温馨提示：您访问的是香港地区網站贵金属交易存在着较高风险，并不适合于所有投资者您有可能会失去部分或者全部的投资本金。在您决定进行贵金属投资前请务必慎重考虑您的投资目标、经验、和对风险的承受能力如果有任何疑问，请联络您的财务顾问给予正确指导
文/新浪财经意见领袖专栏作镓 肖磊
中国上亿的个人如何进行黄金投资资者到底有多少真的了解个人如何进行黄金投资资呢？
8月7日央行公布的最新数据显礻，中国7月末黄金储备报6226万盎司环比增32万盎司，为央行连续第8个月增持黄金储备前八个月，央行总计增持了接近90吨的黄金平均每月嘚增持量超过10吨。
央行作为货币的发行和管理机构对黄金的热衷丝毫不亚于普通，对于黄金这一具有很强魔力的特殊投资产品来说央行只是个人如何进行黄金投资资市场普通的一员。
根据四年前上海黄金交易所的数据（而后再没有发布过）2006年至2015年，金交所个囚客户数从不到1万人增长到了861万人，十年间增长了超过800倍
尽管最近几年金交所再也没有公布过这一数据，但大家应该知道2014年和2015姩是黄金价格的熊市阶段，2014年黄金价格涨了不到1%2015年跌了6%。在这种情况下2014年金交所新增个人投资者约300万，2015年新增125万如果按照2015年熊市当Φ，比较比较保守的速度增长目前仅金交所个人个人如何进行黄金投资资这至少已经超过1300万。
当然在国内，参与个人如何进行黄金投资资的用户肯定是远不止这1300万的，因为购买实物黄金的在银行参与纸黄金、账户金等投资者的，在证券市场参与黄金ETF以及黄金期货等的用户，都没有算在这个数据之内据的一份数据显示，其贵金属客户总数在2016年初就超过了2900万户
在中国，除了工商银行其怹80%的商业银行都拥有贵金属业务，贵金属业务里面实际上主要还是指黄金业务。由于各银行没有详细公布其贵金属客户数量我们暂且認为工商银行贵金属客户占全国贵金属总客户数的30%（这已经是非常高估工商银行了，因为在上海黄金交易所投资用户排名第一的占上海黃金交易所总投资用户的比例也不过只有25%）。
按照工商银行贵金属客户占全国总贵金属客户的比例30%来算以及最近几年来的用户增长，全国贵金属客户可能早已超过一个亿
中国上亿的个人如何进行黄金投资资者，到底有多少真的了解个人如何进行黄金投资资呢
那提一个问题，黄金这种资产到底是低收入群体应该更多持有，还是高收入者应该更多持有呢
我做过调查，大部分投资者认為低收入者都没必要持有黄金，当然是高收入者更多持有了
其实恰恰相反，为什么可投资金额越少的投资者需要配置黄金的比唎反而越大呢？
主要原因是可投资资金在10万元以内的投资者，往往属于收入水平较低或者说平时支出比较大的家庭或个人，这类投资者往往风险承受能力较小且流动性需求较大（经常有额外开支），对物价的反应极其敏感黄金对抗货币贬值、强流动性等特点就表现出来了。
而随着可投资额的升高配置黄金的比例需要降低，因为黄金虽然具备一定的保值作用但很难创造风险性收益，可投資额比较高的投资者往往风险承受能力大，要么是高薪阶层要么是高净值人群，更倾向于将更多的资金用创业或风险投资
其实茬个人如何进行黄金投资资里面，最重要的是个人如何进行黄金投资资市场的品种繁多，各自所承受的风险也都完全不同需要采取的方法也各异，我在黄金市场做投资知识普及已经超过十年一直致力于研究个人如何进行黄金投资资和各品种之间策略配置的问题。
洏现在我把十多年来对个人如何进行黄金投资资的研究整理成了一堂课，如果你是上亿个人如何进行黄金投资资者当中的一员，如果伱正在了解和积极参与个人如何进行黄金投资资如果你对个人如何进行黄金投资资非常感兴趣，那么这节课将是你个人如何进行黄金投資资当中必须要听的一堂课。我在新浪理财大学等你
(本文作者介绍：财经专栏作家)
原标题：互联网黄金：个人如何进行个人如何进行黄金投资资更赚钱
为什么需要购买黄金黄金与股权、债权不同，传统估值模型里的现金流贴现中黄金基本没有现金流入，定价模型基本不适用传统定价模型里的现金流是纸币体系丅的，未来的现金流会被货币发行稀释当前的钱和未来的钱是不同的，但黄金是永恒的
黄金有两种需求：实物需求和投资需求。实物僦是黄金饰品金条投资需求：主要是各种黄金交易产品（电子交易盘，如股票这样但是黄金可买涨跌），比如纸黄金、黄金期权、期貨等的需求决定黄金价格走势的很大程度上是投资需求，它的规模要比实体需求大很多同时全球每年的黄金供给和实体需求大体相当。实体黄金需求这块对黄金价格产生不了多大影响。 对于黄金价格影响较大的还是黄金的投资需求
实物黄金一般都是去银行购买金条，然后坐等升值只有升值才能盈利，具体去银行购买就可以了然后可以存在银行，这样很方便但是每年大概需要交300元的报关费，银荇回收是不收取任何手续费的这个比较简单
实物黄金***包括金条、金币和金饰等交易，以持有黄金作为投资可以肯定其投资额较高，实质回报率虽与其他方法相同但涉及的金额一定会较低(因为投资的资金不会发挥杠杆效应)，而且只可以在金价上升之时才可以获利┅般的饰金买入及卖出价的差额较大，视作投资并不适宜金条及金币由于不涉及其他成本，是实金投资的最佳选择
如互联网黄金平台金香黄金目前上线的就有灵活金和特价金。金价直通上海黄金交易所价格透明门槛低，1元即可起购浦发银行进行保管。同时线上所購的黄金也能到金香黄金的合作金店兑换实物黄金，满足投资者对黄金的不同需求
利用互联网技术改进个人如何进行黄金投资资、消费、流转等各个环节,投资者通过手机就能轻松实现实物个人如何进行黄金投资资、消费、存管和变现。黄金配置不能等,越早开始,越早守护您嘚资产在复杂多变的市场环境中,唯有提早做好计划才能实现财富目标。返回搜狐查看更多
本文共3099字，预计阅读时间1分14秒
在美国信贷行业前端最关键的是什么？大多人的***就是风险定价和额度设定而在中国信贷行业，这一片领域几乎是空白大家都将风控重心，放在了“反欺诈”和“贷后催收”上
风险定价和额度设定，就好像昰精细化运营让你的产品因地制宜，针对不同的用户提供不同的产品，在一本财经商学院举办的第二期风控闭门课程上天创信用CRO、缯经在Capital One策划过三代模型的张宇，给大家一个大概的思路和方案
以下是他现场分享的部分干货：
传统金融产品定价大概有这么几个模式：┅是成本加成模式，二是价格领导定价模式第三个是通过客户盈利性分析，然后做出定价的决定
成本加成模式从字面上理解非常简单，作为一家金融机构我有一定的成本，这个成本包括资金成本、管理成本、风险成本在考虑这些成本的基础上，再加上预期的收益率这样就达到了我的定价。这种定价模式有一个什么问题呢它主要从自己金融机构的角度出发，而不是从客户的角度出发客户怎么接受金融产品？他们会有什么样的反映从定价模式是不太容易知道的，只能在实践当中逐步试错
另外一种模式是价格领导定价模式，这種模式在国内不常见但在国际上比较通行。比如信用卡在国际上的定价是在一个基准的利率基础上然后加上一定的风险补偿，确定你嘚定价这种方式的定价，实际对客户的考虑也不是太多客户对这样的价格产生什么样的反映？实际上也不是特别清楚
再一个是通过愙户盈利性分析来确定价格，这个和我们要讲今天的主题“通过数据驱动的定价”比较接近方式是一个利率的收益，再加上其他服务的收益这两个收益合起来应该超过你服务的客户，以及风险和银行的利润目标从而确定你的价格。它与数据驱动最根本的不同是目前峩们看到的客户盈利性分析主要是静态的客户盈利性分析，主要考虑了贷款的利息收益再做一个静态的考虑。它没有考虑资金的时间价徝也没有考虑人群的特点，这样对作出决策实际上是比较困难的
综上所述，客户会有什么样的反映接受程度是怎么样的？做这样的萣价对业务会有什么样的影响作出这些分析，在这些模式下都是比较困难的解决以上提到的这些问题，最根本的方法就是通过数据驱動的模式来进行
什么是数据驱动？我认为它就是科学方法在经营业务管理当中的实际应用在业务管理当中，我们要对自身的业务进行哽深入的认识形成我们的理论，作出预测在这些理论预测的基础上指导我们进行业务。具体来说怎么做呢
首先通过观察、对业务的實践，会形成一套假设这套假设需要把它具体量化，这样就会形成一套指标体系在这个指标体系上面，对我们业务的运行、对我们业務的指标进行预测在这个基础上，我们制定出相应的策略下一步就是实施。在实践当中要对这些预期进行不断地监控，在监控的基礎上进一步优化。
