2022金融科技知識圖譜

2022金融科技知識圖譜1數字經濟和數字金融圖1.1數字經濟和數字金融模塊知識圖譜金融在數字經濟的場景下呈現(xiàn)數字金融的形態(tài)。作為我國經濟發(fā)展中最為活躍的領域，數字經濟是金融科技的理論支點。數字經濟和數字金融模塊知識圖譜如圖1.1所示。首先，數字金融是數字經濟中最具代表性的行業(yè)。數字金融是通過移動互聯(lián)網及信息技術與傳統(tǒng)金融服務業(yè)態(tài)相結合的新一代金融服務。數字金融和金融科技相比，金融科技更突出技術性，而數字金融涵蓋面更廣，強調金融業(yè)務的數字化。在新冠肺炎疫情期間，金融科技發(fā)揮了重要的作用，從傳統(tǒng)金融機構到數字金融平臺，金融服務的數字化水平都得到了大幅度的提升。2014年，在世界銀行春季研討會上，國際金融公司執(zhí)行副總裁兼首席執(zhí)行官蔡金勇在開幕式上說：“數字金融的好處遠遠超出了傳統(tǒng)金融服務：這也可以成為發(fā)展中國家強大的工具和創(chuàng)造就業(yè)機會的引擎?！?小微企業(yè)金融雖然在發(fā)展中國家對于繁榮經濟發(fā)揮著重要作用，但是一個全球性難使它們可以使用電子支付系統(tǒng)、安全的金融產品，以及獲得建立財務歷史記錄的機會。數字技術的進步，從多維大數據到智能風險分析，都為改善小微企業(yè)金融服務狀況提供了有力的工具。數字金融也為擴大普惠金融覆蓋面提供了巨大的機會。金融服務的新進入者，從移動運營商、金融科技公司到超級平臺，正在利用這些數字化技術延展金融服務的邊界并豐富金融服務的內容，體現(xiàn)了科技向善的潮流。其次，在數字化浪潮的沖擊下，金融風險管理的內涵和外延得到了進一步的豐富，例如，網絡安全變得越來越重要，但是金融風險管理的本質和基本形態(tài)沒有變化，信用風險仍是金融風險管理的核心內容。在數字金融下，金融風險管理的數字化特征越來越明顯，可以進行數字化分析和決策，但同時更多新的業(yè)態(tài)和場景需要金融風險管理與時俱進。大數據風控成為新趨勢，依賴于金融科技的監(jiān)管科技越來越受關注。再次，數字金融催生出開放銀行和虛擬銀行等新金融服務形態(tài)。銀行在數字化技術的推動下開始變革，開放銀行的推出是銀行數字化轉型自我革命的一步。而虛擬銀行的發(fā)展可以讓更多的互聯(lián)網科技公司參與金融服務，促進金融與科技的融合。不同于傳統(tǒng)銀行，虛擬銀行不需要依賴實體銀行開展業(yè)務，所有的金融服務（存貸取等）都在網上通過數字化方式實現(xiàn)。開放銀行則指商業(yè)銀行通過應用程序編程接口（ApplicationProgrammingInterface,API）對外進行數字化輸出，包括數據、算法、流程和其他業(yè)務功能，提供更加多樣化的金融產品和服務，促進個人金融信息的有效合規(guī)開放和金融數據聚合更好地發(fā)揮作用。銀行數據和服務開放的同時也要注意相應的保護，《通用數據保護條例》（GDPR）和《支付服務指令》第二版（PSD2）就是歐洲提出的在數據保護的前提下開放金融數據的發(fā)展規(guī)范。最后，眾籌、行為經濟學和共享經濟不僅是數字經濟發(fā)展的脈絡分支，還是金融科技創(chuàng)新的理論基礎。眾籌、行為經濟學和共享經濟在數字經濟形態(tài)下出現(xiàn)了新的消費場景，也催生出新的金融服務業(yè)態(tài)。股權眾籌給資本市場帶來新思路，然而基于數字貨幣和區(qū)塊鏈的ICO（首次代幣發(fā)行）也帶來全球范圍內的巨大爭議。行為經濟學在金融領域不斷被成功應用，如量化投資交易、基于心理測量的個人信用評分。共享經濟更是帶來一些金融交易模式的革命性變革，例如，P2P（點對點）網貸和P2P保險改變了原有的金融模式，對未來金融科技的發(fā)展有著深遠意義。數字經濟|DigitalEconomy關聯(lián)詞：大數據、共享經濟、普惠金融、互聯(lián)網支付、跨境支付、個人信息保護、開放銀行數字經濟是以數字資源為核心要素，以信息技術（數字技術）為主要驅動力，通過信息網絡（通信網、互聯(lián)網、移動互聯(lián)網、內聯(lián)網等）連接進行的生產、分配、交換、消費等全部經濟活動的總和。數字經濟的發(fā)展不僅包括以知識為核心的信息技術產業(yè)的興起和快速發(fā)展，也包括由信息技術推動的傳統(tǒng)產業(yè)、傳統(tǒng)經濟部門的深刻變革和飛躍性發(fā)展。數字經濟并非獨立于傳統(tǒng)經濟之外的“虛擬”經濟，而是在傳統(tǒng)經濟基礎上產生的，經過現(xiàn)代信息技術提升的高級經濟發(fā)展形態(tài)。同時，互聯(lián)網、移動互聯(lián)網、大數據、電子商務等產業(yè)和正在涌現(xiàn)的未知的新興業(yè)態(tài)，也都是數字經濟的組成部分。2數字經濟是指一種基于數字計算技術（DigitalComputingTechnology）的經濟，盡管人們認為數字經濟通過基于互聯(lián)網（Internet）和萬維網（WorldWideWeb）的市場開展業(yè)務。數字經濟也被稱為互聯(lián)網經濟（InternetEconomy）、新經濟（NewEconomy）或網絡經濟（WebEconomy）。數字經濟與傳統(tǒng)經濟交織在一起，使得區(qū)分兩者間清晰的界限變得更加困難。在20紀90年代日本經濟的衰退中，日本經濟學家首先提出了“數字經濟”一詞。在西方，這個名詞在唐·塔普斯科特（DonTapscott）于1997風險》（TheDigitalEconomy:PromiseandPerilintheAgeofNetworkedIntelligence）中被提出。它著重指出了數字時代價值創(chuàng)造的兩個主要驅動力——數字數據化和平臺化。數字技術的進步在創(chuàng)紀錄的時間內創(chuàng)造了巨大的財富，但是這些財富集中在少數個人、公司和國家手里。在現(xiàn)行的政策和法規(guī)下，這種趨勢可能會繼續(xù)，進一步加劇不平無法上網。普惠性對于建設惠及所有人的數字經濟至關重要。3數字鴻溝（DigitalDivide）是指在全球數字化進程中，不同國家、地區(qū)、行業(yè)、企造成的信息落差及貧富差距進一步兩極分化的趨勢。特別是人工智能等新技術的出另一些部門則出現(xiàn)大量就業(yè)機會。數字經濟是我國經濟發(fā)展中最為活躍的領域，與之相關的各類技術與商業(yè)模式的創(chuàng)新速度非?？?，其中的代表性行業(yè)就是數字金融和互聯(lián)網金融。4數字金融泛指金融機構利用數字化技術實現(xiàn)融資、支付、投資和其他新型金融業(yè)務的模式。金融機構包括傳統(tǒng)金融機構和新興互聯(lián)網金融機構。5數字金融、互聯(lián)網金融和金融科技內涵接近，經常被混用。互聯(lián)網金融更多地被看作利用互聯(lián)網平臺和技術從事金融業(yè)務；金融科技則更突出技術特性；數字金融更加中性，所涵蓋的面也更廣一些，強調金融業(yè)務的數字化形態(tài)。在數字化時代，數字金融是通過互聯(lián)網及信息技術手段與傳統(tǒng)金融服務業(yè)態(tài)相結合的新一代金融服務。數字金融為增強金融普惠性和擴展基本服務提供了巨大的機會。發(fā)展中國家只有將50%的人擁有手機。金融服務的新進入者，例如移動網絡運營商（Mobile NetworkOperator,MNO）、支付服務提供商（PaymentServiceProvider,PSP）、商戶聚合商、零售商、金融科技公司、新銀行和超級平臺，正在利用這些數字化技術改變金融服務的競爭局。通過技術創(chuàng)新（包括加密貨幣）提供金融服務可以促進其他各種金融服務的提供和使用，包括信貸、保險、儲蓄和金融教育?，F(xiàn)在被排除在外的人可以享受更多的轉賬、小額貸款和保險服務。數字金融對于小微企業(yè)也發(fā)揮著重要作用。數字金融不僅為小微企業(yè)提供了融資渠道，還使它們可以使用電子支付系統(tǒng)、安全的金融產品，以及獲得建立財務歷史記錄的機會。小微企業(yè)金融|SmallandMediumEnterprise（SME）Finance/Micro,SmallandMediumEnterpriseFinance關聯(lián)詞：個人征信、企業(yè)征信、信用評估、供應鏈金融、替代數據、征信體系小微企業(yè)金融主要是指專門向小型和微型企業(yè)提供相關金融產品和服務，包括銀行貸款、租賃、分期付款、股票/公司債券發(fā)行，風險投資或私募股、資產融資（如保理和發(fā)票貼現(xiàn)）、政府資助或提供貸款等形式。