大数据在金融行业中的应用研究

张晓露 马先仙

摘要：随着国际形势的发展，云计算、人工智能成为引领世界前进的动力，而大数据在其中发挥的作用不容小觑。本文基于大数据的发展，深入探讨其在金融行业中的应用范围、应用模式、应用场景等。研究显示，在大数据时代，大数据技术扩宽了数据来源渠道，完善了数据分析方式，以多种模式应用在传统金融和新金融业态中，在金融资源配置、精准营销、风险管控和创新方面有重要的应用意义。但数据安全度低、技术人才缺乏、技术创新难度大、数据开放度不足、产业环境差等成为制约大数据产业发展的重大问题。本文建议加强人才培养，建立数据监管机构和共享平台，扩大资金支持和技术创新，完善大数据产业环境以保障大数据持续、稳定发展，更高效、安全地为金融行业提供服务。

关键词：大数据  金融  应用

一、引言

近年来，随着大数据的提出及我国对大数据产业的重视，大数据发展已取得一定成果，并且参与到数据密集行业的分析研究与决策中。据中商产业研究院发布的《2018-2023年中国大数据产业市场前景及投资机会研究报告》的数据显示，2017年我国大数据产业规模达到4700亿元，重要软硬件企业已陆续推出大数据相关产品[1]。这些产品通过多种渠道海量收集政府和行业商业类数据，利用特定数据分析技术，得出的结果对管理决策产业发展的辅助作用已越来越显现。

金融作为数据密集型行业，利用大数据进行分析研究是金融行业发展的未來趋势。在大数据与金融的相关研究中，韦雨声（2017）[2]以应用范围为研究对象，认为大数据已经融入银行、保险、证券和金融监管机构。万昊戈（2018）[3]认为大数据在风险评估、精准营销、优化运营等方面起着不可估量的作用。庄旭东（2019）[4]认为大数据可以实现金融风险管控，也可以应用在金融创新和监管方面。兰虹（2019）[5]、李薇（2019）[6]以互联网金融为研究对象，认为大数据技术使第三方支付、P2P等不断国际化和合规化，并从大数据的角度对互联网金融发展存在的问题提出解决办法。唐彬（2017）[7]认为数据安全是实施大数据战略的重要保障，建议建设安全制度，加强安全防护意识，全力提高数据安全。

随着我国金融的深入发展，有众多金融模式如供应链金融、消费金融、网络借贷等逐渐出现在大家的生活中。而现有研究文献仅针对传统金融或某种新金融模式展开研究，缺乏对金融行业系统、全面的应用研究;其次，多以海量数据为基础进行研究，缺乏技术层面的深入探索。所以，本文从应用范围、应用模式、应用场景等不同方面探索大数据在金融行业中的应用，从中挖掘潜在问题，并提出对策建议以更好的应用于金融行业。

二、大数据产业发展背景

大数据是指数据的容量、数据的获取速度或者数据的表示限制了使用传统关系方法对数据的分析处理能力，需要使用水平扩展的机制以提高处理效率[5]。根据国际知名咨询公司麦肯锡的报告显示：在大数据应用综合价值潜力方面，信息技术、金融保险、政府及批发贸易四大领域潜力最高。虽然金融行业，尤其是证券行业发展起步较晚，但不少银行及证券公司开始尝试通过大数据平台驱动业务运营，如英国对冲基金Derwent Capital Markets通过分析Twitter的数据内容指导投资决策并实现盈利等，大数据在金融行业的应用成果有目共睹。

大数据于2013年真正开始在我国发展。由于互联网和信息行业的发展及国际趋势，人们逐渐意识到数据的重要性并开始构建大数据平台。2016年，“大数据”上升为国家战略，全国各省市政府相继出台大数据研究及发展行动计划，并制定相关政策，推进大数据平台建设。2017年，大数据渗透到各行各业。

金融业作为数据密集型行业，利用大数据进行分析研究是大数据产业发展的趋势。目前，银行、保险、证券及互联网金融都积极利用大数据进行业务拓展，广州、武汉、南京、重庆等地已规划建设金融大数据云平台，河南建成信用大数据金融服务平台并开始上线运营。金融企业利用大数据，通过用户分析、风险信贷评估、交易欺诈识别等方法能实现精准营销、提高风险管控能力等，对金融业发展起着不可估量的作用。

