⑴ 將大數據技術運用於投資靠譜嗎
我覺得還是挺靠譜的。比如，我們可以將投資者行為數據化，這種技術可以更為直接和精準的體現出投資者對於行業的關注程度等等。比如，現在的大數據技術已經可以運用於風投行業資料庫了。據我所知，投中信息研發的CVSource就是通過網路採集、調研訪問、數據合作等多種渠道保證數據的完整性，還利用大數據分析挖掘技術與人工運營相結合的方式保證數據的准確與更新的及時。因此，我覺得大數據技術運用於風投行業還是很有發展前景的。
⑵ 大數據會顛覆風投行業嗎
大數據是一種技術和思維，還是要看風投有什麼關鍵問題是可以通過大數據來更好解決的。我認為現在還比較早期，風投行業面對的數據，一般都是線下收集的，並且也不夠大數據。
⑶ 如何利用大數據做金融風控
大數據能夠進行數據變現的商業模式目前就是兩個，一個是精準營銷，典型的場景是商品推薦和精準廣告投放，另外一個是大數據風控，典型的場景是互聯網金融的大數據風控。
金融的本質是風險管理，風控是所有金融業務的核心。典型的金融借貸業務例如抵押貸款、消費貸款、P2P、供應鏈金融、以及票據融資都需要數據風控識別欺詐用戶及評估用戶信用等級。
傳統金融的風控主要利用了信用屬性強大的金融數據，一般採用20個緯度左右的數據，利用評分來識別客戶的還款能力和還款意願。信用相關程度強的數據 緯度為十個左右，包含年齡、職業、收入、學歷、工作單位、借貸情況、房產，汽車、單位、還貸記錄等，金融企業參考用戶提交的數據進行打分，最後得到申請人 的信用評分，依據評分來決定是否貸款以及貸款額度。其他同信用相關的數據還有區域、產品、理財方式、行業、繳款方式、繳款記錄、金額、時間、頻率等。普惠在線
互聯網金融的大數據風控並不是完全改變傳統風控，實際是豐富傳統風控的數據緯度。互聯網風控中，首先還是利用信用屬性強的金融數據，判斷借款人的還 款能力和還款意願，然後在利用信用屬性較弱的行為數據進行補充，一般是利用數據的關聯分析來判斷借款人的信用情況，藉助數據模型來揭示某些行為特徵和信用 風險之間的關系。
互聯網金融公司利用大數據進行風控時，都是利用多維度數據來識別借款人風險。同信用相關的數據越多地被用於借款人風險評估，借款人的信用風險就被揭示的更充分，信用評分就會更加客觀，接近借款人實際風險。
常用的互聯網金融大數據風控方式有以下幾種：
驗證借款人身份
驗證借款人身份的五因素認證是姓名、手機號、身份證號、銀行卡號、家庭地址。企業可以藉助國政通的數據來驗證姓名、身份證號，藉助銀聯數據來驗證銀行卡號和姓名，利用運營商數據來驗證手機號、姓名、身份證號、家庭住址。
如果借款人是欺詐用戶，這五個信息都可以買到。這個時候就需要進行人臉識別了，人臉識別等原理是調用國政通／公安局 API介面，將申請人實時拍攝的照片／視頻同客戶預留在公安的身份證進行識別，通過人臉識別技術驗證申請人是否是借款人本人。
其他的驗證客戶的方式包括讓客戶出示其他銀行的信用卡及刷卡記錄，或者驗證客戶的學歷證書和身份認證。
分析提交的信息來識別欺詐
大部分的貸款申請都從線下移到了線上，特別是在互聯網金融領域，消費貸和學生貸都是以線上申請為主的。
線上申請時，申請人會按照貸款公司的要求填寫多維度信息例如戶籍地址，居住地址，工作單位，單位電話，單位名稱等。如果是欺詐用戶，其填寫的信息往 往會出現一些規律，企業可根據異常填寫記錄來識別欺詐。例如填寫不同城市居住小區名字相同、填寫的不同城市，不同單位的電話相同、不同單位的地址街道相 同、單位名稱相同、甚至居住的樓層和號碼都相同。還有一些填寫假的小區、地址和單位名稱以及電話等。
如果企業發現一些重復的信息和電話號碼，申請人欺詐的可能性就會很高。
分析客戶線上申請行為來識別欺詐
欺詐用戶往往事先准備好用戶基本信息，在申請過程中，快速進行填寫，批量作業，在多家網站進行申請，通過提高申請量來獲得更多的貸款。
