大数据在互联网金融风控中的应用研究

摘 要：随着信息技术的高速发展，大数据分析技术已经在改革领域实现了基本普及，尤其是近年来，这项技术已经全面应用到网络金融行业当中，并且受到广泛的关注，金融服务风控中的大数据技术使用更是普遍。据调查，传统的金融风控技术已经无法满足行业发展需求，探寻全新的网络金融服务风控模式成为当前互联网时代的关键所在。

关键词：大数据;互联网;金融;风控;特点

本文索引：秦启雯.<标题>[J].商展经济，2022（03）：-095.

中图分类号：F724.6 文献标识码：A

1 大数据技术的出现与特征

近年来，大数据分析技术崛起，得到了人们更多的关注，并应用于现代信息科技领域。大数据分析概念，最初源于美国麦肯锡的一个科学研究报告，后来通过众多科研人员和企业的推广与普及，大数据分析的概念逐步流传开来。由于大数据分析的体积十分巨大，内容类型丰富且数量规模庞大，并不是一个完全独立的数据源，只是经过网络技术的加工与采集后逐渐产生的数据库，它在分析数据上具备真实性较高的特征。因此，公司在产品运营与发展过程中可以利用互联网技术获取数据且分析大量用户数据，一定程度上增强企业产品运营的针对性，进而大幅改善公司管理水平。此外，由于大数据处理技术庞杂，对纷繁复杂的大数据处理信息需要进行相应的加工与处理，从而产生有用数据。

2 大数据技术在互联网金融风控中的应用意义

虽然大数据分析技术一直是推动建立现代互联网金融机构风控系统的有力工具，但我国的互联网金融风控发展时间相对不长。伴随科技的进步，很多智能技术已经在网络金融风控上发挥作用，但还是受到内外部诸多不确定因素的影响。在计算机网络上，大规模的社会信息采集、数据分析都需要烦琐的步骤和较长的时间，但是在智能互联网技术应用以后，一些全新的技术出现，与之前的旧技术形成交叉，两者的融合与大数据技术的价值体现是需要深入研究的。利用大数据分析技术可判定并提高个人信息真实性，进行个人身份信息扫描、图片辨别人脸，再加入融资担保机构等，能够层层把控网络上金融信息的风险。就像目前中国互联网金融业界比较重视的信用风险和欺诈风险等，可以通过剖析历史事件，发现其内在的逻辑规律性，列出危险性指标，进行大数据样本检验，从而实现算法优选，并建立基于大数据风险控制的基础模式，通过不断收集大量新数据加以检验与优化。以美国最主要的个人信用评价工具FICO信用分为例，评级的基础思想就是将每个借款人过去的信贷发展历史资源和信息库中各个借款人的信贷习惯进行比较，检查借款人的信息与违规、随意透支、申请倒闭的各种财政困难的情况，FICO评级是传统金融领域对大数据技术的利用，美国很多商业银行早已着手试图利用大数据分析来驱动银行业务经营。例如，中信银行刷卡中心利用大数据分析技术进行实际经营;光大商业银行构建了社会互联网信息数据库系統;招商银行运用大数据分析技术发展小微信贷。大数据分析技术在金融产业的利用率也相当高，可以为金融产业风险管理保驾护航。

3 互联网金融和大数据的特点

首先，互联网交易成本费用低廉。资本供求双方在资本融通流程中所产生的成本费用称为互联网交易成本费用，互联网利用信息网络，降低了人力、物力的投资，发布资讯、匹配商品、制定价格、成交均采用互联网完成，稳定了贸易成本费用。其次，网络服务便捷、高效，而且不受时限、空间的约束，客户只需在手机或者电脑上进行操作就可以完成需求。大数据中的信息价值量很广，建立在大数据分析技术基础上，电子商务和互联网相融合，使得人民群众无论是生活、学习还是工作上，都逐渐形成依赖性，使某些单元和个别的生活消费资讯在互联网空气中流露，从而形成了海量的信息数据库，数据便是信息资源，如果进行分析与研究便是极大的商务价值。最后风险系数高、创新性强。随着科学技术的发展，不断诞生新的金融产品、融资形态，一系列网络产品和支付方法也层出不穷，如互联网银行、网上保险、众筹融资、网上证券、余额宝、支付宝、微信支付、网络借贷等。但是由于现阶段对网络金融机构的监督力量薄弱，没有法规制约，使得有些不法分子违规集资、实施网上欺诈，严重危害网络金融的安全。

