量子金融的风险控制怎么样？_百度知道
量子金融的风险控制怎么样？
提问者采纳
搞车贷的，一般风险要低些，而且可以随时卖车，垫付本息
提问者评价
其他类似问题
你好！不是很了解，我经常使用的是e路同心，我在上面做了很长时间了，挺不错的，你也可以搜索看看的。通过了解你就会知道他的安全性了，国资系，实力不容小觑。投资额达2亿呢，而且所有的项目都是经过严格的审核，在选择项目时不必担心项目的任何问题，可以根据自己的条件选择。非常不错，我喜欢谢谢 望采纳
来自团队：
为您推荐：
风险控制的相关知识
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁想知道一下,量子金融有微信公众号账号吗？怎么加入？_百度知道
想知道一下,量子金融有微信公众号账号吗？怎么加入？
提问者采纳
微信服务号有两个，一个是订阅号，一个是服务号，两个统称服务号。订阅号帐号是liangzijinrong888，服务号是，量子金融平台。不知道的话，直接找客服
提问者评价
其他类似问题
为您推荐：
其他1条回答
这个你得问乔治·索罗斯
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁金融风险：宏观与微观的界定_滚动新闻_财经纵横_新浪网
金融风险：宏观与微观的界定
.cn 日&10:50 扬子晚报
　　宏观金融风险属于公共风险，其责任主体是政府，而微观金融风险属于个体（私人）风险，其责任主体是金融机构。政府迫切需要建立防范和化解金融风险、金融危机的应急反应机制，并把宏观金融风险纳入国家财政风险管理框架，以避免政府财政责任变为仅仅是事后买单。
　　金融风险是指金融交易过程中因各种不确定性因素而导致损失的可能性。从层次论
来分析，可分为宏观金融风险和微观金融风险。这两者在风险主体、形成机理、经济社会影响以及风险管理等方面都有明显的区别，尽管二者有广泛的联系。
　　宏观金融风险的主体是国家，或者说是整个社会公众，而微观金融风险的主体是金融机构。风险承受主体的不同，也就决定了二者具有不同的性质及其应对方式。宏观金融风险属于公共风险，无疑地需要政府来承担相应的责任；微观金融风险属于个体风险，自然要让市场主体来防范和化解。
　　我们在讨论金融风险时，长期来是没有作这种区分的，以至于对金融风险防范的责任边界十分模糊，甚至出现“错位”，把政府的责任交给了市场主体，而本属于市场主体的责任却又由政府揽过来，给出了错误的信号，从而引发逆向选择。自1997年东南亚金融危机以来，我国政府对金融风险的防范十分重视，但由于上面的原因，成效并不十分理想。
　　只有宏观金融风险才属于公共风险，与政府的财政责任有内在的关联性，构成财政风险的重要来源。而微观金融风险，如利率风险、风险、信用风险、流动性风险等，则是个体风险，主要是金融机构内控的日常任务，与政府的财政责任无直接的关联性。只是当微观金融风险向宏观金融风险转化时，才会与政府的财政责任产生逻辑的联系。
　　区分微观金融风险和宏观金融风险的依据，是风险后果的影响范围及其相应的承担主体。如果金融风险带来的后果是孤立性的、个体性的，不产生连带性影响，则是微观金融风险，如利率风险、汇率风险、信用风险、流动性风险等一般情况下都不会产生关联性；如果金融风险带来的后果与此相反，是整体性的、关联性的，则是宏观金融风险。
　　顾名思义，微观金融风险是指微观主体即金融交易人的金融风险。微观金融风险转化成现实所产生的影响有：一是损失。如资产缩水、投资损失、收益减少、严重亏损等。二是破产。损失类风险是经常发生的，如出现呆账等。而破产类风险出现的频率则相对要低得多。
