引言介绍
传统金融从2013年的余额宝收到巨大的互联网金融的冲击，特别是雨后春笋般的宝宝们货币基金、P2P、信贷、众筹等产品的诞生，互联网金融正在让更多的人了解和使用金融的融和贷功能。
而其实早在2004年支付宝诞生的时候起，就已经有互联网金融形态的存在，只是它所承担的角色是互联网金融中最基本的支付功能。所以那时候我们就可以不再用跑到ATM或者银行去，就可以实现基本的网上交易和转账功能。
而现在互联网金融的产品越来越丰富，围绕互联网金融的数据应用也越来越多。从贷款前的个人征信管理、额度控制到贷款后的催收、贷款证券化、预警机制，从个人账户的安全识别到100万的账户安全险。数据，在互联网金融扮演着重要的角色。
个人征信
首先介绍个人征信这块，目前国内外比较出名的有FICO/ZestFiance/芝麻信用/前海征信等，像美最主流的FICO信用评分体系（Fair Isaac公司旗下的产品）现已覆盖了全美90%的借贷机构和85%的人群，三大征信局Experian、Equifax和TransUnion都是采用FICO的模型计算信用分，只是数据来源略有差异。
主要根据用户的偿还历史、信用账户数、使用信用年限、正在使用的信用种类、新开立的信用账户这些方面去评分。
ZestFiance，原名ZestCash，是美国一家新兴的互联网金融公司。在美国，ZestFiannce和FICO是完全对立的另一种信用评分体系，所以不存在“美国FICO信用积分指标从ZestFinance获得用户行为信用数据”的情况，ZestFiannce主要服务对象是FICO评分低于500甚至无信用评分的人群，而且市场很小，只有大约10万用户量。和FICO的区别在于：FICO主要服务又丰富信贷记录的人群，而ZestFiannce服务缺乏或无信贷记录的人群，在模型的特征选择和筛选上也有不同，ZestFiannce往往会提取7万个变量，利用10个预测分析模型，如欺诈模型、身份验证模型、预付能力模型、还款能力模型、还款意愿模型以及稳定性模型，进行集成学习或者多角度学习，并得到最终的消费者信用评分。其次，ZestFinance公司另辟蹊径，充分利用丢失数据之间的关联和正常数据的交叉，探寻数据丢失的原因。另外，每个季度ZestFinance公司都会推出一个新的信用评估模型，目前已覆盖信贷、市场营销、收债、助学贷款收债、法律收债和次级汽车抵押贷款等方面。
而像国内的就数芝麻信用长的最像FICO，芝麻信用会有个350~950的分数体系，根据个人的信用历史、行为偏好、履约能力、身份特征、人脉关系等方面去结合起来打分，在不同的层级违约率也会不同，针对不同违约率的用户授信不同的额度和催收账机制。
而像贷款的额度有提升和降低的情况，根据个人消费的情况如果发现消费和还款能力变低就需要对其降低额度。
而像在贷款后也会根据卖家的店铺经营状况、银行流水等记录判断这个商家是否会存在还款能力不足，逾期的情况，提前通知相关业务方进行跟进。
这块重点是介绍的贷款方面的数据应用。
而在账户安全这块，目前很多银行机构和互联网金融机构都通过智能风险监控系统来甄别用户登陆的环境、IP、地址，通过分类逻辑回归模型来训练历史的样本数据，抓取相应的不同特征的用户，哪些是影响账户安全的factor，同时通过一些账户安全险来保障用户的账户被盗有损失的补偿等政策。
目前现在这块大部分都是模型的离线计算得到相应的风险概率系数，再加上的一些hard rules来提醒用户的安全问题。
而像保险定价这块也是数据应用的一个关键的场景。比如车险：其实根据车主的日常行车路线、里程、行车习惯、出险记录、职业、年龄、性别，可以给出非常不同的定价。比如一个开中级车，每天固定路线往返几公里通勤的熟练女白领车主，和一个开同样车型每天在珠三角或者长三角跑生意的中年暴躁小老板车主，假设后者出险概率是前者的3倍，那么完全可以定3倍于前者的价格（商业部分）。对于保险公司，前者才是优质客户，后者做了生意也是赔钱货，不如赶到竞争对手那里去。