现代信息技术系统包括收集与预处理、储存与管理、运算模型与系统、大数据分析与挖掘、可视化计算、保护与安全管理等方面，可优化信息处理环节，提高信息处理效能，特征一般为信息资源体量大、类别多、处理速度快、信息内容价值密度系数低。在当今社会，信息技术随处可见，并渗透于人们每日的生活、学习、工作中。以阿里巴巴小额贷款公司为例，在2015年累计发放贷款1953亿元，交易额上升40%。大数据分析的运用可以有效减少交易成本、增加交易频次、扩大交易空间、提升交易体验，有效推动了网络金融市场的健康发展，但也面临着一定的隐患和风险，如暴露个人隐私，甚至影响公司的经营管理决策等。

4 大数据在互联网金融中的应用

虽然大数据分析的运用在现阶段并不能全部实现预测的精确性，但是已经有不少比较成熟的例子。比如DataSifi通过对社会数据网络的数据分析总结，制定出具体的实施方案;Zest运用大数据分析信用评价，已拿到了一亿美元的投资;Decide运用价格信息预测价格趋势，已给出了比较合理的购买意见等等。随着大数据的累积与平台的发展，网络金融服务越来越普遍，受余额宝、微信理财通等影响，国内互联网金融主要应用在个人理财方面，但实际上金融中最具刚性要求的业务是借贷，大数据分析也推动着金融服务的不断创新。交易是为了实现高收益，使用交易程序和硬件装置，迅速分析、生成、捕获并发出买卖命令，才能在短暂的时间内进行较多的买卖。交易方面已经十分频繁，因为它能利用大数据分析技术将市场中的各方连接在一起，再共同使用先进的技术功能性，并且在交易过程中客户信息会被记忆，而且很多信息的搜集都是在交易进行的同时展开的，能够辨识此模式的算法就能够估计这支基金在其他时刻的价格动向，但如果继续执行买卖，就需要再支付更高的报价，此算法交易商可以趁机获得收益。

大概两年前， 对冲基金已经在各种媒介上形成了一种适应市场的信息搜集处理工具，在此集中包括很多软件，如Facebook、博客、聊天室等。在看到有关恐怖主义事件、天然灾难等突如其来的消息时也会抛售订单，精神病专家理查德·彼得森在2008年于美国加利福尼亚州圣莫尼卡集资100万美元成立对冲基金，利用追踪网络、微博、聊天室等剖析企业情绪，并制定基金的买卖决策，该基金的收益率在2010年高达40%。再如设在英国伦敦的小型对冲基金DCM，通过在社会媒介上获取资讯，剖析人类对金融工具的情感，并协助投资者制定投资计划。金融机构可以通过对大小额用户买卖行为中的数据进行采集，从而对其买卖范围、运营情况、目标用户、融资需求及业务的发展趋势等做出具体的数据分析，以化解企业的经营困难。阿里小贷开创了从线上审批到放款的管理模式，有效衔接了放贷的全过程，给弱势群体提供了人性化的小额贷款。

就大数据分析的实际使用情况来说，虽然达不到人们所期望的精确性，但是目前的确有了很多较为成熟的商业例子。比如，Decide运用八十亿条以上的已知市场价值信息预估价格趋势，并提供了采购意见;DataSift利用分析社交互联网数据挖掘，并提出了针对性销售方法;Zestfinance运用大数据分析开展个人的信用评价工作，并累计取得近一亿美元的商业投资;等等。随着大数据平台的发展与数量的累积，互联网金融公司也将加入当中，所以三步走目前已经转变成交叉并行的三个方向。国内市场对网络金融服务的应用比较多的是在传统理财产品上，主要是受到阿里余额宝、百度、微信理财产品通等的负面影响，但其实借贷才是传统金融服务中最具刚性要求的业务。由于社会大众资金需求上的碎片化程度增加，商业银行等传统金融机构的产品自然而然地落地，网络征信已经围绕大数据挖掘等方面完成了很好的转型。因此，大数据挖掘已经推动了高频网络交易、社会金融分析方法及信息風险分析方法三个金融服务技术创新。