三、大数据在金融行业的应用现状

在传统数据时代，金融行业的数据主要通过机构内部和政府相关部门渠道进行收集。由于无法对样本进行实时跟踪，仅利用静态数据进行分析研究与现实存在一定的偏差。随着大数据时代的来临，这一问题逐渐开始缓解。目前，金融行业除了利用传统收集渠道之外，还可以使用Linux、Docker等技术通过云计算、大数据基础设施或产品、App等收集互联网数据，可以实时洞察用户变化。海量、实时数据不仅可以全面反映金融行业内部发展，还可以完善具体分析方法，全面应用于传统金融与新金融模式中，增强风险管控，实现金融创新。

（一）应用广泛，传统与新金融齐头并进

大数据在金融行业中应用广泛，传统金融与新金融齐头并进。在传统金融中，大数据不仅可以根据其不同的数据类型为银行、保险业提供精准营销服务、完善股票的分析方法，还能有效增强金融风险的管控能力。构建金融大数据平台，从机构内部、政府部门等多渠道收集用户数据，根据画像特征及基础标签形成用户画像，为用户提供精准的银行产品及保险服务;根据征信数据建立信贷模型、反欺诈模型等，实时跟踪用户的还款能力及行为模式，提高银行的信贷风险管控能力;根据股票数据及市场数据，通过聚类分析等方法完善股票的基本面分析。

同时，大数据也应用在供应链金融、消费金融等新金融模式中，其典型实例是京东金融、芝麻信用。京东作为我国最大的自营式电商企业，拥有完整的产业链条，依托对上下游企业的交易数据、企业数据等庞大的数据库资源而建立金融大数据平台——京东金融，可以为其上下游企业提供融资需求。芝麻信用通过对金融系统、政府、支付宝等海量信息数据综合处理得到用户的信用评估，为消费金融公司提供信用服务。

（二）模式多样，平台与供应链相结合

以大數据在金融行业的应用模式看，现有的应用模式有平台模式和供应链模式。平台模式是指平台企业利用自身掌握的大数据，通过互联网、云计算等信息处理方式对数据进行专业挖掘，再与传统金融服务相结合，为平台企业提供资金的融通、结算等服务[8]，如阿里小贷。阿里小贷是基于电商平台的交易数据、消费者的购物习惯等大数据通过分析处理形成信用数据，利用信用评级及风险模型等向阿里巴巴商户发放订单贷款或信用贷款。供应链模式是指供应链条中的核心企业依托自己的产业优势地位，通过对上下游企业的现金流、订单、购销流水等大数据的掌控，利用自有资金或者与金融机构合作，对上下游企业提供金融服务[8]。其典型案例是京东金融。

（三）全面提升资源配置效率

较传统数据时代而言，大数据技术从数据的采集、处理、分析等不同环节提高了对数据的应用能力及速度，使得风险预警平台能够及时防范信贷风险并发出预警信号、扶贫大数据平台能够实现精准扶贫，提升金融资源的配置效率。

在数据采集方面，ETL技术、mysql、爬虫技术等采集日志数据，有效拓宽数据来源渠道;在数据处理方面，Hadoop、SparkStreaming在实现高效、可伸缩处理时，可以有效处理半结构化数据和非结构化数据;在数据存储方面，具备hbase、hive、Spark技术的云存储具有较高的存储分析能力;在数据分析方面，图像识别、机器学习等方法完善了信用指数、偏好分析、SPSS、Eviews等传统分析方式。进一步，根据不同数据选取不同的分析方法，不仅能够快速并精准分析和预测客户行为及信用，还能实现动态监管市场风险和企业风险，使金融资源安全有序的流动。

为防范金融风险，维护金融生态环境，苏州市于2018年建立金融风险大数据预警平台并开始上线运营，对全市1.9万余家投资理财类企业实现系统化监测，当企业风险分值出现异常时，平台将其列为重点监测对象并采取一定措施严厉打击非法集资，防范金融风险。2018年，卢氏县推出金融扶贫大数据平台，实现了金融扶贫的精准对接，使得金融资源物尽其用。