　　宏观金融风险是从微观金融风险转化而来的。转化的条件有以下几种：
　　一是损失类风险在行业内普遍累积，并已达到破产的临界点。如我国的银行业积累了大量的不良资产，各个银行自身已经无力化解，实际上已到了破产的边沿，不得不由国家出面来剥离。再如业大量挪用客户保证金，全行业形成巨额亏损，面临着整个行业倒闭的风险，不得不由政府出面来实施大规模的关闭、重组。
　　二是破产类风险引发连锁反应。如某一个金融机构破产可能会引发社会预期改变，产生存款挤兑风潮、资产价格急剧波动、外资大规模流出、货币大幅度贬值等等。尤其当单个金融机构达到相当大的规模时，其利益相关者也会构成一个巨大的群体，在这种情况下，无论该机构是公有还有私有，如果任其破产就会带来巨大公共风险，政府救援不可避免。本世纪初美国政府出面挽救私人所有的“量子基金”就是一个典型例证。
　　上述两个条件，只要具备任一个就意味着微观金融风险已经转化为宏观金融风险。一旦转化为宏观金融风险，就表明金融风险的性质发生了变化，从个体（私人）风险变异为公共风险，风险承担主体相应地也就从微观主体，即单个金融机构转变为政府。我国政府采取大规模的金融救援行动，也就是基于这种判断。
　　当然，这其中还有所有者这一层关系的存在，也是导致政府采取救援行动的原因。政府防范和化解宏观金融风险的行动给金融机构造成了某种期待，只要有事政府会来兜底。这使金融机构对防范微观金融风险的动机和动力不足，甚至不顾风险而盲目交易。这就需要政府对此实行严格的监控，并通过多方面的改革来强化金融机构的避险动机和提高避险能力。中国建设银行创设“首席风险官”职位，是金融机构防范风险方面的一个标志性事件，表明我国金融风险的防范在微观主体层面已开始从理念变为机制和制度。
　　宏观金融风险的分析在我国缺乏深度和广度，这也是由于它与一国的经济体制、社会结构、发展历史和文化传承有更为紧密的关联性，可借鉴的经验少，故这方面的研究相对薄弱。因此，宏观金融风险的研究更需要立足于国情来进行创新性探索。
　　对政府、对公众而言，金融危机直接来自于宏观金融风险。防范和化解宏观金融风险，就是为了避免金融危机的爆发。不言而喻，宏观金融风险管理的对象是整个金融体系的稳定性，其表现形式为银行危机、货币危机、债务危机、资产价格泡沫化等宏观态势出现的可能性。
　　应当说，理论界已经在关注宏观金融风险的研究。如美国经济学家克罗凯特提出了金融系统性风险的概念，“由于金融资产价格的异常、剧烈波动，或由于许多经济主体和金融机构负担巨额债务及其资产负债结构趋于恶化，使得它们在经济冲击下极为脆弱，并可能严重影响国民经济的健康运行”。国内学者在探讨这个问题时，有的将宏观金融风险直接定义为系统性金融风险。也有人重新定义，认为宏观层面的金融风险是指由于经济制度缺陷与宏观调控偏差所导致的金融风险，是指整个金融体系面临的风险。
　　其实，关键不在于用什么词语，而在于观察的角度。站在个体的角度来看，金融系统性风险同样也是微观金融风险的分析范围，是做出金融决策时不能忽视的重要方面，特别是在金融全球化环境中，他国的系统性风险是各金融机构需要深入研究的重大问题。
　　而站在宏观角度观察，研究宏观金融风险是为了更好地定位政府在其中的责任，尤其是财政责任。因为金融风险一旦上升到宏观层面，其性质就发生了变化，成为公共风险，其风险责任主体也就转换为政府。就此而言，研究宏观金融风险是为政府决策服务的，而研究微观金融风险则是为金融机构等微观主体的决策服务的。(作者为财政科学研究所副所长，博士生导师)
【】【】【】【
】【】【】【】
