )/(actual negative)=a/(a+b)
7）Negative predicted value (负例命中率)
Negative predicted value=(true negative )/(predicted negative)=a/(a+c)
一般在工业化应用中看重的是recall和performance，以信用审批为例，我们更关注的是在一定审批通过率的情况下，尽量降低坏账率。
ROC曲线就是不同的阈值下，Sensitivity和1-Specificity的组合,ROC曲线是根据与45度线的偏离来判断模型好坏。
图4：ROC曲线图
9）AUC与GINI
AUC=ROC曲线下的面积
GINI=2AUC-1
用于衡量好坏两个群体分布之间的最大差异，KS=max(Sensitivity-Specificity)，KS取值处即为统计意义上的最佳cutoff切点
图5：KS关系图
本文简单介绍了下什么是机器学习，机器学习的常用算法，应用机器学习搭建大数据风控系统的探索以及分类模型的性能评估指标。机器学习听起来很高大上，在实际工作中也经常会遇到一味炒作概念的人，过分夸大机器学习所能起到的作用，或者盲目的追求高深复杂的算法。我个人的观点还是一方面现阶段机器学习是可以帮我们提高工作效率的科学方法，另外一个方面就是能用简单方法解决问题绝不为了高大上而去选择复杂的方法，毕竟算法是没有三六九等之分。最后，希望有更多的同学加入到统计与机器学习的研究中来。
作者：甘华来（点融黑帮），现任点融网高级数据分析师，曾在Ebay和携程从事数据分析与机器学习方面的工作，关注统计与机器学习方面的研究、大数据风控系统的建设。
本文由 @甘华来 原创发布于人人都是产品经理 ，未经许可，禁止转载。
我们用技术创新改变传统金融
人人都是产品经理（）是中国最大、最活跃的以产品经理为核心的学习、交流、分享社群，集媒体、教育、招聘、社群活动为一体，全方位服务产品经理，微信公众号woshipm。成立5年以来举办线上活动500余场，线下活动数百场，覆盖北京、上海、广州、深圳、杭州、成都等10余城市，在互联网业内得到了广泛关注和高度好评。社区目前拥有300万忠实粉丝，其中产品经理占比50万， 中国75%的产品经理都在这里。查看: 419|回复: 0
Aspect：互联网金融企业如何更好地提升业务绩效
参加活动: 0
组织活动: 0
主题帖子积分
陆军少校, 积分 1556, 距离下一级还需 244 积分
由中国新媒体运营与内容营销领导者速途网络、全球领先的客户联络中心解决方案供应商Aspect（科胜通）联合主办的“中国互联网金融行业高端论坛——互联网金融如何更好地提升业务绩效”，于 日在北京成功举办。与会50多位中国互联网金融一流企业高管与Aspect（科胜通）高级工程师，就中国互联网金融如何才能更贴近客户需求，如何才能更好地提升业务绩效，如何才能更好地进行风险控制等当前互联网金融行业热点话题进行了热烈地讨论与精彩分享。“Aspect（科胜通）是全球领先的全集成客户联络交互、劳动力优化和后台办公云解决方案提供商，而且是客户联络中心领域的引领者和‘2015亚太外呼系统领导者’。” Aspect中国区技术总监李威扬在发表主题为《如何构建个性化、全渠道智能客服系统》的演讲时表示。通过对应用场景的演示，李威扬详细介绍了Aspect的解决方案如何针对互联网金融行业的业务架构，通过应用多媒体联络、全渠道交互、个性化服务等客户服务手段，来提升互联网金融企业客户服务质量，提升金融企业放贷、征信、催收效率，和帮助企业增强风险管理与控制。在随后的环节中，Aspect高级咨询顾问钟非结合Aspect互联网金融呼叫中心业务模型，给与会嘉宾讲解了Aspect系统在电话销售、信用征集、催收催缴、客户服务，以及主动与客户交互等方面，如何帮助互联网金融企业提升相关工作与业务办理效率，提升业务绩效。“Aspect互联网金融解决方案的核心是处理两件事，一是如何把钱放给客户；二是如何高效地把放出去的钱收回来。” 钟非表示。作为论坛的主办方之一，Aspect针对互联网金融行业的业务架构，推出了个性化的互联网金融行业解决方案。