小微企業(yè)金融全稱為中小微企業(yè)（Micro,SmallandMediumEnterprise,MSME）金融，也被稱為中小企業(yè)金融。小微企業(yè)在大多數經濟體，尤其是發(fā)展中國家起著重要作用，占全球企業(yè)的大多數，是就業(yè)機會和全球經濟發(fā)展的重要貢獻者。它們代表著全球約90%的企業(yè)和超過50%的就業(yè)機會。與大中型企業(yè)相比，小微企業(yè)獲得銀行貸款的可能性較小。相反，它們依靠內部資金或來自親朋好友的現(xiàn)金來創(chuàng)辦或經營。國際金融公司2018年估計，發(fā)展中國家有6500萬家小微企業(yè)（約占小微企業(yè)的40%）的融資需求得不到滿足，每年未滿足的融資需求為5.2萬億美元，相當于當前全球小微企業(yè)貸款水平的1.4倍。根據波士頓咨詢公司（BCG）的研究報告，中國的小微企業(yè)中有80%難以獲得金融信貸支持，12%可以獲得正規(guī)金融機構的信貸支持，8%可以獲得新金融機構的信貸支持。2020年4月，美國聯(lián)邦政府實施了專門針對小微企業(yè)的薪資保護計劃（PaycheckProtectionProgram,PPP），用金融手段幫助受新冠肺炎疫情沖擊的小微企業(yè)渡過難關。2020年6月1日，中國人民銀行等金融監(jiān)管部門連續(xù)發(fā)布3份文件，強調加大金融對實體經濟的支持力度。其中包括兩項直達實體經濟的創(chuàng)新貨幣政策工具：普惠小微企業(yè)貸款延期支持工具和普惠小微企業(yè)信用貸款支持計劃。6金融科技可以為改善中小微企業(yè)金融服務狀況提供技術支持，例如，一家秘魯的公司創(chuàng)業(yè)金融實驗室（EntrepreneurialFinanceLab,EFL）通過心理測量（Psychometrics）技術對小微企業(yè)主進行信貸信用評估，不完全依賴信用記錄和資產抵押，目前運營10年，業(yè)務擴展至東南亞和非洲地區(qū)。案例基于在哈佛大學肯尼迪政府學院的研究成果，2006學教授阿西姆·赫瓦賈（AsimKhwaja）和博士貝利·科林格（BaileyKlinger）EFL，目的是激發(fā)新興市場企業(yè)的金融活力，開發(fā)低成本的信貸審查工具，解決信息不對稱問題。2013年，EFL瓜多爾的銀行到津巴布韋的服裝商店，都開始使用EFL的心理信用評估模型。截至2013年，利用這一模型已經放貸超過2平均每位可獲貸款7500美元。EFL的服務內容：EFL最初只是針對小微企業(yè)主進行風險評估，由于消費者和小微企業(yè)主的信貸記錄有很多相似之處，EFL也開始針對消費者進行風險評估。在商業(yè)借貸方面，EFL主要針對小企業(yè)主和個體戶，借貸的范圍為500美元到25萬美元，時間為3個月到48個月，貸款可以用于資本運營和資產購買等，正式或非正式的行業(yè)都可以申請。在消費者信貸方面，零售商和銀行利用EFL的工具，增加對消費者購買時點預購能力的判斷，向通常被傳統(tǒng)信貸機構拒之門外的消費者（如無法驗證收入的雇員或其他人）提供貸款。貸款金額一般為300美元到10萬美元，時間為3個月到48個月以上。效果：EFL的實踐證明，小微企業(yè)如果保持正常運轉，就能夠不斷帶來效益，所以小微企業(yè)貸款業(yè)務被證明是很好的收入來源。由于使用了EFL的信用評估模型，秘魯的一家銀行的業(yè)務增長了50%。利用EFL的信用評估模型計算出的償付率和傳統(tǒng)信用評估模型一致，但利用傳統(tǒng)信用評估模型時，貸款申請者需要有一定長度的信貸歷史，而且要償付60%的利息，相比之下，利用EFL的信用評估模型，這種短期貸款只需要償付30%~45%的利息。7，8普惠金融|InclusiveFinance關聯(lián)詞：移動支付、消費金融、消費者征信、企業(yè)征信、替代數據、個人信息保護、數據代理商、社交網絡普惠金融（InclusiveFinance）也被稱作包容性金融，最早由聯(lián)合國于2005年提出。普惠金融強調通過加強政策扶持和完善市場機制，使邊遠貧窮地區(qū)人群、小微企業(yè)和社會低收入人群能夠獲得價格合理、方便快捷的金融服務，不斷提高金融服務的可獲得性。普惠金融的主要特征如下：一是逐步涵蓋整個金融體系和全部人群。如世界銀行將普惠金融定義為：“在一個國家或地區(qū)，所有處于工作年齡的人都有權使用一整套價格合理、形式方便的優(yōu)質金融服務。”金融包容聯(lián)盟（AllianceforFinancialInclusion,AFI）認為：“普惠金融是將被金融體系排斥的人群納入主流金融體系。”二是內涵豐富。金融包容聯(lián)盟認為，普惠金融包括6個核心內容，即金融消費者保護、代理銀行、手機銀行、國有銀行改革、金融服務提供者多元化、數據收集與評估體系。三是多方參與。從國際到國內，從政府到非政府組織共同推進。國際上正組織研究開發(fā)普惠金融指標體系，并要求各國制定國家戰(zhàn)略，明確做出相關承諾。各國也積極推進普惠金融發(fā)展。新興經濟體與發(fā)展中國家在普惠金融方面進行了積極探索，取得了可喜的成績。巴西、印度尼西亞、肯尼亞、墨西哥等國的做法具有一定的代表性。案例 肯尼亞大約有1900萬人，其中大部分都沒有銀行賬戶，但約80%的人有手機在肯尼亞，手機支付平臺M-Pesa就成了肯尼亞的“支付寶”。在M-Pesa這個名字里，“M”代表流動，“Pesa”在當地語言中是錢的意思。在肯尼亞，在藥房、路邊香料鋪、理發(fā)店，甚至公共廁所都可以使用M-Pesa，在很多小門店（類似于中國售賣手機卡的小門店），人們可以用M-Pesa存錢提現(xiàn)，店員則手工記在賬本上。在肯尼亞農村地區(qū)，M-Pesa允許使用者將貨幣保存在虛擬的“貯值”賬戶里面，這一賬戶由電信運營商的服務器維持，由使用者通過手機操作。使用者可以通過本地的M-Pesa代理商存款和取款，也可以使用其可用余額，將貨幣發(fā)送給其他手機用戶、購買話費或者貯存貨幣等。電信運營商將客戶存儲在M-Pesa賬戶上的資金匯集到統(tǒng)一賬戶，委托商業(yè)銀行集中管理。盡管看上去“簡陋”，但M-Pesa的創(chuàng)新性非常符合肯尼亞的國情。它對手機的要求非常簡單：不需要高級的智能手機，即使是最便宜的手機——一部老式的諾基亞手機也可以做到。值得一提的是，M-Pesa的成功并不是靠慈善，它已經實現(xiàn)了健康的運轉——每年為運營商Safaricom帶來1.5億美元的收入，達到了普惠金融和商業(yè)可持續(xù)盈利的效果。9行為經濟學|BehavioralEconomics,BE關聯(lián)詞：信用評估、量化投資、系統(tǒng)性風險、心理測量行為經濟學將行為分析理論、心理學與經濟學有機結合起來，從而修正古典經濟學中關于理性人、偏好及效用最大化等假設的不足，以更好地解釋個人決策中的非理性現(xiàn)象。丹尼爾·卡尼曼（DanielKahneman）和阿莫斯·特沃斯基（AmosTversky）提出的前景理論（ProspectTheory）、錨定效應（AnchoringEffect），與理查德·泰勒（RichardThaler）提出的心理賬戶（MentalAccounting）理論，被認為是行為經濟學的三大理論基石。丹尼爾·卡尼曼與理查德·泰勒因此分別獲得了2002年與2017年的諾貝爾經濟學獎。前景理論，也被稱作預期理論或展望理論，描述的是在不同的風險預期條件下，人的行為傾向是可以預測的。前景理論包括確定性效應（Certainty Effect）、反射效應（ReflectionEffect）、損失規(guī)避（LossAversion）和參照依賴（ReferenceDependence）等內容。確定性效應，描述的是在確定性收益與不確定性收益之間，大多數人會選擇前者。在股票市場，確定性效應表現(xiàn)為強烈的獲利了結傾向，人們喜歡將盈利的股票賣出，而持有虧損的股票。反射效應，與確定性效應“相反”，是指當面對兩種虧損選擇時，大多數人會變?yōu)轱L險偏好型，在確定性虧損和不確定性虧損之間，往往會選擇后者，選擇賭一把。在股票市場，反射效應表現(xiàn)為持有虧損的股票，而不忍心“割肉”，不愿承認自己做錯，期待股票能再漲回來。同額度的收益帶來的幸福感要強烈。虧100元錢的痛苦，比賺100元錢的快樂，要強烈得不忍“割肉”離場。參照依賴，是指多數人對得失的判斷往往基于參照點。例如，假設選擇一是自己年收入10萬元，同事年收入15萬元；選擇二是自己年收入12萬元，同事年收入20萬元。大部分人會選擇一，人的選擇除了受金錢本身影響，還受比較、嫉妒等心理影響。