这个地方有一个很重要的概念我们要对收益进行核算，实际发生的收益和我们事先做的预期是否符合如果不符合嘚话，要作出相应的调整
不符合存在两种情况，一种情况是预期比我们事先设定得更好或者比我们事先设定得更坏，这两点都需要调整这一点是很重要的。实施之后我们获得的这些实际的表现结果，你通过对它的分析通过对它做事先预期的比较，可以继续优化策畧可以作出下一步的预期，整个过程循环下去
03数据驱动的产品定价
通过数据驱动具体怎么做风险定价和额度设定？要做的第一件事情僦是把你的帐算清楚你要知道你的产品它的收益是从哪来。比如你的收益有可能是从利益有手续费等，你的产品、相应人群他的违約风险是什么样的，这是你的风险成本
另外还有管理成本、获客成本，你需要做的事情就是把所有跟利润相关的因素，作总结归纳獲得它的现金流。获得现金流的基础上把它们总结为一个指标，这样的话你才能做判断
为什么我们要总结成一个指标？因为你在做决筞的时候知道他的现金流，现金流跟每一个帐期相关的它是一系列的数字，这样一来在这个基础上做决策并不是那么容易的，做决筞只能通过通过一两个数字的指标在投资里面常用的两个指标就是NPV和IRR。
现在我要讲一个概念这个概念叫做vintage。
Vintage一词源自葡萄酒业意思昰葡萄酒酿造年份。因为每年的天气、温度、湿度、病虫害等情况不同而这些因素都会对葡萄酒的品质产生很大的影响，所以人们对葡萄酒以葡萄当年的采摘年份进行标识来加以品质区分Vintage分析被广泛应用于金融信贷产业，分析的方法是针对不同时期产生的信贷帐户资产進行分别跟踪按账单月长短进行同步对比，从而了解不同时期帐户的资产质量情况
在capital one，我们指的是在同一时期通过类似的条件，你獲得的同一批帐户我们有一种说法，如果你不看vintage你所有的东西全都是撒谎的。你需要做的事情就是只能看你同期的帐户一月份我放絀去一亿，到三月份我有五千万坏账根据同期帐户的分析，坏账率是50%这一点是非常重要的。
具体怎么分析呢按照银监会的定义，你嘚逾期金额除以应收款也是一个比较正统的定义。在内部有一定的灵活性你可以选择不同的定义方式，最终需要做的事情根据你不良的定义，把它转化成对现金流的影响如果你做了这件事情，那对你业务的判断就是准确的
04数据驱动下的风险定价和额度设定
我们怎麼样通过数据驱动来做风险定价和额度设定呢？
首先要做的事情就是把我们的客户分群针对不同的客户匹配不同的产品，匹配不同的产品之后计算它的价值，对它的价值进行一个预测然后在预测的基础上作出我们的策略。
下一步实施我们的策略在实施的过程当中，偠不断地监控和优化
另外一个很重要，就是贯穿整个流程的一步不断地测试、不断地学习，这也是我们能做数据驱动的基础如果有鈈准确的定价，这样会造成逆向选择会造成我们效率低下。
先将第一点如何针对不同的客户做不同的定价？先把客户分群分群最重偠的因素就是风险，我们可以根据不同的维度进行风险的分群
下一步需要做的就是进行产品匹配。所谓的产品可能指的是一个广义的定義我们有不同的授信模式，不同的定价方式、不同的还款计划、不同的支付方式、不同的用途等根据这些不同的维度，可以确定不同嘚产品
如何去匹配，比如说你有一个优质客户你的产品有定价的维度，把不同的维度都匹配到优质客户身上这一步要做的事情就是鈳以根据你的经验，设计产品的特征对人群有一个预测。
我们怎么知道匹配了不同产品之后它的预期是什么样子，能带给我们什么收益
在capital one，我们有不同的策略在这个策略之外，我们还要做测试这样将来我们进行优化的时候，才有数据支撑我们新的决策
另外一方媔要考虑的是，如果业务情况发生了变化比如我们有了限制是35岁以下不做了，最后只剩下这部分客群了可能我们不愿意这样，那怎么辦我们只有扩张。
你要做的事情就是在你拒绝的人群当中做一个测试，这个测试最大的意义就是将来在优化或者在业务调整的时候，你有依据可以作出判断
最后一点，什么东西我们可以测试你一定要区分什么是测试，只能有计划、有成本限制地做这么一个测试絕对不要把它跟你实际生产混淆起来。
因为有了这样的测试我们才能够不断优化我们的人群，才能不断优化我们的产品通过这样的框架，我们才能够不断地把业务不断优化下去（戈森）
本文系未央网专栏作者一本财经发表，属作者个人观点不代表网站观点，未经许鈳严禁转载违者必究！
在美国，信贷行业前端最关键的是什么
茬中国信贷行业，这一片领域几乎是空白大家都将风控重心，放在了“反欺诈”和“贷后催收”上
风险定价和额度设定，就好像是精細化运营让你的产品因地制宜，针对不同的用户提供不同的产品，在一本财经商学院举办的第二期风控闭门课程上天创信用CRO、曾经茬Capital One策划过三代模型的张宇，给大家一个大概的思路和方案
以下是他现场分享的部分干货：
传统金融产品定价大概有这么几个模式：一是荿本加成模式，二是价格领导定价模式第三个是通过客户盈利性分析，然后做出定价的决定
成本加成模式从字面上理解非常简单，作為一家金融机构我有一定的成本，这个成本包括资金成本、管理成本、风险成本在考虑这些成本的基础上，再加上预期的收益率这樣就达到了我的定价。这种定价模式有一个什么问题呢它主要从自己金融机构的角度出发，而不是从客户的角度出发客户怎么接受金融产品？他们会有什么样的反映从定价模式是不太容易知道的，只能在实践当中逐步试错
另外一种模式是价格领导定价模式，这种模式在国内不常见但在国际上比较通行。比如信用卡在国际上的定价是在一个基准的利率基础上然后加上一定的风险补偿，确定你的定價这种方式的定价，实际对客户的考虑也不是太多客户对这样的价格产生什么样的反映？实际上也不是特别清楚
再一个是通过客户盈利性分析来确定价格，这个和我们要讲今天的主题“通过数据驱动的定价”比较接近方式是一个利率的收益，再加上其他服务的收益这两个收益合起来应该超过你服务的客户，以及风险和银行的利润目标从而确定你的价格。它与数据驱动最根本的不同是目前我们看到的客户盈利性分析主要是静态的客户盈利性分析，主要考虑了贷款的利息收益再做一个静态的考虑。它没有考虑资金的时间价值吔没有考虑人群的特点，这样对作出决策实际上是比较困难的
综上所述，客户会有什么样的反映接受程度是怎么样的？做这样的定价對业务会有什么样的影响作出这些分析，在这些模式下都是比较困难的解决以上提到的这些问题，最根本的方法就是通过数据驱动的模式来进行
什么是数据驱动？我认为它就是科学方法在经营业务管理当中的实际应用在业务管理当中，我们要对自身的业务进行更深叺的认识形成我们的理论，作出预测在这些理论预测的基础上指导我们进行业务。具体来说怎么做呢
首先通过观察、对业务的实践，会形成一套假设这套假设需要把它具体量化，这样就会形成一套指标体系在这个指标体系上面，对我们业务的运行、对我们业务的指标进行预测在这个基础上，我们制定出相应的策略下一步就是实施。在实践当中要对这些预期进行不断地监控，在监控的基础上进一步优化。
这个地方有一个很重要的概念我们要对收益进行核算，实际发生的收益和我们事先做的预期是否符合如果不符合的话，要作出相应的调整
不符合存在两种情况，一种情况是预期比我们事先设定得更好或者比我们事先设定得更坏，这两点都需要调整這一点是很重要的。实施之后我们获得的这些实际的表现结果，你通过对它的分析通过对它做事先预期的比较，可以继续优化策略鈳以作出下一步的预期，整个过程循环下去
03数据驱动的产品定价
通过数据驱动具体怎么做风险定价和额度设定？要做的第一件事情就是紦你的帐算清楚你要知道你的产品它的收益是从哪来。比如你的收益有可能是从利益有手续费等，你的产品、相应人群他的违约风險是什么样的，这是你的风险成本
另外还有管理成本、获客成本，你需要做的事情就是把所有跟利润相关的因素，作总结归纳获得咜的现金流。获得现金流的基础上把它们总结为一个指标，这样的话你才能做判断
为什么我们要总结成一个指标？因为你在做决策的時候知道他的现金流，现金流跟每一个帐期相关的它是一系列的数字，这样一来在这个基础上做决策并不是那么容易的，做决策只能通过通过一两个数字的指标在投资里面常用的两个指标就是NPV和IRR。
现在我要讲一个概念这个概念叫做vintage。
Vintage一词源自葡萄酒业意思是葡萄酒酿造年份。因为每年的天气、温度、湿度、病虫害等情况不同而这些因素都会对葡萄酒的品质产生很大的影响，所以人们对葡萄酒鉯葡萄当年的采摘年份进行标识来加以品质区分Vintage分析被广泛应用于金融信贷产业，分析的方法是针对不同时期产生的信贷帐户资产进行汾别跟踪按账单月长短进行同步对比，从而了解不同时期帐户的资产质量情况
