2016年12月3日第19期智能金融沙龙，文因互联非常荣幸地邀请到金融大数据的大咖——北京视野金融的COO张灿，和大家聊聊金融大数据、人工智能金融和新三板数据的分析与整合。
张灿，视野金融联合创始人、COO。12年金融IT从业经验，证券、基金从业资格。拥有大型、中型、创业公司工作经验，历任销售、咨询、管理等岗位，具有丰富的企业管理和实战经验。
在金融大数据、新三板数据研究、XBRL、信贷财务分析、风险评级、支付、IT营销管理领域有很深的研究，并拥有丰富的实践经验和深厚的人脉资源，曾主导过多家大型银行、证券公司、第三方支付机构信息系统及互联网项目的建设。
本文为张灿在文因互联智能金融沙龙现场分享的实录：
一、金融大数据行业的发展
真正的金融信息化，应该是在1998年之后才真正开始的。为什么说1998年之后?因为当时我们在某银行做系统时就发现早些年的数据根本找不到。而到了2010年，金融机构的数据质量才慢慢好起来。
1.金融信息化二十年，金融数据在做什么?
数据大集中
数据大集中是一个过程，之前整个银行体系都在分行，包括证券公司也是如此。这些金融机构并没有集中的数据中心概念，所以他们先做了数据大集中。
数据仓库
数据仓库是在数据大集中的基础上，提升、改善了数据的质量。
报表
在上面两步的基础上，做了两个报表：一个是监管报表，另一个是内部管理报表。
决策支持
决策支持是基于报表而形成的系统。但是，最后形成的决策支持系统扮演的角色并不是全局性的。比如，针对风险部门的是风险数据仓库，针对业务部的是客户数据仓库，所以在金融信息化过程中，以上四个方面还是部分处于分离的状态。
2. 最近几年，金融数据在做什么?
数据效率和即席分析
最近几年，大家又开始认为数据收集过多。对国内的金融机构来讲更是这样。实际上从数据的角度来讲，用户量实在太大了。现在我有几个同事在用Hadoop给银行做解决方案，大家发现数据效率已经成了非常大的瓶颈，因为其中有些计算实在太复杂。
原来从数据库导到数据仓库里，可以延时来算这个数据，但现在发现这样不可行了。最典型的一个案例就是“反欺诈”。 P2P现在已经有团伙性作案诈骗，这就导致选择模型很难，然而又不能像银行放贷一样速度很慢。所以我觉得，提升数据效率和即席分析这两个结合起来，诞生了非常多的机会。
数据整合
无论做什么样的分析，数据质量是最重要的。如果数据质量差，很多事情都做不了。
公开数据现在越来越开放，比如说工商数据、征信数据。所以我觉得很多公开数据的运用，确实为数据分析提供了非常好的基础。
智能金融的尝试
为什么用尝试二字，因为我还是持一个比较保守的观点。就智能金融而言，现在的数据挖掘技术与人工智能技术还是不够的，但是我相信科技的不断发展肯定会解决这个问题。我一直坚信一个观点就是：以后绝对不会存在物理上云的概念。再过十年或者二十年所有的东西都是云，这就是趋势，是你没有办法改变的。我觉得智能金融或者大数据是一个趋势，是一个没有办法去改变、没有余地可讨论的趋势。
3. 银行、贷款机构的大数据应用热点
信用评级+
这部分对金融机构来说是不可或缺的，无论是何种形式的评级都发展得很快。
押品管理
这是大家没有解决好的一点。比如车贷评级还是一个弱项。
实时放贷
银行在这方面的应用上其实要负一大部分责任。因为我们的金融体系还不健全，导致小额贷款难度较大。
实时预警
提到实时放款就会涉及到实时预警。做到实时预警，需要将现有数据系统变成一个可计算的系统。整个的存储架构包括业务逻辑与数据计算的架构，都需要做出改变。实时预警并不仅仅是计算模型这么简单，贷前、贷中与贷后的实时预警都是必须的。如果大家有兴趣做，这会是一块很大的市场。
另外还有两个大数据的应用热点是“营销和客户分析”和“金融机构的工厂化”。
4. 投资机构的大数据应用热点
投资机构的大数据应用是这两年我们一直在做的事情。
第一张图是“百度股市通”，我觉得挺有意思的是股票雷达，用搜索的情绪来看其对A股的影响。因为A股确实是散户市场，情绪的影响确实很明显。使用以后你会发现，搜索热度和上证指数在一年和两年的时期内基本是一致的。
对于现在比较热门的量化，我们也在和公募基金、私募基金合作进行研究。但是需要明白的是，量化还有很长的路要走。再往下讲就是风控、投资机构合规性做的很好。但是对市场的预警与企业的预警，银行比证券公司做得好，比如在证券市场崩盘前很多银行已经在撤资了。
二、企业分析评价探讨
1. 企业评级的演变
企业风险评级有一个演变的过程：打分卡 → 评级 → 风险预警
