FRM视角:互联网金融与大数据之下的风险管理
2024年FRM备考资料
  • FRM考纲变化
  • FRM英语词汇及公式表
  • 思维导图
  • 全新复习资料
  • 前导课程
  • 历年习题汇总
  目前互联网金融发展迅猛,不过伴随而来的风险也不得不提。此前《关于促进互联网金融健康发展的指导意见》(下称“《指导意见》”)和《非银行支付机构网络支付业务管理办法(征求意见稿)》(下称“征求意见稿”)对外发布并于近日正式结束公开征求意见,似乎代表着第三方支付的“寒冬”到来。互联网金融如何控制风险?如何才能突破实名认证这个难题?互联网金融的“大数据”又是如何搜集的?
 
  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,自建信用风险系统;小公司通过信息分享,借助第三方获得信用评级咨询服务。
 
  高顿教育FRM研究中心kelvin老师指出,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。
 
  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
 
  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。
 
  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2007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,2013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。
 
  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。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。
 
  互联网金融 风控大数据加工过程
 
  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。
 
  高顿教育FRM研究中心kelvin老师表示,在中国,互联网金融的风险管理还有很长的一段路要走,不过,互联网的便利性与连通性,对金融的发展都是必须的。目前,中国需要吸收一些专业化的风险管理人才,对此进行风险管理,让互联网金融更好发展。
 
>>>>新版FRM一二级内部资料扫码免费领!【精华版】
猜你喜欢换一批



距离下次FRM考试
还剩
{{GetRTime1}}
重要提醒
  • 24年5月11日-17日是FRM一级考试时间
  • 24年5月18日-22日是FRM二级考试时间
  • 23年12月1日:FRM23年5月FRM考试【早鸟价报名阶段】开始
  • 24年2月1日:FRM23年5月FRM考试【标准价报名阶段】开始
  • 24年4月21日:FRM23年5月FRM考试【考位选择】截止