通过应用多媒体联络、全渠道交互、个性化服务等客户服务手段，在提升互联网金融企业客户服务质量的同时，还能够大大提升金融企业放贷、征信、催收效率，帮助互联网金融企业更好地提升业务绩效，增强风险控制。而在解释为什么包括中国银行、中国工商银行、中国建设银行、中国农业银行、交通银行、浦发银行、兴业银行、中国平安、中国人寿、中英人寿、新华保险、招商信诺、达飞金融、拍拍贷等一大批大型银行、金融机构与互联网金融企业选择Aspect时，钟非说：“第一，我们有一个适合互联网金融业务的平台，第二我们是一体化的平台，最后我们是一个很强大的外拨平台。”论坛举办时间正好是银监会、工业和信息化部、公安部、国家互联网信息办公室等部门共同研究起草的《网络借贷信息中介机构业务活动管理暂行办法(征求意见稿)》发布的第二天，与会嘉宾还就监管细则、中国互联网金融未来的发展趋势等热点话题进行了解读与热烈探讨。
Powered by
本论坛言论纯属发表个人意见,与蚌埠论坛立场无关.基于VaR模型的互联网金融产品的收益风险度量及绩效评价--《征信》2015年07期
基于VaR模型的互联网金融产品的收益风险度量及绩效评价
【摘要】：挑选我国7支互联网金融产品挂钩的货币基金,基于VaR建立EGARCH-GED模型,并对我国互联网金融产品的绩效水平进行综合评价。结果表明:货币市场基金的风险度量方法适用于分析互联网金融产品的收益风险,投资者可根据自身风险偏好和目的选择适宜指标进行评价分析,且基于VaR的评价指标比传统Sharpe比率对投资者参考意义更大。
【作者单位】：
【关键词】：
【分类号】：F224;F832.51;F49【正文快照】：
引言如今异常火爆的互联网金融产品已经引发众多学者的研究探讨,其中的代表产品余额宝更是前途不可限量。但是收益较高的余额宝同时也伴随着一定的风险。众所周知,“余额宝”本质上是支付宝挂靠在天弘基金公司旗下货币市场基金的金融产品。可以说余额宝的收益风险很大一部分就
欢迎：、、)
支持CAJ、PDF文件格式，仅支持PDF格式
【参考文献】
中国期刊全文数据库
陈学华,杨辉耀;[J];华南金融研究;2002年06期
陈权宝;连娟;;[J];经济问题;2008年09期
王聪;[J];经济研究;2001年09期
鲁皓;周志凯;;[J];金融理论与实践;2014年03期
刘荣;温广虎;崔琳琳;;[J];征信;2014年06期
【共引文献】
中国期刊全文数据库
朱红丽;王旭辉;;[J];边疆经济与文化;2006年02期
林坚,郑慧清,王宁,陈宇峰;[J];商业研究;2002年22期
方广浩,顾翌乐;[J];商业研究;2003年04期
马红军;[J];商业研究;2003年06期
彭孝松,杨义群;[J];商业研究;2003年20期
刘霞;[J];商业研究;2004年05期
黄建华,张坤,杨炜华;[J];商业研究;2004年22期
王千红;吕小娟;;[J];商业研究;2007年06期
杨夫立;;[J];中国城市经济;2012年01期
晏艳阳,刘振坤,席红辉;[J];财经理论与实践;2003年05期
中国重要会议论文全文数据库
魏小波;吴润衡;;[A];数学·力学·物理学·高新技术交叉研究进展——2010（13）卷[C];2010年
朱才斌;赵勇;;[A];中国现场统计研究会第12届学术年会论文集[C];2005年
申明浩;宋剑波;;[A];经济学（季刊）第7卷第3期[C];2008年
中国博士学位论文全文数据库
李昊;[D];华中科技大学;2011年
赵萌;[D];暨南大学;2011年
毛黎明;[D];中南大学;2010年
李明亮;[D];东华大学;2011年
王赫一;[D];吉林大学;2012年
向吉英;[D];暨南大学;2002年
李双杰;[D];中国社会科学院研究生院;2002年
吴启芳;[D];湖南大学;2002年
王学军;[D];厦门大学;2002年
蒋峰;[D];厦门大学;2002年
中国硕士学位论文全文数据库
李忠;[D];长沙理工大学;2010年
贾昌峰;[D];南京财经大学;2010年