　滚动新闻　相关链接
　扬子晚报其他文章
热 点 专 题
电话：010-4　　　
Copyright &
SINA Corporation, All Rights Reserved新浪公司　对互联网金融风险应进行有效监管
&&欢迎回来
对互联网金融风险应进行有效监管
自1995年美国诞生了全球第一家网上银行&&&安全第一网络银行（SFNB）&以来，互联网金融在全球范围内快速发展。最初，巴塞尔银行监管委员会把这类金融活动定义为&一般为传统银行的延伸，将因特网作为传输银行产品和服务的电子渠道&，或&银行通过因特网提供的金融服务&的&网上银行&或&电子银行&。
在最近一段时期，包括商业银行在内的金融机构纷纷掀起跨界热，许多银行探索介入电商领域，构建电子商务平台，而券商、基金业也积极拓展互联网上销售模式，甚至有些券商用网络金融部替代传统的零售客户部门。至于网上卖基金、卖保险，也早已不再是新鲜事物。
在过去十年中，中国互联网金融得到了飞速发展，网上银行，或者说日新月异的互联网金融业务也给监管带来了很大的挑战。网上银行除了银行（金融）业务的本身合规和风险监管外，它赖以存在的物理平台&&网络，就包含信息安全、系统安全、WEB安全和应用安全等诸多技术问题。追溯最早研究电子银行风险监管问题的机构，当属巴塞尔银行监管委员会。1998年3月，巴塞尔银行监管委员会公布了一份题为《电子银行和电子货币业务中的风险管理》的研究报告。2001年5月，委员会又发布了《电子银行风险管理原则》。在总结以前研究成果并结合各国普遍做法的基础上，委员会提出了共计三大类、十四条电子银行风险管理原则，形成了关于电子银行风险识别、评估、管理、监控等比较完整的框架。2002年10月，巴塞尔银行监管委员会和国际信息系统审计和控制协会分别发布了《跨境电子银行业务的管理和监管》和《因特网银行信息系统审计指引》。而从国家监管部门看，美国货币监理署早在1999年就发布了《网上银行检查手册》。
从目前的发展情况来看，网上银行的风险主要集中在网络安全领域，包括网络自身的安全和外来侵入的安全。高度依赖网络和系统的金融业，可能由于网络问题出现瞬间瘫痪或大量信息被窃取，从而造成重大损失。如近期发生的&棱镜门事件&中，美国国家安全局（National Security Agency, NSA）前雇员爱德华&斯诺登（Edward Snowden）提供的最新文件显示，美国国家安全局对互联网支付、银行和信用卡交易实施大规模监控。上述监控行动由名为&追踪金钱&（Follow the Money）的部门实施，监控的主要对象是VISA信用卡和&环球银行金融电信协会（SWIFT）&系统的数据。
网上银行的另一个风险点是网络操作风险。光大证券&乌龙指&事件表明，金融市场交易中的网络操作失误在严重情况下会产生&黑天鹅&效应，进而给予一些本已脆弱的金融机构或有关的金融活动以重创。
2001年6月，中国人民银行发布了《网上银行业务管理暂行办法》，这是我国最早的网上银行管理的法规。2006年，银监会发布了《电子银行业务管理办法》，2009年又发布了《商业银行信息科技风险管理指引》。2012年，人民银行出台了《网上银行系统信息安全通用规范》的文件。随着金融机构，特别是商业银行对网络依赖的加深，当更多的金融机构传统业务利用互联网进行，或利用网络更多地开发金融创新业务时，如何对互联网金融所形成的风险进行综合的、跨业的有效监管，对投资者进行风险教育，对商业银行的信息披露进行规范等，就显得尤为重要。对互联网金融体系而言，纯粹的技术上的系统安全如黑客攻击等问题演变成金融系统性风险也并非没有可能。为此，美国国土安全局还专门进行了&量子黎明2& (Quantum Dawn 2)的模拟演习，包括商业银行和证券交易所在内的50余家美国最大金融机构参与，以测试这些金融机构如何应对协同爆发的计算机黑客攻击。