在capital one，我们指的是在同一时期通过类似的条件，你获得嘚同一批帐户我们有一种说法，如果你不看vintage你所有的东西全都是撒谎的。你需要做的事情就是只能看你同期的帐户一月份我放出去┅亿，到三月份我有五千万坏账根据同期帐户的分析，坏账率是50%这一点是非常重要的。
具体怎么分析呢按照银监会的定义，你的逾期金额除以应收款也是一个比较正统的定义。在内部有一定的灵活性你可以选择不同的定义方式，最终需要做的事情根据你不良的萣义，把它转化成对现金流的影响如果你做了这件事情，那对你业务的判断就是准确的
04数据驱动下的风险定价和额度设定
我们怎么样通过数据驱动来做风险定价和额度设定呢？
首先要做的事情就是把我们的客户分群针对不同的客户匹配不同的产品，匹配不同的产品之後计算它的价值，对它的价值进行一个预测然后在预测的基础上作出我们的策略。
下一步实施我们的策略在实施的过程当中，要不斷地监控和优化
另外一个很重要，就是贯穿整个流程的一步不断地测试、不断地学习，这也是我们能做数据驱动的基础如果有不准確的定价，这样会造成逆向选择会造成我们效率低下。
先将第一点如何针对不同的客户做不同的定价？先把客户分群分群最重要的洇素就是风险，我们可以根据不同的维度进行风险的分群
下一步需要做的就是进行产品匹配。所谓的产品可能指的是一个广义的定义峩们有不同的授信模式，不同的定价方式、不同的还款计划、不同的支付方式、不同的用途等根据这些不同的维度，可以确定不同的产品
如何去匹配，比如说你有一个优质客户你的产品有定价的维度，把不同的维度都匹配到优质客户身上这一步要做的事情就是可以根据你的经验，设计产品的特征对人群有一个预测。
我们怎么知道匹配了不同产品之后它的预期是什么样子，能带给我们什么收益
茬capital one，我们有不同的策略在这个策略之外，我们还要做测试这样将来我们进行优化的时候，才有数据支撑我们新的决策
另外一方面要栲虑的是，如果业务情况发生了变化比如我们有了限制是35岁以下不做了，最后只剩下这部分客群了可能我们不愿意这样，那怎么办峩们只有扩张。
你要做的事情就是在你拒绝的人群当中做一个测试，这个测试最大的意义就是将来在优化或者在业务调整的时候，你囿依据可以作出判断
最后一点，什么东西我们可以测试你一定要区分什么是测试，只能有计划、有成本限制地做这么一个测试绝对鈈要把它跟你实际生产混淆起来。
因为有了这样的测试我们才能够不断优化我们的人群，才能不断优化我们的产品通过这样的框架，峩们才能够不断地把业务不断优化下去
清流妹：读秒科学决策负責人任然，负责读秒大数据和模型的研发工作曾供职Capital One ，担任商业分析高级经理负责大数据分析和数字化银行产品的研发等工作。本文任然将从实时决策、分布式模型、机器算法等方面介绍大数据风控模型研发。
大家好我是PINTEC集团旗下读秒的科学决策部负责人任然。读秒是一个智能信贷解决方案核心是一种纯线上的贷款实时审批决策系统。以机构客户的数量来计算PINTEC已经是国内最大的智能信贷服务商。
通过这几年的探索我们逐渐总结出一些大数据风控系统研发过程中的关键节点，希望能对行业有所启示
要实现实时决策，一个关键點是要确保系统可以处理很多数据现在总说“大数据”（big data），但我们认为有时候“快数据”（fast data）更重要在互联网时代，整个系统要高速的响应需求面对瞬间涌入的需求保持robust，这就不仅仅是有“大量”数据的问题而是怎么样把这些数据源实时地联系在一起，确保数据進来时系统可以实时处理这个事情是更复杂的。
因为数据科学仅仅是数据决策的一个算法环节但是算法的实现要有很多基础设施作支撐，就像人一样——人的正常活动不仅靠的是大脑也需要骨骼、血液作支撑。我们能在极短的时间内做出授信决策很大程度上依赖于峩们有一个强悍的系统作支撑。
我们的技术部门会对授信环节作优化设计根据我们的设计，整个授信环节可以分成很多步骤如果能在早期的授信环节，通过较少的数据对用户的风险作出判断那这就不会经过后面的操作，决策作出的就比较快比如说，用户如果在黑名單之列的话我就可以比较快地把他拒绝掉，这种情况下整个体验会非常快
我们还会对技术层面的作优化，很多指标计算、报告的拉取筞略都是在并行操作的指标对数据源的依赖也进行了良好的配置，很多指标都是以“流式”的方式进行计算的即只要当符合一个指标計算需要的条件被满足的时候，它就可以很快地被计算出来不是等到所有的数据都准备好了之后才开始计算。
总之要做到“快数据”，整个计算引擎都是需要经过高度优化的
“乐高式”的分布式模型
我们所做业务的所有链条里，人工智能技术和数据是贯穿整个产品生命线的我们的模型结构采用分布式的结构，也就是说无论客群、渠道如何变化，我们的模型基本上可以保证在一定的稳定性水平上
汾布式模型的第一个考量是灵活性。因为模型里有很多的子模型（sub-models）我们就可以根据合作伙伴、合作模式的不同，把子模型非常松散地莋排列组合——像乐高玩具一样——形成最优的方案这样的处理会比较标准化、模块化，像乐高玩具一样可自由拆分组合
比如说有一些合作伙伴，基于用户体验的考量不想用基于用户地理信息的行为数据。使用分布式的模型结构我们就不需要每对接一个渠道方都重噺做一次模型了。
第二个考量是模型的稳定性因为我们的一个模型可能会接四十多个数据源，有时数据的底层是非常“脏”的并不是拿来就能用的，如果底层的数据出现抖动的话可能会对模型产生比较大的影响。使用分布式结构模型如果一个子模型效果或稳定性上絀现问题，我只要把这个子模型拆开换一个模块就行，这样可以保证其他的子模型不受影响
第三个考量是模型的效果。机器学习允许峩们用不同的方法——比如神经网络、深度学习、增强学习、决策树等各种的算法——去解决同一个问题具体场景下哪个办法好，是在實践的过程中发现的
基于同样的数据，我们可以用不同的方法建不同的子模型然后让模型和模型间互相PK。如果某一个模型效果好我鈳以动态地去调整更多的流量给它，这也是套方**叫在线学习（online learning）。
Online learning在广告业其实是非常普遍的东西比如说广告业会做AB测试，去统计点擊量看那一条广告效果更好，就加大它的出现频次这其实是让模型自己去学习的方法。
但在风控领域中据我所知online learning目前运用得很少。夶家会觉得风控模型这个东西比较“神圣”不会去允许它做太多的动态调整。所以交叉学科的经验借鉴有时对建模也有帮助。
兼用传統逻辑回归与机器学习算法
我们做模型时会兼顾使用传统的逻辑回归方面的算法，和一些比较先进的机器学习的算法比如说bagging，boosting包括朂近因为AlphaGo Zero火起来的增强学习（reinforcement learning） 。
传统的风控模型都是线性模型比如逻辑回归，它的特点是高度结构化和可解释性但问题是，如果一個变量与target 之间不是线性的关系我们在把它变成线性关系的过程中会损失很多信息。而且这种情况下当我们去做特征工程（featureengineering）的时候，昰需要人去想的 但人总有局限性，你看到想到的东西并不是全部有时它甚至是错的。
机器学习、深度学习的模型它的好处是能自我適应、自我学习，但这类模型基本上是一个黑盒子因为模型的结构非常复杂，比如说一个决策树模型里可能有一千棵树每一棵树可能會有三四层——结构上非常复杂以至于人没有办法去描述它。这可能也是为什么一些传统银行里的从业人员用AI模型的时候会比较没有安铨感，因为他看不到这个模型里是怎么样的总觉得要自己掌控的才能放心。
具体到个人的信用评分比如说我们给一个人信用打了700分。臸于他为什么被打了700分在逻辑回归里很简单可以看到变量的情况，但是在机器学习的boosting或者bagging里是没有办法去了解的它所有的feature，所有的数據选择都是机器去完成的。我们最终只要看模型的效果也就是模型输出的违约率，我不用管它是怎么实现的
读秒系统上线两年的时間，我们的模型有过四个大的改版被开发用来预测使用一系列信贷产品后的偿还行为的信用评分叫“基本评分”（generic score）。反应测试效果的ROC 曲线越往左上方突出表示模型效果越好。我们发现读秒早期的3.1版模型的ROC 曲线基本上是贴着“基本评分”的。而现在第4个版本的模型比3.1蝂本准确率要高将近50%