錨定效應，是指當人們需要對某個事件做定量估測時，會將某些特定數值作為起始值，起始值像錨一樣制約著估測值。在做決策的時候，人們會不自覺地給予最初獲得的信息過多的關注。10例如，在價格談判中，人們常常以“先入為主”的價格作為錨定價格。如果賣方要價1000元，買家就會基于此價格砍價；如果買方先報價500元，賣方就會基于此價格加價。尤其是在價值標準難以判定的市場，如股票市場，這種先入為主的心理更能影響人們對價格的預測。心理賬戶理論，用于解釋個體在做消費決策時為什么會受到沉沒成本（Sunk 的影響。心理賬戶，是指人們會根據金錢的獲取方式、存儲方式或支付方式，無意識地金錢加以歸類，并賦予不同價值，進行管理。11比如，大部分人對打工賺來的錢精打細算，而對股票的投資收益則大手大腳。心理賬戶理論的一個重要結論是，合并和分開事件會對人的心理造成不同影響。例公司在做市值管理時，往往持續(xù)發(fā)放“小”的利好消息；而關于財務丑聞，則會一次性釋放“大”的利空消息。眾籌|Crowdfunding關聯(lián)詞：ICO、P2P網貸眾籌是指通過互聯(lián)網來展示和宣傳創(chuàng)意作品或創(chuàng)業(yè)計劃，吸引感興趣的購買者或投資者對項目進行資金上的支持，在一定時間內募集預先設定的募資金額的過程。12眾籌的概念來自眾包（Crowdsourcing），眾包是一種通過分布式協(xié)作來解決問題的方式。眾籌與眾包略有不同，眾籌不僅要解決一個小的任務，還需要籌集一定數額的資金。眾籌概念進入公眾視野源于美國最早的創(chuàng)意眾籌網站Kickstarter。Kickstarter的創(chuàng)始人陳佩里（PerryChen）是一名期貨交易員，他熱愛藝術，曾開辦一辦的音樂會，于是便有了建立一個募集資金的網站的想法。2009年4月，Kickstarter正式上線。Kickstarter平臺上最知名的項目是Pebble 智能手表。發(fā)起者在Kickstarter上設置的“融資”目標是10萬美元，在37天內籌集了10266845美元，來自大約69000個眾籌支持者。實際上，Kickstarter的“融資”本質上并不是一種融資，而是一種商品預售，只不過這種商品還在設想中，并不是成熟產品，比正常商品預售的風險要大得多。按照美國著名眾籌研究機構Massolution的分類，眾籌可以分為4種類型：一是捐贈眾籌，二是商品眾籌，三是債權眾籌，四是股權眾籌。其中，債權眾籌一般可以理解為通常意義上的P2P網貸，捐贈眾籌被劃歸為慈善領域。狹義上，眾籌一般指的是商品眾籌和股權眾籌。Kickstarter是為創(chuàng)意提供融資的商品眾籌平臺，還有一些為創(chuàng)業(yè)者提供早期創(chuàng)業(yè)融資的股權眾籌平臺，如美國的AngelList。由于股權眾籌本質上是一種股權融資行為，需要接受公司或證券相關法律的約束。對于向公眾公開募集資金的行為，各個國家有不同的法律限制。美國為了支持創(chuàng)業(yè)小微企業(yè)融資，順應互聯(lián)網股權眾籌浪潮，專門制定并出臺了《創(chuàng)業(yè)企業(yè)融資法案》（JumpstartOurBusinessStartupsAct,JOBS），又名《JOBS法案》，以對小額股權眾籌進行豁免。眾籌涉及的領域很廣，不僅包括藝術作品、發(fā)明創(chuàng)造、科學研究、創(chuàng)業(yè)募資，還包括演藝、競選等領域的資金募集。在數字貨幣與區(qū)塊鏈領域，ICO是一種新技術形態(tài)下的眾籌行為?，F(xiàn)有眾籌監(jiān)管框架對ICO監(jiān)管也是一種參考，相關部門應對數字貨幣的性質加以區(qū)分，制定相應的監(jiān)管政策。共享經濟|SharingEconomy關聯(lián)詞：P2P網貸、P2P保險、區(qū)塊鏈共享經濟是一種經濟模式，通常被定義為基于點對點的活動，通過社區(qū)的在線平臺獲取、提供或共享對商品和服務的訪問。共享經濟允許個人和團體從未被充分利用的閑置資產中賺錢。通過這種方式，物理資產作為服務載體可以被共享。共享經濟在過去幾年里不斷發(fā)展，如今它已成為一個“包羅萬象”的概念，指的是大量在線交易，甚至可能包括企業(yè)對企業(yè)（B2B）的交互。其他加入共享經濟的平臺包括：聯(lián)合工作平臺——在大城市為自由職業(yè)者、企業(yè)家和在家工作的員工提供共享的開放工作空間的公司。P2P借貸平臺——允許個人以比傳統(tǒng)信貸實體更低的利率向其他人放貸的公司。時尚平臺——允許個人出售或出租衣服的網站。自由職業(yè)平臺——為自由職業(yè)者提供匹配服務的網站，范圍從傳統(tǒng)的自由職業(yè)到勤雜工服務。典型的例子包括出行類的優(yōu)步（Uber）和滴滴出行，短租類的愛彼迎（Airbnb）等。虛擬銀行|VirtualBank,VB關聯(lián)詞：數字金融、互聯(lián)網金融、開放銀行虛擬銀行是指通過互聯(lián)網或其他形式的電子渠道而非實體分支機構提供零售銀行服務的銀行。13虛擬銀行也被稱為網絡銀行，主要通過互聯(lián)網、通信系統(tǒng)和計算機系統(tǒng)向客戶提供銀行服務，包括ATM機（自動取款機）、POS機（零售終端）、自助銀行、電話銀行、網上銀行和手機銀行等載體。不同于傳統(tǒng)銀行，虛擬銀行沒有實體網點，所有服務（包括申請賬號、存款、借貸、投資咨詢等）都在網上實現(xiàn)，大大縮減了實體網點的租賃成本和人工成本。虛擬銀行同時能夠實現(xiàn)3A（Anytime、Anywhere、Anyhow）金融服務。全球第一家真正意義上的虛擬銀行是1995年10月18日開業(yè)的美國安全第一網絡銀行（Security First Network Bank, SFNB）。1994年4月，由Area銀行、美聯(lián)銀行（Wachovia）、HuntingBancshares股份公司、Secureware和FiveSpace計算機公司等聯(lián)合成立。SFNB獲得了美國聯(lián)邦銀行管理機構的批準，其前臺業(yè)務幾乎全部在互聯(lián)網上開展，當時在金融界引起極大反響。1998年10月，SFNB除技術部門以外的所有部門被加拿大皇家銀行（RoyalBankofCanada）以2000萬美元收購。14在中國香港，香港金融管理局率先引入虛擬銀行的概念，并于2018年5月30日公布《虛擬銀行的認可》指引修訂本，闡釋了虛擬銀行的發(fā)牌原則。截至2019年年底，已經有8家機構獲得了香港金融管理局發(fā)放的虛擬銀行牌照。香港虛擬銀行持牌名單見表1.1。中國境內的虛擬銀行主要由互聯(lián)網公司設立，例如，浙江網商銀行、深圳前海微眾銀行，是持有銀行牌照的獨立法人實體。此外，傳統(tǒng)商業(yè)銀行也在逐步向虛擬銀行轉型，隨著用戶習慣于網絡金融服務，大量的銀行網點將退出歷史舞臺。表1.1香港虛擬銀行持牌名單15，16開放銀行|OpenBanking關聯(lián)詞：個人信息、個人金融信息、大數據、數據挖掘、金融數據聚合、賬戶信息服務、GDPR開放銀行是一種新型商業(yè)模式，指的是商業(yè)銀行通過API，向第三方機構和信息技術服務商開放數據、算法、交易、流程或其他業(yè)務功能，提供更加多樣化的金融產品和服務的模式。開放銀行的概念最早于2015年出現(xiàn)在英國。這一概念的提出是有其商業(yè)背景的。當時，英國前五大商業(yè)銀行在零售銀行市場的占有率達80%以上。大銀行失去充分競爭的動高的交易和服務費用，卻無法享受到更好的金融服務。為了打破這一僵局，歐盟發(fā)布的《支付服務指令》第二版（PSD2）要求歐洲的商業(yè)銀行“必須”把支付服務和相關消費者數據開放給消費者授權的第三方機構和信息技術服務護。不僅如此，2018年，歐盟進一步推出了《通用數據保護條例》（General ProtectionRegulation,GDPR）。GDPR通過賦予歐盟居民對個人數據更多的控制權，對網絡安全、數字經濟進行嚴格監(jiān)管。互聯(lián)網經濟和商業(yè)銀行體系等眾多領域受GDPR約束。可以說，PSD2和GDPR為開放銀行的規(guī)范有序發(fā)展和歐盟個人數據保護提供了基礎保障。數據屬于客戶，而不是銀行，這是PSD2賦予開放銀行的一個超前的價值主張。盡管聽起來很簡單，但它足以改變銀行和客戶之間的“權力平衡”。開放銀行使客戶更加自由，客戶可以把數據交給任何他/它們認為能夠提供更好服務的機構。在該商業(yè)模式下，商業(yè)銀行體系將演變?yōu)樘峁┙鹑诜盏幕A設施平臺。案例2017年5月，西班牙對外銀行（BancoBilbaoVizcayaArgentaria,BBVA）的API開放市場正式對西班牙客戶開放。