2019年金融大数据应用的趋势、机遇和挑战

从精准营销、智能客服、差异化定价到智能风控、智能理赔、智能催收，金融大数据、云计算、人工智能和区块链技术正在从数据层、智能层、产品层多维度地向金融领域的细分场景和业务链条各环节渗透，金融机构的运行效率大大提高，金融服务日益呈现出场景化、平台化、智能化的发展趋势。

金融行业面临全新的挑战和机遇，如何把握金融科技发展趋势，将新科技和金融业务有机融合，提升综合实力和科技创新能力，成为目前金融机构面临的重要课题。

11月30日， 亿欧金融主办的“2018亿欧创新者年会——金融科技创新者论坛 ”，邀请到了银行、消费金融公司、供应链金融服务公司、产业资本、智能风控、金融大数据等创新型金融科技公司共同探讨监管科技、开放银行、场景金融、大数据风控、知识图谱等行业热点话题。

受邀参加此次峰会的嘉宾有：民生银行信息科技部总架构师李晓东，盛景嘉成产业互联网基金主管合伙人赵今巍，辉腾科技金融执行总裁叶阳，马上消费金融CTO蒋宁，领沨资本创始合伙人马宁，维金创始人兼CEO俞强华，百融金服副总裁王正明 ，中译语通科技股份有限公司CEO于洋，氪信合伙人、副总裁高强，华创资本副总裁余振波，亿欧公司副总裁兼智库研究院院长由天宇，亿欧公司合伙人兼金融频道主编刘欢，亿欧智库助理研究经理薄纯敏。

本次金融科技圆桌论坛环节主题为：2019年金融大数据应用的趋势、机遇和挑战。

参与本次圆桌论坛的嘉宾有：中译语通科技股份有限公司CEO于洋；氪信合伙人、副总裁高强；华创资本副总裁余振波出席并参与讨论。亿欧合伙人、金融频道主编刘欢担任此次圆桌论坛主持人。

以下是圆桌论坛环节对话速记：

亿欧合伙人、金融频道主编刘欢

刘欢（主持人）：接下来的时间将由我为大家主持圆桌论坛环节。参与讨论前，我们先回顾下今天主题的背景，下午9位演讲嘉宾从宏观背景，从投资环境，也有从具体业务层面等多个维度跟我们谈了金融科技在产业的具体应用。如果追根究底来看的话，我们会发现所有的基础，最终都落实在金融大数据之上。金融大数据是整个金融产业的基础设施，形象来讲金融大数据就好比是构建整个“金融产业大厦”的“砖瓦”。

从过往经验判断，大多数人会觉得金融数据是以金融系统内数据为主。而金融系统的数据完整性、权威性甚至包括准确性都做的非常好。但是在另外一个维度，随着场景的逐渐多元化，非金融数据对于金融产业的影响越来越大。

刘欢（主持人）：讨论问题前，首先请各位嘉宾跟观众打个招呼并一句话简单介绍一下自己目前所做的具体的工作。

中译语通科技股份有限公司CEO于洋

于洋：大家下午好，我是中译语通的于洋。中译语通2013年开始运营，主要专注的方向在大数据、人工智能和语言科技。金融完全是一个新拓的领域，但是在新的领域里面，我们有自己独到的理解。

高强：大家下午好，我是氪信科技高强。氪信是一家2015年创立的金融科技公司，我们始终定位在通过AI和大数据的技术帮助金融机构在大数据的时代去更好地通过数据驱动的方法，去服务好各种各样的客户。氪信希望通过AI的技术，能够更好地深挖数据，让银行这一类的机构更好地用好数据，更好的敏捷地服务客户，我们提供了一整套的服务方案，近期我们还发布了最新的AI决策引擎“非或然”。谢谢大家！

余振波：大家下午好！华创资本是一家专注于早期高成长企业投资的VC，金融科技是我们非常重要的一个方向，我们在金融科技总共投了30多家企业，这其中包括一些在市场上比较知名的企业。

刘欢（主持人）：感谢三位嘉宾的介绍。

2018年，我们能够明显的看到，金融产业的变化更加开放，金融产业从垄断市场开始逐渐破冰，未来肯定会以更市场化的运作方式为主导。金融开放一定会成为金融产业主旋律。过往金融大数据大家提了很多，但就经验来看， 金融大数据的外沿会更加广泛，它包括了金融数据和非金融数据，有请三位嘉宾谈谈自己对于非金融数据的一些理解和具体的思考。

于洋： 讲到非金融数据，在很多年以前大家更愿意把它翻译成可替代数据（Alternative Data）。Alternative Data在金融产业里面也有叫另类数据／场景数据等等，但现在更多比较规范，将其定义为“另类数据”。

另类数据相对于我们使用的基本面数据，比如税务信息，比如从太空当中大家拍摄到的停车位的一些图象数据，可能在传统数据里面，以上没有被利用到金融领域里面去。

某种意义上来看，我们一般讲大数据的话叫结构化数据、科学化数据，而采集到的另类数据恰恰就是90%的非结构化数据。在所有的大数据里，10%是结构化数据，比如银行的结构化数据。结构化数据从体量上来讲相对小一些。 非结构化数据是不规则的，比如图像、语音等等这些形式。

但是在今天这些另类数据可以爆发出相当大的能力，比如我们在第一次预测当中，8月份上海股指涨跌做了第一期算法，20天的预测里面，基本上我们的预测都是准确的。上海综合股指每一天涨跌的具体的数字，误差可以控制在1%以内。我们所用的算法，除了基本面的数据，更更要的是情绪化数据的纳入。市场情绪是非常重要的，而这些在我们之前从来没有被纳入到量化、对冲里面去，它可以爆发非常大的力量。

比如说中国从伊朗购买原油，用人民币结算。但是对于原油价格的预测里面，我们只是用供求两端的数据去做一些预测。但是这个交易本身，APEC会议后市场反应是什么样的？中国的市场的反应是什么样？美国、俄罗斯的反应又是什么样的？而这些数据以前是阿拉伯文、英文的等等，对于我们来说，首先语言就是一个门槛。语言对于计算来说是0和1之间的关系，对于自然语言处理也是一样的，不会转换，一切都是0。

在市场上，机构的反应、民众的分析、社交的舆论这些主体的反馈并不尽相同。同样大家的情感呈现，有正面的、极正面的、负面的、极负面的，这些可能对市场产生不一样的影响。

（编辑：厦门网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!