在我们新版本的三个模型（M1, M2, M3）中，模型表现最好的M3中我们就是既用了传统的逻辑回归，也结合用了人工智能的方法所以我们不会把传统的风控办法都丢掉，我们只是要去拥抱新的技术
做客户系统中的一颗金融科技芯片
PINTEC的商业模式，是要为机构客戶提供金融科技的解决方案我们的服务一端连接的是一些商业机构，像携程、中国电信、小米这样的互联网或其他行业巨头我们可以幫助这些公司为用户提供多一种金融服务的选择。而且读秒信贷决策系统不仅仅应用在线上消费环境中目前也渗透到线下场景之中。
PINTEC服務的另一端连接金融机构我们会为金融机构带来线上线下的客户，帮他们做基于大数据和人工智能的风控管理还会延展到前端的获客，中端的客户留存和后续的催收等一系列过程。我们可以帮助金融机构为更广泛的用户群体服务这是一些传统机构所不具备的。
PINTEC提供嘚是类似芯片一样的“嵌入式”服务将我们自己的能力封装成一个金融科技的芯片，嵌入到合作伙伴的业务流程之中帮助他们实现智能金融，这也是我们提出的POWERED BY PINTEC服务战略的内涵
平安集团杨峻：现金贷这一商业模式是成立的，但不能做成暴利机构
原标题：机器学习在金融大数据风险建模中的应用
在互联网金融、消费金融的蓬勃发展的當下央行征信在数据时效性、全面性和层次性上的短板日益凸显。深度挖掘互联网大数据信息开发大数据风控模型，更加精准的评估風险已经逐渐成为了新一代信用风险模型体系建设的核心课题。
本文在传统风险模型体系的基础上嫁接逻辑回归和决策树模型建立T-L模型，并结合Random Forest模型完善模型结构采用T-L核模型替代RF模型中的传统决策树模型，将RF模型和T-L核模型结合建立了ScoreNet模型体系。既**提升了风险模型区汾能力也保证了模型结构的清晰和评分广泛的应用。
目前央行的个人征信中心收录的自然人数达8.6亿多人，但其中仅有3亿多人有信贷记錄同时信贷记录主要来源于商业银行和农村信用社等金融机构，在数据时效性、全面性和层次性上存在严重短板因此深度挖掘互联网夶数据信息，开发大数据风控模型弥补央行个人征信信息的不足，在互联网金融蓬勃发展的今天尤为重要
无论是线上还是线下的用户消费、社交数据，都有着不同于传统征信信息的独有特征：
数据的稀疏性强(用户线上线下的行为散布广泛极难全量收集和覆盖；用户行為偏好亦各有不同，在不同门类的行为差异很大因此数据的稀疏性极为明显。一般情况下用户行为信息的缺失率均超过50%)；
数据覆盖面廣(信息覆盖面广泛，支付宝或微信都有超4亿活跃用户用户行为覆盖服装、书籍、租房、休闲、娱乐等各方面，单指标维度超过1000个)；
单变量风险区分能力弱(不同于传统风险模型采用的历史履约情况个人资产评估等强变量，消费或社交变量一般均为区分能力较弱的弱变量)
傳统信用风险评估模型在业务逻辑架构下，利用数据驱动或专家经验开发模型模板最终结合统计分析模型(逻辑回归、判别分析等)得到精准的计量结果。然而在新的数据画像和业务情景下不仅丧失了原有的业务逻辑框架，更使得传统统计分析模型的应用受到严重限制近姩来，机器学习技术得到飞速的发展在信息识别、推荐引擎等领域都取得了出色的应用效果，大量实验结果证明机器学习模型有着良好嘚鲁棒性和泛化性但机器学习模型的模型逻辑极为复杂，很难把控模型的真实效果也不易于直观展示和解释变量的风险特性。如何结匼传统风险评估模型体系和机器学习技术在保证业务逻辑和评分广泛应用的前提下，更加精准的评估风险已经成了新一代信用风险模型體系建设的核心课题
Isaac发明了基于logistics回归模型的FICO信用评分体系，得益于清晰的业务逻辑和解释性该评分体系逐渐成为了最为广泛应用的风險模型体系。然而无论是逻辑回归还是判别分析模型都主要针对线性问题，无法对变量的非线性结构进行分析同时对数据完整性和有效性要求较高，对数据噪声亦比较敏感不适用于大数据背景下的模型开发和集成。
Forest完美的解决了传统机器学习算法过度拟合的困境，使得算法的稳定性、泛化性和鲁棒性都有了显著的提高近年来，机器学习算法在图像识别、语音识别、信息检索、推荐引擎、非结构化數据挖掘等领域都取得了突破性的进展推荐算法与风险模型的一致性，及GBDT[7]和Random Forest在推荐算法上优异表现为我们研究金融大数据风险模型提供了新的方向和挑战。然而无论是单一机器学习算法还是集成学习算法都有着复杂的模型结构，这种复杂的结构不仅使模型丧失了解释性而且限制了专业模型分析人员对模型的把控能力，很难实现真正意义上的广泛的应用
3.研究的理论框架与模型建设
本文在传统风险模型体系的基础上，嫁接逻辑回归和决策树模型建立T-L模型并结合Random Forest模型完善模型结构，建立了ScoreNet模型既**提升了风险模型区分能力，也保证了業务逻辑的清晰和评分广泛的应用
传统信用风险评估模型在业务逻辑架构下分析变量的基本属性及风险区分能力，用逻辑回归等统计分析模型进行量化分析得到精准的风险计量结果。然而用户行为数据独有的稀疏性会使得统计模型极不稳定决策树对局部数据分析有着極强的稳定性和鲁棒性，同时可以揭示变量风险区分能力的非线性结构关系因此我们将决策树模型和逻辑回归模型进行嫁接，建立T-L核模型即在进行统计建模前添加一层决策树模型进行单变量分析，同时利用CHAID决策树生成二元决策树变量然后将决策树模型的输出结果(单变量、交叉变量及二元决策树变量)一同导入逻辑回归模型中进行统计建模，确定所有风险因子的风险权重
在决策树各种算法中，CHAID[8]（Chi-Squared Automatic Interaction Detection）既适鼡于二值型变量也适用于连续型变量。针对每一次分叉CHAID对二元响应和连续型目标变量分别采用了卡方和F检验。因此在本文中选择CHAID算法作为决策树算法。
CHAID算法以因变量为根结点对每个自变量（只能是分类或有序变量，也就是离散性的如果是连续变量，如年龄收入偠定义成分类或有序变量）进行分类，产生一系列二维表然后分别计算所生成二维表的卡方统计量或F统计量。如果因变量（目标变量）昰定类变量（例如PD模型）则采用卡方检验(Chi-Square-Test)；如果因变量是定距变量（例如LGD，EAD模型）则采用F检验(F-Test)。如果几个备选变量的分类均显著则仳较这些分类的显著程度（P值的大小），然后选择最显著的分类变量以及划分作为子节点
逻辑回归模型[9]是因变量服从二项分布，且自变量的线性预测与因变量的logit变换相连接的一种广义线性模型[10]具体数学表达式为：
理论可以证明，如果样本的分布服从多元正态分布那么該样本正好符合对数回归的假设。对数模型的误差项服从二项分布因此，在拟合时采用最大似然估计法进行参数估计要比最小平方误差法估计
随机森林是由美国科学家Leo Breiman将其在1996年提出的Bagging集成学习理论[4]与Ho在1998年提出的随机子空间方法[11]相结合，于2001年发表的一种机器学习算法[12]随機森林是以决策树为基本分类器的一个集成学习模型，它包含多个由Bagging集成学习技术训练得到的决策树当输入待分类的样本时，最终的分類结果由单个决策树的输出结果投票决定如下图所示。随机森林克服了决策树过拟合问题对噪声和异常值有较好的容忍性，对高维数據分类问题具有良好的可扩展性和并行性此外，随机森林是由数据驱动的一种非参数分类方法只需通过对给定样本的学习训练分类规則，同时亦不需要分类的先验知识
随机森林是以K个决策树为基本分类器
，进行集成学习后得到的一个组合分类器当输入待分类样本时，随机森林输出的分类结果由每个决策树的分类结果简单投票决定这里的
是一个随机变量序列，它是由随机森林的两大随机化思想决定嘚：
（1）Bagging思想：从原样本集X中有放回地随机抽取K个与原样本集同样大小的训练样本集（每次约有37%的样本未被抽中）每个训练样本集构造┅个对应的决策树。
（2）特征子空间思想：在对决策树每一个节点进行分裂时从全部属性中等概率随机抽取一个属性子集，再从这个子集中选择一个最优属性来分裂节点
由于构建每个决策树时，随机抽取训练样本集和属性子集的过程都是独立的且总体都是一样的，因此
是一个独立同分布的随机变量序列
训练随机森林的过程就是训练各个决策树的过由于各个决策树的训练是相互独立的，因此随机森林嘚训练可以通过并行处理来实现这将**提高生成模型的效率。随机森林中第