祁玲;[D];南京财经大学;2010年
许正;[D];东北财经大学;2010年
韩娜;[D];东北财经大学;2010年
秦敬林;[D];浙江大学;2010年
沈岱岱;[D];西安工业大学;2011年
李承鎏;[D];吉林大学;2011年
朱冰;[D];南京大学;2011年
范驾云;[D];南京大学;2011年
【二级参考文献】
中国期刊全文数据库
陈学荣;[J];财贸经济;2000年05期
刘庆富;仲伟俊;华仁海;刘晓星;;[J];管理工程学报;2007年01期
魏宇;;[J];管理科学学报;2010年02期
吴世农;[J];经济研究;1996年04期
江涛;;[J];金融研究;2010年06期
曾康霖;;[J];征信;2014年03期
刘沛欣;田军;周勇;;[J];数理统计与管理;2012年04期
罗真;[J];统计与决策;2005年17期
史代敏;[J];西南民族学院学报(哲学社会科学版);2001年10期
【相似文献】
中国期刊全文数据库
金洪;蔡飞;;[J];生产力研究;2008年09期
肖志勇;宿永铮;;[J];生产力研究;2008年24期
周浩;吴寿平;;[J];江苏教育学院学报(社会科学);2012年02期
季赛卫;陈培友;;[J];北方经贸;2009年05期
杜建华;;[J];经济研究导刊;2012年07期
刘启君;刘航贝;;[J];中国房地产;2012年06期
徐小林;刘春华;王树春;;[J];金融发展研究;2012年12期
郑直;沈颂东;王哲;;[J];吉林大学学报(信息科学版);2007年02期
李进才;;[J];武汉工程职业技术学院学报;2008年02期
胡爱华;;[J];商业时代;2009年31期
中国重要会议论文全文数据库
王书平;闫晓峰;吴振信;;[A];第十三届中国管理科学学术年会论文集[C];2011年
郑慧;赵昕;;[A];2009’中国渔业经济专家论坛论文摘要集[C];2009年
赵昕;郑慧;;[A];2009中国海洋论坛论文集[C];2009年
王春宇;;[A];黑龙江省第三产业结构优化与创新研究[C];2008年
中国重要报纸全文数据库
闻人 农行宁波市分行;[N];中国城乡金融报;2013年
广发期货投资研究部
陈年柏;[N];期货日报;2007年
中国硕士学位论文全文数据库
单勤琴;[D];湖南大学;2006年
黎伟;[D];暨南大学;2006年
潘慧;[D];哈尔滨商业大学;2012年
戴昱;[D];东北财经大学;2013年
申睿波;[D];中央财经大学;2008年
王会雨;[D];西南财经大学;2011年
查日川;[D];东北财经大学;2011年
张格;[D];华中科技大学;2004年
沈翔;[D];上海海事大学;2005年
钱无蒙;[D];复旦大学;2013年
&快捷付款方式
&订购知网充值卡
400-819-9993
《中国学术期刊（光盘版）》电子杂志社有限公司
同方知网数字出版技术股份有限公司
地址：北京清华大学 84-48信箱 知识超市公司
出版物经营许可证 新出发京批字第直0595号
订购热线：400-819-82499
服务热线：010--
在线咨询：
传真：010-
京公网安备75号深度解析银行与互联网金融的风控区别
互联网&&刘明康梁晓钟&&&&日
　　随着互联网企业进入金融领域围绕着传统银行是否会被互联网金融所颠覆的争论甚嚣尘上一时间仿佛银行与互联网金融都已经开始厉兵秣马要与传统银行展开一场非此即彼的战争要透过纷扬的尘嚣看到这场战争的未来先得理解传统银行与互联网金融两者间的本质差异
　　关于银行定义是比较明晰的在中国现有的金融法规和市场环境下传统银行的主要功能是存款贷款和支付结算后来在存款基础上发展出了理财功能
　　关于互联网金融从起源来看目前的中国互联网金融可分为三类第一类是以传统银行为基础派生出来的如传统银行自身建立的网上银行这类互联网金融的出现为银行开拓了线上领域延伸了银行的触角似乎更应该称为金融互联网化第二类是传统银行与互联网互相依存的如网上支付结算这类互联网金融的代表是第三方支付其中在中国占半壁江山的是以电商为平台的支付宝第三类是以互联网为基础异军突起自由发展出来的如网上融资代表企业或者商业模式包括余额宝阿里金融等