还有像运费险，以前统一按照5%的收费标准还是无法保障盈亏平衡。而像一些低单价的订单更不适合运费险太高。再经历过不同差价的运费险制定到最后的智能计算运费险，目前的运费险业务已经扭亏为盈，通过前期的骗保概率的预估、黑名单和同人模型的甄别，到根据卖家买家商品场景等特征去做风险定价，最后结合虚假交易模型、物流识别模型、核保模型等方面去确定运费险的高低。
最后就是投资理财这块。
目前量化基金在整个股票、期货投资中扮演着重要的角色作用。对于一般投资者，甚至是部分金融从业者来说，量化投资都是一门高大上的技术，充斥着模型代码和算法假设，门槛非常高。其实，生活中的量化思想无处不在。
例如，某魔都金融民工，每日上班路线是这样的：乘地铁或者公交至陆家嘴，随后步行或者乘华宝兴业免费接驳车至公司楼下。哪条路线最近呢？
此人先罗列了所有可行的路线，随后花了一个月时间，逐条路线进行多次试验，最终成功找出不出意外情况下最近的线路，完美！这就是最简单的量化思想，利用大量数据，找出大概率的最优策略，并照此执行。
海外的量化投资发展已经超过三十年，美国著名的量化投资基金大奖章基金，在2008年全球金融危机的背景下，仍旧获利80%。相较于成熟市场，A股市场的量化投资发展历史较短，但随着2010年沪深300股指期货的推出，量化投资的发展潜力逐渐显现，并以其稳定的投资业绩得到了越来越多投资者的认可，市场规模和份额不断扩大。那么，为什么量化投资可以获得这样的收益呢？
量化投资可以“克服人性的弱点”。我们追溯到诞生于上世纪八十年代的行为金融学理论，该理论推翻了传统金融学的有效市场假说，同时认为投资者并非理性——例如过度自信，人们往往会根据自己的主观判断进行决策，这恐怕连优秀的基金经理也无法避免。
在投资者非理性的情况下，行为金融学理论指出，投资者关注是一种稀缺的认知资源。这一理论非常好理解，例如某次地震发生，我们无法投入大量的时间精力对地震地区的每家上市企业进行分析，而只能关注于行业层面信息进行选股，这就是投资者有限关注。同样的道理，当市场只有10只股票，我们可以深刻分析这10家公司，但当我们面对整个市场大量而庞杂的数据时，强大的定量信息处理能力就具有一定的优势，能捕捉更多的投资机会，拓展更大的投资空间。
量化交易是一个体系，包含策略、量化交易系统、风控和算法交易，区别于传统“定性”投资。
总的来说，借助统计学、数学方法，运用计算机从海量历史数据中寻找能够带来超额收益的多种“大概率”策略，并纪律严明地按照这些策略所构建的数量化模型来指导投资，就是量化投资。其本质是定性投资的数量化实践，终极目标是追求稳定的、可持续的、高于平均的超额回报。
其中量化中有一个对冲的词汇，最早出现于1949年，指通过管理并降低组合系统风险以应对金融市场变化。所谓系统性风险，即指无法通过分散化投资（如同时投资于债券、股票、基金）来分散的，源于系统的风险。最近一段时间A股各指数的剧烈波动，就是系统性风险。
其实人们在生活中使用对冲思想，早在金融市场使用对冲思想之前。
醋去鱼腥原理：鱼有鲜味，但又有腥味。腥臭源于胺类物质，醋中含有乙酸，能够中和掉胺类，去除腥味，只留下鲜味。
跑步减肥原理：我们爱吃美食，但是美食中含有很多卡路里，能堆积成脂肪。而跑步能让脂肪细胞释放大量的非酯化脂肪酸，进而使脂肪细胞瘦小，达到减肥效果，这样就能放心享受美味。推广开来，假如A中含有我们不想要的事物β，就可以通过B中的-β对冲掉，安心获得α。这就是对冲思想。金融学的经典模型CAPM（资本资产定价模型）告诉我们，一个投资组合的期望收益可以分为两部分，α收益和β收益。其中α收益为投资组合超越市场组合的超额收益，优秀的基金经理可以利用选股择时能力获得α收益，但却无法避免市场下跌（一种系统性风险）的损害。
举例来说，截至目前，近3个月沪深300跌幅为17.54%，同期所有股票型基金的平均收益率约-12.35%。可以看出，虽然这些基金战胜了市场，跑赢了沪深300和上证综指，但其依旧处于亏损状态——在市场的下跌过程中，无法有效规避系统性风险。
使用对冲策略可以剥离或降低投资组合的系统风险，使得投资组合无论在市场上涨或下跌时均有机会获取正收益。例如刚刚过去的六月，A股市场风大浪大，而华宝量化对冲基金仍旧在风雨中成功避过系统性风险，获得显著正收益。
好了，今天的话题就先讲到这里，祝大家周末愉快，晚安！
本期交流主题概要