书名：《监管之路：危机后的思考》
作者：王华庆
出版：上海远东出版社
政府该如何防范市场失灵
由华尔街引发的上世纪30年代的&大危机&爆发促使美国等国政府实行严厉的金融监管。可以说，世界上真正的金融监管就是从那次大危机后开始的。二战结束，全球又建立了美元和黄金挂钩的货币制度，这个制度下的国与国间的货币兑换价格&&汇率相对是固定的，这大大降低了商业银行经营的市场风险。因此可以说，大危机后美国建立的严厉的监管制度和二战后国际新的货币体系（布雷顿森林体系），使得战后近三十年的银行业保持了一个稳定发展的状态。
但是，上世纪70年代初，布雷顿森林体系突如其来的崩溃，美元大幅贬值，使得原本相对固定的汇率演变成浮动汇率，银行业风险急剧上升。为对冲风险，美国首先推出了货币（外汇）期货，各种金融创新顺势而为，这就使得大危机时期美国确立的监管制度&&商业银行和投资银行分设并分业经营的原则遭受冲击和规避，终于在90年代末期被新的立法彻底打破。伴随着极其复杂的金融衍生产品不断出现、超大型金融集团陆续诞生、同时交织着次级贷款的发展和膨胀、各种类型的金融机构（准金融机构）在次级贷款证券化的音乐中翩翩起舞，&没有不散的宴席&的警训在狂欢的氛围中似乎已无人理会。许多商业银行（金融机构）在一种极高的风险水平下运作，市场失灵出现明显的征兆。
那么弥补市场失灵，特别是防范市场失灵走向市场崩溃的工具是什么呢？是政府的作用，即加强以保护金融消费者利益为主线的金融监管。而新古典经济学开出的药方则是，市场可以通过自律，行为人可以通过信息披露来解决市场失灵问题，从而达到市场的和谐。华尔街的监管者更多的是受到这一思想的影响，奉行&市场原教旨主义&&&放弃监管，由市场自行调节。这样，金融机构的董事会面临着并不平衡的抉择，一个选择是：极大的风险偏好（监管者默认的高杠杆率）可以获得更高的短期收益，可以使公司在市场上获得更好的追捧，从而股价更高，期权收入愈多，资本红利愈多，这种激励机制是&拜金&的华尔街难以抗拒的。那么选择的另一面呢？如果出现风险，甚至机构倒闭呢？对有限资本的股东来说，显而易见，其仅承担有限责任，系统性风险的&买单&主体责任不在股东在政府。而对大型金融机构来说，政府无法承受其倒闭后对整体经济社会产生的系统性影响，因为&太大不能倒&。时值下班繁忙时间，站台满满是乘客。
“大家关心我们工作以外的事情，这个是我们不想看到”
　　任何金融活动都有风险，金融活动的核心就是在承担风险中得到相应的经济回报。由此，对于金融机构来说，风险管理是机构运营中的重点所在。而对风险的测量，则是风险管理中的核心环节。如果无法有效、准确地量度风险，即便监管流程再完全，也无法做到对风险进行有效的管理。风险的测量依赖于数据。在实际活动中，数据是风险管理体系中最重要的因素之一。可以说有了全面、准确、及时的数据，风险控制体系就成功了一半。近几十年来，金融活动在社会活动中的日益渗透和变化使得风险管理对数据的依赖和要求也日益提高。特别是近年来，随着科学技术，特别是信息收集技术以及互联网的爆发式发展，海量信息数据的产生使得金融风险管理在模式上也迫切需要改善。举例来说，40多年前，纽约大学的教授EdwardAltman曾提出一个基于企业资产负债表的量化模型Z-Score来度量企业违约风险，但由于企业运营杠杆逐渐增加、透明性的减弱、以及与政府交往的关系等因素，同时经济发展的新常态的出现等，传统的信用风险模型Z-score的应用也受到相应限制。
