数据科学改变FinTech业界的4个方向

数据科学改变FinTech业界的4个方向


Data Science FinTech | 作者:BYTE
1
金融产业对于技术的力量并不陌生,因为它正式利用技术发展了其量化的领域,在这一领域,人们使用先进的定量分析以及编程技巧在资本市场中获得巨大的商机。尽管金融界已经被高度的规范化了,但是一些新起步的公司正打算利用最新的技术来在业界掀起波澜,这些技术中最火爆的就是数据科学(data science)。这一技术的引入也给FinTech发展带来了很大的活力。
下面列举数据科学在FinTech领域中被应用的最主要的4个方面。

信用风险评分

2
信用评分是一个基于客户历史信用记录来预测客户的信用价值的统计分析方法。这一数值用于决定是否给客户发放贷款。一般来说,银行会使用复杂的统计方法来计算个人的信用评分。但是,数据科学的兴起带来了更加先进的技术,比如机器学习算法,它们能够利用大量的数据点(来自于很宽泛的变量)给出准确度很高的估计。
数据科学,在考虑了所有的数据之后,能够给出客户信用的更加全面的结果。
案例:阿里巴巴的Aliloan是一个原型。Aliloan是一个在线自动系统,能够提供灵活的小额贷款给企业的在线供应商(一些因为缺少抵押品而被传统银行拒之门外的商人)。它通过它的网络交易和支付平台来收集数据,并且使用预测模型来分析交易记录、运输记录、其他捆绑信息来得出一个商人的信用评分。

诈骗甄别与预防

金融诈骗每年会耗费金融产业大约800亿美金。虚假交易的情况不仅出现在机构内,也出现在个人之间。因此对于FinTech企业中的管理者,实现诈骗甄别是非常重要的。最近,虚假甄别是基于一些确定的规则,比如事件触发的地点标记、ATM 或者使用的IP地址。然而,机器学习算法能够取代这种依赖有限数量交易的方法。比如逻辑回归、朴素贝叶斯等等都可以改进甄别结果。它们能够根据历史交易数据中的模式来计算一次交易是虚假交易的概率。
这方面的进步不仅提升了准确率,还能够应用于实时数据,帮助FinTech公司更高效地进行决策。
4

投资组合优化与资产管理

这一方面是FinTech企业最核心的工作内容。随着大数据的发展,这些机构能够利用机器学习方法(不是统计模型)整合琐碎的海量金融数据建立起资产管理模型。这种应用也推进了一种叫做机器咨询人的发展。在一些像Betterment和Wealthfront的公司中,使用软件来自动完成资产分配决策,实现降低风险、提高汇报、税收损失对冲等目的。
语义分析也应用于公共数据(比如全世界的Twitter)来衡量市场行情,并且一旦发生自然或者人为的灾难冲击就缩小市场投入。这一过程能完全实现自动化,为金融机构减小未来的损失。

市场,顾客与忠诚

FinTech公司从他们的客户收集大量的数据,很多冗余的数据对金融分析并没有用处。但是这些顾客信息,从他们的交易数据到个人信息或者社交媒体表现都能够被进一步利用,来加速市场扩张。公司通过提供结构化、个性化的产品广告,以及折扣优惠来增加回头客的数量。更进一步,这些数据能够用来精确定位潜在客户,也借此优化公司的市场投入。
3

金融行业目前已经发展壮大,但有先进的数据科学方法加入之后,一定能够进一步加速并扩大其惊人的增长与利润。

更多课程和文章尽在微信号:
「datartisan数据工匠」

由 Editor 于 2018 年 01 月 18 日 发布在 数据科学 栏目