在API類型方面，根據BBVA官網的數據，截至2018年8月，BBVA的API開放市場在西班牙、墨西哥、美國3個國家共計開放12類API，主要基于零售客群數據、企業(yè)客群數據、多渠道數據整合和支付貸款授權。我國的開放銀行尚處于起步階段。由于我國金融業(yè)務采取牌照制度，以及個人數據保護制度尚未制定，共享用戶數據、開展開放銀行業(yè)務還需要監(jiān)管和立法的進一步完善。2020年5月，全國人大常委會工作報告已經明確指出，圍繞我國安全和社會治理，制定生物安全法、個人信息保護法、數據安全法。這意味著個人信息保護法終于有望出臺。在商業(yè)模式方面，與國外銀行開放數據接口不同，國內銀行主要借助互聯(lián)網渠道為各種金融科技應用場景提供新型金融產品和服務。17金融風險管理|FinancialRiskManagement關聯(lián)詞：信用風險、信用風險管理、征信體系、征信機構、系統(tǒng)性風險、網絡安全金融風險管理是指企業(yè)通過使用金融工具來管理風險敞口的業(yè)務操作，金融風險管理需要確定風險來源，進行度量并計劃解決這些問題。視和控制不利事件發(fā)生的可能性，以最大限度地把握機會。在2008所有業(yè)務都基于兩個因素來承擔風險：不利情況發(fā)生的可能性以及此不利情況帶來的成本。金融風險管理可以通過定性和定量的角度開展。作為一個專業(yè)化風險管理領域，金融風險管理側重于何時及如何使用金融工具來對沖高風險敞口。銀行和金融科技初創(chuàng)公司都面臨3種主要的風險：信用風險、市場風險和操作風險。信用風險是最常見和重要的金融風險，是指由于借款人未能及時、足額償還債務而產生的債務違約風險。市場風險是指因市場價格變動而導致頭寸損失的風險。操作風險是指由于內部流程、人員和系統(tǒng)的不完備或失效，或者外部事件（包括法律風險）而導致?lián)p失的風險。風險管理是一套完善的專業(yè)流程，如圖1.2所示，包括風險識別（RiskIdentification）、風險測量（Risk Measurement）、風險處置策略（Risk Strategy）和風險管理實施（RiskManagementImplementation）。風險識別：在確定的風險管理范圍內，識別所有潛在的風險。通過風險識別可以分析潛在風險的來源（例如，較低的房價可能會導致較低的回收率和較高的抵押貸款損失）或識別潛在的威脅（例如，哪些因素會導致按揭貸款損失增加）。識別所有風險需要對金融產品有很好的了解。一個主要的風險是在組織中由于能力不足而缺乏識別能力。圖1.2風險管理風險測量：要給出確定的風險來源，需要對風險進行量化。對于信用風險，這意味著，需要確定實際違約概率和風險驅動因素（如企業(yè)的盈利能力）響。如果房價下降10%，那么違約損失會增加多少？風險測量需要對過去的事件進行徹底化風險。風險處置策略：可以通過以下4種方法對風險進行處置。太高或對其風險了解不充分的產品。高風險的行業(yè)，可能需要銀行在個體違約的情況下出售其抵押品。通常適用于低風險資產。公司為信用風險提供擔保。風險管理實施：一旦定義了風險管理策略，就開始實施，并投入相應的人力、物力、財力，包括人員、統(tǒng)計模型和IT（信息技術）系統(tǒng)。18頭寸（Position）是一個金融術語，指的是個人或實體持有的特定商品、證券、貨幣等的數量。漢語將Position翻譯為頭寸，源于舊社會作為貨幣的“袁大頭”每10個摞起來為1寸。2人工智能相關支持技術圖2.1人工智能相關支持技術模塊知識圖譜在歷屆金融博覽會上，可以看到全球各大IT公司頗具規(guī)模的展位，這是因為金融是信息技術的最佳應用場景之一。新技術不僅在金融領域的應用最容易產生效果，而且金融業(yè)也最容易為新技術的紅利買單。金融科技的成功應用往往能夠帶動一般經濟場景的技術應用，例如，從作為金融科技代表性產品的ATM機的引入到現(xiàn)在各種各樣的民用一體機的廣泛應用，從金融領域的人臉識別的深入應用推廣到各種生活場景的生物識別。人工智能相關支持技術模塊知識圖譜如圖2.1所示。首先，金融科技并不是一個全新的名詞。從過去的機械動力和電子技術對金融業(yè)的改變，到信息技術和金融業(yè)務的融合，只能說技術進步對金融業(yè)的影響越來越深入，其迭代升級越來越快。本次信息技術浪潮以大數據、云計算和物聯(lián)網等技術為驅動力，以人工智能技術為核心，人工智能技術包羅萬象，以理論分析為主的機器學習和以應用實踐為主的數據挖掘都是其重要分支，人工智能也是金融智能的理論基礎。2016年5月，中央四部委發(fā)布了《“互聯(lián)網+”人工智能三年行動實施方案》。2019年9月6日，中國人民銀行正式發(fā)布的《金融科技（FinTech）發(fā)展規(guī)劃（2019—2021年）》中也提出要穩(wěn)步應用人工智能技術。其次，波士頓咨詢的研究表明：從不同行業(yè)來看，金融行業(yè)的數據強度為各個行業(yè)之首，因此大數據理念很受金融機構重視。舉例而言，銀行中有著海量的數據存儲，在每100萬美元收入中，銀行業(yè)創(chuàng)造和使用的數據大約是820GB，遠多于其他行業(yè)。麥肯錫的研究報告也稱，大數據、云計算以及區(qū)塊鏈等下一代金融顛覆性技術正逐步成熟。大數據提供了豐富信息的原材料，云計算則提供了計算服務的新動能，物聯(lián)網延伸了信息感知的邊界?；A支撐技術的飛躍發(fā)展讓金融智能化有了可能，深度學習的異軍突起使人臉識別和語音識別的準確率得到大幅度的提升，使金融身份識別技術升級換代。作為深度學習的一個分支，聯(lián)邦學習目前被應用于解決個人隱私安全問題。反洗錢領域也是人工智能技術的應用場景。智能分析算法的進步使自動量化投資和聊天機器人得到越來越多的應用。國內“人工智能+投資顧問”形式的智能投顧初創(chuàng)企業(yè)陸續(xù)出現(xiàn)。信用評分產品是機器學習和數據挖掘在金融領域成功應用的一個典范，自動化決策代替了人工分析，促進了全球信貸市場的快速發(fā)展。目前，越來越多的人工智能技術被逐漸應用于未來信用評分產品的研發(fā)。同時，技術的進步也帶來了商業(yè)模式的創(chuàng)新，例如，物聯(lián)網技術就催生出物聯(lián)網保險業(yè)態(tài)。再次，傳統(tǒng)的關系型數據庫以查詢?yōu)橹?，適合存儲結構化數據。大數據和智能分析對數據庫技術提出了新的要求，于是非關系型數據庫應運而生，對統(tǒng)治金融領域數十年的大型機、小型機帶來了挑戰(zhàn)和沖擊。知識圖譜是一種特殊的圖數據庫。對大數據進行深入挖掘和智能分析可以獲得豐富的知識，就金融機構如何對知識進行管理以便于檢索和理解，知識圖譜技術提供了有力的工具。目前，國內多家金融機構正在嘗試知識圖譜的商業(yè)應用。充斥著各種關聯(lián)的金融系統(tǒng)，適合復雜系統(tǒng)建模的復雜網絡分析技術在2008后變得越來越重要，從“太大而不能倒”到“太關聯(lián)而不能倒”，從宏觀系統(tǒng)性風險分析到微學中的一項關鍵技術，其理念和技術相對比較成熟，可以用于一些金融分析場景，例如反洗錢?！耙粓D勝千言?！睙o論是知識的可視化還是網絡分析結果的可視化，都可以更好地幫助決策人員或跨領域、跨部門的專業(yè)人士理解金融現(xiàn)象。關于人工智能的挑戰(zhàn)和未來展望，目前金融智能的發(fā)展仍低于預期，在很多金融交易環(huán)節(jié)很難完全實現(xiàn)自動化，可以預見，在未來一段時間內，金融智能仍會以“人工智能+專業(yè)經驗”的形式提供金融決策支持。人工智能在金融領域應用中的“黑箱”問題，即算法的可解釋性問題，一直沒有得到很好的解決，因此金融智能應用中存在的交易風險不容忽視。同時，人工智能帶來的道德倫理問題和監(jiān)管問題也需要引起關注。人工智能對金融領域的深遠影響還無法預測，找到真正的應用場景還需要認真思考。 社交網絡分析和社會網絡分析的英文都是ScoialNetworkAnalysis，社會網絡分析的研究對象是社會中的主體，覆蓋面廣；社交網絡分析的對象往往是個人，數據來源是各種社交媒體，本書采用社交網絡分析的概念。人工智能|ArtificialIntelligence,AI關聯(lián)詞：量化投資、智能投顧、信用評分、監(jiān)管科技、反洗錢、生物識別、身份驗證、欺詐檢測、大數據、云計算人工智能指一系列可以執(zhí)行感知、學習、推理和決策任務的計算機技術，目的是讓機器能像人一樣解決問題。人工智能系統(tǒng)通過正確解釋外部數據，從外部數據中學習，并獲取解決任務的能力，從而實現(xiàn)特定的目標。