摘要：随着以大数据、云计算和数据挖掘技术为代表的互联网技术飞速发展，互联网金融以迅雷不及掩耳之势向金融市场袭来。本文分析了互联网金融的概念和创新模式，总结了目前各种互联网技术在传统金融领域应用的现状和前景，详细分析了不同互联网技术在互联网金融背景下的创新应用案例和场景，给出了我国金融系统的发展展望和建议。
关键词：互联网金融；云计算；大数据；数据挖掘；技术；创新；监管
一、互联网金融的概念和创新模式
随着信息技术的不断发展，近年来我国互联网金融迅速发展，对整个金融生态产生了全方位的影响。互联网金融一般是指以大数据、云计算、社交网络和搜索引擎为代表的互联网信息技术与金融行业深度融合所形成的金融新业态、新模式，具有融资、支付和交易中介等金融功能。
互联网金融模式上的创新主要集中在五个方面：支付方式、销售渠道、投融资方式、信息化金融和金融组织架构。支付方式的创新主要体现在第三方支付技术的兴起，典型例子有支付宝和财富通等。销售渠道方面的创新代表是互联网金融门户，具体是指利用互联网对金融产品进行销售或者为金融产品销售提供第三方服务的平台，典型的例子包括91金融超市、余额宝、百度理财平台等。资金供需方式的创新主要在P2P、众筹和大数据金融三个方面。P2P是一种新兴人对人的直接小额借贷模式，典型的有拍拍贷和人人贷等，众筹是指通过互联网发布筹款项目并募集资金的方式，典型的例子有点名时间和追梦网等；大数据金融是指金融机构利用互联网上的海量数据，通过分析和挖掘客户的交易和消费信息建模客户的消费习惯，进行营销、小额信贷和风控方面的服务，具体例子有阿里小贷和京东供应链贷款等。信息化金融是指传统金融企业利用信息技术对于其业务流程的改造，使得企业电子化、信息化和互联网化，典型的例子是各大行的网上银行。金融组织架构上的创新就是一些有资质的互联网企业通过申请相关牌照或者收购中小金融机构而进军金融行业的模式创新，典型的有网商银行和苏宁在线等。
本文集中探讨大数据、云计算和数据挖掘这三种技术对于整个金融生态系统的改造，以及创造出的新金融服务业态。
二、互联网金融核心支撑技术
金融领域涉及银行、证券、保险及其他相关内容，包括银行信贷、信用评分、市场分析、投资组合、保险定价、智能定损、金融欺诈等。传统的基于统计模型的分析方法只能处理少量的数据，而且对于分析的数据集也有一些较强的假设，比如要求数据满足一定的概率分布，或者要求关系为线性。随着银行、证券和保险等金融业务信息化程度的不断增加，数据量不断扩大，数据类型不断增多，传统的分析方法已经不能使用。在互联网金融场景下，以云计算、数据挖掘和大数据技术为代表的互联网技术由于不苛求严格数据假设，为银行、证券、保险及其其他相关业务创新，以及刻画金融市场规律的趋势带来了新的工具和分析手段。
1、云计算技术
随着云计算的不断发展，它的商业价值被迅速认可，同时人们对互联网的依赖也越来越强，就是在这样的背景下互联网金融得到了快速发展。互联网金融依托于支付、云计算、社交网络以及互联网引擎搜索等一系列互联网工具，形成资金融通、支付和信息中介等新兴业务形式。互联网金融引起一种全新的融资模式，使得各种中介机构和银行、券商、交易所的作用减弱，大部分的资金融通可直接在网上实现。云计算的主要概念是“一切皆服务”，是服务的集合，其技术框架有IaaS（基础设施即服务）、PaaS（平台即服务）、SaaS（软件即服务）三种形式。云计算技术在金融中的一般架构如图1所示。
云计算技术对于金融行业来说，更多的是对金融机构IT基础架构上以及对于金融机构提供金融服务方式上面的革新。云计算技术由于“资源共享”的特性可以降低金融企业的运营硬件成本。另外，云计算的“动态响应”特性，保证了业务的灵活性。云计算技术可以帮助金融企业实现业务创新（如图2所示）。云计算具有灵活、开放和易于整合等特点，特别适合金融企业实现上下游产业整合以及与纵向战略合作，为金融企业巩固市场地位和开拓新市场提供方式和手段。例如，银行的传统借贷模式可以经过云计算技术的改造，加入更多的外部数据比如电子商务平台信用评价系统、中小企业财务系统和工商税务系统，从而降低银行向中小企业贷款的风险，降低平台向中小企业提供贷款的成本。
2、数据挖掘技术
数据挖掘一般是指从大量的数据中提取人们感兴趣的、事先不知道的、隐含在数据中的有用的信息和知识的过程，并且把这些知识用概念、规则、规律和模式等方式展示给用户，从而解决信息时代的“数据过量，知识不足”的矛盾。金融数据挖掘的一般过程如图3所示。