　　在常见的金融风险（市场、信用、流动性、营运）中，有着相对完善的、能够最有效应用大数据分析并进行管理的，就属于信用风险。所谓信用风险是指在商业活动中由于借款者（债务人）未能满足合同要求而给贷款者（债权人）带来经济损失的风险。由于信用风险是以借款者还款能力和还款意愿为基础，因此，计算出借款者的资产价值多少，未来现金流的大小，和还款意愿强弱是度量信用风险的关键。按照借款者类别，信用风险基本可以分为以下几类[1]：
　　* 大中型企业信用风险
　　* 小微型企业信用风险
　　* 个人/消费者信用风险
　　管理好这三类信用风险，不但是贷款商业银行，贷款者的立身基石，也是投资于固定收益债券类投资者的成败关键。对它们的分析和建模，虽然都依赖对于大量数据的整理和概括，但其方法论和实际技巧，都大相径庭。
　　大中型企业的信用分析，主要基于理性预期假设（Rational Expectation Hypothesis）和期权定价理论（Option Pricing Theory）。其基本前提就是：
　　* 企业的违约决策，是有效的，即其管理人会在违约有利的情况下理性地做出违约的决定；
　　* 违约的可能性及损失率，是由企业的资产、负债、波动性、利率水平、及破产成本等因素决定的，而且可以由传统的Black-Sholes-Merton期权定价模型来进行预测，具体而言：
　　企业的杠杆率越高，违约率也越高；
　　企业的波动性越大，违约率也越高；
　　无风险利率越高，违约率一般较低；
　　违约的损失率（Loss Rates），和企业的行业特性高度相关：固定资产占比越低，损失率越高。
　　在西方，由于大中型企业可以在市场上融资，因此，企业信用等级评估是投资关注的重要指标。信用评级也主要是基于资产、债务等财务信息。不论是市场熟知的KMV的EDF模型，还是彭博的DRSK模型都是围绕企业资产价值、偿还债务能力来计算信用风险。但由于第三方信用评级机构的收入来自与信用债的发行方，因此第三方信用评级机构的公正性得到市场怀疑，特别是2008年席卷全球的金融危机更是将第三方信用评级机构推向舆论中心[2]。下图显示了EDF模型中基于数据而计算债务到期时公司价值的分布图。
　　对于那些还不够大，无法利用债券市场融资的中型企业，邓白氏（Dun& Bradstreet）信用分数是这些企业在银行取得贷款的重要指标。具有80年历史的邓白氏是西方商业征信市场的最主要提供商。到2012年底，邓白氏的全球信用数据已经覆盖200多个国家的2.2亿家公司。邓白氏利用通过多种方式和渠道收集的商业信息，如公司规模、历史、法律诉讼、财务信息、还款历史等来计算企业在今后12个月里破产和重组的概率以及违约的可能性（即信用风险）。
　　无论哪种方法，信用风险的高低是取决企业融资成本大小的关键。不管是在资本市场上融资，或者是银行直接融资，信用风险评估是贷款评审的必备程序。而评级机构，则是左右企业融资成本的关键。所以每个评级机构，都有高度专业化的量化金融团队，对企业进行风险分析、建模、和评级。一些有能力的贷款机构或投资机构也常常设立自己的量化研究团队，一方面为解决第三方评级机构对外并不公开的评级黑匣子流程，使得信用风险度量更加有把握；另一方面也是可以通过市场对信用风险的价格错配而谋求套利机会。