人工智能是一個綜合性、跨學科的技術概念，側重于感知、分析、預測和決策，涵蓋機器學習等學科。在過去十幾年中，得益于大數據技術、算法和計算能力的提升，人工智能在金融科技、互聯(lián)網、物聯(lián)網等行業(yè)取得長足發(fā)展。阿爾法圍棋（AlphaGo）所代表的人工智能在2015年大放異彩，所展示出的機器深度學習能力讓大數據處理有了新的方向?？萍冀缛耸繉τ谌斯ぶ悄茉诮鹑谛袠I(yè)的應用充滿了期待，希望機器人通過大量學習現(xiàn)有的金融數據、策略、研報等，成為一個腦容量巨大、計算力超群的投資大師。目前，業(yè)界普遍應用的人工智能方面的算法和技術包括自然語言處理（NaturalLanguageProcessing,NLP）、計算機視覺（ComputerVision）和機器人（Robotic）等。方法。自然語言處理廣義上被定義為通過軟件自動識別和處理自然語言（語音和文本）。借助自然語言處理，通過文本分析，可以進行垃圾郵件檢測（EmailSpamDetection）。在金融領域，自然語言處理可以用來構建金融知識圖譜和進行輿情分析。自然語言處理也是智能客服應用的重要支撐。計算機視覺是指使用計算機及相關設備對生物視覺功能進行模擬，從而使機器具備視覺功能。機器視覺（MachineVision）是指使用攝像機等圖像攝取裝置將被攝取目標轉換成圖像信號，然后傳送給專用的圖像處理系統(tǒng)，圖像處理系統(tǒng)將圖像信號轉換為數字信號，進行數字信號處理，從而捕獲并分析視覺信息。計算機視覺和機器視覺都可用于金融身份識別和欺詐檢測。機器人通常被用于執(zhí)行人類難以執(zhí)行或難以持續(xù)執(zhí)行的任務。機器人技術是一個專注于設計和制造的工程領域。例如，配置到汽車裝配線、在醫(yī)院辦公室清潔、在旅館提供食物和準備食物、在農場巡邏甚至完成警察的功能。在金融科技領域，機器人可用于智能客服應用和機器人流程自動化。商業(yè)銀行應用人工智能的歷史可以追溯到1987年。當時，美國平安太平洋國際銀行（SecurityPacificNationalBank,SPNB）成立了一個防欺詐小組來打擊未經授權使用借記卡的行為。諸如Kasisto和MoneyStream之類的程序在金融服務中使用了人工智能?，F(xiàn)在，人工智能在金融行業(yè)的應用主要涉及基于生物識別的身份驗證（例如人臉識別和語音識別）、自動量化投資和聊天機器人等。案例一家新興對沖基金Aidyia據，集合不同語言的新聞報道、基本因素和經濟數據，以及其他多個市場的價格和成交出現(xiàn)的價格走勢做出預測。1案例Kensho是美國一家基于大數據和人工智能技術的金融科技公司，專注于就各類事件對金融市場的影響進行智能分析。該公司在2014年獲得了高盛的投資。Kensho研發(fā)了一種針對專業(yè)投資者的大規(guī)模數據處理分析平臺。該平臺將取代現(xiàn)有各大投行分析師們的工作，可以快速、大量地進行各種數據處理分析并能實時回答投資者所提出的復雜的金融問題，如各種數據、股票走向等，有望成為金融領域的虛擬市場研究助手。如對于“當油價高于100美元一桶時，中東政局動蕩會對能源公司的股價產生怎樣的影響”等問題，即使對沖基金的分析師能找到所有數據，也要花數天的時間才能得出答案。但Kensho的軟件可以通過掃描藥物審批、經濟報告、貨幣政策變更、政治事件以及這些事件對全球幾乎所有金融資產的影響等9萬余份資料，立刻為6500萬個問題找到答案。2現(xiàn)在，腦科學的發(fā)展程度還遠遠不夠，甚至可以說人們對人類大腦的運行過程知之甚少。從這個角度看，說人工智能可以理解大數據還為時尚早。人類對于大數據的應用仍處于數據收集和基本分析的發(fā)展階段。因此，智能金融在一些重要的交易環(huán)節(jié)還不能完全實現(xiàn)自動化。可以預見，未來一段時間內，智能金融仍會以“人工智能+專業(yè)經驗”的形式提供金融決策支持。3機器學習|MachineLearning,ML關聯(lián)詞：信用評分、欺詐檢測、量化投資、反洗錢、監(jiān)管科技機器學習是專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能的計算機應用領域。機器學習是人工智能的核心子集。機器學習是人工智能的熱點研究方向。在圖像識別、語音識別、自然語言處理、天氣預測、基因表達、內容推薦等方面都有重要應用。機器學習的核心思想是通過輸入海量訓練數據（也稱樣本數據）對模型進行訓練，使模型掌握數據所蘊含的潛在規(guī)律，進而對新輸入的數據進行準確的分類或預測。這與人的學習過程類似，人通過分析以往的經驗，獲得新的方法，從而對未來的新問題進行預測。機器學習流程如圖2.2所示。圖2.2機器學習流程機器學習與計算統(tǒng)計學（ComputationalStatistics）緊密相關，其基于訓練數據建立數學模型，以便進行預測或決策，而無須明確編程以執(zhí)行任務。數據挖掘（DataMining,DM）是機器學習中的一個研究領域，專注于通過無監(jiān)督學多重疊之處。兩者的區(qū)別在于，機器學習側重于預測，從訓練數據中獲知已知知識的屬性，而數據挖掘則側重于從大規(guī)模數據中發(fā)現(xiàn)新知識。機器學習在金融領域的應用是近年來的熱點領域，包括市場營銷獲客、信用風險評估、反欺詐、金融數據質量檢測、量化投資和監(jiān)管科技應用等。案例ZestFinance信用評估模型美國金融科技公司ZestFinance采集與信貸相關的70000個信號，如圖2.3所示，在10個分散的模型上運行，每一個模型都需要成百上千個變量，都有不同的預測功能。這10個模型以如下方式進行投票：讓你最聰明的10個朋友坐在一張桌子旁，然后詢問他們對某一件事情的意見。這種機制的決策性能遠遠好于業(yè)界的平均水平。4此外，機器學習的前沿研究和應用還包括集成學習（EnsembleLearning）和聯(lián)邦學習（FederatedLearning）。圖2.3基于集成學習的信用評估模型集成學習是使用一系列算法模型進行分析預測，并使用某種規(guī)則對各個模型的分析結果進行整合從而獲得比單個算法模型更好的預測效果的一種機器學習方法。如果把單個模型比作一個決策者的話，那么集成學習就相當于多個決策者共同進行一項決策。由于融合多種信息和綜合多種決策機制，經過集成學習得到的分析預測要明顯優(yōu)于單一模型。不同角度的信息存在關聯(lián)，各自包含互補信息，多角度學習過程相當于一個不斷收集證據的過程，加強信息互補，進行信息融合。假設兩個獨立的評估模型關于利潤率提升的結果分別是提升至16.9%和9.4%，傳統(tǒng)信用評估中，第二個模型可能被棄用，但如果發(fā)現(xiàn)這兩個模型包含互補信息，那么將這兩個模型的結果融合，可以將利潤率提高至38%。聯(lián)邦學習是機器學習的應用話題，這是由于金融行業(yè)的數據源往往分散在不同的互聯(lián)網公司，這些數據是互聯(lián)網公司的核心資源，它們并不愿意與其他商業(yè)實體進行交換。并且，大規(guī)模的數據交換也會產生個人隱私問題、數據泄露和信息安全事件。金融科技行業(yè)為解決這一問題，提出了聯(lián)邦學習的概念。數據挖掘|DataMining,DM關聯(lián)詞：大數據、信用評分、替代數據、數據代理商、個人信息保護、欺詐檢測、受益所有人數據挖掘是指從大型數據集里自動搜索隱藏于其中的有著特殊關聯(lián)的信息的過程。數據挖掘是跨計算機科學和統(tǒng)計學的一個子領域，其價值是使用智能方法從數據集中提取信息，并將信息轉換為可理解的結構，以供進一步使用。數據挖掘是數據庫知識發(fā)現(xiàn)（KnowledgeDiscoveryinDatabase,KDD）的子過程。除了數據挖掘，數據庫知識發(fā)現(xiàn)還涉及數據庫管理、數據預處理、頻繁模式挖掘、聚類分析、分類、文本分析和可視化等方面。數據挖掘對大量數據進行半自動或自動分析，以提取以前未知的有趣模式，包括數據記錄組（集群分析）、異常信息記錄（異常檢測）和依存關系（關聯(lián)規(guī)則挖掘、順序模式挖掘）。數據挖掘通常需要使用數據庫（DataBase,DB）和數據倉庫（DataWarehouse,DW）技術。數據挖掘與數據分析有所不同。數據分析用于測試數據集上的模型和假設，與數據量無關。數據挖掘則借助機器學習和統(tǒng)計模型來發(fā)現(xiàn)大量數據中的隱含模式。由于金融領域的數據密度高、質量好，數據挖掘在該領域的應用最為廣泛，例如，信貸風險評估（信用評分），市場營銷中的顧客分類、分群和推薦，反洗錢和欺詐檢測等。