关于影响企业评级的因素，有以下几个维度：
财务因素
只考虑财务指标，数据全部来源于财务报表，并可由系统自动计算指标值，标识指标值的表现好坏，按照一定规则计算出财务评分，得到财务子模型评级级别。
非财务因互素
涉及一般情况下可获取的客户相关信息，例如财务管理水平，经营管理水平，外部征信情况，银企关系等。
行业地区因素
主要业务范围所处地区的信用分析、所在行业的前景展望和行业信用分析。
财务预警
主要考虑对客户评级级别影响较大的财务指标，其值可以由系统自动从财务报表中计算得到。比较指标值与预警的阀值，显示是否有预警。
非财务预警
考虑出现概率比较小，影响程度比较大的预警事件。
外部影响
要考虑与企业相关的宏观信息，例如政府支持、政策导向、重大经济事件等。
2. 行业分析的拓展
大家做企业评级、分析、参照的核心其实是两点：行业和规模。实际上，我觉得行业分类无论是采用统计局还是证监会的分类标准，其实差别都不大。况且，在分析中小企业时，这些标准的适用性并不强。
关于行业分析的扩展，视野金融也正在进行尝试。
首先，我们做的是宏观数据和行业数据的配比。宏观数据的可读性较差，可以说只是一个库而已。但对单列的某个行业来讲，比如铁路运输量和煤炭行业，白酒的销售和A股白酒行业的业绩表现，这些指标和行业趋势还是比较吻合的。将统计局的数据与行业数据相结合，还是可以看到大趋势的。
其次，是关联关系的分析。A股的两千多家公司中有很多关联公司，如果再加上新三板的挂牌企业，相当于将一万多家企业进行关联。将这两部分关联关系的优点是：披露信息更全。因为通过工商数据的关联关系，只能查到一些股权关系，信息不够全面。
最后，是大家都在尝试的产业链分析。这其中涉及前五大供应商、前五大供货商的分析等。
三、新三板数据挖掘探讨
大家在新三板上想做的事情，我觉得都很类似。无非是企业画像、投资机构画像、投资模型、并购模型、引入第三方数据等。我们现在其实也能感觉出来，通过数据发现企业价值和对投资机构分析的需求是非常核心的。目前，我认为新三板还处于一个“不透明”的起步阶段，大家想知道很多问题。比如投资机构想知道其他类似投资机构的投资收益。新三板公司也希望知道同行业里有哪些投资机构在投，有哪些动作，如果融资的话，以一个怎样的价格谈比较合适。
在引入第三方数据时，我们发现三板四板、A股、美股港股、国家统计局、国资委、工商、证监协会的数据量比A股大的多。A股是两千多家公司，加上四板和新三板企业，差不多有五万多家企业。所以，对这部分数据的挖掘任务还是非常重的。
四、聊聊企业融资
在做新三板市场时，我们发现大家都在考虑股权融资。但是适当借债或者是用并购的思路去融资也是不错的选择。现在，很多新三板企业融资难，解决这个问题的核心就是要读懂金融机构的思维。简单来说，银行思考的是企业的偿债能力，而投资机构思考的是能不能退出。因为银行的钱基本来自于存在，所以银行要保证资金的安全性，其次是能否兑付。投资机构则需要保证资金的按时的收益率。
最后一点，我认为企业要对照投资机构的思维挖掘自身优势，包括投资机构看重的行业的一些优势，比如这家投资机构投过产业链里哪些企业等。除此之外，企业还需要对金融机构有一个判断，了解投资机构的偏好、创始人和合伙人的背景，这样你会发现融资的脉络就会变得很清晰了。
嘉宾提问环节：
1.关于建设企业数据库，很多金融机构都有这方面的需求，但是为什么现在还没有出现?
答： 我简单说一下我的观点，第一个就是银行和证券行业看起来都是金融行业，但其实处于信息不对称的割裂状态。去年，某银行在做一个项目时需要一些企业数据，而那家供应商的解决方式是在新浪网上搜。我认为，这样的信息是割裂的。另一方面，这件事情虽然有价值，但前期投入太高，所以收益并不太高，比如说国内的知名金融数据终端在新三板上面吃力但不讨好。
但是我们想过一个方式，比如大智慧在安徽建立了一个基地。把这个标准定好的话，可以请一些稍微便宜的人力来解决这个问题。机器虽然可以解决一大部分事情，但是很多事后还是需要依靠人力。
2.能不能具体分享一下，在特定行业中的数据服务?
答：目前，针对特定行业数据服务的需求还是挺多的，这是一个典型的金融机构需求。因为金融机构其实是不懂行业的，也不可能去培养那么多特定行业的人去研究某个行业。所以我觉得金融机构获取行业信息的途径可以分三部分：第一部分就是研究报告，比如券商或者独立研究机构的研究报告;第二部分则是聘请咨询公司做调研;第三部分就是请一些行业专家做一个访谈。像大型金融机构会在每年校招的时候倾向去招相关专业的人才。