　　对于小微企业（micro business。美国富国银行定义小微企业为年收入不足2百万的企业[3]），由于缺乏资产，信用风险更多地是与企业所有人的信用和资产相挂钩。小微企业商业贷款是企业主个人贷款的延伸。富国银行小微企业商业贷款是以商业信用形式来发放。商业信用上限为3万美元。对于超过3万美元上限的贷款额度，企业必须展示出商业需求和职业经验。因此，小微企业贷款大多为信用贷。信用风险建模和个人并无太大区别。
　　对于消费者个人的信用风险建模，则主要基于在大样本上的计量经济建模。其基本假设就是在相同条件下，个体会与大样本中的相似个人做出相似的行为选择。比如，两个相似的消费者，拥有以下的共同特性：
　　相似的收入；
　　相似的教育程度；
　　相似的负债水平；
　　相似的信用分数；
　　相似的消费习惯；
　　其他的可量测变量。
　　那么模型假设一般会认为两个人在同样的经济环境下，比如：
　　房价下跌；
　　失业率上升；
　　离婚、或其他家庭变化；
　　会做出相似的违约决定。当然，这只是统计意义上的相似，即观测到百分之一的对象违约，那么我们对于一个相似消费者在类似情况下违约的可能性的预测也是百分之一。模型误差，统计误差肯定是存在的，因此，保持大样本是统计模型的基本要求。以房屋按揭贷款为例，在建立违约模型的时候，经常要运用以下这类维度的大数据：
　　* 按揭记录：
　　#以千万，甚至以亿计的按揭贷款记录；
　　#每个按揭贷款可能有150-200个数据项，比如：
　　@按揭类型：包括：
　　贷款利率；
　　贷款目的（购房、再融资、提现）；
　　固定或是浮动利率；
　　还本付息年限及计划；
　　@ 贷款人记录，包括；
　　信用记录/信用分数；
　　家庭收入及财产记录；
　　其他负债；
　　自住或投资；
　　@ 抵押品记录，包括：
　　房租收入；
　　房价波动性；
　　房产所在地；
　　#上十亿级别的每月还款/违约观测记录；
　　#每月的观测记录，包括：
　　还款额度；
　　违约与否；
　　累积违约金额；
　　预付记录，等等。
　　* 每月的其他相关时域变量，比如：
　　房价变化；
　　利率变化；
　　失业率变化，等等。
　　当然，收集到了这些数据，只不过是信用风险分析建模的第一步。我们还需要用于以下的计量经济学、大数据分析、计算机仿真、应用数学等技巧，比如：
　　* 数据清洁、整理、采样、样板数据重构；
　　* 模型选择、估计、校准（Model Selection/Estimation/Calibration）;
　　* 预测及计算机模拟；
　　* 对于模型驱动变量的灵敏度分析。
　　在这儿，特别要强调一下数据的采样和清理。由于数据的体量太大，以及非结构化的特征，完全收集到调查群体的每一位、每一项数据是不可能的，而且数据的准确性也不能完全保证；更为重要的是，数据并不是越大就越好。因此，进行数据调查设计和抽取，将数据进行标准化，标签化，结构化，有利于分析的便利性和有效性。特别是对实时跟踪的一些市场动态数据，如果跟踪的数据过于庞大和复杂，则容易产生数据不一致、维度过高模型无解的、延时等问题。
　　在消费者金融业，商业银行及类似的大型金融机构（比如美国两房、三大评级机构、五大投资银行）已经雇佣了数以千计的经济学家、统计学家、计算机科学家及数学家们，开发了多年的基于大数据的模型，如以上所提到的按揭贷款违约模型，信用卡模型，信用评分模型。
　　下面我们以美国KDS公司为例。KDS是一个位于加州San Jose的金融工程公司。其主要客户为高盛、摩根斯坦利等华尔街投资公司、富国（Wells Fargo）等大型商业银行，以及资产管理公司[4]（包括对冲基金）。目前，它所拥有的消费者数据达2000TB。KDS系统为金融公司提供了证券期权和期货定价、资产抵押债权、消费者预期、违约以及损失模型的风控的全面分析。随着计算机技术的发展，大数据的存储并不是问题，但是对大数据的运算却面临很大的挑战。当多维的非结构化或者半结构化数据集中在关系型数据库中时，运算、分析会耗时过长。KDS早就有了自己开发的专利（下图1）。