信用評分是數據挖掘在金融領域最成功的應用，可以說信用評分是數據挖掘的“前輩”，因為其出現(xiàn)和應用的時間遠早于數據挖掘（數據挖掘的歷史還不到30年），用評分是消費者行為數據方面最早的應用之一。說起信用評分模型，大家就會提起邏輯回歸模型，但是實際上信用評分模型的構建過程并不是簡單應用邏輯回歸之類的預測算法，目前數據挖掘中最常用的技術，包括聚類、分類特征選擇、相關性分析以及預測分析等，在信用評分中都得到了成功的應用。圖2.4展示了信用評分的基本流程。5圖2.4數據挖掘應用示例（以信用評分為例）大數據|BigData關聯(lián)詞：人工智能、替代數據、個人信息保護、信用評估、復雜網絡分析、壓力測試、物聯(lián)網大數據是利用高級分析技術來處理大規(guī)模、結構復雜和高頻的數據集，以獲得高價值信息的工程領域。大數據分析技術所處理的數據集包括結構化、半結構化和非結構化數據，數據規(guī)模從萬億字節(jié)（TeraByte,TB）到澤字節(jié)（ZettaByte,ZB）不等。隨著人工智能、移動互聯(lián)網、社交網絡（SocialNetwork）和物聯(lián)網等新經濟領域的據形式越來越復雜，并且大部分數據還是實時產生并需要立即計算的。類型超出了傳統(tǒng)關系型數據庫以低延遲捕獲、管理和處理數據的能力。大數據的概念最早于2001年由信息技術研究和分析公司高德納咨詢公司（Gartner）提出。盡管如此，直到2009年，大數據這個概念才逐漸在互聯(lián)網行業(yè)傳播開來。知名數據科學家維克托·邁爾-舍恩伯格（ViktorMayer-Sch?nberger）總結了大數據的“4V”特征，即高容量（Volume）、高速度（Velocity）、高多樣性（Variety）、高價值（Value）。6大數據分析技術使分析師、研究人員和商業(yè)用戶可以使用以前無法訪問或無法使用的數據做出更快、更好的決策。企業(yè)可以使用先進的分析技術，例如文本分析、機器學習、預測分析、數據挖掘、統(tǒng)計和自然語言處理，單獨或與其他企業(yè)一起從以前未使用的數據源中獲取新的信息。金融領域是大數據分析技術應用的理想場景，大數據分析技術不僅可以用于微觀信用風險分析，還可以輔助進行系統(tǒng)性金融風險分析和經濟決策。7，8，9圖2.5展示了大數據在金融領域的應用及其市場參考份額。其中，組合投資和資本市場分析、風險模型構建、信貸和信用卡辦理、實時安全監(jiān)測是大數據在金融領域的重要應用。10圖2.5大數據在金融領域的應用及其市場參考份額案例知名互聯(lián)網金融公司ZestFinance由谷歌和第一資本金融公司（CapitalFinancial）的前員工組建。ZestFinance放給信貸記錄差或無信貸記錄的客群。大多數美國的銀行依賴費埃哲（FICO）的信用評估，該信用評估基于15~20個變量。然而，ZestFinance250毫秒內得出分析結果。ZestFinance對消費者的信用評估與費埃哲一樣，也是基于兩個基本面的信息：消費者的還款能力和消費者的還款意愿。不同之處在于，傳統(tǒng)征信依賴于銀行信貸數據，而ZestFinance大數據征信的數據不僅包括信貸數據，還包括與消費者還款能力、還款意愿相關的一些描述性風險特征數據。對這些相關描述性風險特征數據的抽取與篩選是ZestFinance的核心技術。不過，這些數據和消費者的信用狀況的相關性較弱，ZestFinance憑借強大的技術引擎收集更多的數據維度來加強對這些弱相關數據的描述能力。這使大數據征信不依賴于傳統(tǒng)信貸數據，對傳統(tǒng)征信無法服務的信貸記錄差或無信貸記錄的人群進行征信，從而實現(xiàn)對整個消費人群的覆蓋。11基于大數據的信用評估思路如圖2.6所示。圖2.6基于大數據的信用評估思路案例 美國三大征信機構之一益博睿（Experian）開發(fā)出跨渠道身份識別ChannelIdentityResolution,CCIR）引擎，利用大數據技術挖掘消費者購物行為、線瀏覽方式、電子郵件回應和社交媒體活動等數據所包含的有效信息，可以滿足營銷人應對社交網絡、網頁瀏覽等消費者接觸點實時更新的需求。例如，跨渠道身份識別可以斷商場中的某一特定消費者與關注該商場在臉書（Facebook）和推特（Twitter）上的營銷賬號的某一消費者是否為同一個人。知識圖譜|KnowledgeGraph關聯(lián)詞：機器學習、自然語言處理、復雜網絡分析、可視化知識圖譜是信息技術領域的一種基于圖的數據結構，用來描述客觀世界中的概念、實體（Entity）和關系（Relation）。知識圖譜的數據結構由節(jié)點（Point）和邊（Edge）組關系的角度去分析問題的能力。知識圖譜可以被看作一種圖結構的數據庫，所有需要用到數據庫的場景都可以做成大、費時費力，需要長期維護。知識圖譜是一種知識管理工具，和本體（Ontology）聯(lián)系密切。在表現(xiàn)形式上，知識圖譜和語義網絡（SemanticNetwork）相似。語義網絡由相互連接的節(jié)點和邊組成，節(jié)點表示概念（Concept）或者對象（Object），邊表示它們之間的關系。不過，語義網絡更側重于描述概念或對象之間的關系，而知識圖譜則更偏重于描述實體之間的關聯(lián)。知識圖譜是由谷歌在2010年收購了開放式數據庫公司MetaWeb后發(fā)展而來的。MetaWeb當時專注于將不同文字表述與同一實體連接起來，并探索這些實體的屬性（如明星的年齡）以及彼此之間的聯(lián)系，最終提供一種新的搜索形式。有了知識圖譜，谷歌可以更好地理解用戶搜索的信息并總結出與搜索相關的內容，幫用戶找出更準確的信息。用戶利用知識圖譜往往會獲得意想不到的發(fā)現(xiàn)。例如，用戶可能會了解到某個新的事實或新的聯(lián)系，從而促使其進行一系列全新的信息檢索。通過知識圖譜可以完成兩個重要的目標：通過知識分類提高搜索精度。知識圖譜的關鍵技術有：實體的抽取，是指從無結構或半結構的Web到某個實體概念上。知識圖譜中實體和實體之間關系的建立。案例谷歌知識圖譜是谷歌的一個知識庫，其使用語義檢索從多種來源收集信息，以提高谷歌搜索的質量。谷歌于2012年將知識圖譜加入其搜索服務，首先在美國使用。據谷歌稱，知識圖譜的信息有許多來源，包括美國中央情報局（CIA）的《世界概況》、Freebase和維基百科。其功能與A和WolframAlpha等問題問答系統(tǒng)相似。截至2012年，谷歌知識圖譜的語義網絡包含的對象超過570億個，介紹超過18億個，這些不同的對象之間有鏈接關系，用來理解搜索關鍵詞的含義。知識圖譜應用示例如圖2.7所示。案例金融行業(yè)業(yè)務本體（theFinancialIndustryBusinessOntology,FIBO）是一個商業(yè)概念模型庫，描述了金融行業(yè)中的金融工具、商業(yè)實體和工作流程，將金融知識標準化和模型化，可用于數據協(xié)調、標準化數據集成和機器學習。案例騰訊知識圖譜項目Topbase是騰訊技術工程平臺部（TEG-AI）構建和維護的一個通用知識領域圖譜項目。Topbase涉及226種概念和1億多個實體。在技術上，Topbase支持知識圖譜的自動構建和數據的及時更新。目前，Topbase主要應用于微信的“搜一搜”、信息流推薦和智能問答等產品中。12圖2.7知識圖譜應用示例注：查找TajMahal（泰姬陵），給出了相應的結果，包括音樂家和紀念陵墓兩類。復雜網絡分析|ComplexNetworkAnalysis,CNA關聯(lián)詞：金融網絡分析、擔保圈、反洗錢、監(jiān)管科技、支付網絡、欺詐檢測、壓力測試、金融風險管理復雜網絡是指具有自組織、自相似、吸引子、小世界、無標度中部分或全部性質的網絡。通俗來講，復雜網絡就是一種呈現(xiàn)高度復雜性的網絡。復雜網絡是由數量巨大的節(jié)點（研究對象）和節(jié)點之間錯綜復雜的關系（間的關系）間的關聯(lián)關系進行非線性建模。對復雜網絡的研究興起于21大程度上受到了對諸如計算機網絡、技術網絡、大腦網絡和社交網絡等的經驗研究的啟發(fā)。復雜網絡分析、網絡科學（NetworkScience）和網絡理論（NetworkTheory）有密切聯(lián)系。比較有名的復雜網絡有無尺度網絡（ScaleFreeNetwork）和小世界網絡（SmallWorldNetwork），小世界網絡也稱六度分隔理論（SixDegreesofSeparation）。兩者都具有特定的結構特征，其中，前者呈冪律（PowerLaw）分布，后者則是高聚類（Non-homogeneousNature）。復雜網絡分析最初應用于文獻計量學（Bibliometrics），之后用于網絡搜索。復雜網絡分析最初的成功應用是谷歌在1998年利用PageRank算法解決了海量網頁實時搜索的問題。