2020年8月7日-9日，第五届CCF-GAIR全球人工智能与机器人峰会，于深圳隆重举办。此次峰会由中国计算机学会主办，雷锋网、香港中文大学（深圳）联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在大会第三日的「AI金融专场」中，《AI金融评论》邀请了6位最具代表性的顶尖AI金融专家，分享能够代表未来10年风向的智能技术方法论、产品逻辑和风险管理理念；也在2020这个特别的时间节点上，展望他们眼中的「AI金融新十年」。华尔街知名建模和风控专家黄又钢参加了此次会议，他曾任摩根大通执行董事和花旗银行高级副总裁，拥有数十年的海外零售银行数据分析经验和前沿算法思维，今年回国与金融界顶尖技术大牛王强博士联合创立了弘犀智能科技有限公司，出任首席风控官。以《小微贷款风控模型中的算法探索》为主题，黄又钢和嘉宾及与会朋友们分享了自己在风控实践中的一些心得体会。黄又钢认为，中小微企业解决了国家80%的就业，这些企业的生存和贷款需求问题是需要关心和全力解决。但和上市的公司相比，这类企业信息透露不够充分，数据来源纷杂，数据格式不标准，数据更新周期不稳定，导致面向中小微企业的信贷产品难度更高。中小微企业信用贷款是一个世界性的难题，除了有国家层面的政策扶助，更需要顶尖人才的智慧和付出。在现场，黄又钢主要介绍了集成算法，降维算法、聚类算法和决策树算法。他指出，现在弘犀智能建任何模型一定是“双轨模型”， 即两个算法同时进行。此外，黄又钢还解释了实操“双轨”建模中的几大过程，详细讲述了人群分类在建模中的重要性，分享了算法探索与创新方面的两个思路。以下为黄又钢演讲全文，雷锋网AI金融评论做了不改变原意的整理（关注《AI金融评论》公众号，发送关键词“黄又钢”，获取他的演讲PPT。）：首先，感谢雷锋网提供这样的平台。在美国，这样的机会不是很多，各行业封闭得很厉害。能够有平台互相交流，特别是看到有这么多年轻的朋友在这里听，真的很好。我今天的主题是《小微贷款风险模型中的算法探索》。首先，我想谈谈股市和信贷谁更难这个问题。股市VS信贷，谁更难？从人才角度，信贷行业急需人才。股票市场比较容易吸引人眼球，高大上的人都选择去那儿。不光是中国，美国更是如此，华尔街吸引了全球最高端的人才。但是，如果有人选择信用贷款，特别是到小微贷款这个行业，给大家的感觉像是无奈之举。而且，两者都是在处理非常复杂的问题，股票市场需要需要考虑几千家上市公司和几千万散户的博弈，而小微贷款也需要考虑到几千万家企业。如何判断一家企业的信用、以什么样的利率贷款给企业、如何贷款后收到还款，这些都是非常复杂的问题，需要人才，尤其是顶尖人才去分析。从数据层面，信贷比股票市场更难，信贷行业更需要标准和规范和确切的数据。股票市场上，每家公司必须有财报，它的格式和框架是一致的。财报的数据是标准的、业绩等信息发布的时间和周期是确定的，我们可以确切的得到股票市场里的许多重要信息。和上市的公司相比，小微企业的信息透露不够充分，数据来源纷杂，数据格式不标准，数据更新周期不稳定，导致面向中小微企业的信贷产品难度更高。中小微企业信用贷款是一个世界性的难题。在股票市场，我们要关注两件事：价格和数量。什么价格买？高价买，还是低价买？买多少数量？1千股还是1万股？而在信用贷款行业中，我们需要关注它的四个维度：一是风险程度，我要判断你这个人是否靠谱；二是给你放贷，我给你多少利息，价格是高是低；三是我给你多少钱，借你1000元、1万元还是300万元；四是期限，我是按天、按月计算还是按年计算？在我国，中小微企业解决了国家80%的就业，这些企业的生存和贷款需求问题是需要持续关心和全力解决的。2006年，诺贝尔和平奖给了孟加拉国的经济学家，当时我在花旗银行，听到这个故事非常感动。经济学家真正去底层考察和生活，把27美元借给40多人，每人几毛钱、几美分地贷，这很难得。当时花旗银行没有小微贷款，也没有普惠的概念。我直接找到我老板，我问他看和平奖了吗？他说看了。我问他花旗银行怎么没有普惠性的东西？他耸了耸肩，没搭理我。我问我们能否做这样的事情，他回答我“做好你的工作就行了，别管那么多闲事”。美国的银行在为富人服务，他们并不关心底下的中小企业。而在中国，国家真的会把钱倾斜到中小企业身上。机器学习算法概述机器学习是AI的分支，现在机器学习有非常成熟的算法。我很喜欢这个图片，虽然这张并不是最新的图片。