　　图1. UBX数据排序专利（美国）
　　图2显示其处理海量数据专利的数据排序UBX，以及UBX系统构架），利用2000多个CPU+GPU节点的计算集群，通过运用其高性能的大数据挖掘和云计算的专利平台，以及系列数学模型，如量子场论、微分几何、流行拓扑、复频域分析等，来实现对数据的特征量化，从而达到结合科学的分析、模拟、风控的最优化决策。
　　图2. UBX的系统构架
　　图3显示了KDS对美国按揭抵押债权的客户分析界图面。对于客户所选的每一个选项，KDS后台的计算平台利用UBX和其它特配技术给与用户即时反馈。比如，在每月第五个工作日，美国最大的按揭贷款公司，房利美、房地美、吉丽美就会向市场公布最近一个月的提前还款数据。由于两房和吉丽美控制着全美10万亿按揭资产证券化市场的90%（以2013年新发行的按揭占比计算），因此，其每月发布的数据对债券交易市场有重要意义。利用上述技术，KDS可以在25秒内计算出各种类型按揭的提前还款率，对于从事按揭债券套利的交易员来说，能在几十秒内完成以TB为基础的大数据综合分析为他们领先于竞争对手洞悉按揭市场变化，及时调整仓位和交易策略赢得了时间。
　　图3。KDS按揭抵押债券分析系统界面
　　对大数据的误解
　　国内现在流行大数据，好像大数据是解决信用风险的万能钥匙。这是不对的。数据是基础，开发数据才是关键。即便大数据可开发功能是如此强大，我们也不能说大数据就是万能的。比如，基于大数据估计出来的个人房屋按揭信用模型并没有帮助投资者防范席卷全球的金融危机。这是为什么呢？我们认为主要有两个基本原因：
　　1. 计量经济学模型（或任何基于历史数据的预测模型），都假设在相同条件下，人们会做出相同的行为选择，这通常是正确的。但在模型中没有被捕获的变量（即所谓潜在变量Latent Variable），有可能在某时某地发生改变，从而改变人们的行为。像新的抵押贷款产品，人们对拥有自有住房的看法，等等。这种影响是很难单独被传统数据抓获。而大数据的技术还也不可能产生一个系统地展现方式。同时，人、市场行为会发生突变，使得在正常情况下的常态行为模式发生转变。比如，债券和股票的关联度通常为负，这也是投资多元化的基础之一。但在危机爆发之时，如2008年，市场会在恐慌下抛弃任何证券，包括债券和股票，而转向持有现金。这时债券和股票的相关度会突然从负数变为1。传统的负相关假设不再成立。这种突发事件如何从大数据中体现，同时在短时间里改变投资仓位和投资方法还没有很好的解决方案。再比如，房贷借款者在还款违约时并不会马上卖房还债，但在经济危机下，房屋借款者同时失去工作，而社会就业环境又极度困难，在这种情况下，借款者的行为模式如何变化？当大数据中缺乏类似环境时，这种模式的变化就不甚明了。
　　2. 预测不仅需要模型，也需要输入，比如假设：未来的利率如何变化，房价增长率如何？但是在很多时候，没有一个好办法来事先判断假设的合理性。例如，在2007年美国房产价格巅峰之时，还假设房屋价格将持续保持长期的4.2%年增长率（当时美国房价已经保持了10年的持续高速增长），当时看上去也许是一个非常合理的假设。但现在回头来看，这个假设不但是完全没有用的，甚至是非常有害的。但为什么当时市场认为增长率将持续呢？在美国当时，大数据的应用已经是非常普遍了。但基于历史的数据，以及缺乏市场风险的传导机制的理解使得对假设的合理性缺乏判断。