在金融市场中，数据挖掘技术的用处极广。在银行业务方面，数据挖掘技术可以从用户的银行账户信息中进行挖掘，对用户进行信用评级，进行贷款审批；可以对银行不同的客户进行细分，提供差异化的服务；也可以对信贷风险进行评估，降低坏账率，提高银行利润。
在证券业务方面，数据挖掘技术可以对复杂的数据建模，利用股票的历史数据通过技术分析预测股票未来价格走势；利用历史收益―风险进行建模，考虑预期的不确定性，针对不同客户的情况构建最优的投资组合，控制风险，提高收益；利用挖掘技术构建自动交易系统，用以避免在做投资决策时候受到投资者情绪的干扰，从而造成更大的损失。
在保险领域，数据挖掘算法也有广泛的应用前景。利用数据挖掘算法，可以分析并界定保险欺诈或者企业破产的行为特征，针对于异常情况进行实时的预警和监测，这个对于保险业的发展具有至关重要的作用。
数据挖掘的算法主要包括参数统计方法、非参数统计方法、神经网络和支持向量机。其在金融机构中的适用情况如表1所示。
参数统计和非参数统计属于传统的统计学方法，两者的差别在于对于样本总体的分部是否已知。参数统计是假定总体分布类型已知，对一些未知参数比如比较均值、方差等参数进行推断。但是金融数据并不能很好地满足这个假设，所以算法适用性较差。非参数统计对总体假定较少，结果稳定性较好，有更广泛的适用性。 人工神经网络，也简称神经网络，是20世纪80年代以来人工智能领域兴起的研究热点。它是一种模仿生物的神经元和神经结构行为进行信息处理的数据模型，使得机器可以像人脑一样的学习和判断。神经网络是一种自学习模型，并不需要对于数据样本做出假定，适用性广，可以用于分类、聚类和预测等，目前已经广泛应用于金融市场建模中。
支持向量机是一种于上世纪90年代中期发展起来的基于统计学的机器学习算法。通俗来说，它是一个二类分类模型，利用特征空间上的间隔最大的线性分类器。它的优势主要在解决非线性、小样本以及高维模式识别上。它优于神经网络是在于它可以避免神经网络中可能得到局部最小化解的问题。另外，它有着严谨的理论基础和数学证明，不像神经网络的有效性主要基于参数的调优，而这个过程很大程度上取决于经验。当然，支持向量机也有局限性，它无法处理大规模样本，也不能直接处理多分类问题。
3、大数据技术
大数据具有数据量大、种类繁多、价值密度低和处理速度快等特点。金融业是大数据的重要产生者，其数据来源广泛，包括各种股票、期货、衍生品、债券等在内的金融报价、交易数据，各类公司的业绩报告以及研究报告，官方对于宏观经济数据的调查统计，金融媒体的新闻报道，这些渠道每天产生海量的TB或者PB级别的数据。
传统分析方法以及数据挖掘技术在如此大量的数据面前束手无策，大数据分析处理技术的出现填补了这一空白。最早得到广泛应用的为Hadoop，它是一个实现了MapReduce分布式处理算法的、离线的、基于磁盘的大数据批处理平台。随着技术的发展，陆续出现了基于内存的大数据处理模型Spark和基于流式计算的计算模型Storm。Spark改进了Hadoop基于磁盘的数据处理模式，将大数据的处理速度提高了数十倍，提供了近实时的处理延迟。Storm是针对实时的流式处理场景，它把数据建模一个不断流动的“流”，是一种实时的处理模型。这三个系统目前是主流的大数据处理平台，在不同的应用场景下相互补充，形成了一套完整的大数据技术体系。金融大数据分析的一般架构如图4所示。大数据的出现促进了包括高频交易、市场情绪分析、智能营销、信贷风险分析、实时风险管理和个人征信等的金融创新，适用情况如表2所示。
高频交易是指交易者利用软件或者硬件的优势，通过短时间内进行大量的交易进行获利的一种方式。现在主流方式是通过分析金融大数据，建立一些市场变动的模型，识别出特定市场的模式，然后根据模式进行交易的过程。
市场情绪分析是指从社交媒体中的数据中提取市场情绪，并开发基于情绪的交易算法。在出现积极的市场情绪的时候进行买入操作，而在出现意外情况或者其他消极市场情绪的时候抛出订单。
智能营销是指通过综合用户各方面的信息，包括历史数据、浏览数据、交易数据、社交数据、行为数据等识别客户的行为模式，分析用户需求和兴趣，并根据结果进行特定的产品推荐、客户体验优化或者客户挽留等精准营销。
基于大数据的信贷风险分析是一种多维度分析中小微企业信贷风险的分析方法。通常做法是收集公司大量日常交易、运营活动、财务状态等数据用以分析一个企业真实的运转情况，从而准确评估信贷风险。
