【专栏】郭震洲:用技术创新解决普惠金融难题

郭震洲 · 零壹财经 2017-04-11 阅读:222

回顾过去几十年的全球经济形势可以发现,最近这十几年经济的发展,其实是金融的发展,尤其从70年代后,货币增发成为趋势,改变了整个世界的贸易格局和经济发展格局。

货币增发后,全球资产规模总量不断增大,对于金融机构来说,需要更多的技术手段来实现有效、科学的管理。在普惠金融领域,数量众多、客户脸谱模糊、碎片化的特点要求技术在整个流程中占据更大的比重。

膨胀的全球性风险

从风险角度考量,全球资产规模膨胀带来的是正比例增长的风险。全球金融趋势是规模增长越来越快,经济向前走,但是在系统风险也在上升,这几十年来,各种经济危机也证实这一观念,包括1997年的亚洲金融风暴、2008年美国次贷危机等。

全球金融资产规模不断扩大的同时伴随着大大小小的周期性危机。每一次金融危机都会造成投资者严重损失。2008年“次贷危机”中,美国很多普通家庭的资产都下降了,其中最典型的就是房地产价值下降。

因此,在我们看来,金融的本质其实就是风险管理。面对日益扩张的风险,唯有创新技术才能有效的进行金融风险管理。技术发展是现代金融业的基石。现代社会越来越多的数据,越来越多的协作,可以将风险降低。

中国金融深化改革

就中国而言,中国金融正处于改革转型的关键时刻,酝酿着新金融体系诞生。

回溯中国经济发展可以发现,改革开放以来,中国经济从80年代的贸易经济发展到90年代加入WTO后的加工制造业为支柱,之后逐渐过渡到投资拉动型经济,而现在则是一个金融腾飞的契机——金融支持实体经济转型。

目前,中国进入了新常态经济。新常态下,中国经济从高速增长转为中高速增长;中国经济结构不断优化升级,第三产业、消费需求逐步成为主体。这一时期,以投资拉动为支柱的高增长GDP模式将转变至以多元化消费需求拉动的稳健发展。转型过程中,服务业将成为新的经济增长点。

面对转型,新常态需要新金融的支持。在传统银行、保险、证券、信托之外,近年来各类创新金融机构高速发展,线下的如小贷、资产管理公司;线上的第三方支付、网贷平台、金融产品网上销售平台等都呈现井喷之势。市场有大量空间可以挖掘。不仅如此,创新金融机构的耕耘能够完善金融结构,形成多元化金融服务层次和更完整的金融生态圈。

当然,对于摸石头过河的金融创新,由于行业摸索前行,整个行业存在一些伪劣的害群之马,影响了互联网金融的稳定。随着2015年下半年,互联网金融相关管理条例出台,监管政策落地,行业经历洗牌驱逐劣币,为有实力、专业度高、合规的企业留出空间。

新金融体系不存在颠覆、斗争,而是合作与市场细分,通过先进的技术方法,服务各自的客户。随着市场进一步发展洗牌后,最终会产生理性、高效、以互联网为基础的多元化金融体系。

在新常态经济中,中国的发展重点将是现代服务业和个人消费,金融资源将向此倾斜,服务于中小企业,个人消费者,形成普惠金融。这一群体目前效率不高、覆盖度较低,但属于高成长人群,对经济发展至关重要。

技术成为解决问题之钥

普惠金融对中国社会,中国的持续发展有着重要的意义,这是一个高成长的部分,通过强大的风控能力,可以打造高成长资产。

普惠金融同样面临着中国征信体系不完善,数据积累较少的难点,且目前服务于小微企业的金融机构较为碎片化,专业能力有限,无法形成规模。根据官方数据,截至2015年底全国小额贷款公司8910家,贷款余额9412亿元,与同年中国银行业接近百万亿的融资余额形成巨大落差,且小贷公司散落于各地,仅服务当地客户,各自为政,未能形成规模效应。

另一方面,普惠金融所服务的群体更为碎片化,尤其在个人消费和小微金融领域,甚至每一个进件的额度低于信用卡。相比传统金融的大额借贷,此类业务占据了较大的信审人力成本和人工的操作误差。传统的人工运作根本无法满足新兴市场的需求。

因此,针对普惠群体,有专业能力的机构可以通过优势技术、系统建设做好风控、多样化的数据采集形成有效突破。

解决人力成本和误差的最佳方案是建立流程化作业模式,尽可能的依托智能设备代替人工。目前在互联网金融领域,较为成功的企业通过各自的风控模型、大数据技术、数学科技,建立流程化的运营体系,以决策引擎进行甄别,实现人均高产能。