　　随着互联网的普及，数据挖掘技术的深入，大数据分析在消费者信用风险中将会起着越来越重要的作用。但是不加分析的迷信大数据，也不科学。在消费者信用评估中，还款意愿与还款能力是基本。如果能够很好地把握贷款者的收入、债务，以及还款习惯，那么个体的信用评估就会相当准确。在这个基础上，其他数据，如个人上社交网站的频度，社交群体可信度[5]，等起的作用并不大。最近国内信用大数据圈里的常常谈起美国的Zestfinance。这是一家基于大数据运用于个人信用评分的公司，成立于2009年。国内不少热衷者认为，这个公司将颠覆传统个人信用评分方式。的确，Zestfinance利用了上千个来源于不同地方的与信用相关或不相关的数据变量，从个人财务状况到对社交网站的使用量，对个人违约风险做出评估。这些数据量远远超出传统信用模型。但对于从事过个人信用模型开发的专业人士来说，Zestfinance仅仅会对传统模型有改进作用，而远远谈不上颠覆。ZestFinance创始人在最近的中国之行中也自己说道，Zestfinance服务于无信用评分或信用评分很低的小众人群，由于美国二级数据批发商极多，Zestfinance自己也很少在互联网上收集数据，基本上是通过购买得到这些基本数据。而Zestfinance所能购买的到的数据银行也可以得到，只是银行依靠自己第一手信贷数据已经能够进行对借款者的信用评估[6]。由此可见，传统的个人信用评级方法并没有被撼动，更不会被Zestfinance所颠覆。但是，Zestfiance开启了一扇大门，促使传统评级方法不但在理念上，在方式方法上也要有相应改善。因此，了解大数据并不是万能的。了解其局限性，才能更好地发挥其在金融风控中作用。
　　_________________
　　[1] 在这儿，我们跳过政府主体，包括地方债。事实上，政府在融资中同样存在信用风险问题。对政府信用分析方法与企业、个人虽然有不同，但差别并没有根本区别。
　　[2] 比如，在投资银行雷曼兄弟日倒闭前一天，穆迪、标普、惠誉三个主要第三方评级机构均给出雷曼兄弟A的评级。
　　[3] 美国银行业主要是根据企业人数来定义企业规模。小微企业的雇员人数低于100人。[4] 管理4万多亿美元的中国外汇管理局也是客户之一。
　　[5]美国历史上最大诈骗案，麦道夫骗局中，麦道夫（他本人做过纳斯达克的主席）的社交圈非贵即富。然而相信他可靠的投资者损失了600亿美元，不可谓不惨重。
　　[6] 如我们在上文中所说，个人信用风险取决于还款能力与还款意愿。而这些数据，如个人收入、负债、银行流水、还款历史、等信息都在银行体系之中。 （金评媒：微信：cooljpm 微博：金评媒JPM）
欢迎举报抄袭、转载、暴力色情及含有欺诈和虚假信息的不良文章。
搜狐媒体平台官方账号
生活时尚&搭配博主 /生活时尚自媒体 /时尚类书籍作者
搜狐网教育频道官方账号
全球最大华文占星网站-专业研究星座命理及测算服务机构
金评媒互联网金融第一媒体，为行业从业者提供国内外最新互联网...
主演：黄晓明/陈乔恩/乔任梁/谢君豪/吕佳容/戚迹
主演：陈晓/陈妍希/张馨予/杨明娜/毛晓彤/孙耀琦
主演：陈键锋/李依晓/张迪/郑亦桐/张明明/何彦霓
主演：尚格?云顿/乔?弗拉尼甘/Bianca Bree
主演：艾斯?库珀/ 查宁?塔图姆/ 乔纳?希尔
baby14岁写真曝光
李冰冰向成龙撒娇争宠
李湘遭闺蜜曝光旧爱
美女模特教老板走秀
曝搬砖男神奇葩择偶观
柳岩被迫成赚钱工具
大屁小P虐心恋
匆匆那年大结局
乔杉遭粉丝骚扰
男闺蜜的尴尬初夜
客服热线：86-10-
客服邮箱：