（四）量化用户，实现精准营销服务

将行为数据与营销服务有效结合，通过用户偏好分析可实现精准营销服务。首先，在机构内部收集客户的信用卡还款记录、转账记录、风险偏好、对金融产品的购买及浏览记录等行为数据;其次，使用特定技术系统清洗、划分与识别数据，使用专业方法，如聚类分析、差异化行为分析和客户需求预测等，形成用户画像;最后，对不同的客户需求进行精确的市场细分与定位，采取不同的市场营销手段，通过微博、微信等多渠道进行定向信息推送，将合适的金融产品在适当的时间通过适当的营销手段销售给有需求的客户群体，实现精准营销。

目前，掌众金融、网易金融、花旗等都依据各自商业模式利用大数据推出精准服务。网易、掌众金融等企业依托内部数据开发中心深度加工用户数据，并制定画像特征和标签体系，以此对用户进行全方位量化并形成用户画像，为合作平台提供精准用户推荐，也可以为场景化用户研发和搭建定制化的互联网金融产品提供可靠的数据支撑。花旗与联通合作，为花旗用户量身定制全球化的金融资产配置计划，在花旗银行大数据分析的基础上，利用上海联通大数据机器学习建模能力、人工智能分析能力，为用户提供精准的全球资产配置、境外理财、金融保险等金融服务。

（五）建立模型和系统，增强风险管控能力

在企业内部成立专业的金融大数据风控团队，建立信用管理系统及风控平台，通过收集用户征信数据，建立企业信用指数、风险指数、反欺诈模型等量化企业及个人的信用额度及风险水平，根据计算结果实时监测企业行为模式，从贷前、贷中、贷后全方位防范风险，增强金融风险的管控能力。

众多金融公司根据自身业务特点开发自己的数据体系，并利用大数据打造风控平台。掌众金融、京东金融、网易金融等依据自己的数据库建立反欺诈模型、交易行为风险模型等多种模型，构建大数据风控体系和平台，对平台企业进行智能风控和贷后管理，以解决信贷欺诈。

同时，各地方政府也积极建立大数据金融风控平台。贵阳、苏州、广东等地联合市金融办、联通、电信等建立金融风险监测预警平台，包括用户信用画像、平台业务管理、融资担保管理、小额信贷管理和平台综合管理等多种系统，实现对相关企业的分级监管和预警处理，对加强地区金融风险防控有积极意义。

（六）多方面实现金融创新

基于以上分析，金融行业可以利用大数据实现精准营销、增强风险管控和监管能力，以此提高资源配置效率。事实上，精准营销和风险管控等本身就是金融创新，其次，利用客户需求、风险数据及精准营销分析报告也可实现金融产品、业务创新。各金融机构利用客户需求、风险数据制定客户需求报告，结合自身经营特点及年度营销趋势分析，不仅能为客户推出合适的金融产品服务，还能提高客户粘性，实现金融机构的差异化竞争。

为实现多方面金融创新，上海联合高校、企业及政府相关部门于2017年建成大数据金融创新中心，致力于实现金融工具、业务及技术的创新。为建成小康社会，卢氏县将大数据运用到精准扶贫中，利用金融扶贫大数据平台实现金融扶贫的精准对接，在解决精准扶贫的信息共享问题上取得了重大突破。

四、大数据在金融行业应用中存在的问题

（一）大数据人才储备不足

由于大数据与云计算、人工智能等深度融合发展可以释放巨大能量，成为引领经济发展的强劲动力。人才在发展大数据产业中扮演着越来越重要的角色，但我国大数据人才储备明显不足，甚至出现缺口。2017年11月发布的《中国经济的数字化转型：人才与就业》报告显示，我国目前大数据领域人才出现缺口，达到150万，预计2025年将达到200万。我国大数据人才储备仅46万，若近几年内不制定人才培养方案，不加大人才培养，将严重影响未来大数据产业发展。