13社交網絡分析（SocialNetworkAnalysis,SNA）緊隨其后。臉書、騰訊、推特和微博的崛起都與社交網絡技術的應用有關?；谀车貐^(qū)企業(yè)之間擔保貸款的復雜網絡建模如圖2.8所示。圖2.8基于某地區(qū)企業(yè)之間擔保貸款的復雜網絡建模注：其中企業(yè)為網絡節(jié)點，連接線為企業(yè)之間的貸款擔保關系。復雜網絡也是研究傳染病的一種重要的數學模型，無論是曾經的SARS（重癥急性呼吸綜合征）病毒還是現(xiàn)在的新型冠狀病毒2019-nCOV，其傳染病模型都有一個重要的概念，叫作基本再生數（BasicReproductionNumber）。其含義是一個典型的感染者會讓多少其他人被感染。若基本再生數大于1，則疾病會蔓延；若小于1，則疾病會消失。金融網絡中也有類似于傳染病的問題，例如金融危機。就復雜網絡分析在金融領域的應用而言，供應鏈網絡（Supply Chain SCN）是多年來的經典應用。2007—2008年全球金融危機之后，金融網絡蓬勃發(fā)展。復網絡是金融系統(tǒng)的良好模型。網絡理論是系統(tǒng)風險的分析基礎。國外金融機構、中央銀和金融監(jiān)管機構已經將復雜網絡分析應用于銀行間拆借市場，監(jiān)測欺詐行為，開展流動性、系統(tǒng)性等金融風險的管理。此外，欺詐檢測和反洗錢也是復雜網絡分析的合適應用場景。社交網絡分析|SocialNetworkAnalysis,SNA關聯(lián)詞：復雜網絡分析、金融網絡分析、可視化社交網絡分析，也稱社會網絡分析，是指通過網絡和圖論研究社會結構的過程。它根據節(jié)點（網絡中的各個參與者或事物）以及它們之間的連接（關系或交互作用）來表示網絡結構。通常通過社交網絡分析得出的可視化社交結構包括社交媒體網絡、模因傳播網絡、信息流通網絡、朋友和熟人網絡、商業(yè)網絡、知識網絡、社交網絡、合作關系圖、親戚關系和疾病傳播。這些網絡通常借助社交網絡的可視化，其中節(jié)點用點表示，關系用線表示。可視化通過改變節(jié)點和線的視覺關系反映特定的屬性，提供了一種定性評估網絡的方法。一個多世紀以來，人們就使用社交網絡來描述復雜的社會系統(tǒng)下成員之間的關系，囊括所有層級，從人際關系到國際關系。1954年，巴恩斯（J.A.Barnes）開始使用這個術語，系統(tǒng)化地呈現(xiàn)關系模式，統(tǒng)一了大眾與社會科學家眼中的傳統(tǒng)概念：有限制的群體（如部落、家庭）和社會分類（如性別、種族）。絡分析在很多層面（從家庭到國家層面）運作，并起著關鍵作用，決定問題如何得到解決，組織如何運行。它還應用于人類學、生物學、人口統(tǒng)計學、傳播研究、經濟學、地言學和計算機科學，現(xiàn)在還可以作為一種消費者分析工具。社會學理論認為，社會不是由個人而是由網絡構成的，網絡中包含節(jié)點及節(jié)點之間的關系，社交網絡分析通過對網絡中關系的分析探討網絡的結構及屬性特征，包括網絡中的個體屬性及網絡整體屬性，網絡個體屬性分析包括點度中心度、接近中心度等；網絡的整體屬性分析包括小世界效應、小團體研究、凝聚子群等。社交網絡示意圖如圖2.9所示。對于反洗錢這種需要挖掘客戶關系、分析海量交易的工作，社交網絡分析特別適用。在資金網絡分析中，受益所有人的人際關系往往不能直接得到，即便可分析，所帶來的巨量信息也無法提供有用信息。計算能力的限制、交易對象的復雜加大了網絡分析的規(guī)模，洗錢者與正常交易人員在交易方式上的細微差別可能在大規(guī)模的網絡分析中消失。因此，要挖掘金融情報，從大規(guī)模的資金網絡中找出高質量的信息，需要靈活地運用社交網絡分析方法。圖2.9社交網絡示意圖可視化|Visualization/Inforgraphic關聯(lián)詞：數據挖掘、反洗錢、知識圖譜、情報可視化可視化（Visualization）是利用計算機圖形學和圖像處理技術，將數據轉換成圖形或圖像在屏幕上顯示出來，并進行交互處理的理論、方法和技術。在日常生活中，可視化技術常常是被優(yōu)先選擇的技術，用來解釋氣象、經濟和選舉等的結果。14可視化可以使一些復雜問題簡化。盡管大多數技術學科（例如數據挖掘）中通常強調算法或數學方法，但可視化也能在數據分析和結果理解方面起到關鍵作用，特別是將分析結果呈現(xiàn)給跨領域或高級別的人士以輔助決策分析。通常將可視化擴展為可視分析（VisualAnalytics）?？梢暦治鍪切畔⒖梢暬涂茖W可視化領域的產物，其重點在于交互式可視界面所促進的分析推理。對于可視化，有“一圖勝千言”的說法?？梢暬蚩梢暬治鰧τ诮鹑陬I域的大數據分析變得越來越有用?？梢暬梢苑譃樾畔⒖梢暬?、知識可視化、產品可視化和網絡可視化。信息可視化（也稱數據可視化，DataVisualization）：專注于使用計算機支持的工具來探索大量抽象數據，通過圖形清晰有效地展示數據，已經得到廣泛應用，例如編寫報察到的數據聯(lián)系，利用數據可視化制作一些圖案，例如數據云圖。15知識可視化：使用視覺技術表示知識傳遞，其目的是通過互補使用計算機和基于非計算機的可視化方法來改善知識的傳遞。產品可視化：涉及可視化軟件，用于查看和操作產品相關3D模型、技術制圖、組建和裝配流程，可以方便理解產品。網絡可視化：節(jié)點為圓點或其他形狀，通過有向或無向的邊來連接，通常是理解網絡結構的最佳方式。除了節(jié)點相互連接的基本結構以及可選的連接方向外，網絡可視化還可以顯示節(jié)點和連接屬性，例如，社團發(fā)現(xiàn)或連接權重。最有用的網絡可視化是交互式的，尤其是在網絡復雜的情況下。例如，交互式網絡可視化允許用戶放大和縮小，以及拖動節(jié)點以更改其位置或選擇節(jié)點以僅顯示其本身及其相鄰節(jié)點。附加的節(jié)點和鏈接信息可能會在鼠標懸停時顯示，并且高級可視化功能允許用戶交互式地更改映射和填充節(jié)點或鏈接?？梢暬蛷碗s網絡分析聯(lián)系密切，復雜網絡分析的一個顯著特點就是可以對分析結果進行可視化呈現(xiàn)，圖2.10是全球股票市場網絡的可視化。16圖2.10全球股票市場網絡的可視化深度學習|DeepLearning,DL關聯(lián)詞：量化投資、欺詐檢測、生物識別、數據挖掘深度學習是人工智能領域中機器學習的分支，是一種以人工神經網絡（ArtificialNeuralNetwork,ANN）為基礎架構，對數據進行特征學習的計算機算法。深度學習的概念源于人工神經網絡的相關研究。與人工神經網絡類似，深度學習也試圖模仿大腦神經元之間遞質的傳遞和信息的處理。與人工神經網絡的區(qū)別在于，深度學習是以專家系統(tǒng)（ExpertSystem,ES）為代表，用大量“如果-就”（If-Then）規(guī)則定義的“自上而下”的算法結構，而人工神經網絡則是一種“自下而上”的結構。深度學習被應用到機器學習領域。包含多個隱藏層的多層感知器就是一種深度學習結構。深度學習通過多層處理，逐漸將初始的“低層”特征表示轉化為“高層”特征表示，之后用簡單模型即可完成復雜的分類等學習任務。正因為有這么多特性，深度學習也可以稱作特征學習（FeatureLearning）、表示學習（RepresentationLearning）或分層學習（HierarchicalLearning）。機器學習的算法和數據訓練集中在特征學習和表達部分。有趣的是，這部分工作一般是由人工而非機器完成的。人類專家通過建立模型描述樣本的特征，但是人類專家設計出好的模型并非易事。如果用算法自動學習取代人類專家建模，就需要用到深度學習。也就是說，深度學習使機器學習在全自動數據分析的方向上前進了一步。2006年，加拿大多倫多大學教授、機器學習領域的泰斗杰弗里·辛頓（GeoffreyHinton）和他的學生拉斯蘭·薩拉赫特迪諾夫（Ruslan Salakhutdinov）在《科學（Science）上發(fā)表了一篇文章，開啟了深度學習在學術界和工業(yè)界發(fā)展的浪潮。如今，已有數種深度學習架構，如深度神經網絡、深度置信網絡、遞歸神經網絡和卷積神經網絡等，廣泛應用于計算機視覺、語音識別、自然語言處理、音頻識別、社交網絡信息過濾、機器翻譯、生物信息學、藥物設計、醫(yī)學圖像分析、材料檢查和棋盤游戲程序等領域，它們產生的結果可與人類專家媲美，甚至在某些情況下優(yōu)于人類專家。案例人類視覺系統(tǒng)信息處理的深度學習從低級的V1區(qū)提取邊緣特征，再到識別V2越能表現(xiàn)語義或意圖。抽象層面越高，存在的可能猜測就越少，就越利于分類。17人的大腦對視覺成像過程的分層處理如圖2.11所示。