它列出的算法比较规范、有条理性。深度学习、集成算法、神经网络、正则化算法、规则算法、回归算法、贝叶斯算法、决策树算法、降维算法、实例算法、聚类算法，这些算法十几年前就有了，有些仍在不断更新。如果一个人想做机器学习，至少要懂每个算法的原理，这些算法背后的逻辑是什么？其底层数据是怎么回事？我今天主要介绍集成算法、降维算法、聚类算法和决策树算法。每个算法都有实实在在的应用和意义，不是为了算法而算法。如何应用算法？我们现在做任何模型一定是两个算法同时进行，既要做传统模型回归算法，也要做机器学习算法。传统模型主要指的是回归算法（LR），取决于应用场景。机器学习模型，我们主要指的是XGB，集成随机树的算法。经典风控领域全都是以回归模型为主导。原因在于其稳定性好，可解释性非常强。在美国，机器学习在任何信贷场景都不能落地，也不能使用，原因在于我们无法解释底层拒绝贷款申请的原因是什么。由于不能解释，在美国的法规下就不能应用。所以机器学习只能在底层，我们分析团队、模型团队可以高大上地玩，但只能玩而已，真正实战一律不许用。在中国，我们不仅玩，还有机会可以使用。至少从法规层面，我们还没有严格要求拒绝一个贷款必须跟企业或者客户解释理由。实操“双轨”建模有几大过程：一是预测能力的比较； 二是变量维度的判断；三是对比同一个观测值，如何交叉使用；四是策略应用，即如何使用这个模型。如何使用这两个模型？我们可以将数据集分为两类（路径）：一类是传统模型，另一类是机器学习模型。建完模型一定要有预测能力，假如用KS表述模型的准确率，你可以通过ROC、AUC等统计控制。假如我们用（统计）变量（做评估），不管（使用）哪个统计变量一定有好坏的比较。机器学习好或者不好的比较，首先是评测模型的层面。有了模型层面的比较后，（谈）模型一定会牵扯具体的特征值或者变量。它用哪些变量，在变量的层面上我们也进行比较。真正实际应用的是特征（变量），关键特征特别是关键维度覆盖性怎么样？传统模型覆盖了多少？10个维度还是20个维度？机器学习的维度到底是多少？都是我们需要考虑的。由于传统模型回归算法的局限性，它是线性（关系）的，维度一般在10～30个变量。而机器学习在准确性等方面比传统模型要好；在变量层面，总体来说机器学习完全没有概念和业务场景的限制，可以按照数据结构往下走，使用的变量相对较多。比如XGboost有一两百个变量是常态，三五百个变量也是常态。我们比较两个模型时，在变量维度之间要做一个比较。一般来讲我们建回归模型，在处理变量时，我们做了数据本身的转换，可以在变量维度上做聚类分析，控制变量维度。假定回归有20个变量，回归模型一般就（代表）有20个维度。虽然机器学习的变量很多，但是我们至少可以判断维度上是不是有问题。而每个观测值的评分，也是需要具体比较的。如果评分一致，我可以确定这个企业的评分比较准确。但是，如果两个评分出现差异怎么办？如一家企业用传统模型测出720分，用机器学习测出来可能只有600分。（也即）回归模型说这个人风险低，机器学习说这个人风险高，那我们如何决策？这是我们后端策略上要解决的问题。综上所述，每一个评分的好坏，可以通过三个层面的比较：模型层面、变量层面、观测者层面。人群分类是建模中十分重要的环节。如图示，这里有多个子人群。如果我能把人群打开，按照其实际状态，分为红、绿、黄等图中标注的群体，在每一个人群上做独立的测试，可能会做出更好的预测。这是人群分类的基本点。任何人群可能会存在不同的子人群中。每个子人群可能会有其独立的特征和趋势。问题是我们能否找到这样的趋势和特征。而前提条件是我们能否把人群分开，每个人（建模师）的经验不同所以做到的程度不同。决策树算法和聚类算法是人群分类中常用的两个算法。决策树算法，是用树的方法把底下人群分为几个叶子，每个叶子为一个子人群。聚类算法，是以每个观测点（如企业）的相似性为基础，将相似的企业分为一类。“相似性”是由统计学上的距离来决定的。从机器学习角度分为有监督学习和无监督学习。有监督，指的是知道Y是什么，在有Y标签的前提下进行训练。无监督，指的是不知道Y，只知道X变量。决策树算法是有监督算法的一种，而聚类算法是无监督算法的一种。这两种算法都非常有用。目前的算法变量越多，计算量越大，信息多了可以做更好的事情，信息多了可以分析各个层面，可能会有更好的结果，所以我们引入特征变量端。但是，在实际的统计分析上并非如此，信息多了可能会带来更多的噪音，当你无法区分噪音和有效数值时，你可能把噪音当做有用的。