企業可以藉助於SDK或JS來採集申請人在各個環節的行為，計算客戶閱讀條款的時間，填寫信息的時間，申請貸款的時間等，如果這些申請時間大大小於 正常客戶申請時間，例如填寫地址信息小於2秒，閱讀條款少於3秒鍾，申請貸款低於20秒等。用戶申請的時間也很關鍵，一般晚上11點以後申請貸款的申請 人，欺詐比例和違約比例較高。
這些異常申請行為可能揭示申請人具有欺詐傾向，企業可以結合其他的信息來判斷客戶是否為欺詐用戶。
利用黑名單和灰名單識別風險
互聯網金融公司面臨的主要風險為惡意欺詐，70%左右的信貸損失來源於申請人的惡意欺詐。客戶逾期或者違約貸款中至少有30%左右可以收回，另外的一些可以通過催收公司進行催收，M2逾期的回收率在20％左右。
市場上有近百家的公司從事個人徵信相關工作，其主要的商業模式是反欺詐識別，灰名單識別，以及客戶徵信評分。反欺詐識別中，重要的一個參考就是黑名單，市場上領先的大數據風控公司擁有將近1000萬左右的黑名單，大部分黑名單是過去十多年積累下來的老賴名單，真正有價值的黑名單在兩百萬左右。
黑名單來源於民間借貸、線上P2P、信用卡公司、小額借貸等公司的歷史違約用戶，其中很大一部分不再有借貸行為，參考價值有限。另外一個主要來源是催收公司，催收的成功率一般小於於30%（M3以上的），會產生很多黑名單。
灰名單是逾期但是還沒有達到違約的客戶（逾期少於3個月的客戶），灰名單也還意味著多頭借貸，申請人在多個貸款平台進行借貸。總借款數目遠遠超過其還款能力。
黑名單和灰名單是很好的風控方式，但是各個徵信公司所擁有的名單僅僅是市場總量的一部分，很多互聯網金融公司不得不接入多個風控公司，來獲得更多的 黑名單來提高查得率。央行和上海經信委正在聯合多家互聯網金融公司建立統一的黑名單平台，但是很多互聯網金融公司都不太願意貢獻自家的黑名單，這些黑名單 是用真金白銀換來的教訓。另外如果讓外界知道了自家平台黑名單的數量，會影響其公司聲譽，降低公司估值，並令投資者質疑其平台的風控水平。
利用移動設備數據識別欺詐
行為數據中一個比較特殊的就是移動設備數據反欺詐，公司可以利用移動設備的位置信息來驗證客戶提交的工作地和生活地是否真實，另外來可以根據設備安裝的應用活躍來識別多頭借貸風險。
欺詐用戶一般會使用模擬器進行貸款申請，移動大數據可以識別出貸款人是否使用模擬器。欺詐用戶也有一些典型特徵，例如很多設備聚集在一個區域，一起 申請貸款。欺詐設備不安裝生活和工具用App，僅僅安裝和貸款有關的App，可能還安裝了一些密碼破譯軟體或者其他的惡意軟體。
欺詐用戶還有可能不停更換SIM卡和手機，利用SIM卡和手機綁定時間和頻次可以識別出部分欺詐用戶。另外欺詐用戶也會購買一些已經淘汰的手機，其機器上面的操作系統已經過時很久，所安裝的App版本都很舊。這些特徵可以識別出一些欺詐用戶。
利用消費記錄來進行評分
大會數據風控除了可以識別出壞人，還可以評估貸款人的還款能力。過去傳統金融依據借款人的收入來判斷其還款能力，但是有些客戶擁有工資以外的收入，例如投資收入、顧問咨詢收入等。另外一些客戶可能從父母、伴侶、朋友那裡獲得其他的財政支持，擁有較高的支付能力。
按照傳統金融的做法，在家不工作照顧家庭的主婦可能還款能力較弱。無法給其提供貸款，但是其丈夫收入很高，家庭日常支出由其太太做主。這種情況，就需要消費數據來證明其還款能力了。
常用的消費記錄由銀行卡消費、電商購物、公共事業費記錄、大宗商品消費等。還可以參考航空記錄、手機話費、特殊會員消費等方式。例如頭等艙乘坐次數，物業費高低、高爾夫球俱樂部消費，遊艇俱樂部會員費用，奢侈品會員，豪車4S店消費記錄等消費數據可以作為其信用評分重要參考。
互聯網金融的主要客戶是屌絲，其電商消費記錄、旅遊消費記錄、以及加油消費記錄都可以作為評估其信用的依據。有的互聯金融公司專門從事個人電商消費數據分析，只要客戶授權其登陸電商網站，其可以藉助於工具將客戶歷史消費數據全部抓取並進行匯總和評分。