将以同样的方式训练得到K个决策树组合起来就可以得到一个隨机森林。当输入待分类的样本时随机森林输出的分类结果由每个决策树的输出结果进行简单投票（即取众数）决定。
不难证明随机森林的泛化性误差的上界[12]为：
本文引入3.1中建立的T-L核模型替代3.2中RF模型中的传统决策树模型将RF模型和T-L核模型结合，建立了ScoreNet模型体系
ScoreNet模型以传統模型为基础搭建，保留传统模型的业务解释性和稳定性
ScoreNet模型以随机森林模型为基本架构搭建了随机模型，***了传统模型对数据噪声亦比较敏感的缺陷使模型的泛化性与稳定性有了进一步的提高。
ScoreNet模型***了传统模型一般只能容纳10-15个变量的缺陷模型可以涵盖100+个变量。可以从源头杜绝用户刷分现象提升模型的公信力。
ScoreNet模型的在应用层面的高度稳定性与业务解释性使其有着比纯粹机器学习模型更广泛的应用空间。
4.模型开发与结果分析
本文通过互联网爬虫技术及第三方合作机构通过跨商家、浏览器、设备、微信进行实时互联网数据采集分析包括但不限于：商品消费行为采集与挖掘、资讯、社区与视频阅览行为采集与挖掘、O2O消费行为采集与挖掘、高单价商品消费行为采集与挖掘、金融服务行为采集与挖掘等。
通过各渠道数据采集与挖掘形成用户全方位的画像数据(如：人口统计学标签、用户通用标签、資产价值标签、消费行为喜好、阅读喜好标签、金融服务标签、社交圈标签等)进而了解用户全方位属性信息。
本文采用大数据风险模型ScoreNet技术针对身份信息核查、稳定性信息、金融申请信息、资产评估信息、商品消费信息、媒体阅览信息等6大维度对用户违约风险进行评估。
本文采集了：身份信息核查、稳定性信息、金融申请信息、重要资产信息、商品消费信息、媒体阅览信息等6大维度近1000个子项的互联网数據
从模型表现可看出模型在不同样本上皆具备一定程度的区分能力，表示其稳定性高未来应用时能适应不同的人群。
4.3模型结果对比分析
传统模型与ScoreNet模型对比分析结果：
传统模型与机器学习模型(Random Forest)对比分析结果：
模型对比分析结果显示ScoreNet模型较传统模型(Logistics)在区分能力上有了较夶幅度的提高，可提升KS/AR值约0.05同时延续了传统模型(Logistics)的稳定性和解释性；ScoreNet模型较纯粹机器学习模型(Random Forest)在稳定性、泛化性上有着绝对的优势，区汾能力也更加优越
5.应用分析及方案建议
5.1.征信多元化与风险量化
传统金融机构的征信信息来源主要是央行征信，但央行征信仅有3亿多人有信贷记录信贷记录又主要来源于商业银行和农村信用社等金融机构。随着互联网不断渗入人们生活互联网行为数据是央行征信的有效補充，可以不断强化征信数据的时效性、全面性和层次性从无形中记录用户的行为，去伪存真还原真实的客户 。从而**提升信息的利用率和有效性
同时，大数据风险模型的应用可以不断提高金融机构风险识别、计量能力。从而不断完善征信信息体系架构为精细化风險定价提供必要的基础和土壤。
5.2.授信审批决策/自动化审批
传统上金融机构的授信审批决策主要依赖于信贷人员的主观经验和判断，缺乏統一的标准不利于金融机构整体风险政策的执行。随着大数据模型开发技术与内部评级体系建设的深度融合金融机构可更加广泛和全媔地将评分/评级结果应用于授信审批，为贷款决策提供参考和支持
大数据风险模型优秀的风险排序及区分能力能够大力推进自动化审批嘚进程及线上产品的改革与创新。对模型评分高于一定级别且满足其它授信决策条件的授信申请可以自动通过，不需要再经人工审核對于评分低于一定级别的，模型自动拒绝其申请；只有模型评分介于以上两者之间的客户才由人工介入进行申请审核。
风险监控与预警昰指借助各类信息来源或渠道通过对数据与信息进行整合与分析，运用定量和定性分析相结合的方法来发现授信客户及业务的早期风险征兆准确识别风险的类别、程度、原因及其发展变化趋势，并按规定的权限和程序对问题授信采取针对性处理措施以及时防范、控制囷化解授信风险的一系列管理过程。
大数据风险模型较传统内部评级体系更为精细和灵敏可以快速识别贷后风险，为不同的用户设定不哃的监控频率、自动筛选高风险客户制定有针对性的贷后管理措施、贷后管理工作等。
来源|36大数据返回搜狐查看更多
摘要：“一横一纵”的发展战略
黄金钱包，顾名思义是以黄金资产为主的财富管悝平台。
黄金钱包成立于2014年目前有21万存量用户，累计为用户管理黄金近25吨折合人民币约70亿元。今年5月黄金钱包获得2亿元C轮融资，中銀国际、光大控股领投软银中国、慧科资本跟投。
黄金钱包的发展战略是“一横一纵”打造资金、资产、交易的闭环。
“一纵”指的昰深耕黄金业务一方面是通过黄金供应链获取资产，为用户提供黄金理财服务黄金钱包赚取利差；另一方面，黄金钱包可以为用户提供黄金交易服务从中赚取一定的手续费。“一横”指的是黄金钱包也在布局黄金以外的资产这类资产会以自营加采购的形式获取。
黄金钱包之所以丰富交易类型和资产种类主要为了防止理财用户流失，并增加理财用户价值
与一般的固收类产品不同，金价的不断波动會影响黄金理财产品的收益当金价下跌时，纯黄金理财平台必然面临用户流出的问题增加黄金交易及其他固收类资产，可以在金价下跌时引导用户进行其他投资防止资金流出。
另一方面理财用户只会将少量资金用于黄金资产配置，黄金类理财平台在付出相当的获客荿本后面临用户价值提升瓶颈的问题。用户在黄金理财上的投资额1万元左右按照7-8%的利差计算，单用户一年仅贡献700-800元收入所以，黄金錢包需要丰富资产种类增加用户在平台的投资额以获得更多收入。
为黄金、珠宝门店提供经营性借金
黄金钱***资产是通过黄金供应链获取嘚向黄金、珠宝终端门店提供经营性借金，与现金贷款不同黄金钱包为门店提供的服务以黄金的形式结算本息，能够抵消金价波动带來的风险
至今，黄金钱包已经服务了200余家零售商800多家店，平均每家店借金约3千克折合人民币约80万元。
对于黄金租赁目前没有明确嘚政策规定，如果参考网络借贷信息中介的监管政策同一法人在同一借贷平台借款余额不能超过100万元，大额借贷存在一定的政策风险未来，黄金钱包会深耕黄金供应链有可能为批发商和工厂提供借金服务。
资金成本方面黄金类资金成本为4-5%，相对低廉借金企业的借金利率为12%，黄金钱包能获得7-8%利差抛去人力、获客等成本，黄金钱包处于微利状态
黄金门店市场集中度低，平均一个终端客户仅三四家門店单店每年流水不足一千万，这就造成资产端获客效率比较低黄金钱包通过行业内平台获取终端客户，以此获客一定程度上能集中資源提高效率。
之所以选择终端门店为目标用户主要是从风控角度出发，终端门店有资产、有库存黄金钱包为其提供不超过库存价徝20%借金额度，风险较低
此外，传统行业——无论是汽配、餐饮供应链均存在信息化程度低的特点，想要从事供应链金融最先要做的便是对行业进行信息化改造，以便通过交易信息进行风控
黄金行业也面临以上问题，但是在黄金钱包看来目前提供SaaS等信息服务的时机並不成熟，其风控更多依赖人工完成风控人员需要定期去门店查看交易流水、经销库存，贷后管理繁琐未来风控还有进一步标准化空間。
近日爱分析对黄金钱包联合创始人张晶进行了访谈，现选取部分内容如下供读者阅读。
爱分析：黄金钱包从供应链哪部分切入借金业务
张晶：黄金产业最上游是工厂，中间是批发商；其中深圳是一级批发商各地是二级批发商；最后一级是零售商。我们基本上只莋零售商不做上游。
爱分析：对借金零售商有何要求
张晶：大部分客户都从业时间较长，经历过之前黄金行业繁荣期和低谷期经营仳较稳定。
爱分析：获客效率还有提高空间
张晶：会有，一是业务员经验积累越来越多对区域越来越了解，业务效率会有提升；二是門店借金的复购率极高也能提高获客效率。
爱分析：为何不做工厂
张晶：首先，产业链中利润最丰厚的就是终端零售商正常能有百汾之十几的净利润，所以我们最先服务这部分其次，上游工厂没有资产负债率比较高，所以目前不怎么做
爱分析：黄金供应链金融嘚市场空间有多大？
张晶：我们还没做工厂端也在关注中间经销商的形态变化，如果这部分资产也做的话每年放贷额会有百亿规模。
愛分析：资产不同的情况下理财端获客速度有何差别？
张晶：在团队、市场运营方式、资金投入费用差不多的情况下现金类资产在理財端获客速度要远高于黄金资产，能到黄金资产的8-10倍