变量越多，算力肯定很沉重，如果我们涉及几千万人，算法用到几百棵树的时候，我们算力的时间不是按小时、分钟，可能是按天计算。特征少自然最好，我们能判断我们的特征是否是真的重要特征。我有5万个变量、1万个变量，过程中我选出20个变量，这20个变量是不是真正的主要变量？在1000个、10000个变量里如何选择20个你认为关键的，这是我们算法上要解决的问题。人群分类实际操作的第一步，是构造分类。我们从模型数据中判断，最上面的分支我们不做任何人群分类，全体人群做回归模型。出来的20个变量、30个变量，我们暂时判定经过一个算法（如LR），这20个变量是主要的变量、主要的特征。我把这个主要特征应用到后面的人群分类，通过回归模型判断主要特征。在此之后做人群分类，不管任何时候，数据驱动一定是我们的方法之一。人的经验（业务经验）一定有意义，人（的经验）和数据驱动永远是相辅相成的。如果你只靠机器学习做所有决策，不能说绝对不对，但可能走到比较危险的地方。从算法层面，我用两类算法，监督和无监督。在特征变量上，我给出两个的维度（主要变量和全量变量），主要变量可以方便我们快速有效地分类。而全量变量可以全面考查各方面的信息。第二步是比较评估，我们用两个算法，决策树和Cluster（聚类算法），及在特征变量上两个维度，那麽我们一起构成4个人群分类的方法。决策树用关键（主要）变量（ST2），SK1用聚类算法用全量变量。说是4个方法 （4个圈）， 可是每个圈可以是非常复杂的东西。假定用决策树，如果特征有2000个变量，这个树可以长到几百个，非常容易。决策树要对着2000个变量找树，统计上可以做限制。每一层分多少？叶子最多是多少？分多少层？有2000个变量足够你找几百棵树，在几百棵树下，至少有几百个子集。你用聚类也可以做很多的聚类人群。在做了决策树等4个方法后，怎么知道哪个人群分类的方法就是好的呢？我们最终谈的是预期模型和预测。在一个方法中可能出了200个子集，在另一个方法中出了40个子集。每一个子集要建模型，重新合起来，直到可以判断总人群到底是好还是不好。这四个方法，上面有一个LR模型，这是主模型，合到最后是5个模型。这5个模型之间的KS预测值谁好谁坏，可以判断最终的效果。不管分成多少个子集，我们最终要回归到总人群上比较，才能证明哪个方法好还是不好。如果一个决策树分为300个人群，那麽就会有300个模型，再加上总量的一个模型，就是301个模型。任何一个方法底层意味着几百个模型。人群分类的概念听起来非常简单，实际操作相当复杂。最终的结果有明确的评判好坏的标准，一是算法层面，二是参数层面，最终的效果必须汇总到整体后才可以评判。算法及应用的探索前面谈到如何分类人群，最后我们讲一讲算法的探索。我回到中国学到一个词叫混搭，衣服、鞋子都可以混搭，我的女儿告诉我她左脚穿红袜子，右脚穿蓝袜子，这就是混搭。混搭的概念在统计里早就应用到。比如两种算法相互匹配，两种算法相互兼容，两种算法相互嵌入，就可能做新的算法。如何做回归算法和集成随机决策树算法二者之间的交互？我们可以先训练LR模型，然后分箱（分层），分箱后每个点之间一定有误差值。在误差值的基础上，哪个层面的误差值最大，就在哪个层面直接插入XGboost。用 XGboost在这一层上单独进行计算以减小预测误差。至于如何使用，是属于技术上的问题了。算法探索与创新方面有两个思路。一是在单一算法层面，从数学角度和（或）计算机角度，产生新的突破。二是两种（或多种）算法的相互嵌入和混搭形成新的算法。比如XGboost的算法就是这样混搭出来的。从实际应用的层面，“匹配”可能会更快地实现突破， 即现成的算法匹配特定的人群和特定的特征，就可能产生非常成功的应用，比如CNN算法在图像识别上的应用效果就是一个事例。未来的方向是“算法+人群+特征”，也即，算法的突破，人群的细分，数据的深挖，及相互之间适当的匹配都可能产生革命性的突破。关于 CCF-GAIR 2020 AI金融专场「AI金融专场」是CCF-GAIR 2020最受关注的主题论坛之一，其余5位嘉宾分别是：国际人工智能联合会首位华人理事会主席杨强、平安集团首席科学家肖京、京东数字科技集团副总裁程建波、移卡集团副总裁奚少杰、统计学诺贝尔-COPSS总统奖得主范剑青。「AI金融专场」除了拥有业内最顶尖的阵容外，每年都会吸引中国及欧美地区众多AI金融专家到场。在上一届论坛中，加拿大工程院院士、Citadel首席人工智能官邓力博士，加拿大工程院院士凌晓峰教授等多位重量级人物来到现场学习交流。而在今年，包括黄铠、刘江川、王强等十多位IEEE Fellow以及各大金融机构的首席信息官/科学家来到现场，共同促进AI金融的产学融合与商业应用。（雷锋网雷锋网）