首先，高频交易和算法交易。以高频买卖为例，交易中人们为了获取最大收益，往往运用硬件设施和买卖程序上的优点，通过迅速收集信息、分类、制作并传递买卖指令等，在短时期内连续买进或卖出，而现在的高频买卖大多采用“策略序列买卖”，即通过解析资金信息，以辨识出某个金融市场参与者所留下来的足迹。举例来说，假设一个合伙基金常常在收盘前一分钟的第1秒做出最大订单，可以辨识这一模型的计算将预测出该基金在其他买卖时段内的价格动态，并做出同样的买卖结果。该基金在继续执行成交时也将支付较高的报价，因此采用算法的交易者可趁机获益。

其次，通过搜集、分析社会媒介上的内容，开展市场情绪分析，金融市场的投资者把对情绪分析方法的研发和应用紧密结合起来。大概两年前，对冲基金就在Twitter、Facebook、闲聊室和博客等社会化媒介中，为获取市场情感消息研发交易算法。比如，只要从中发觉有自然灾难或恐怖主义侵袭等的意外消息发布，就迅速发出订单。2008年，美国精神病专家理查德·彼得森募集100万美元，在美国加利福尼亚州圣莫尼卡成立了名叫MarketPsy Capital的对冲基金，通过跟踪闲聊室、博客、网页和微博等，以判断金融市场上对不同公司的情感，再由此制定基金交易策略，至2010年该基金收益率已达到40%。设在伦敦的小额对冲基金DCM资本，利用从Facebook和Twitter等社会化媒介上获取的资讯，将人类对某种金融工具的情绪状态加以打分，从而向零售顾客发出预警，并辅助投资人做出决策。

最后，增加对风险的可审度和管控措施，以支持精细化管控。金融机构希望获取并分析大量中小微企业用户日常交易活动的历史数据，从而确定其主要经营范畴、运营情况、诚信状态、用户定位、融资要求及业务发展，克服因为小微企业财务制度的不完善而无法真实掌握其实际运营情况的困难。阿里小贷开创了从风险评估到放款的全程线上服务模式，将贷前、贷中和贷后的三环服务形成高效连接，向一般无法从传统金融机构拿到信贷的人群，大规模投放“数额小、时限短、随借随还”的小额贷款。

5 互联网金融风险控制的一般原则

风险管理中，最有效的办法比喻起来便是把全部的鸡蛋以各种各样的比率分别装到各个篮子里，即所谓小额、散放，尽量避免集中投入。散放在风险管理方面具有十分关键的意义，因为借款客户个人差异很大，由于身处地区有所不同，而且经济条件如年纪、学历等也有差异，所以这种离散的个体违约的概率就比较独立，并且违约的概率也非常小。如100个单独的个人其违约的概率为20%，假设随机抽取两个人，同时违约的概率是22%或4%，如果随机抽取5个人，同时违约的概率是25%，如果抽取8个人同时违约的概率是25%，但是假设这100个人之间具有相关性，甲在违约的时候乙也违约，那么他们一起违约的概率就是10%，所以贷款中个人间的独立性就是减少风险的必要措施。小额解决小样本偏差问题。像某家信贷企业现在的信贷一共有10亿元，假设每位贷款人平均能贷5万元，一共有2万个客户，假设单笔贷款数额平均为100万元，那么就有1000个客户服务，按照计量经济学中的一般规律，样本数量越多，越遵循正态分布法则。所以，如果借款人的违约概率为2%，那么这2万个客户的违约概率就会超过另外1000个客户的违约概率。利用大数据分析构建风控模式和决定引擎也十分关键。由于小额分散贷款客户总量较多，如果银行通过传统的信审模式无法统一衡量偿债能力、偿还意向，就会进一步提高风险成本。因此，可参考国外的P2P，通过信贷工厂模式，构建风险模型，结合客户的行为特点判定该客户的违约概率，从而减少人工评估的成本，降低人工评估结果与评估准则的偏差。风控系统的核心方法除按照小额分散原则之外，还要通过深入研究不同特征个人的违约概率，形成大数据风控模块和评分卡系统，将其固化在风控审核的业务过程和决策引擎中，了解不同个人的违约概率程度，从而引导风险审批业务进行。

