金融行业采用大数据面临的挑战和科技发展的未来机会

在说起高科技驱动的行业时，人们——至少有不少人——首先想到的肯定不是银行业。然而，当我们考虑大数据的 3V 特性[1]——Volume、Velocity 和 Variety——时，很难有其他行业能够比金融行业更加贴近这些特性。例如，仅 2016 年 4 月一个月，外汇（ForEX）市场每天平均交易额为 1.5 万亿美元[2]。外汇市场提供了世界各国货币之间的实时汇率，促进了全球贸易和结算。

在本文中，我会讨论大数据方法与金融行业的相关性，描绘出金融行业采用大数据面临的挑战和科技发展的未来机会。尽管很多应用领域都与消费金融相关，由于金融行业的交易体量和资金体量的缘故，本文集中在企业银行方面（金融市场、企业信贷、交易等）。

金融行业大数据

我们先检验一下大数据的 3V 特性与金融的关联：

Volume：TB 甚至 PB 的数据才被认为达到大数据级别。金融行业产生了大量的报价、市场数据和历史交易数据。单是纽交所一天就会写入超过 1 TB 的数据[3]。

Velocity：数据存储或者处理速度达到每秒 100000 次以上才认为符合大数据标准。 对于金融市场而言，如此高速的产生数据不算什么难事。而且，系统处理交易数据的速度越快，他们交易的速度就越快。

Variety：这要求大数据算法能够处理不同的数据格式和数据源。在企业银行中，机构要同时处理参考数据（比如法人实体）、交易和市场数据、客户要求（通过电子或者声音的形式提出）以及其他很多数据源。

从大数据的视角来看，金融行业更有意思的地方在于，新的规范和汇报标准形成的持续流动为金融系统提供了新的数据源和更加复杂的维度。

这使得金融行业成为数据科学家施展拳脚的地方。

除去周末的短暂时间窗口，前文提到的外汇市场全天 24 小时交易，从澳大利亚悉尼的早晨到美国纽约的夜晚。另外，算法交易已经在金融市场以各种形式存在了很长时间。纽交所在 20 世纪 70 年代初期引入了其指定的订单周转(DOT)系统，用于将订单周转到交易操作台，此前这些都是手动执行的。现在，算法交易系统将很大的订单拆分为较小的订单，并基于时间、价格和体量自动执行交易，市场参数得以优化。

在连续的基础上，大量数据的处理被用于金融机构的报告。

银行和金融市场规范越来越频繁地要求计算复杂的度量指标，如 XVA（基于交易对手信用风险、融资成本、保证金等对衍生工具的估值调整）。这些指标被用于设定银行的最低资金保留额度，而后者直接影响银行利润率。

分析时序交易数据，对市场和用户行为建模。例如，绘制交易量随时间的变化图有助于预测信用违约的可能性，为银行节省贷款资源。

一些大型金融机构在采用大数据方面步履缓慢，但是普华永道的市场研究澄清了这些机构中的组织文化方面的阻碍因素[4]，其中很多方面在其他行业也都是相关的。首先，一些金融行业管理者认为，大数据只能解决技术问题而不能解决业务问题。然而，数据是由业务产生的、数据结果用在业务上，很明显技术是支持业务的。一些人不理解如何从数据流中获得价值，而另一些觉得大数据方法可以提升技术效率但是对于盈亏底线用处不大。然而，大数据方法可以提供的深度分析能够直接支持业务增长并提升效率。金融行业从来不是数据科学家的心之所往，所以一些金融机构在为自身寻找和吸引技能型人才方面困难重重。最终，即使是金融机构具备变革意愿，但他们并不清楚要让企业转型利用大数据方法应该如何开始、从何处开始。

然而，根据最近 IDC[5]的研究，银行业位于行业投资大数据研究排行榜前列，如图 1 所示。并且，金融科技公司，或者 FinTech 公司，正在为银行在资产和财富管理方面的大量需求开发解决方案和产品；图 2 给出了基于普华永道报告[6]的各领域 FinTech 公司的比例。追随这一趋势，围绕着金融数据提高业务效率的其他应用，研究和算法也有很大进展。我们接下来重点介绍其中几个。

市场交易模式

市场交易模式的自适应模型可以为买卖特定类似资产的投资策略提供输入。本节展示一个例子。

除息日（也称为 X-Day）是存托凭证（DR）的卖方有权获得最后一次派息的第一个交易日。在除息日之前，DR 的买方将获得分红。美国 DRs（即ADRs）是由非美国公司在美国市场交易的金融工具。因此，股息存在双重征税负担：美国的税收和发行 ADR 的国家的扣缴税款。其结果是，投资者有动力在除息日之前卖出 ADRs，并在除息日之后买入。当然，税收政策对 ADR 市场的稳定性有很大的影响。

在最近的研究中，Bi-Huei Tsai 对 ADR 市场进行了测验以了解市场交易量[7]。此类算法对此类市场进行的分析可以基于最近市场交易量提供最优交易时间。作者分析了在派息日期间（派息日前后 10 天）的 ADR 交易量（每日交易量减去每日“正常”交易量）的超额比率，结果与派息税率正相关，为税收政策对 ADR 市场的影响提供了模型。交易者和政府税收当局都可以利用这一模型制定策略。

实时信用评级

这个应用并非金融行业独有，但与服务消费者和中小企业的银行有关，那就是实时处理数据以进行信用评级。例如，Klarna、Lenddo 和 Credit Karma 这样的 FinTech 公司都提供有关在线信用评级和认证的服务。在最近的工作中，王莹、李思明和林张希（音译）研究了电商的实时信用评级。

任何申请一大笔钱的人都会很熟悉处理流程。传统上，银行从申请表和其他渠道收集申请者的信息。专家分析这些信息并提出此客户的信用建议，其中包含了利率和偿还条款。申请者和银行可能会有协商，可能为了整体而在不同贷款参数做妥协。签订贷款合同之后，客户可以利用这笔钱并在未来偿还贷款。

不仅是数据收集和条款协商浪费时间，而且有两个因素使得一切更加复杂。首先，很多用于信用评级的数据中心是按月更新的，所以银行可能无法从这些

　　大数据时代，数据分析师，数据挖掘培训，互联网数据分析师，就选光环大数据培训机构！

大数据培训、人工智能培训、Python培训、大数据培训机构、大数据培训班、数据分析培训、大数据可视化培训，就选光环大数据！光环大数据，聘请专业的大数据领域知名讲师，确保教学的整体质量与教学水准。讲师团及时掌握时代潮流技术，将前沿技能融入教学中，确保学生所学知识顺应时代所需。通过深入浅出、通俗易懂的教学方式，指导学生更快的掌握技能知识，成就上万个高薪就业学子。 更多问题咨询，欢迎点击------>>>>在线客服！