据澳大利亚新闻网报道，世界卫生组织总干事谭德塞表示，应对新冠大流行，要警惕疫苗种族主义，他指出了应该率先接种新冠疫苗的20%全球人口。 谭德塞18日称，新冠肺炎不可逆转地改变了世界，除非每个人都安全，否则没有人是安全的。“尽管各国领导人之间希望首先保护本国人民，但是应对这次大流行必须是集体行动，”谭德塞说，“这不是慈善，我们已经了解到结束这一大流行病、重启经济的最快的艰难方法，那就是从保护世界各地而非某些国家的全部高风险人群开始。除非每个人都安全，否则没有人是安全的。” 谭德塞表示已经致信每个成员国，邀请他们加入全球新冠疫苗供应计划（COVAX），该计划将指导如何共享疫苗。他称疫情最初物资存储和个人防护装备短缺等原因导致许多人容易感染病毒，各国应当从中吸取教训，共同努力恢复曾经的生活。
2020年是不寻常的一年，全球的健康、贸易、经济、 数据 我们首先分析数据的发展趋势。数据对人工智能，犹如食材对美味菜肴，过去10年，数据的获取无论是数量，还是质量，又或者是数据的种类，均增长显著，支撑着AI技术的发展。未来，数据层面的发展会有哪些趋势呢，我们来看一组分析数据。 首先，世界互联网用户的基数已达到十亿量级，随着物联网、5G技术的进一步发展，会带来更多数据源和传输层面的能力提升，因此可以预见的是，数据的总量将继续快速发展，且增速加快。参考IDC的数据报告（图1），数据总量预计将从2018年的33ZB（1ZB=106GB），增长到2025年的175ZB。 其次，数据的存储位置，业界预测仍将以集中存储为主，且数据利用公有云存储的比例将逐年提高，如图2、图3所示。 以上对于未来数据的趋势，可以总结为：数量持续增长；云端集中存储为主；公有云渗透率持续增长。站在AI技术的角度，可以预期数据量的持续供给是有保证的。 另一个方面，AI技术需要的不仅仅是原始数据，很多还需要标注数据。标注数据可分为自动标注、半自动标注、人工标注3个类别。 那么，标注数据未来的趋势会是怎样的？ 我们可从标注数据工具市场的趋势窥探一二，如图4所示。可以看到，人工标注数据在未来的5-10年内，大概率依然是标注数据的主要来源，占比超过75%。 通过以上数据维度的分析与预测，我们可以得到的判断是，数据量本身不会限制AI技术，但是人工标注的成本与规模很可能成为限制AI技术发展的因素，这将倒逼AI技术从算法和技术本身有所突破，有效解决对数据特别是人工标注数据的依赖。 算力 我们再来看看算力。算力对于AI技术，如同厨房灶台对于美味佳肴一样，本质是一种基础设施的支撑。 算力指的是实现AI系统所需要的硬件计算能力。半导体计算类芯片的发展是AI算力的根本源动力，好消息是，虽然半导体行业发展有起有落，并一直伴随着是否可持续性的怀疑，但是半导体行业著名的“摩尔定律”已经经受住了120年考验(图5)，相信未来5-10年依然能够平稳发展。 不过，值得注意的是，摩尔定律在计算芯片领域依然维持，很大原因是因为图形处理器（GPU）的迅速发展，弥补了通用处理器（CPU）发展的趋缓，如图6所示，从图中可以看出GPU的晶体管数量增长已超过CPU，CPU晶体管开始落后于摩尔定律。 当然，半导体晶体管数量反映整体趋势可以，但还不够准确地反映算力发展情况。对于AI系统来说，浮点运算和内存是更直接的算力指标，下面具体对比一下GPU和CPU这2方面的性能，如图7所示。可以看出，GPU无论是在计算能力还是在内存访问速度上，近10年发展远超CPU，很好的填补了CPU的性能发展瓶颈问题。 另一方面，依照前瞻产业研究院梳理的数据，就2019年的AI芯片收入规模来看，GPU芯片拥有27%左右的份额，CPU芯片仅占17%的份额。可以看到，GPU已成为由深度学习技术为代表的人工智能领域的硬件计算标准配置，形成的原因也十分简单，现有的AI算法，尤其在模型训练阶段，对算力的需求持续增加，而GPU算力恰好比CPU要强很多，同时是一种与AI算法模型本身耦合度很低的一种通用计算设备。 除了GPU与CPU，其他计算设备如ASIC、FGPA等新兴AI芯片也在发展，值得行业关注。