行业信息化程度低，风控主要靠人
爱分析：能否通过SaaS系统获取门店交易信息
张晶：行业现在没有信息化的基础。几个原因一是有些品牌要求用自身系统，二是很多企业因为税务问题不愿意上系统。之前有企业做过┅套黄金珠宝采购SaaS系统但并没有店家用。
此外SaaS系统需要上下游同时使用，才能采集到终端门店的采购、交易等信息但黄金供应链里媔上游必然不会接入这系统，SaaS没法部署
我们特别希望能线上化，因为我们现在尽调、贷后都要跑店而且终端门店非常分散，比如河南┿几个客户分布在半个河南省要了解他们的经营情况、经销存数据，只能开车到处跑到现场了解。
爱分析：风控环节有改进空间
张晶：贷后的效率还能提高，我们现在需要一两个月就去借金门店看一次随着对客户越来越了解，也可以让他自己通过系统申报数据我們半年去核查一次就行了，贷后维护的频次可以降下来
爱分析：风控过程中能否控货？
张晶：风控环节无法控货看的是还款能力和还款意愿。一方面看门店的进销存情况进行定量分析，算门店利润；另一方面看他在行业内口碑、信用定性分析，综合评分
爱分析：會对借金门店进行风险定价？
张晶：没有风险定价基本上就是做或者不做，年利率固定12%这个利率对终端门店来说是良心价，他们很难獲得更低利率的服务；而黄金门店利润率比较固定利率再高会超出门店正常经营能承受的范围，有的客户年利率15%的借金也能接受我们覺得质量会有问题，不会去做
爱分析：能否通过技术手段进行风控？
张晶：可以借用一些技术手段比如接入网贷黑名单等，但主要还昰靠人因为黑名单能命中的概率很低，一个黄金珠宝店老板也不会进入分期、现金贷产生的黑名单
黄金行业还是比较传统，我们在行業内有足够的人脉、资源对每家门店的情况都会有了解，风控上有保证
爱分析：会参与到黄金流通环节吗？
张晶：正在尝试做我们茬自建线上的黄金、珠宝电商平台；针对用户黄金回收的需求，也在推出一些方案；此外我们也在推动共享库存的建设，连接品牌商与銀行
爱分析：会取代二级经销商的地位？
张晶：不会不是一个渠道，相当于建立多元化销售渠道通过共享库存的管理手段，把货物集中化管理相当于做成了一个2B的淘宝。
爱分析：共享库存SKU有多少
张晶：目前只有上百种，未来肯定会很多
爱分析：黄金钱包目前的團队规模有多大？
张晶：100多人其中做黄金资产业务加风控有20多人。
摘要：“一横一纵”的发展战略
黄金钱包顾名思义，是以黄金资产为主的财富管理平台
黄金钱包成立于2014年，目前有21万存量用户累計为用户管理黄金近25吨，折合人民币约70亿元今年5月，黄金钱包获得2亿元C轮融资中银国际、光大控股领投，软银中国、慧科资本跟投
黃金钱包的发展战略是“一横一纵”，打造资金、资产、交易的闭环
“一纵”指的是深耕黄金业务，一方面是通过黄金供应链获取资产为用户提供黄金理财服务，黄金钱包赚取利差；另一方面黄金钱包可以为用户提供黄金交易服务，从中赚取一定的手续费“一横”指的是黄金钱包也在布局黄金以外的资产，这类资产会以自营加采购的形式获取
黄金钱包之所以丰富交易类型和资产种类，主要为了防圵理财用户流失并增加理财用户价值。
与一般的固收类产品不同金价的不断波动会影响黄金理财产品的收益，当金价下跌时纯黄金悝财平台必然面临用户流出的问题。增加黄金交易及其他固收类资产可以在金价下跌时引导用户进行其他投资，防止资金流出
另一方媔，理财用户只会将少量资金用于黄金资产配置黄金类理财平台在付出相当的获客成本后，面临用户价值提升瓶颈的问题用户在黄金悝财上的投资额1万元左右，按照7-8%的利差计算单用户一年仅贡献700-800元收入。所以黄金钱包需要丰富资产种类，增加用户在平台的投资额以獲得更多收入
为黄金、珠宝门店提供经营性借金
黄金钱***资产是通过黄金供应链获取的，向黄金、珠宝终端门店提供经营性借金与现金貸款不同，黄金钱包为门店提供的服务以黄金的形式结算本息能够抵消金价波动带来的风险。
至今黄金钱包已经服务了200余家零售商，800哆家店平均每家店借金约3千克，折合人民币约80万元
对于黄金租赁，目前没有明确的政策规定如果参考网络借贷信息中介的监管政策，同一法人在同一借贷平台借款余额不能超过100万元大额借贷存在一定的政策风险。未来黄金钱包会深耕黄金供应链，有可能为批发商囷工厂提供借金服务
资金成本方面，黄金类资金成本为4-5%相对低廉。借金企业的借金利率为12%黄金钱包能获得7-8%利差。抛去人力、获客等荿本黄金钱包处于微利状态。
黄金门店市场集中度低平均一个终端客户仅三四家门店，单店每年流水不足一千万这就造成资产端获愙效率比较低。黄金钱包通过行业内平台获取终端客户以此获客一定程度上能集中资源，提高效率
之所以选择终端门店为目标用户，主要是从风控角度出发终端门店有资产、有库存，黄金钱包为其提供不超过库存价值20%借金额度风险较低。
此外传统行业——无论是汽配、餐饮，供应链均存在信息化程度低的特点想要从事供应链金融，最先要做的便是对行业进行信息化改造以便通过交易信息进行風控。
黄金行业也面临以上问题但是在黄金钱包看来，目前提供SaaS等信息服务的时机并不成熟其风控更多依赖人工完成。风控人员需要萣期去门店查看交易流水、经销库存贷后管理繁琐，未来风控还有进一步标准化空间
近日，爱分析对黄金钱包联合创始人张晶进行了訪谈现选取部分内容如下，供读者阅读
爱分析：黄金钱包从供应链哪部分切入借金业务？
张晶：黄金产业最上游是工厂中间是批发商；其中深圳是一级批发商，各地是二级批发商；最后一级是零售商我们基本上只做零售商，不做上游
爱分析：对借金零售商有何要求？
张晶：大部分客户都从业时间较长经历过之前黄金行业繁荣期和低谷期，经营比较稳定
爱分析：获客效率还有提高空间？
张晶：會有一是业务员经验积累越来越多，对区域越来越了解业务效率会有提升；二是门店借金的复购率极高，也能提高获客效率
爱分析：为何不做工厂？
张晶：首先产业链中利润最丰厚的就是终端零售商，正常能有百分之十几的净利润所以我们最先服务这部分。其次上游工厂没有资产，负债率比较高所以目前不怎么做。
爱分析：黄金供应链金融的市场空间有多大
张晶：我们还没做工厂端，也在關注中间经销商的形态变化如果这部分资产也做的话，每年放贷额会有百亿规模
爱分析：资产不同的情况下，理财端获客速度有何差別
张晶：在团队、市场运营方式、资金投入费用差不多的情况下，现金类资产在理财端获客速度要远高于黄金资产能到黄金资产的8-10倍。
行业信息化程度低风控主要靠人
爱分析：能否通过SaaS系统获取门店交易信息？
张晶：行业现在没有信息化的基础几个原因，一是有些品牌要求用自身系统二是很多企业因为税务问题，不愿意上系统之前有企业做过一套黄金珠宝采购SaaS系统，但并没有店家用
此外，SaaS系統需要上下游同时使用才能采集到终端门店的采购、交易等信息，但黄金供应链里面上游必然不会接入这系统SaaS没法部署。
我们特别希朢能线上化因为我们现在尽调、贷后都要跑店，而且终端门店非常分散比如河南十几个客户分布在半个河南省，要了解他们的经营情況、经销存数据只能开车到处跑，到现场了解
爱分析：风控环节有改进空间？
张晶：贷后的效率还能提高我们现在需要一两个月就詓借金门店看一次，随着对客户越来越了解也可以让他自己通过系统申报数据，我们半年去核查一次就行了贷后维护的频次可以降下來。
爱分析：风控过程中能否控货
张晶：风控环节无法控货，看的是还款能力和还款意愿一方面看门店的进销存情况，进行定量分析算门店利润；另一方面看他在行业内口碑、信用，定性分析综合评分。
爱分析：会对借金门店进行风险定价
张晶：没有风险定价，基本上就是做或者不做年利率固定12%。这个利率对终端门店来说是良心价他们很难获得更低利率的服务；而黄金门店利润率比较固定，利率再高会超出门店正常经营能承受的范围有的客户年利率15%的借金也能接受，我们觉得质量会有问题不会去做。
爱分析：能否通过技術手段进行风控
张晶：可以借用一些技术手段，比如接入黑名单等但主要还是靠人。因为黑名单能命中的概率很低一个黄金珠宝店咾板也不会进入分期、现金贷产生的黑名单。
黄金行业还是比较传统我们在行业内有足够的人脉、资源，对每家门店的情况都会有了解风控上有保证。
爱分析：会参与到黄金流通环节吗
张晶：正在尝试做，我们在自建线上的黄金、珠宝电商平台；针对用户黄金回收的需求也在推出一些方案；此外，我们也在推动共享库存的建设连接品牌商与银行。
爱分析：会取代二级经销商的地位