（二）数据信息安全度低

在大數据时代，社会、政府、黑客及互联网发展等多方面因素使数据信息处于危险状态。首先，数据信息的敏感性使得黑客对数据“虎视眈眈”;其次，互联网的快速传播及大数据随时可被应用到黑客攻击中，这更加快了黑客攻击的速度;最后，群众对数据信息安全认识不高、政府保障数据安全措施乏力等综合因素使数据安全问题形势严峻。数据造假、数据泄露、数据买卖、数据欺诈等现象屡屡发生。2017年，京东员工与黑客勾结，为黑客提供用户交易信息和个人身份信息等50亿条;2018年，多家外卖平台的用户信息发生泄露，对受害者的日常生活造成诸多不良影响。

如果数据安全问题不能有效解决，不仅会制约大数据产业本身发展，严重影响其应用领域，还会造成诸多社会问题。所以，保障数据安全是实现产业持续健康发展、保持社会稳定的重要前提。

（三）大数据共享与开放度不足

造成大数据信息不流通，开放度低的原因有两个：一个是大数据来源渠道多，各渠道掌握的数据信息不尽相同，且保存在不同部门，各金融机构、政府及平台内部利用自身数据获取及分析优势建立并使用自己的数据库，将数据信息视为“自己”的数据并获取利益，导致政府、企业等不愿意共享数据;另一个原因是数据安全度低，若直接将大数据暴露在社会公众中，会对用户自身安全造成极其严重的后果。所以，诸多原因导致掌握数据的部门不愿公开、不能公开和不敢公开数据。实现数据共享不仅能够节省数据储存空间，使企业、政府专注于研发数据分析技术，突破大数据产业现有难题，还有助于形成良好的数据使用氛围，充分发挥数据资源整合的优质效应。

（四）技术创新难度大

大数据产业发展要有足够充分的数据挖掘和数据分析技术，加之大数据在金融领域风控、监管、创新的应用，未来对大数据技术的要求不仅仅在数据安全、共享等技术层面，更多的是跨领域的综合技术。然而，金融机构原有的数据系统较复杂，涉及平台及供应商较多，技术改造及创新难度较大。目前，大数据在金融行业中的应用仍处于起步阶段，在众多应用模式中仍需要经过大量的调研与试错方可进入使用阶段，所以，金融与大数据复杂的发展背景一定程度上制约了大数据在金融行业发展的进度，可能影响企业对未来发展的积极性。

（五）基础环境不健全

据2018年发布的《中国大数据产业发展评估报告》显示，在行业大数据基础环境评估指数中，金融的评估结果为8.04，在十大行业中排名第五。作为大数据应用的领军行业，其发展环境并不理想，具体表现为缺乏行业政策及基础设施。在我国目前的法律体系下，金融大数据在保障信息安全方面有较多的法律法规，但在大数据融合发展推动产业升级之际，中西部地区缺乏完整的技术、投融资、人才培养与引进等政策体系，缺乏大数据产业基地等设施，致使我国金融大数据的发展环境不够健全。

五、对策建议

（一）加强大数据人才培养

各地区建立完善的大数据人才培养计划及系统，整合高校、企业和社会资源，在5-10年内为国家大数据产业发展提供强有力的人才和技术支撑。在各地高校设立大数据专业，通过政策吸引或高薪聘请大数据专业人才开设相关技术课程，成立大数据研究实验室，并培训一批专业团队到各地高校进行招生演讲，以扩大大数据人才培养规模。同时，高校主动与大数据企业和政府合作建立大数据人才培养基地，充分利用社会和政府资源为大数据人才提供实践机会，提高技术能力并实现创新。

（二）建立第三方数据监管机构

为防止大数据平台和企业进行内部非法交易发生数据安全事故，建立第三方数据监管机构，将所有大数据平台及平台企业纳入监管对象，并建立监管机制全面保障数据安全。监管机构聘请专家团队选定考核指标并赋予权重，如领导重视情况、数据交易情况、用户安全满意度调查、特色加分项等，建立全面、系统的考核指标体系，以季度或半年为周期制定定期检查机制，对大数据平台及平台企业交易情况严格考核。第三方监管机构将考核结果不及格的大数据平台处以警告并纳入重点监管对象，一旦发现数据非法交易现象则立马报警。同时，第三方监管机构建立健全激励机制，对连续三年考核结果特别优秀的大数据平台进行表彰、嘉奖，以提高大数据平台内部搞好数据安全工作的积极性。