圖2.11人的大腦對視覺成像過程的分層處理案例反欺詐和反洗錢中的深度學習監(jiān)測欺詐或洗錢的傳統(tǒng)方法可能依賴于交易金額，而深度學習非線性技術包括時間、地理位置、IP（互聯(lián)網協(xié)議）地址、零售商的類型以及任何可能表明欺詐活動的特征。神經網絡的第一層處理原始數據輸入（例如交易金額），并將其作為輸出傳遞到下一層；第二層通過輸入其他信息（例如用戶的IP地址）來處理上一層的信息，并傳遞其結果。下一層獲取第二層的信息，并輸入諸如地理位置等的原始數據，使機器的模式更加完善。這一方式在神經網絡的所有層次上持續(xù)進行。聯(lián)邦學習18|FederatedLearning關聯(lián)詞：機器學習、深度學習聯(lián)邦學習又稱聯(lián)邦機器學習（FederatedMachineLearning），是一個機器學習框架，能有效幫助多個機構在滿足用戶隱私保護、數據安全和政府法規(guī)的要求下，進行數據使用和機器學習建模。聯(lián)邦學習基于分布在多個設備上的數據集構建機器學習模型，同時防止數據泄露。聯(lián)邦學習可以避免未授權的數據擴散并解決數據孤島問題。傳統(tǒng)的數據集中處理模式存在很多弊端，由于人們需要把數據集中起來進行處理，需要收集和傳輸數據，在這個過程中可能會侵犯隱私、泄露數據，可能會產生數據的集中和壟斷。為了改變這種集中處理數據的模式，聯(lián)邦學習應運而生。和傳統(tǒng)的機器學習算法要求集中處理數據不同，聯(lián)邦學習把算法發(fā)到所有數據擁有者手中，在本地對數據進行學習，然后對所有學習的結果進行整合，得到最終結果。形象地說，如果傳統(tǒng)的機器學習是把數據“喂”給算法，那么聯(lián)邦學習就是讓算法去主動覓食。最早把聯(lián)邦學習技術投入應用的是谷歌。2017邦學習程序。它通過將算法程序發(fā)送到每個用戶的手機上，回收反饋信息，從而獲得想要的分析結論。在看到谷歌的實踐后，國內的大型互聯(lián)網企業(yè)很快認識到聯(lián)邦學習的價值，騰訊旗下的微眾銀行、阿里巴巴旗下的螞蟻金服陸續(xù)推出了與之類似的技術解決方案，并將它們應用到實踐領域。在這些大型互聯(lián)網企業(yè)的推動下，目前聯(lián)邦學習技術已經開始在金融、保險、電子商務等領域得到應用，而其潛在的應用前景相當可觀。在一些行業(yè)研究機構發(fā)布的報告中，這一技術甚至已經被譽為“推動人工智能下一輪高潮的重要力量”，以及“數字時代的新基礎設施”。聯(lián)邦學習雖然解決了由數據集中所帶來的很多問題，但它本身又會引發(fā)很多新的問題：·企業(yè)要參與聯(lián)邦學習，就必須貢獻數據，并沒有完全解決數據孤島問題?！τ谟布赡軙岢鲆?，實現(xiàn)存在難度。如何處理對參與者的激勵。為造假和攻擊留下了漏洞?！そo市場競爭帶來負面影響，加強了平臺公司的作用?！砹酥R產權問題。螞蟻金服將自己的方案稱為“共享學習”，但從本質上看，它和聯(lián)邦學習的思路是一致的。云計算|CloudComputing關聯(lián)詞：大數據、人工智能、數據挖掘、網絡安全云計算是指通過互聯(lián)網交付的計算服務，包括服務器、存儲、數據庫、網絡、軟件、分析等，以提供更快的創(chuàng)新、靈活的資源并實現(xiàn)規(guī)模經濟。在計算機網絡的拓撲結構中，互聯(lián)網一般用“云”的形狀表示，所以通過互聯(lián)網實現(xiàn)的計算服務被形象地稱為云計算。云計算并非單一技術，而是分布式計算（DistributedComputing）、并行計算（ParallelComputing）、效用計算（UtilityComputing）、網絡存儲（NetworkStorage）、虛擬化（Virtualization）、負載均衡（LoadBalance）等傳統(tǒng)計算機和網絡技術發(fā)展融合的產物。因此，可以認為云計算是一種信息技術產品或服務。在云計算環(huán)境下，用戶能夠將文件和應用程序存儲在遠程服務器上，然后通過互聯(lián)網訪問所有數據，而不用將文件保留在專有的硬盤驅動器或本地存儲設備上。只要電子設備可以訪問網絡，用戶就可以隨時訪問數據和運行應用程序。這意味著用戶可以不受訪問地點的限制來享受遠程計算服務。2006年8月9日，谷歌首席執(zhí)行官埃里克·施密特（EricSchmidt）在搜索引擎大會（SESSanJose2006）首次提出“云計算”的概念。谷歌“云端計算”源于谷歌工程師克里斯托弗·比希利亞（ChristopherBichria）所做的“谷歌101”項目。能和安全性。云計算服務為用戶提供一系列功能，包括電子郵件、存儲、備份、數據檢圖2.12所示。圖2.12云計算示意圖云計算有多種部署模式，包括公有云（PublicCloud）、私有云（PrivateCloud）、混合云（HybridCloud）等。公有云由第三方云服務提供商擁有和運營，通過互聯(lián)網交付其計算資源，例如服務器和存儲器。在公有云部署模式下，所有硬件、軟件和其他基礎結構都由云服務提供商擁有和管理。通過公有云，用戶可以使用瀏覽器訪問這些服務并管理賬戶。私有云指的是僅單個企業(yè)或組織使用的云計算資源。私有云可以位于公司現(xiàn)場數據中心的物理地址上。一些公司還向第三方云服務提供商付費以托管其私有云。私有云是在私有網絡上維護服務和基礎架構的云?；旌显剖菍⒐性坪退接性平Y合在一起，并通過允許將數據和應用程序共享的技術，提供對外服務的云部署模式?；旌显圃试S數據和應用程序在私有云和公有云之間移動，為用戶提供更大的業(yè)務靈活性、更多的部署選項，并有助于優(yōu)化現(xiàn)有的基礎架構及其安全性和合規(guī)性。云計算的理念是“一切皆服務”。因此，云計算服務商參考互聯(lián)網的網絡架構提供分層服務，即基礎設施即服務（InfrastructureasaService,IaaS）、平臺即服務（PlatformasaServicePaaS）和軟件即服務（SoftwareasaService,SaaS）?；A設施即服務是一種即時計算基礎架構，可通過互聯(lián)網進行配置和管理。使用基礎設施即服務，用戶可以按需付費，從云計算服務商那里租用IT基礎設施——服務器和虛擬機（VirtualMachine,VM）、存儲器、網絡和操作系統(tǒng)。平臺即服務為開發(fā)、測試、交付和管理應用程序提供按需付費的云計算服務。平臺即服務旨在使開發(fā)人員更容易快速創(chuàng)建Web或應用程序，而不必擔心設置或管理開發(fā)所需的服務器、存儲器、網絡和數據庫等基礎設施。軟件即服務是一種按需且通常在訂閱的基礎上通過互聯(lián)網交付應用程序的方法。借助軟件即服務，云計算服務商可以托管和管理應用程序以及基礎架構，并負責維護工作，例如軟件升級和打安全補丁。用戶通常用手機、平板電腦或個人計算機上的Web瀏覽器通過互聯(lián)網連接到應用程序。非關系型數據庫|NoSQLDatabase關聯(lián)詞：大數據、復雜網絡分析、征信系統(tǒng)非關系型數據庫是指不基于關系型數據庫表格關系的數據存儲和檢索機制。非關系型數據庫的英文縮寫NoSQL是“NotOnlySQL”的簡寫。早在20世紀60年代后期，這樣的數據庫技術就已經出現(xiàn)。但是，直到21世紀初，非關系型數據庫才隨著互聯(lián)網技術的發(fā)展，越來越多地用于大數據和實時Web應用程序并獲得“NoSQL”的美譽。NoSQL一詞最早出現(xiàn)于1998年，是卡洛·斯特羅齊（CarloStrozzi）開發(fā)的一個輕量、開源、不提供SQL功能的非關系型數據庫。直到2009年，約翰·奧斯卡森（JohanOskarsson）發(fā)起了一次關于分布式開源數據庫的討論，來自Rackspace（全球三大云計算中心之一）的埃里克·埃文斯（EricEvans）再次提出了NoSQL的概念，這時的NoSQL主要指不提供關系型數據庫ACID（Atomic,Consistency,Isolation,Durability，原子性、一致性、隔離性、持久性）設計模式的非關系型數據庫、分布式數據庫。按照內部的數據組織形式，可以將NoSQL劃分為鍵值存儲（Key-ValueStore）、寬列存儲（WideColumnStore）、文檔存儲（DocumentStore）和圖存儲（GraphStore）。鍵值存儲，也稱鍵值數據庫，是將唯一鍵與關聯(lián)值進行匹配的簡單數據模型。鍵值存儲主要會用到一個哈希表（HashTable），這個表中有一個特定的鍵和一個指針指向特定的數據。鍵值存儲模型對于IT系統(tǒng)來說，其優(yōu)勢在于簡單、易部署。但是當數據庫管理員（DatabaseAdministrat