
大数据时代和金融的模糊未来
“大数据”一旦后缀上“时代”二字,一股开拓、奋进的情绪就会扑面而来。掌握大数据,将使我们从繁杂而模糊的世界里,找到确定的方向。掌握大数据、运用大数据,将给我们提供一种可能——可以不依靠直觉、经验和勇气来应对令人深惧、更令人渴望的未来。从这个角度讲,在充满不确定和利用不确定赚取高额利润的金融界,他们以激动心情拥抱大数据和大数据时代,则是合情合理的必然之举。
大数据与互联网金融时代
金融作为一个独立发展的产业,它所能买|卖的产品,就是信用。决定信用多寡和高低的,是对未来不确定性的判断。收集大数据,再运用合理、合适的计算方法,就可以从海量的数据中发现未来发展的方向。人类自古以来始终在做类似的事情,只是很多时候受制于计算方法、计算工具。
计算机发明后使处理海量数据成为可能。互联网的发展使海量数据的收集成本被降到可接受的程度,人们可以运用互联网收集数据,再运用高超的计算公式,判断出广泛人群或特定人群的心理倾向、消费习惯等商业价值极高的信息。
我国的金融结构长期失衡,银行的地位远远压过资本市场。尽管今天资本市场正在突飞猛进,但间接融资依然是市场资金来源的主流。银行把控的金融市场,必然弥漫着抵押文化,金融市场的宠儿是抵押物。基于个人或者群体信用的金融市场,始终难以大放异彩,甚至在抵押文化下,个人或群体信用要么被关进“俱乐部”,要么则很可能被妖魔化,成为各种法条律令的监控对象。
当大数据收集和处理的成本足够低时,以阿里巴巴为代表的互联网金融,以P2P为特征的互联网信贷模式,正在打破银行信用信息的垄断,以低廉的成本自创出一套与银行无关的个人或者群体信用信息系统,从而使金融真正走出高高在上的“庙堂”,与群众“打成一片”。
大数据下的银行业危机
互联网金融借助大数据和运用大数据的作业系统,最大程度地解决了信息不对称问题,从而最大限度地降低其因对客户信用甄别缺乏有效工具而带来的风险。然而,运用大数据的作业系统,并非大数据时代的最大难题,最大难题是如何收集到可用或者说符合在现有思维模式下创立的计算公式的那些大数据。显然,阿里巴巴等规模较大的电商已经占据先机,这些电商经过长期的积累,手上掌握了大量中小微企业的信息,同时,也掌握这些中小微企业用户的信息。利用这一平台,电商既能对消费市场做到“春江水暖鸭先知”,又能对可授信企业的风险做出准确判定,而这依然不是电商将成为大数据时代下金融业巨头的最主要理由,关键理由在于阿里巴巴等体量巨大的电商已经或者说有望影响生产和消费的倾向,他们从被动的观察者和接受者,演变成主动的创造者和引领者。互联网金融成为他们在中国经济里翻云覆雨的重要利器和法宝。
与草根性十足的互联网金融相比,一身贵族气的银行业显然将陷入极大的困窘之中。银行业对金融信息的垄断一旦丧失,距离他们从主角沦为配角的时间就不远了。但一些研究者认为,银行依然可以发挥资金、人才等方面的传统优势,将危局消于无形之中。也就是说,银行业可以利用网络上的大数据,或者说自己沉淀下来的数据,发展类似P2P的业务,和互联网金融一争高下,胜算非常大。
然而,这看似非常符合逻辑的推断却很难成立。举个例子,在余额宝突飞猛进时,各家银行陆续推出了类似余额宝的产品,但由于没有类似电商的平台,“银行版”的“余额宝们”除了证明其存在外,其实并没有引起金融江湖多大的波澜,反倒更加凸显出银行业在互联网金融面前的无力感。
因此,在大数据时代来临之际,在互联网金融步步紧逼之下,传统的银行业很可能将失去招架之力,中国的金融也将陷入极大危机,一旦处理不当,即使互联网金融势头发展迅猛,也难逃被传统金融带入万劫不复深渊的命运。
不过,我们可以预料但不愿意看到的是,传统银行业将再次以规避金融风险的名义,以讨伐的姿态,“挟天子以令诸侯,奉天子以令不臣”。如果这次庙堂向江湖的进攻,以这样的面貌开场,即使取胜或者稳固其既有领地,却让人情何以堪呢?这样的事很可能发生,这样的未来不要大数据,仅凭直觉也能猜到。
一个动荡而模糊的时代
今年3月份,依托货币基金发展的余额宝承受了来自传统金融业,或者说银行业的猛烈质疑和挤压,以至于中国人民银行等部门因为发出两份治理互联网金融的文件,也被拖下水,成为互联网金融拥趸们指责的对象。这场口水仗刚刚淡出人们的视野,“大数据”就呼啸而来,这次以“大数据”为靠山,以P2P为武器的互联网金融集体反攻,从技术层面看,银行业确实已陷入危机重重的被动境地。
但既然中国的银行业因个大、体沉而几乎到了不可倒、不能倒的地步,那么,互联网金融这种迅猛反攻势必会受到有关部门的极大关注。当前,互联网金融挟大数据之威在金融市场上并没有占据高地,从余额宝近几个月的业绩看,由于央行货币宽松政策,使货币基金的收益率急速下降,在银行间拆借市场上赚取高额回报的时代暂时过去了。而“余额宝”们却并未及时开发出另类的金融产品,在金融市场上获取新的领地。而尽管P2P发展迅猛,但积累还不足,数据存量严重短缺,特别是真正支撑大数据作业系统的数据平台,依然处在一盘散沙的状态中,而电商们深度开发自身的数据资源的动作正处于探索阶段。因此,互联网金融自身在模式和体系上还不成形,各种缺点依然很多。当有关部门以严肃、忧虑、质疑的态度关注它时,它也很可能和银行业一样陷入另一个困境。因此,双方在一段时间内很难真正交上手,而只能各据疆土,心怀忐忑地注视对方。
种种迹象表明,中国的金融市场进入了一个动荡而模糊的时代。在这个时代,我们看到了危机,也看到了开始,但也许我们很难猜出最后的结果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29