　　银行的信贷风险管理
　　一般银行在发放贷款之前需要做以下几件事
　　首先看看可贷资金是否充足期限上是否匹配也就是流动性管理追本溯源最初的银行就是将不同储户的钱归集到一起而后将汇集起的钱借给许多不同的有回报前景的资产由此银行从中收取利息差每个储户都可能有不同的存款和取款时间这样对银行来说就形成了一个长期的资金供给线通常银行会成立专门的团队根据历史数据采用统计的方法来进行期限匹配为了保证银行的安全各国监管当局还制定了一些审慎性监管要求比如在中国的银行业就有存贷比要求
　　其次银行需要考核借款人还款能力和意愿以及贷款定价同时看看坏账准备金是否可以覆盖预期损失以及非预期损失是否能在总体层面上被资本覆盖由于借款方总是比贷款方更清楚自己的还款情况在信息不对称的情况下为了降低风险银行采取的做法通常是要求抵品一方面即使借款人违约银行也可以收回一些损失另一方面可以在某种程度上提高借款人的还款意愿降低违约概率因此银行在放贷前需要核实押品的价值并核查借款人是否对押品有真实的控制力如果没有押品银行会要求一个可靠的担保最后如果上述条件满足的话根据借款人的情况决定贷款的定价也就是贷款利息率
　　长期以来中国的银行采取一种比较定性的事后管理方式五级分类近几年来随着业的国际化程度提高以及中国更深地介入金融稳定委员会和巴塞尔银行监督管理委员会的各项工作中国银行业特别是大型银行都开始采用巴塞尔协议框架下的信用风险管理体系与五级分类的管理方式不同这套体系是建立在以量化为主的事前管理方式在这个体系中银行利用内部的历史数据和外部的征信信息采用数理统计的方法从多个维度对借款人的还款意愿和能力做出定量评估和预测根据预测出来的借款人在各维度上未来可能的状态银行通常可以根据建立好的统一的映射关系确定借款人的贷款利率
　　从世界范围内来看大多数国家的大多数银行里零售信贷风险管理的量化程度都要高于以大中客户为主的非零售信贷在非零售信用风险模型中往往包含了一些专家判断需要在模型计算出的结果之外进行一些人工的修订此外在操作实践中大客户通常比较有议价能力贷款利率也往往不能直接采用定量模型计算的结果而需要为客户在协商的基础上量身定制贷款利率
　　除了贷前的风险判别风险定价银行的信贷风险管理工作并不会随着合同签字后而结束相反贷后管理是一笔信贷中的另一个重要环节目前来看银行的风险管理主要基于借款方的财务数据在中国人民银行提供了一个个人和企业的征信系统可让银行交费查询借款方的信用信息但一方面是这些信息存在严重的时滞另一方面缺少一些关键的前瞻性信息例如订单信息和全面负债实况在经济形势变化迅速的环境下需要银行贷后不断跟踪借款方根据最新的信息特别是具有前瞻性的信息及早调整管理方式和资产组合为此许多银行都建立了严格的规程并雇佣了大量的客户经理到现场去跟踪调查借款方的财务状况收集最新经营信息调查押品价值和可控性
　　互联网借贷的风险管理
　　先看互联网供应链借贷这种模式主要是在一个闭合的供应链条里运行借款人必须是电商交易平台的商户其实供应链借贷模式并不是互联网金融的专享早在年就提出了+N基于核心企业的供应链融资解决方案即一个核心企业加上与之有关联的N个中小企业但两者在信贷风险管理上表现出很大的不同
　　供应链借贷是银行为中小企业提供信贷的一个通道与银行的一般信贷有些不同但依然很大程度上沿革了银行的信贷风险管理方式首先借款企业必须和核心企业构成交易关系由交易而得到应收账款或者收货权其次核心企业必须愿意配合向银行出具某种承诺答应在借款企业不能如期还款时为其偿还贷款在这两个条件下银行可以放松对借款企业本身资产负债等财务方面的要求但实际上是要求了核心企业为借款企业提供担保
　　互联网供应链借贷没有要求借款企业提供抵押或担保而仅靠借款企业独立的信用就可能借到款很显然能有把握为一个网络上素不相识的商户提供信用贷款需要很好地掌握这个商户的信息这正是基于电商基础的供应链借贷优势所在此外互联网供应链借贷还会通过一些成本较低的手段来验证借款人信息的真实性如网络视频等因此互联网供应链借贷基于网络交易的数据相对比较真实可靠