參考社會關系來評估信用情況
物以類聚，人與群分。一般情況下，信用好的人，他的朋友信用也很好。信用不好的人，他的朋友的信用分也很低，
參考借款人常聯系的朋友信用評分可以評價借款人的信用情況，一般會採用經常打電話的朋友作為樣本，評估經常聯系的幾個人（不超過6六個人）的信用評分，去掉一個最高分，去掉一個最低分，取其中的平均值來判斷借款人的信用。這種方式挑戰很大，只是依靠手機號碼來判斷個人信用可信度不高。一般僅僅用於反欺詐識別，利用其經常通話的手機號在黑名單庫裡面進行匹配，如果命中，則此申請人的風險較高，需要進一步進行調查。
參考借款人社會屬性和行為來評估信用
參考過去互聯網金融風控的經驗發現，擁有伴侶和子女的借款人，其貸款違約率較低；年齡大的人比年齡低的人貸款違約率要高，其中50歲左右的貸款人違 約率最高，30歲左右的人違約率最低。貸款用於家庭消費和教育的貸款人，其貸款違約率低；聲明月收入超過3萬的人比聲明月收入低於1萬5千的人貸款違約率 高；貸款次數多的人，其貸款違約率低於第一次貸款的人。
經常不交公共事業費和物業費的人，其貸款違約率較高。經常換工作，收入不穩定的人貸款違約率較高。經常參加社會公益活動的人，成為各種組織會員的人，其貸款違約率低。經常更換手機號碼的人貸款違約率比一直使用一個電話號碼的人高很多。
午夜經常上網，很晚發微博，生活不規律，經常在各個城市跑的申請人，其帶貸款違約率比其他人高30%。刻意隱瞞自己過去經歷和聯系方式，填寫簡單信 息的人，比信息填寫豐富的人違約概率高20%。借款時間長的人比借款時間短短人，逾期和違約概率高20%左右。擁有汽車的貸款人比沒有汽車的貸款人，貸款 違約率低10%左右。
利用司法信息評估風險
涉毒涉賭以及涉嫌治安處罰的人，其信用情況不是太好，特別是涉賭和涉毒人員，這些人是高風險人群，一旦獲得貸款，其貸款用途不可控，貸款有可能不會得到償還。
尋找這些涉毒涉賭的嫌疑人，可以利用當地的公安數據，但是難度較大。也可以採用移動設備的位置信息來進行一定程度的識別。如果設備經常在半夜出現在 賭博場所或賭博區域例如澳門，其申請人涉賭的風險就較高。另外中國有些特定的地區，當地的有一部分人群從事涉賭或涉賭行業，一旦申請人填寫的居住地址或者 移動設備位置信息涉及這些區域，也要引起重視。涉賭和涉毒的人員工作一般也不太穩定或者沒有固定工作收入，如果申請人經常換工作或者經常在某一個階段沒有 收入，這種情況需要引起重視。涉賭和涉毒的人活動規律比較特殊，經常半夜在外面活動，另外也經常住本地賓館，這些信息都可以參考移動大數據進行識別。
總之，互聯網金融的大數據風控採用了用戶社會行為和社會屬性數據，在一定程度上補充了傳統風控數據維度不足的缺點，能夠更加全面識別出欺詐客戶，評價客戶的風險水平。互聯網金融企業通過分析申請人的社會行為數據來控制信用風險，將資金借給合格貸款人，保證資金的安全。
⑷ 大數據適合投資學專業嗎
大數據就是趨勢，汽車行業這兩年的進步和發展，你可以投資學習一項技術，只要想學習，什麼時候都不晚
⑸ 大數據金融風控解決方案哪些公司可以提供
我們就是可以的，大數據風控即大數據風險控制，是指利用數據分析和模型進行風險評專估，為金融行業和個屬人用戶提供全方位的安全保障。
大數據風控流程的建立主要分為四個階段：數據收集、數據建模、構建客戶評分體系及監測分析。收集到海量數據後，需經過大量的清洗、探索與抽樣，運用靈活策略來交叉匹配並綜合分析，構建出客戶評分體系。
基於先進的風控分析模型，以及准確、穩定、實時更新的豐富數據源，利用精密演算法和靈活策略進行綜合高效的監測分析，保障業務平台健康穩定運行。
⑹ 互聯網金融借力大數據玩轉風險控制
互聯網金融借力大數據玩轉風險控制