实时风险管理是指通过大数据技术，金融机构通过各种维度、不同的数据渠道来实时监控用户的风险变化，比如监控用户财务变化、意外事件、市场氛围、运营情况来获得全面、立体、实时的风险评监测。
基于大数据的个人信用评估机构利用更多的数据维度，包括一个人的消费数据、教育数据、社交数据、职业数据等，对用户进行信用评估，提高评估的准确性，提高机构利润。
三、互联网金融的展望和建议
互联网企业将掀起金融机构的“鲶鱼效应”。所谓鲶鱼效应指的是引入外部竞争者，往往会激发组织内部的活力。对于传统金融行业来说，没有足够创新和提高服务的动力。这个时候互联网公司就像进入的鲶鱼，为没有活力的池塘注入新鲜的动力。这个时候，传统金融机构会奋起反抗，通过提高自己的业务水平和创新能力与野心勃勃的闯入者进行竞争。可以看到，未来的互联金融行业的竞争会更加激烈，也会给消费者带来更多的实惠。为了互联网金融的良性发展，笔者提出以下建议。
1、金融监管部门需要鼓励互联网金融创新，同时建立有效的互联网金融监管体系
创新意味着活力和发展，政府需要鼓励和引导互联网金融朝着健康、合理的方向有序的发展：一是加大对互联网金融新产品的研究，加大技术研发投入，培养金融和互联网技术复合型人才，以适应新市场下的监管需求。二是加强对互联网金融等新兴金融产品的监管，需要明确牵头部门，建立统一安全标准、数据标准、传输标准，对互联网金融产品实现备案登记制度，合理控制互联网金融风险，特别是P2P等风险比较大的新兴模式。三是加强金融消费者权益保护，监管部门需要建立针对互联网金融新业态下的消费者权益保护规定，明确互联网金融业务服务中的消息披露、风险承担以及消费者信息保护（特别是隐私保护）的具体规定。四是监管部门应尽快建立全国统一的征信机制和平台，政府可以牵头整合传统金融机构（比如银行）的用户信用信息、政府本身的工商信用数据库和纳税数据和主流互联网金融平台上的信用信息，建立一个覆盖多方面的全国性征信系统，消除信息不对称性，保护消费者。
2、互联网企业应该加强金融法律法规学习和宣传，加强法律意识
互联网的生存之道在于“创新”与“颠覆”，这在其与很多传统行业结合中得到充分体现。但是金融行业与其他普通行业有所不同，金融市场的稳定有序直接关系到社会稳定和经济发展，所以必然需要受到更多的限制。互联网企业自身需要意识到这一点，改变以往“自由”的习惯，在金融创新产品金融研发、宣传的过程中，遵守相关法律法规，避免出现一些打擦边球、走灰色地带等有潜在危险的行为。
3、传统金融企业应积极顺应互联网潮流，构建新竞争势态下的新优势
传统金融需要积极推进信息化金融，利用互联网技术对传统运营流程进行改造或重构，实现经营、管理全面电子化。此外，随着业务的发展，传统金融机构积累了大量的用户个人信息、财务信息、信用信息、转账消费信息等，其应该充分利用这些资源，利用互联网思维改造服务，利用大数据分析技术积极进行产品和服务上的创新，积极拓展行业链的上下游，进行优势资源和渠道的整合，在新的竞争环境下巩固传统优势，努力建立新的业务和利润增长点。
参考文献
[1] 王鹏：云计算的关键技术与应用实例[M].北京：人民邮电出版社，2010.
[2] 马超群、兰秋军、陈为民：金融数据挖掘[M].北京：科学出版社，2007.
[3] 许伟、梁循、杨小平：金融数据挖掘[M].北京：知识产权出版社，2013.
[4] 姚玉安：浅谈云计算技术下的互联网金融应用[J].河南科技，2015（2）.
[5] 财新网：大数据在互联网金融发展中的作用[EB/OL].http：//promote.caixin.com/2013-09-04/100577979.html.
[6] 网易财经：发展互联网金融的三点建议[EB/OL].http：//money.163.com/14/0318/11/9NK8FJ7P002534M5.html.
[7] 陈一稀：互联网金融的概念、现状与发展建议[J].金融发展评论，2013（12）.
[8] 旗讯网：互联网金融产生和发展原因分析[EB/OL].http：//www.qxcu.com/elite/26/13293.htm.
[9] 周茂清：互联网金融的特点、兴起原因及其风险应对[J].当代经济管理，2014（11）.
[10] 雷曜、陈维：大数据在互联网金融发展中的作用[J].中国改革，2013（7）.
[11] 许婧雯：互联网金融发展趋势及影响分析[J].时代金融，2014（11）.