　　目前来看一些成功的互联网供应链借贷依靠互联网活动产生的大数据通过数理统计模型基本实现自动化贷前审批和贷后风险提示
　　PP是建立在一个开放的平台上不需借款人和贷款人有什么联系最初PP的建立仅是一个平台将需要借钱的个体和有闲散可贷资金的个体联系起来由此收取介绍中介费换言之PP是一个中介平台借贷双方自己承担信用风险和期限错配的风险后来各国的监管逐渐加强有些国家对于PP平台的权利和责任有了更严格的要求但无论如何严格意义上的PP区别于其他借贷模式的特征是借款人和贷款方直接对接
　　目前来看PP平台大约有四类交易模式一是一对多模式即一笔借款由多个投资人投资这种模式可以构成较大额的借贷二是多对多模式即一笔借款可以由多个人投资同时一笔资金也可以分拆投资到不同的借款需求上去这种模式比较灵活而且能帮助每个贷出方分散风险但需要PP公司提供良好的匹配功能三是一对一模式即一笔借款只能由一个投资人投资这种模式债权清晰管理相对容易出现风险也能很快找到源头但太不灵活缺少流动性四是多对一模式即多笔借款需求都由一笔资金投资这种模式有利于帮助投资人分散风险但同时也对资金规模要求较高并不是PP主要采用的模式
　　这几种交易模式最主要的风险管理方式来自于两个层面一是PP平台可获得关于借款人的信用信息二是借款人来自各个不同领域他们之间自然形成的风险对冲帮助降低PP平台的整体风险
　　规模经济与大数定律
　　通过总结银行与互联网借贷模式的风险管理之间的差异由此可以理解为什么许多银行偏好大客户而互联网借贷服务小微客户从银行的信贷风险管理流程可以看出传统银行信贷风险管理是依靠押品线下收集客户信息来判断其还款能力与意愿和线下跟踪借款人的贷后财务信息一般来说线下收集信息不可轻易复制需要投入大量的人力物力但线下收集信息的边际成本会递减平均成本也会随着数量的增加而降低按照这样的风险管理方式规模经济Economies of Scale比较适合银行的生存之道
　　从风险计量的角度出发如果要采用定量分析的手段则需要大量的数据否则结果偏离真实不可用目前大多数银行的定量分析都采用回归的统计方法在这类方法下借款人的一些本身特性就成为重要的解释变量在一个变化很快的经济环境下有些类型的借款方是新兴起来的没有太多的数据积累同时有些借款方是正在消退的没有充足反映最近情况的数据在这样的情况下定量分析的模型再完美也是巧妇难为无米之炊对于这些借款方即使用了定量分析方法也还需要一些人工的判断因此难以实现自动化也就很难大规模应用和降低单位成本为此银行需要通过经营大客户来增加单位收益由此来抵消较高的单位成本也就是规模经济我们可以用下图来展示这个逻辑
　　相反能够用较低的成本获取到真实且及时的信息是互联网供应链借贷的一个很大优势这个优势不仅体现在贷前也体现在贷后的风险管理银行也有强大的数据库也有专门从事数据分析的团队互联网供应链借贷用贷前数理统计方法和银行采用的定量方法本质上是十分接近的都是从历史数据中寻找出构成借款人还款能力和意愿的因素而后通过观测借款人这些因素的现状和发展趋势来形成对借款人未来还款能力和意愿的一个量化指标但目前来看许多银行包括在一些发达国家里除了房贷和之类的零售业务尚不能自动化风险管理
　　互联网供应链借贷的信息获取优势在贷后就更为明显了目前来看大多数情况下银行无法自动获得借款人贷后的一些前瞻性信用信息要获取的话需要大量的人力物力去完成而互联网供应链借贷则可以从电商平台上源源不断地取得借款人最新的交易和部分现金流信息这些信息提供了前瞻性风险判断的基础从而可以及早调整贷后管理的方式方法虽然线上信息也不能完全反映借款人的全面信用情况但是对于经常使用电商平台的借款人来说保留住平台上的良好信用记录是重要的条件之一
　　总结起来电商平台在互联网供应链借贷的风险管理中扮演了重要角色一方面可以依靠它以低成本及时获取真实信用信息另一方面可以借此提高借款人违约成本