（三）加大资金支持力度

在大力发展大数据产业的各个环节中，如研发大数据技术、培养大数据人才、建立数据监管机构等都离不开资金支持，足够的资金支持是确保大数据产业各环节稳定有序发展的重要条件。在大数据人才培养过程中，全力支持高校购买技术设备，聘请专家开展大数据专题讲座等;在大数据研发过程中，政府出台大数据政策，在为大数据初创企业提供融资条件的同时，对大数据企业所承担的重大项目和高校培养的优秀人才，根据发挥的作用给予团队和教师一定程度的奖励，以此提高大数据企业与教师的积极性。

（四）建立数据共享平台

各地方政府出台数据共享政策，聘请专家或相关机构完善数据共享平台的具体建设方案，以平台形式保障数据共享的安全性和有效性。该平台整合政府、金融机构及企业数据资源，设置应用层及服务层，有数据及服务需求的用户需完善身份信息并同意数据保密协议，方可进入平台购买和使用相关数据。同时，该平台需完善项目标准建设，如管理制度、数据标准、规范索引和安全保障等，要求数据双方严格遵守平台规则，一旦出现信息泄露、违法交易等现象，经查明后禁止该用户使用数据共享平台，从而全方位保障数据共享平台安全有效地运营。

（五）完善大数据产业环境

依据国家发布的金融大数据发展规划等相关政策，各地区结合自身发展优势，推出金融大数据具体规划及系统整合共享实施方案，尤其是人才培养与引进、技术创新、投融资、数据安全、共享、监管资金支持等方案。同时，结合大数据企业建立金融大数据产业基地，打造金融大数据中心，积极贯彻落实相关政策，整合周边资源，整治产业环境，提高产业基地的吸引力及承载力，为本地金融大数据发展提供良好的产业环境，并进一步培养龙头企业发挥带动引领作用。

（六）加大技术创新

各地方政府针对目前大数据在金融行业应用中面临的技术难题，加大投资力度，建设龙头企业，突破技术瓶颈，努力实现技术创新。大数据企业根据大数据产业发展规划，重点发展跨学科、跨领域等交叉融合技术，全力突破大数据关键技术，发表大数据核心技术专利，提高企业的技术含量，努力建设龙头企业。进一步，政府与龙头企业密切配合，针对金融行业突破技术瓶颈，加强金融行业先进技术、前沿技术的跟踪、引进和研究，提升地区大数据产业及企业核心竞争力，实现大数据技术改造及创新。

六、总结

本文介绍了大数据的概念及发展情况，着重研究大数据在金融行业的应用现状，并针对问题提出对策建议。研究发现，大数据以平台及供应链模式广泛应用在传统金融及新金融中，在金融资源配置效率、精准营销、风险管控和创新等方面具有重要的应用意义。但是，数据安全度低、數据人才储备不足、数据开放度不足、技术创新难度大、产业环境差成为制约大数据发展的重要因素，通过整合政府、高校及社会资源，加强大数据人才培养、加大资金支持力度和技术创新、建立第三方数据监管机构和共享平台、完善大数据产业环境等措施使大数据产业健康稳定发展，从而提升大数据在金融领域中的应用效率和质量。

参考文献：

[1]茶洪旺，郑婷婷.中国大数据产业发展研究[J].中州学刊，2018，No.256（04）：25-31.

[2]韦雨声.大数据在金融行业的应用和发展[J].现代经济信息，2017（24）：320.

[3]万昊戈.大数据在金融领域中的应用现状[J].通讯世界，2018，25（12）：61-62.

[4]庄旭东.大数据在金融领域的应用及影响[J].金融科技时代，2019（02）：29-32.

[5]兰虹，熊雪朋，胡颖洁.大数据背景下互联网金融发展问题及创新监管研究[J].西南金融，2019（03）：809.

[6]李薇.大数据时代互联网金融创新及风险防控[J].人民论坛，2019（05）：76-77.

[7]唐彬，吴晓光.金融业大数据安全问题[J].中国金融，2017（23）：77-78.

[8]何平平，车云月编著.大数据金融与征信[M].清华大学出版社.

（张晓露为成都信息工程大学应用经济学硕士研究生;马先仙为成都信息工程大学统计学院教授，博士）