6 大数据在互联网金融风控方面的具体应用

目前由于我国的金融风险防控体系尚不完善，其中有许多信息的搜集无法真实精准地完成，所以结合大数据信息技术在互联网金融服务当中的应用产品数量并不多，信息数据相对不实，而且来源不明确，缺乏真实准确性，导致网络金融服务的落实比较困难。如果不接近央行征信体系，那么很多风险管控体系在互联网上的建立就能帮助企业完善信息搜集。现阶段，网络金融机构的风控体系主要有两类：一类是规模庞大的中小型网络金融机构向中间征信机构贡献财务数据，能够把握征信的信息共享权利。另一类是与阿里进行合作，构建全新的信用评估体系与模型，还要对诸多交易及消费者的信息进行全面统计和分析。在中央银行征信体系的基础上可验证一些身份，然后商业银行或者金融组织就能有效结合大数据技术进行信息搜集和挖掘，但是对于其他的互联网金融组织和机构并不会提供查询等服务。甚至一些个人的信用记录也不会在该体系内，有可能在其他的金融机构或者网络金融公司的体系内出现。

互联网信息数量庞大，充满了复杂性。阿里构建完整的大数据挖掘体系比较早，不过当时不少人还处在迷茫状态，于是利用以淘寶、天猫、支付宝等积累了大量消费为基本的数据分析原料，再根据卖家的销量和银行流水等财务数据，进行全面整理后通过网络评级模式开展个人信用评估活动。银行卡分类网站的大数据分析功能同样对于网络金融风险防控有着巨大的实用价值，可以依据用户信用卡办卡年龄、还款信息、信用额度、发卡类型等做出信用评估。2013年，阿里买下了新浪微博18%的股权，耗资约5.86亿元，目的是希望掌握社会大数据，进而完成大数据分析，银行卡的还款信息、交易、消费，以及淘宝上的水电煤气等缴费信息，现阶段已经形成大数据分析的基石。未来，第三方消费平台付款的方向、额度、购物品牌及金额等都可以作为个人信用评估的重要数据参考，生活类信息服务网站中有关个人用户的日常生活消费信息如水费、电费、煤气费、物业费、电话费、上网费等都有可能反映用户的生活基础信息，为个人信用评估提供重要的依据，只有掌握所有的大数据分析信息才可以实现大数据分析的有效加工。

7 结语

本文对于互联网背景下大数据技术支撑的网络金融风险管理体系进行全面阐述，并从中挖掘此期间利用互联网金融存在的各种风险，再对相关解决措施进行深入探究，根据当前的互联网金融风控实际情况全面探析和论述，并提出了个人的见解，希望能对相关人员提供借鉴。

参考文献

李梅茵.大数据在互联网金融用户画像中的应用研究[J].中国高新科技，2021（10）：47-48+70.

张怀民.大数据在互联网金融中的应用[J].电脑知识与技术，2018，14（36）：5-6.

王睿思.大数据在互联网金融中的应用和创新[J].现代商业，2018（24）：20-22.

游筱婷.大数据分析在互联网金融营销中的应用机制[J].德州学院学报，2018，34（4）：34-39.

王嘉仪.大数据在互联网金融风控中的应用探讨[J].信息系统工程，2018（7）：81.

赵洁汝.浅析大数据金融发展的风险与挑战[J].商展经济，2021（14）：62-65.

罗鸿雁.基于大数据技术的广西消费金融风险控制研究[J].商展经济，2021（23）：42-44.

吕勃.大数据时代下的金融管理信息化分析[J].商展经济，2021（5）：54-56.