　　有了真实可靠及时的数据互联网供应链借贷平台就有了使用量化工具的基础虽然客户来自于很多不同行业或领域但因为每个客户借款规模都很小即使分类不是很准确造成的损失也不会很大只要不出现系统性偏差即所有客户都被低估或高估则客户之间的偏差会互相抵消在总体上接近准确这就是大数定律的一种体现在大数定律作用下一个互联网借贷企业如果拥有由大量不相关投资组合构成的资产池它的平均回报将比较稳定可以通过数次试验估计出来有了这个平均回报估计值互联网借贷企业就可以预留一些准备金用来抵补预计损失如果投资组合的数量足够大那么平均回报也就接近所处经济环境能给予的平均回报了
　　值得注意的是大数定律成立需要条件那就是每个投资组合之间是相互独立的这样投资组合之间的风险就自然分散了留给整个组合池的风险就小了很多人在谈论用大数定律做金融的时候忘记谈这个适用条件实际上只有在每个投资组合足够小的情况下每个都来自不同领域才有可能比较容易地相互独立互联网金融的客户体量较小分布领域较广相互之间比较独立这种情况下原则上不需要对客户进行特别精细的筛选就造成了一个大数定律适用的条件形成风险自然分散根据大数定律许许多多的小客户汇集起来他们的平均违约率将趋向一个稳定的值
　　当一个投资组合池满足了相互独立条件的时候另一个统计定理——中央极限定理——也可能成立这种情况下如果投资组合数足够大他们的平均数分布应该接近正态分布也就是说当投资组合中的资产来自于不同领域相关性不强此时客户平均优劣程度的分布应该接近正态分布对于一个投资于微型借款的互联网金融企业大多数客户应属于中等客户有一小部分是好客户也有一小部分是坏客户但大客户之间的相关性很强个体特征风险无法完全对冲掉其组合起来的分布就不一定是正态分布了
　　另外由于银行通常都有一些相对熟悉的行业这样他们的借款人非常有可能会集中在银行熟悉的行业里这样一来银行贷款组合池的分布很有可能形成厚尾分布造成尾部风险较高这也是为什么银行除了要看预期损失还特别需要用资本来覆盖表现为尾部风险的非预期损失
　　银行与互联网借贷未来之路设想
　　在没有采用押品或担保等传统银行常用的风险缓释条件下互联网金融依靠大数定律的自然风险分散管理模式需要一些其他降低风险手段的补充一是选择小而独立的客户使得风险尽可能地自然分散二是需要一个有效的信用信息披露机制可以是可用的外部征信信息或是监管要求的信息披露也可以是内部的信息集成
　　大客户甚至是中型客户借贷靠大数定律自然风险分散是难以为继的银行历史性地继承了许多大客户可以比较从容地利用规模经济进行精细化管理加上押品和担保的风险缓释作用只要大客户存在银行就不会成为恐龙如果利用互联网的便利做成OOOnline To Offline线上到线下也应该会提升实体银行的价值
　　如果银行希望涉足微型借贷必须依靠不同的风险管理技术降低信息收集成本和管理成本同样如果互联网金融要争取更大的客户也需要考虑是否有足够的资本承担大客户违约带来的尾部风险
　　银行和互联网金融面临的一个共同问题是信息安全对银行和互联网金融来说是一个关键的问题在解决这个问题之前需要先明确什么是应受保护的隐私信息有些信息在某些情况下属于个人隐私但是在另一些特定的场景里则不是个人隐私例如一个人的收入情况不应该广而告之但如果他向银行或互联网上的另一个人借钱那么无论是银行还是网络借款人都有权利了解他的收入状况因为这个信息已成为交易信息由发生关联的各方共同所有了对隐私信息的界定和保护应该纳入法律制度的管辖范围金融企业或组织都有责任和义务采取有效措施防止有意或无意的未授权信息泄露严格遵守使用客户信息的条件这也是金融业得以发展的基石
　　以上是对比银行与互联网金融之后的一些设想世界的变化往往超乎我们的想象以我们目前的经历来预测未来是件极其困难的事银行会不会被互联网金融颠覆这个问题也许在不久的将来就不是问题了因为他们可能都换了名称现在常说的跨界优势只是从经营的目标而不是从经营方式来划分行业从经营的方式特别是风险管理模式来看互联网企业利用互联网技术来为微型企业提供金融服务其经营方式与互联网关系更加紧密金融不过是这种经营方式的一个应用未来人们也许会换一种方式划分行业也换一种方式思考问题
相关热门文章
精选专题推荐
银率网信用卡微信
银率网资讯微信
银率网服务微信
【热门产品】
文章点击排行榜
问哪家p2p平台比较安全?
&&已解决的问题
热门平台推荐
新手专享3天12%高收益！
随时计息随时赎回，秒杀余额宝！
佳兆业旗下互联网金融平台}