近兩年，金融行業內競爭在網路平台上全面展開。大數據時代，這種競爭說到底就是「數據為王」。為什麼大數據在互聯網金融領域扮演著如此重要的角色？業內人士認為，「互聯網+金融」具有共享性，提供了「大數據」和更充分的信息，即通過更完善的價格信號，幫助協調不同經濟部門非集中化決策。
信息占據核心地位
信息占金融市場核心地位。金融市場是進行資本配置和監管的一種制度安排，而資本配置及其監管從本質上來說是信息問題。因此，金融市場即進行信息的生產、傳遞、擴散和利用的市場。
在「互聯網+金融」時代，信息的傳遞和擴散更加便捷，信息的生產成本更為低廉，信息的利用渠道和方式也愈發多元化，從而越來越容易實現信息共享。這種共享不僅包含著各類不同金融機構之間的信息共享，而且包含著金融機構與其他行業之間的信息共享、金融機構和監管機構及企業間的共享等。
信息共享並由此形成的「大數據」，降低了單個金融機構獲得信息、甄別信息的成本，提高了信息利用的效率，使信息的生產和傳播充分而順暢，從而極大地降低了信息的不完備和不對稱程度。「大數據」不僅使投資者可以獲取各種投資品種的價格及影響這些價格的因素的信息，而且籌資者也能獲取不同的融資方式的成本的信息，管理部門能夠獲取金融交易是否正常進行、各種規則是否得到遵守的信息，使金融體系的不同參與者都能作出各自的決策。
正確看待大數據徵信
互聯網金融的發展帶火了P2P市場，也折射出風控體系建設的缺失。P2P跑路現象主要原因就是風控缺失，體現在「重擔保、輕風控」和「重線上風控、輕線下調查」。
當前，多數P2P平台「重擔保、輕風控」的思路是不正確的，擔保是外界因素，風控是內在因素，一味強調用外在的因素而不解決自身的問題，不可能實現良好運轉。互聯網金融的風險管理不在規則之中，而在互聯網和金融雙重疊加的對象之中，其最基本的風險邊界應是保證投資者的資產安全。守住了安全底線，這些平台才能健康成長。所以，P2P平台根本的安全底線還在於加強自身對象的風控。
另一方面，風控分為貸前、貸中、貸後風控。目前有些P2P平台從最開始的貸前風控就缺失，貸前風控最重要的是要實現「線下調查」，即通過線下實地走訪和考察，對客戶信息進行交叉驗證和真實性驗證，包括對借款人銀行流水、徵信報告、財產證明、工作證明等的審查，通過審查評估借款人還款能力。這些線下風控是不可或缺的，不能迷信或過分誇大「互聯網+」的效率和普惠，線上的大數據和線下的實地考察必須結合。
基於大數據、個人徵信的風控手段已有很多，大數據徵信是實現P2P風控的創新路徑。但是也需要正確看待，既不能要求大數據徵信一步登天，一下子帶來質的改變；也不能風聲鶴唳，一有創新就以各種名義圍追堵截，而需要給予更多理性的包容和試錯的空間，在漸進創新中不斷完善大數據徵信體系。
目前存在的困難：
一是數據的虛擬性和「信息噪音」。雖然大數據及其分析提高了信息獲取的數量和精度，但由於虛擬世界中信息大爆炸造成的「信息噪音」，導致交易者身份、交易真實性、信用評價的驗證難度更大，反而可能在另一層面更強化信息不對稱程度，也更容易存在信息壟斷。
二是信用數據關聯的不確定性。信用數據是多樣化的，包括朋友信用、愛情信用、事業信用等。所謂忠孝不能兩全，一個對朋友忠誠的人不一定對事業忠誠。對事業或工作忠誠，也不一定能說明他的金融信用好。大數據通過日常信用來判斷金融信用會出現偏差。
三是「數據孤島」不能實現數據共享。互聯網平台具有強烈的規模效應，平台越大越容易產生數據，越容易使用數據。例如，阿里小貸主要通過賣家累計的海量交易信息及資金流水，也可通過大數據的分析在幾秒內完成對商家的授信。但是，阿里小貸的數據，不可能提供給其他公司使用。因此，下一步應推動數據的整合和共享。
玩轉大數據風控系統
傳統的風控模式更多關注的是靜態風險，對風險進行預判。而P2P市場讓越來越多的傳統金融企業轉型互聯網金融，大數據技術要對風險進行實時把握，要做到兩點：大數據和雲計算結合以及大數據的流處理模式。