鉴于未来数据大概率仍在云端存储的情况下，这些芯片能否在提高性能效率的同时，保证通用性，且可以被云厂商规模性部署，获得软件生态的支持，有待进一步观察。 算法 现在我们来分析算法。AI算法对于人工智能，就是厨师与美味佳肴的关系。过去10年AI的发展，数据和算力都起到了很好的辅助作用，但是不可否认的是，基于深度学习的算法结合其应用取得的性能突破，是AI技术在2020年取得里程碑式发展阶段的重要原因。 那么，AI算法在未来的发展趋势是什么呢？这个问题是学术界、工业界集中讨论的核心问题之一，一个普遍的共识是，延续过去10年AI技术的发展，得益于深度学习，但是此路径发展带来的算力问题，较难持续。下面我们看一张图，以及一组数据： 1. 根据OpenAI最新的测算，训练一个大型AI模型的算力，从2012年开始计算已经翻了30万倍，即年平均增长11.5倍，而算力的硬件增长速率，即摩尔定律，只达到年平均增速1.4倍；另一方面，算法效率的进步，年平均节省约1.7倍的算力。这意味着，随着我们继续追求算法性能的不断提升，每年平均有约8.5倍的算力赤字，令人担忧。一个实际的例子为今年最新发布的自然语义预训练模型GPT-3，仅训练成本已达到约1300万美元，这种方式是否可持续，值得我们思考。 2. MIT最新研究表明，对于一个过参数化（即参数数量比训练数据样本多）的AI模型，满足一个理论上限公式： 上述公式表明，其算力需求在理想情况下，大于等于性能需求的4次方，从2012年至今的模型表现在ImageNet数据集上分析，现实情况是在9次方的水平上下浮动，意味着现有的算法研究和实现方法，在效率上有很大的优化空间。 3. 按以上数据测算，人工智能算法在图像分类任务（ImageNet）达到1%的错误率预计要花费1亿万亿（10的20次方）美元，成本不可承受。 结合前 （1）先验知识表示与深度学习的结合 纵观70多年的人工智能发展史，符号主义、连接主义、行为主义是人工智能发展初期形成的3个学术流派。如今，以深度学习为典型代表的连接主义事实成为过去10年的发展主流，行为主义则在强化学习领域获得重大突破，围棋大脑AlphaGo的成就已家喻户晓。 值得注意的是，原本独立发展的3个学派，正在开始以深度学习为主线的技术融合，比如在2013年，强化学习领域发明了DQN网络，其中采用了神经网络，开启了一个新的研究领域称作深度强化学习（Deep Reinforcement Learning）。 那么，符号主义类算法是否也会和深度学习进行融合呢？一个热门候选是图网络（Graph Network）技术，这项技术正在与深度学习技术相融合，形成深度图网络研究领域。图网络的数据结构易于表达人类的先验知识，且是一种更加通用、推理能力更强(又称归纳偏置)的信息表达方法，这或许是可同时解决深度学习模型数据饥渴、推理能力不足以及输出结果可解释性不足的一把钥匙。 （2）模型结构借鉴生物科学 深度学习模型的模型结构由前反馈和反向传播构成，与生物神经网络相比，模型的结构过于简单。深度学习模型结构是否可以从生物科学、生物神经科学的进步和发现中吸取灵感，从而发现更加优秀的模型是一个值得关注的领域。另一个方面，如何给深度学习模型加入不确定性的参数建模，使其更好的处理随机不确定性，也是一个可能产生突破的领域。 （3）数据生成 AI模型训练依赖数据，这一点目前来看不是问题，但是AI模型训练依赖人工标注数据，是一个头痛的问题。利用算法有效解决或者大幅降低模型训练对于人工标注数据的依赖，是一个热点研究领域。实际上，在人工智能技术发展过程中一直若隐若现的美国国防部高级研究计划局（DARPA），已经将此领域定为其AI3.0发展计划目标之一，可见其重要程度。 （4）模型自评估 现有的AI算法，无论是机器学习算法，还是深度学习算法，其研发模式本质上是通过训练闭环（closed loop）、推理开环（open loop）的方式进行的。是否可以通过设计模型自评估，在推理环节将开环系统进化成闭环系统也是一个值得研究的领域。在通信领域，控制领域等其他行业领域的大量算法实践表明，采用闭环算法的系统在性能和输出可预测性上，通常均比开环系统优秀，且闭环系统可大幅降低性能断崖式衰减的可能性。闭环系统的这些特性，提供了对AI系统提高鲁棒性和可对抗性的一种思路和方法。 工程化 上 工程化的本质作用是提升效率，即最大化利用资源，最小化减少信息之间的转换损失。