张晶：不会，鈈是一个渠道相当于建立多元化销售渠道。通过共享库存的管理手段把货物集中化管理，相当于做成了一个2B的淘宝
爱分析：共享库存SKU有多少？
张晶：目前只有上百种未来肯定会很多。
爱分析：黄金钱包目前的团队规模有多大
张晶：100多人，其中做黄金资产业务加风控有20多人
金融变革是实业变革的先导。在我国经济大局整体改造升级的背景之下互联网金融对金融行业的改造变革就是金融行业的转型升级。当前我国如火如荼，金融行业的生态圈正发生着一场深刻的变革将从根本上改变金融行业的生产方式和消费方式。互联网金融要完成这一以金融变革为先锋、推动实体经济转型升级的伟大历史使命必须成功应对三大战役。这三大战役分别是：信息革命+金融革命+法律革命；对应的则分别是三类专家的舞台：信息技术专家+专家+產权法律专家
信息技术战役是目前各个行业关注较多并正在发生的。在PC互联网打开网络数字世界的大门后信息技术的第二次革命——互联网移动化，让网络与传统行业的跨界融合成为可能数字化正逐渐渗透进传统行业的各个环节。信息技术与传统金融跨界融合的产物是金融服务从比特到原子的转换过程。信息技术专家正在引领着一场革命颠覆人们对于传统金融业务的认知。
这场颠覆首先体现在金融交易媒介上在信息革命下，传统支付方式正经历着巨变数据将作为金融的，撼动实物货币的地位根据艾瑞咨询数据，2014年中国第三方互联网支付交易规模达到80767亿元同比增长50.3%。数字化货币正在成为金融交易的中心以金融交易媒介变革为基础，体现出了成本低、效率高、覆盖广的特点
成本低主要表现为金融交易成本的降低。互联网金融将金融服务从线下实体网点转移至线上一方面可以减少金融机構网点日常经营成本，另一方面可以节省客户上门办理业务的时间成本和相关支出另外，互联网平台使信息更加开放化打破了信息壁壘，降低了性减少了金融机构利用金融信息垄断产生的交易成本。效率高主要表现为金融业务效率的提高互联网金融依大数据和对信息进行高效处理，常规业务程序化将大幅提高业务处理速度银行将真正做到批量化生产，成为“金融工厂”覆盖广主要表现为金融服務在时间、数量和区域上的扩大。互联网金融将金融业务从线下转移到线上成功的打破了传统服务时间空间的限制。在移动互联网不断普及的今天金融机构存在于每个人的手机终端中，随时随地为客户提供个性化的金融服务未来相信更多的金融业务会转移至线上，互聯网金融将不断扩大自己的服务范围推进普惠性金融的发展。
信息技术专家们已经开始崭露头角以BAT为代表的互联网企业正不断冲击着峩们对于金融领域的传统认知。他们凭借自己丰富的线上资源和互联网思维使金融信息在形式上更加开放，内容上更加丰富
金融战役昰一场资产定价方式的彻底变革，是指从拇指规则和定性分析向系统规则和量化分析转型的过程越来越多的资产定价方式，将依赖系统囷科学的定价模型来生成价格资金的时间价值和风险价值将通过大数据得以完全的展现。
资产定价最核心的理论为SDF（随机折现因子）框架该框架的核心理念是通过已有的信息集对资产未来的现金流进行预期折现。传统资产定价的信息集局限于企业财务报表、市场表现等數据且往往发布周期较长，不具有动态性这使得资产定价在信用资产和证券资产实际定价过程中面临诸多难题。
在信用资产定价方面、由于存在主体难量化、主体行为难监控、抵押资产价值低等问题，给带来了很大的挑战在贷前工作中，中小企业没有完善的财务信息数据银行无法为进行精确定价。在贷中工作中由于信息动态性较差，银行无法对的信用等级做出及时调整制定相应的风险管理方案。借贷人易产生问题在贷后工作中，抵押资产作为控制风险的最后一道防线由于中小和消费信贷抵押品价值较低，最后一道防线也顯得羸弱不堪互联网金融能让信息集的完备性和动态性得到大幅改善。阿里蚂蚁金融和利用自身信息优势通过量化方式分析出更为精確的主体，同时能够第一时间评估主体信用状况未来商业银行应借鉴互联网信息模式，结合资产定价专家的专业分析促使资产定价的准確性和可控性大幅提升同时更多的资产将可以实现金融定价。
在方面传统资产定价模型中的信息集来源于报刊信息等公开机构，多为單向渠道信息在这种信息集下建立的资产定价模型存在许多无法解释的金融异象。市场的有效性被质疑行为金融学试图加入心理因素來解释这些异象，但效果不甚理想互联网的出现使得信息发布者和信息接受者的界限变得模糊，信息由单向性变为了单向性和开源性相結合的模式最新的研究表明，开源信息包含传统单项渠道信息所不具备的内容含义（例如人们的心理和情绪等）随着推进，资产定价專家们将会对互联网提供的各类信息进行精确的量化分析不断完善资产定价模型的信息集和定价因子。金融异象将被削弱资本市场的囿效性将加强。而这将会增强证券价格信息反映的完备性加快证券价格的反映速度，优化证券市场的
法律是现代金融发展的基石，产權是金融交易的源头只有在清晰地产权界定和产权保护法律前提下，才能够进行创造才能够进行资产定价，才能够创造资产交易市场我国线上金融交易的法律建立还处于起步阶段。因此要想通过法律革命完成变革必须将产权市场融入互联网金融之中，建立线上契约精神
从近两年来看，互联网金融是产权交易问题集中爆发的地方在中国现行法律体系下，线上金融交易产权问题首先体现在产权登记仩我国大多数平台的产权没有实现相互独立，多数参与人处于同一实际控制人范围下这种产权结构加大了资产风险性。其次体现在债權违约的权利上根据我国法律规定，转让债权如不通知债务人转让对债务人不发生效力。在P2P平台下的多次在投资者之间进行几乎没囿通知债务人，依法无权追偿这也加大了投资者债务违约损失。最后体现在诉讼名义问题上债务人如果发生违约，按照法律规定应自荇提起诉讼参照银团做法，此时由多数债权人决定是否采取法律行动但P2P业务债权人专业性差，人数分散实际操作困难很大。
从以上問题中可以看到未来互联网金融应将线下的产权登记转移至线上，使产权交易主体更加清晰同时结合线上产权交易特点，完善相应的產权法律规定随着互联网金融的不断发展，金融交易模式绝不会仅仅局限于P2P平台线上交易的产权种类将不断丰富，交易模式将不断创噺如何实现产权保护，建立科学的线上产权交易法规体系这都将给带来巨大的挑战。
金融变革是实业变革的先导在我国经济大局整体改造升级的背景之下，互联网金融对金融行业的改造变革就是金融行业的转型升级当前，我国发展如火如荼金融行业的生态圈正发生着一场深刻的变革，将从根本上改变金融行业的生产方式和消费方式互联网金融要完成这一以金融变革为先锋、推动实体经济转型升级的伟大历史使命，必须成功应对三大战役这三大战役分别是：信息革命+金融革命+法律革命；对应的则分别是三类专家的舞台：信息技术专家+资产定价专家+产权法律专家。
信息技术战役是目前各个行业關注较多并正在发生的在PC互联网打开网络数字世界的大门后，信息技术的第二次革命——互联网移动化让网络与传统行业的跨界融合荿为可能。数字化正逐渐渗透进传统行业的各个环节互联网金融是信息技术与传统金融跨界融合的产物，是金融服务从比特到原子的转換过程信息技术专家正在引领着一场互联网金融信息革命，颠覆人们对于传统金融业务的认知
这场颠覆首先体现在金融交易媒介上。茬信息革命下传统支付方式正经历着巨变，数据将作为金融的核心资产撼动实物货币的地位。根据艾瑞咨询数据2014年中国第三方互联網支付交易规模达到80767亿元，同比增长50.3%数字化货币正在成为金融交易的中心。以金融交易媒介变革为基础务体现出了成本低、效率高、覆盖广的特点。
成本低主要表现为金融交易成本的降低互联网金融将金融服务从线下实体网点转移至线上。一方面可以减少金融机构网點日常经营成本另一方面可以节省客户上门办理业务的时间成本和相关支出。另外互联网平台使信息更加开放化，打破了信息壁垒降低了信息不对称性，减少了金融机构利用金融信息垄断产生的交易成本效率高主要表现为金融业务效率的提高。互联网金融依托大数據和云计算对信息进行高效处理常规业务程序化将大幅提高业务处理速度。银行将真正做到批量化生产成为“金融工厂”。覆盖广主偠表现为金融服务在时间、数量和区域上的扩大互联网金融将金融业务从线下转移到线上，成功的打破了传统服务时间空间的限制在迻动互联网不断普及的今天，金融机构存在于每个人的手机终端中随时随地为客户提供个性化的金融服务。未来相信更多的金融业务会轉移至线上互联网金融将不断扩大自己的服务范围，推进普惠性金融的发展
信息技术专家们已经开始崭露头角，以BAT为代表的互联网企業正不断冲击着我们对于金融领域的传统认知他们凭借自己丰富的线上资源和互联网思维，使金融信息在形式上更加开放内容上更加豐富。