目前业内较为成熟的模式是信贷工场模式,在流程管理基础上的智能化升级,融入数据技术、决策科学、场景元素,以金融数据模型的决策流优化人工操作的工作流,提升智能信审比例并降低单笔信审成本,实现数字普惠金融的规模化风控。

同时,决策引擎可以不断进行机器学习,对流程进行优化,不断进步。

在实际操作领域,以客户准入与信用审核为例,均拥有严格的品质控制标准,依照已建立的计算参数和模型(包括评分卡、决策树等手段)以及风险定价,审核客户信息,对其做差异化的判断,从而达到对资产和风险进行精细化管理的目的。

不仅是信审,智能流程贯穿于整个流程的各个环节,例如反欺诈系统不仅需要判断出欺诈案,还需要进行后续的分析,研究每一个欺诈案的成因,并进行反馈和总结,形成新的模型、新的参数。

数据!数据!数据!

如果说智能的决策引擎是整个流程的大脑,那么数据则不断为大脑提供给养。

具体而言,金融科技公司可以根据中国客群的特点,采集线上和线下数据,包括第三方数据和人工采集各地的多维度数据,丰富客户画像。

中国客群除了银行信贷数据以外,线上数据的使用率已经走在世界前列。截止2015年9月,第三方互联网支付市场规模达接近12万亿,增速33%。手机支付方面,2013年下发移动支付牌照后,移动支付市场爆发式增长,截止2015年9月,第三方移动支付市场规模达接近10万亿,增速59%。

与金融最先进的美国相比,中国的互联网数据更具优势。美国征信业对线上数据运用刚刚起步,美国的优势在于信用卡完善,银行数据覆盖全面,因此金融机构可以通过银行数据清晰地描绘出客户的脸谱。相比之下,美国线上数据对金融的提升没有中国大,中国线上数据走得更快。

当然,根据目前国内的现实环境,纯线上数据并不能解决普惠金融的运营难点,因此需要包括人工覆盖线下信息在内的数据,并借用线上技术去提升运营效率。

成熟的金融科技公司需要将采集的数据提供给智能化的决策引擎,为机器学习提供素材,并不停迭代,吸收越来越多、越来越好来自内外部的数据,不停的了解交易对手,提高运营效率。

大数据无处不在

大数据无处不在,不仅局限于各种数字,各种行为也是大数据的一部分,需要进行量化。同时,在实际操作层面,同样存在大量的调整优化,不仅有别于国际市场,也不同于传统金融业。

譬如,针对中国不同地区需进行差异化处理,根据各地政策,客户族群等变量进行切割,譬如APEC蓝引发的环保风潮,这一政策直接影响了许多城市的工业开工率,如果大量客户都集中在高污染行业,则会引发行业性风险。

调整不仅是区域,还有时间周期。通过在互联网金融行业的实践经验,我们发现互联网金融机构的风控测试需要调整频率,比传统金融更为迅速,传统的3、6、9个月周期不再适用,需要进行优化,并根据客户特征不断调整——沿用银行3个月的测试期,互联网金融企业将会蒙受损失。

此外,针对互联网金融的系统性风险,则需要专门进行信息定点搜集,在媒体、网络之前了解各地信贷信息。举一个简单的例子,当大学生都要开户炒股的时候,股市可能有些问题。同样的,当你来到一个城市,出租车司机都介绍你哪里可以借款的时候,当地的P2P可能有危机。这些信息在网络上看到的时候,危机已经严重爆发,因此必须有当地的行业人士进行采集。这些都不是我们坐在办公室,看一些数据报告就能了解的。

与目前全球金融市场较为成熟个各种风控模型,中国内地市场使用的各种模型必须接地气,譬如市场适用较广的FICO信用评分模型就不能照搬,必须根据目标市场进行定制。

纵观全球几十年的经济发展形势,立足于新常态下的中国具体国情,风险管理和技术创新对于当前的金融业发展而言是永恒的主题,尤其是在当前蓬勃发展的互联网金融行业,大数据技术的应用,风控模型的不断科学化和精细化,建立在机器学习基础上的决策引擎的更新迭代以及线上线下不断优化的工作流程等显得更为重要。总之,面对当前错综复杂、变化万千的经济发展形势,用技术创新的手段去解决普惠金融的难题正在成为一种明确的趋势!

0

相关文章

我来评论

评论“郭震洲:用技术创新解决普惠金融难题”

取消 提交 请输入内容!

评论

  • 零壹财经金融科技百人谈

    零壹财经金融科技百人谈

  • 汽车金融新版图

    汽车金融新版图

  • 零壹智库新金融闭门会系列

    零壹智库新金融闭门会系列

耗时 1933ms