打一个简单的比喻，要做出美味佳肴，食材、厨房灶台、厨师都有，但是唯独没有合适的厨具，那么厨师既无法发挥厨艺（算法），又无法处理食材（数据），也无法使用厨房灶台的水电气（算力）。因此，可以预见，工程化未来的发展，是将上 过去10年，AI工程化发展，已形成一个明晰的工具链体系，近期也伴随着一些值得关注的变化，笔者将一些较为明显的趋势，汇总如下： 总结来说，AI工程化正在形成从用户端到云端的，以Python为编程语言的一整套工具链，其3个重要的特点为：远程编程与调试，深度学习与机器学习的GPU加速支持，以及模型训练与推理工具链的解耦。与此同时，产业链上游厂商对开源社区的大量投入，将为中下游企业和个人带来工具链的技术红利，降低其研发门槛和成本，笔者认为微软、脸书、英伟达3家上游厂商主推的开源工具链尤其值得关注。 结语 对于人工智能技术过去10年发展取得的成就，有人归因于数据，也有人归因于算力。未来人工智能技术发展，笔者大胆预测，算法将是核心驱动力。同时，算法研发的实际效率，除了算法结构本身，还取决于设计者对先进工具链的掌握程度。 未来10年，科技界是否能用更少的数据，更经济的算力，获得真正意义上的通用智能呢？我们拭目以待。
互联网贷款归类于银行线上业务，指从申请、审批、支付全流程都在线上完成的一种个人贷款业务，银保监会于2020年7月12日刚公布实施《商业银行互联网贷款管理暂行办法》，从银行线上自动受理贷款申请及开展风险评估开始，到最终完成授信审批、合同签订、贷款支付、贷后管理等核心业务环节进行完整规范，对于个人消费性贷款，银保监会还明确了授信限额不得超过人民币20万元，如果是到期一次性还本，则授信期限不可超过一年。互联网贷款这种线上的非面对面业务，使银行核查与尽职调查手段都不易达到KYC（了解你的客户）的目的，洗钱风险自然较高，因此，银行在面对互联网贷款等类似业务时，须先了解可能潜在的洗钱风险，才能进行有效的反洗钱措施。有效的互联网贷款反洗钱措施首重如何验证借款人真实身份，银行最起码要掌握借款人姓名、身份证号、联系电话、银行账户等可以开展风险评估的基本信息；如果是通过合作机构获取身份信息，那就还应确认合作机构的个人资料来源合法与真实，且须获得客户本人的授权，再加上采取视频、手机认证等客户身份验证措施。其次是银行要重视互联网贷款业务的贷前调查，特别是在经客户授权后，在查询客户征信信息时，要重点关注该个人客户的新增贷款情况，并核查个人税务、社保、住房公积金等信息，了解真实信用状况，同时对交易背景和贷款资金用途启动真实性审查。在完成前两项反洗钱措施后，银行接着是进行该授信案的洗钱风险评估。面对互联网贷款业务，银行特别要从借款人的职业、收入、交易习惯、还款来源等特性分析，同时将贷款金额、贷款频率与借款人背景与过去交易特性配比分析后，评估出借款人的洗钱风险程度。银行要特别注意此次刚公布的银保监会新规规定，对授信与首笔贷款发放两者时间距离超过1个月的，银行须在贷款发放前，再对客户信用状况进行评估。互联网贷款的反洗钱措施最后一项是贷款管理，也就是通过对账户的监测和对账管理，银行应及时发现潜在洗钱风险和客户异常行为，并根据客户历史交易记录、行为资料和信用情况等交叉比对，设定单日贷款支付限额，同时要关注客户还款来源，确认是否存在漂白黑钱的可能性。此次针对银行互联网贷款业务的新规中，银保监会还要求银行必须针对“客户身份识别、核心业务和风险模型管理职责”三项业务的外包进行限制，特别是针对借款人身份的核验工作，及客户信息采集、甄别筛选、资信评估、开户，甚至是授信审批、合同签订、贷款支付、贷后管理等核心风控环节进行外包持保留态度，也就是说对核心风控环节银行应独立开展，不能因为外包就免除反洗钱模型的管理职责。银行从事互联网贷款业务借助第三方合作机构，是很常见的现象，通过营销合作获得个人客户，或是与小额贷款公司、其他银行同业共同出资发放互联网贷款，在支付结算环节与非银行支付机构合作、与保险公司或融资担保公司进行风险分担，从AI(人工智能)等科技公司获取数据信息，甚至是和第三方合作催收债权等。正因为第三方合作机构对银行开展互联网贷款业务的重要性，直接关系到银行互联网贷款业务最终的品质，和反洗钱工作落实程度，所以银行在挑选合作伙伴时须注意以下重点。1、准入前评估银行须针对合作机构的风控水准进行评估，确保合作机构已符合反洗钱监管与反洗钱法规的各种要求，确保不会连累银行造成银行被禁止准入的情形。