大數據和雲計算結合，實現了實時監控。雲計算為大數據實時把握提供了硬體基礎，可以實現秒級的數據採集、分析和挖掘。流處理模式實現了靜態風險和動態風險的有效結合。一種人習慣先把信息存下來，然後一次性地處理掉，也叫批處理，如定期處理過期郵件；另一種人喜歡信息來一點處理一點，無用信息直接過濾掉，有用的存起來。後者就是流處理的基本範式，實現了實時監控。
怎樣才能針對企業自身的發展和業務方向，玩轉大數據風控系統，使其發揮到最大作用？我認為，要關注「大眾數據」。要意識到互聯網「長尾效應」的作用，互聯網環境下「得大眾者得天下」，關注大眾數據，要了解大眾心態，在歸屬感、成就感和參與感上下功夫。
還要將業務驅動轉向數據驅動。理解數據的價值，通過數據處理創造商業價值，看似零散的數據背後尋找消費邏輯。此外，還應改造公司數據相關的IT部門，將其從「成本中心」轉化為「利潤中心」，充分認識大數據是核心競爭力，重視其挖掘和預測的能力。
當然，實時大數據風控還需要很多方面的探索，如何藉助大數據建立全生命風控體系，形成貸前、貸中、貸後流程管理系統和決策系統。另外，還需加強信用數據相關性研究和量化模型的開發，金融信用（主要指借貸數據）可獲得性比日常信用數據難，以金融信用為中心，通過日常信用，構建個人信用評估體系。
⑺ 大數據對投資管理的影響
正在來臨的大數據時代，金融機構之間的競爭將在網路信息平台上全面展開，說到底就
是「數據為王」。誰掌握了數據，誰就擁有風險定價能力，誰就可以獲得高額的風險收益，最終贏得競爭優勢。中國金融業正在步入大數據時代的初級階段。經過多年的發展與積累，目前國內金融機構的數據量已經達到100TB以上級別，並且非結構化數據量正在以更快的速度增長。金融機構行在大數據應用方面具有天然優勢
一方面，
金融企業在業務開展過程中積累了包括客戶身份、資產負債情況、資金收付交易等大量高價值密度的數據，這些數據在運用專業技術挖掘和分析之後，將產生巨大的商業價值；
另一方面，金融機構具有較為充足的預算，可以吸引到實施大數據的高端人才，也有能力採用大數據的最新技術。
總體看，正在興起的大數據技術將與金融業務呈現快速融合的趨勢，給未來金融業的發展
帶來重要機遇。
首先，
大數據推動金融機構的戰略轉型。在宏觀經濟結構調整和利率逐步市場化的大環境
下，國內金融機構受金融脫媒影響日趨明顯，表現為核心負債流失、盈利空間收窄、業務定位亟待調整。業務轉型的關鍵在於創新，但現階段國內金融機構的創新往往淪為監管套利，沒有能夠基於挖掘客戶內在需求，提供更有價值的服務。而大數據技術正是金融機構深入挖掘既有數據，找准市場定位，明確資源配置方向，推動業務創新的重要工具。
其次，
大數據技術能夠降低金融機構的管理和運行成本。通過大數據應用和分析，金融機構能夠准確地定位內部管理缺陷，制訂有針對性的改進措施，實行符合自身特點的管理模式，進而降低管理運營成本。
此外，大數據還提供了全新的溝通渠道和營銷手段，可以更好的了解客戶的消費習慣和行為特徵，及時、准確地把握市場營銷效果。
第三，
大數據技術有助於降低信息不對稱程度，增強風險控制能力。金融機構可以擯棄原來過度依靠客戶提供財務報表獲取信息的業務方式，轉而對其資產價格、賬務流水、相關業
務活動等流動性數據進行動態和全程的監控分析，從而有效提升客戶信息透明度。
目前，先進銀行已經能夠基於大數據，整合客戶的資產負債、交易支付、流動性狀況、
納稅和信用記錄等，對客戶行為進行全方位評價，計算動態違約概率和損失率，提高貸款決策的可靠性。
當然，也必須看到，金融機構在與大數據技術融合的過程中也面臨諸多挑戰和風險。
一是大數據技術應用可能導致金融業競爭版圖的重構。信息技術進步、金融業開放以及監管政策變化，客觀上降低了行業准入門檻，非金融機構更多地切入金融服務鏈條，並且利用自身技術優勢和監管盲區佔得一席之地。而傳統金融機構囿於原有的組織架構和管理模式，無法充分發揮自身潛力，反而可能處於競爭下風。