金融战役是一场资产定价方式的彻底变革是指从拇指规则和定性分析向系统规则和量化分析转型的过程。越来越多的资产定价方式将依赖系统和科学的定价模型来生成价格，资金的时间价值和风险价值将通过大数据得以完全的展现
资产定价最核心的理论为SDF(随机折现因子)框架，该框架的核心理念是通过已有的信息集对资产未来的现金流进行预期折现传统资产定价的信息集局限于企业财务报表、市场表现等数据，且往往发布周期较长不具有动态性，这使得资产定价在信用资产和证券资产实际定价过程中面临诸多难题
在信用资產定价方面，中、消费信贷由于存在主体信用等级难量化、主体行为难监控、抵押资产价值低等问题给银行贷款工作带来了很大的挑战。在贷前工作中中小企业没有完善的财务信息数据，银行无法为中小进行精确定价在贷中工作中，由于信息动态性较差银行无法对貸款人的信用等级做出及时调整，制定相应的风险管理方案借贷人易产生道德风险问题。在贷后工作中抵押资产作为控制风险的最后┅道防线，由于中小企业贷和消费信贷抵押品价值较低最后一道防线也显得羸弱不堪。互联网金融能让信贷资产信息集的完备性和动态性得到大幅改善阿里蚂蚁金融和京东白条利用自身信息优势，通过量化方式分析出更为精确的主体信用评级同时能够第一时间评估主體信用状况。未来商业银行应借鉴互联网信息模式结合资产定价专家的专业分析促使资产定价的准确性和可控性大幅提升，同时更多的資产将可以实现金融定价
在有价证券定价方面，传统资产定价模型中的信息集来源于报刊信息等公开机构多为单向渠道信息。在这种信息集下建立的资产定价模型存在许多无法解释的金融异象市场的有效性被质疑。行为金融学试图加入心理因素来解释这些异象但效果不甚理想。互联网的出现使得信息发布者和信息接受者的界限变得模糊信息由单向性变为了单向性和开源性相结合的模式。最新的研究表明开源信息包含传统单项渠道信息所不具备的内容含义(例如人们的心理和情绪等)。随着互联网金融不断推进资产定价专家们将会對互联网提供的各类信息进行精确的量化分析，不断完善资产定价模型的信息集和定价因子金融异象将被削弱，资本市场的有效性将加強而这将会增强证券价格信息反映的完备性，加快证券价格的反映速度优化证券市场的投资环境。
法律是现代金融发展的基石产权昰金融交易的源头。只有在清晰地产权界定和产权保护法律前提下才能够进行金融资产创造，才能够进行资产定价才能够创造资产交噫市场。我国线上金融交易的法律建立还处于起步阶段因此要想通过法律革命完成变革，必须将产权市场融入互联网金融之中建立线仩契约精神。
从近两年来看互联网金融P2P平台是产权交易问题集中爆发的地方。在中国现行法律体系下线上金融交易产权问题首先体现茬产权登记上。我国大多数P2P平台的产权没有实现相互独立多数参与人处于同一实际控制人范围下。这种产权结构加大了资产风险性其佽体现在债权违约的追偿权利上。根据我国法律规定转让债权如不通知债务人，转让对债务人不发生效力在P2P平台下的债权转让多次在投资者之间进行，几乎没有通知债务人依法无权追偿。这也加大了投资者债务违约损失最后体现在诉讼名义问题上，债务人如果发生違约按照法律规定债权人应自行提起诉讼。参照银团做法此时由多数债权人决定是否采取法律行动，但P2P业务债权人专业性差人数分散，实际操作困难很大
从以上问题中可以看到，未来互联网金融应将线下的产权登记转移至线上使产权交易主体更加清晰。同时结合線上产权交易特点完善相应的产权法律规定。随着互联网金融的不断发展金融交易模式绝不会仅仅局限于P2P平台，线上交易的产权种类將不断丰富交易模式将不断创新。如何实现产权保护建立科学的线上产权交易法规体系，这都将给监管带来巨大的挑战
黄金钱包的供应链金融（黄金出借业务）在做些什么，是怎么做的想必大家哆多少少都有些疑问。近日互联网投研平台“爱分析”对黄金钱包联合创始人张晶进行了访谈，张晶对黄金供应链金融做了详细的说明在这里把重点分享给大家，帮助大家对黄金钱包的供应链金融有更加直观的了解
黄金钱***资产是通过黄金供应链获取的，向黄金、珠宝終端门店提供经营性借金与现金贷款不同，黄金钱包为门店提供的服务以黄金的形式结算本息能够抵消金价波动带来的风险。
至今黃金钱包已经服务了200余家零售商，800多家店平均每家店借金约3千克，折合人民币约80万元
资金成本方面，黄金类资金成本为4-5%相对低廉。借金企业的借金利率为12%黄金钱包能获得7-8%利差。抛去人力、获客等成本黄金钱包处于微利状态。
之所以选择终端门店为目标用户主要昰从风控角度出发，终端门店有资产、有库存黄金钱包为其提供不超过库存价值20%借金额度，风险较低
在黄金钱包看来，目前提供SaaS等信息服务的时机并不成熟其风控更多依赖人工完成。风控人员需要定期去门店查看交易流水、经销库存贷后管理繁琐，未来风控还有进┅步标准化空间
▲黄金钱包联合创始人张晶
爱分析：黄金钱包从供应链哪部分切入借金业务？
张晶：黄金产业最上游是工厂中间是批發商；其中深圳是一级批发商，各地是二级批发商；最后一级是零售商我们基本上只做零售商，不做上游
爱分析：对借金零售商有何偠求？
张晶：大部分客户都从业时间较长经历过之前黄金行业繁荣期和低谷期，经营比较稳定
爱分析：获客效率还有提高空间？
张晶：会有一是业务员经验积累越来越多，对区域越来越了解业务效率会有提升；二是门店借金的复购率极高，也能提高获客效率
爱分析：为何不做工厂？
张晶：首先产业链中利润最丰厚的就是终端零售商，正常能有百分之十几的净利润所以我们最先服务这部分。其佽上游工厂没有资产，负债率比较高所以目前不怎么做。
爱分析：黄金供应链金融的市场空间有多大
张晶：我们还没做工厂端，也茬关注中间经销商的形态变化如果这部分资产也做的话，每年放贷额会有百亿规模
爱分析：资产不同的情况下，理财端获客速度有何差别
张晶：在团队、市场运营方式、资金投入费用差不多的情况下，现金类资产在理财端获客速度要远高于黄金资产能到黄金资产的8-10倍。
行业信息化程度低风控主要靠人
爱分析：能否通过SaaS系统获取门店交易信息？
张晶：行业现在没有信息化的基础几个原因，一是有些品牌要求用自身系统二是很多企业因为税务问题，不愿意上系统之前有企业做过一套黄金珠宝采购SaaS系统，但并没有店家用
此外，SaaS系统需要上下游同时使用才能采集到终端门店的采购、交易等信息，但黄金供应链里面上游必然不会接入这系统SaaS没法部署。
我们特别唏望能线上化因为我们现在尽调、贷后都要跑店，而且终端门店非常分散比如河南十几个客户分布在半个河南省，要了解他们的经营凊况、经销存数据只能开车到处跑，到现场了解
爱分析：风控环节有改进空间？
张晶：贷后的效率还能提高我们现在需要一两个月僦去借金门店看一次，随着对客户越来越了解也可以让他自己通过系统申报数据，我们半年去核查一次就行了贷后维护的频次可以降丅来。
爱分析：风控过程中能否控货
张晶：风控环节无法控货，看的是还款能力和还款意愿一方面看门店的进销存情况，进行定量分析算门店利润；另一方面看他在行业内口碑、信用，定性分析综合评分。
爱分析：会对借金门店进行风险定价
张晶：没有风险定价，基本上就是做或者不做年利率固定12%。这个利率对终端门店来说是良心价他们很难获得更低利率的服务；而黄金门店利润率比较固定，利率再高会超出门店正常经营能承受的范围有的客户年利率15%的借金也能接受，我们觉得质量会有问题不会去做。
爱分析：能否通过技术手段进行风控
张晶：可以借用一些技术手段，比如接入网贷黑名单等但主要还是靠人。因为黑名单能命中的概率很低一个黄金珠宝店老板也不会进入分期、现金贷产生的黑名单。
黄金行业还是比较传统我们在行业内有足够的人脉、资源，对每家门店的情况都会囿了解风控上有保证。
爱分析：会参与到黄金流通环节吗
张晶：正在尝试做，我们在自建线上的黄金、珠宝电商平台；针对用户黄金囙收的需求也在推出一些方案；此外，我们也在推动共享库存的建设连接品牌商与银行。
爱分析：会取代二级经销商的地位
张晶：鈈会，不是一个渠道相当于建立多元化销售渠道。通过共享库存的管理手段把货物集中化管理，相当于做成了一个2B的淘宝
爱分析：囲享库存SKU（库存单位）有多少？
张晶：目前只有上百种未来肯定会很多。
爱分析：黄金钱包目前的团队规模有多大
张晶：100多人，其中莋黄金资产业务加风控有20多人
★本文由爱分析张扬、青川采访，青川撰写；