2、须承诺提供相关信息配合银行接受主管部门检查。3、及时识别与定期评估此次银保监会新规特别要求银行，须针对互联网贷款业务的合作机构进行及时识别与定期评估，避免因合作机构单方所引发的银行风险，评估时间为起码每年要对所有合作机构全面评估一次。4、及时终止合作只要合作机构出现风险预警或潜在风险，或无法继续满足准入条件，银行应及时终止合作关系，避免风险传导引发银行端的风险。5、建立禁止合作机构名单第三方合作机构出现严重违法违规行为，像是滥用、买卖或泄露客户信息，或以非法手段催收贷款、虚构交易背景或贷款用途等，银行都应及时列入禁止合作机构名单并终止合作关系。（本文作者系上海富拉凯律师事务所银行风险合规部中国执业律师 王凡）
8月18日，时代中国举行2020年中期业绩线上发布会。 上半年，时代中国实现营业额为149.25亿元同比减少6.4%，核心净利润同比增长1.3%至18.3亿元，归属母公司净利润同比减少3.6%至15.37亿元。其中，毛利变化相对较大，同比减少22.5%至40.22亿元，毛利率亦由去年同期的32.5%下降至26.9%。 历年数据显示，本次营收和毛利率的下滑是时代中国近五年来首次的半年度同比下滑。此前的2015年至2019年同期，时代中国营收平均同比增速为41.98%，平均毛利率为28.01%。 对此，时代中国管理层在业绩会上称，受疫情影响上半年公司城市更新项目于原计划推迟进场施工，收入节点相应延迟。因此没有获得相应收入，也未产生毛利贡献。 同期，时代中国销售结转项目大多位于毛利率较低的区域，毛利较高的产品收入确认比例，也较去年同期有所下降。加之，时代中国在广佛地区实行价格促销，也相应拉低毛利率水平。 不过，时代中国对今年的市场和业绩依旧充满信心，暂时没有修改全年目标的计划。 上半年城市更新业务无结转 从业务构成来看，于去年年底分拆物业管理业务时代邻里上市之后，时代中国的业务便只涉及物业开发、城市更新业务、物业租赁三大板块。 上半年，时代中国物业开发板块和物业租赁板块分别实现营收147.1亿元和2.3亿元，相对应同比减少0.3%和同比增长3.1% 让人意外的是，上半年时代中国城市更新业务为0。而2019年同期，时代中国该业务收入为6.41亿元占比4.0%，为同期公司第二大业务板块；2019年全年，该业务总计收入为21.67亿元。占公司总营收5.11%。 图片来源：企业财报 “上半年时代中国没有城市更新项目的结转节点，因此并未产生相应收入。”时代中国对搜狐财经回应称，虽然上半年时代中国城市更新业务收入为0，但是6月份时代中国已成功转化4个城市更新项目，总建筑面积约137万平方米，总货值约425亿元。 “我们预计，2020年全年公司将有10个项目转化出来，总建筑面积200多万平方米，大约700亿的货值。"时代中国表示，全年完成10个项目左右的转化是大概率的事情。 此外，截至2020年6月30日，时代中国在全国总计有城市更新项目超150个，多数位于大湾区经济发达城市，潜在总建筑面积约5200万平方米。 据了解，时代中国主要业务集中于珠三角地区的主要核心城市。截止6月30日，该公司旗下130个处于不同阶段的主要项目中，121个分布在广州、佛山等广东省主要城市，5个位于湖南省长沙市，1个位于湖北省武汉市，2个位于四川省成都市，1个位于浙江省杭州市。 虽然上半年城市更新业务收入为0，由此也导致了期内公司总营收和毛利率相应下滑。 但是，时代中国表示，下半年公司依旧会优先选择城市更新项目，并逐步布局长三角、成渝、长江中游城市群等高增长潜力区域，以城市更新撬动土储。 此外，上半年时代中国还以42.64亿元分别在佛山、东莞等地共新增7幅土地，建筑面积约92万平方米，其中公司归属建筑面积约55万平方米。 截止6月30日，时代中国土地储备为2179.5万平方米，可满足其未来3-5年发展所需。 暂不修改全年目标，无短期偿债压力 时代中国盈利缩水，是疫情之下众多房企的缩影。针对下半年的部署，时代中国在业绩会上表示，目前来看虽然不同区域有分化，但下半年内地楼市整体来看仍然平稳。 因此，时代中国预料下半年的销售表现将好过上半年，有信心完成年初定下的823亿元的销售目标，现阶段没有计划调整有关目标。 时代中国发布的销售数据显示，上半年公司累计合同销售金额325.66亿元，对应合同建筑面积为234.2万平方米，同比分别增长4.27%、13.47%。 结合时代中国发布的7月销售销售数据，7月单月时代中国完成销售金额78.8亿元，同比增长41.2%。照此计算，则今年1-7月，时代中国共完成销售额404.46亿元，目标达成率49.14%。 不过，2020年时代中国823亿元的销售目标，若以去年完成的783.6亿元销售计算，则今年业绩增长幅度仅为5%。 早在2018年，时代中国便提出在2020年实现千亿销售目标。不过，时至今日该目标也未能达成。 作为未跨入千亿大门的房企，时代中国追赶规模同时，负债水平也一直被外界关注。 中报显示，截至2020年6月30日，时代中国负债总额为1371.11亿元，较2019年末的1253.94亿元，增长117.17亿元；净负债比率71%，较2019年末的67%上升4个百分点；资产负债率87.10%，较2019年末的77.84%上升9个百分点。 同期，时代中国计息银行贷款及其他借款(不包括应付利息)合计约为587.22亿元，包括一年内到期借款241.47亿元，较2019年末的185.98亿元增加近三成。 此外，时代中国两年内至五年内需偿还的借款338.89亿元，五年以后需偿还的借款6.87亿元。 “公司已踏入阶段性还款高峰期，但是已经做了债务置换安排，不存在偿债压力。” 时代中国管理层在业绩会上回应称，从债务结构来看，一年内公司需偿还债务有超过90%都是境外的公司债，境内债到期有94.4亿。 “目前，公司已累计重新置换发行95.2亿元。境外债102亿元也在逐步发行新票据进行置换，基本上对短债占比到期置换没有任何问题。”时代中国管理层说道。 时代中国此前发布的公告显示，上半年公司分别发行了13.15亿元、25亿元的境内债券，票面年利率在5%—6.3%间；两笔2亿美元和3亿美元的境外优先票据，利率在6%—6.75%之间。 此外，时代中国管理层认为，从持有现金的角度来讲，公司也不存在短期内偿还压力。“截止今年6月末，公司拥有现金及银行结余总额345.33亿元，较去年底增加17.9%，足以覆盖一年内到期债务240亿元。” 时代中国管理层还在业绩会上作出研判，认为国内针对房企融资的限额管理目前已经是很严格的，政策持稳是大概率，未来融资政策再收缩风险不大。
近期，有多家券商召开董事会会议，审议通过了资管业务整改计划。 18日，粤开证券公告，公司董事会审议通过了《关于资产管理业务整改计划的议案》，称由于资管新规过渡期延长一年，公司以2019年底待整改产品为基础，按照锁定存量、有序压降的要求，重新制定整改计划，编制整改台账。现根据业务实际情况，重新编制整改报告和整改台账。 广发证券同日公告，公司董事会审议通过了《关于相关子公司按照资管新规产品整改工作计划的议案》。就在本周，国金证券、国元证券也分别披露了同类公告。加上之前的中信证券、方正证券、国海证券、山西证券、西南证券、华西证券、华安证券等，目前已有超过10家券商公告了资管业务的后续整改计划。 业内人士表示，对上市及挂牌券商而言，相关资管产品规则的变更涉及公司生产经营的重大改变，需向投资者进行必要的信息披露和说明。 “我们旗下大集合产品的改造进度较快，接下来会把主要精力放在非标资产或低流动性资产，以及未到期尚不能处置的私募资管计划上。这些都是难啃的硬骨头！”一家头部券商的资管业务人士说道。 一家中西部地区券商的资管业务人士表示，公司将对存量资管产品分类进行规范。对集合类产品，在防范流动性风险的前提下，主动进行整改；对定向（单一）通道类产品，通过主动管理改造、到期清算、提前变现等方式完成规范整改。目前，公司旗下存量不合规产品的整改比例已经过半，整体进度符合预期。 记者还了解到，近期申请公募资格的国泰君安资管正根据公司未来发展方向推进整改。公司业务负责人对记者表示，由于产品线比较丰富，将会有步骤地安排整改，首要是按照市场需求有序改造。例如，对一些规模不大的股票类或债券类产品、客户定制产品，如果缺乏市场需求，公司会考虑提前终止。 业内普遍认为，资管新规过渡期延长至2021年底，有利于存量产品规范化工作的有序推进，给券商留出了充裕的整改时间。
据外媒报道，日本丰田汽车17日表示，将加强与美国科技公司亚马逊的合作，以发展未来汽车技术。 据日本共同社报道，丰田汽车17日表示，已经与亚马逊公司旗下子公司Amazon Web Services（AWS）达成一致，双方将加强合作研发未来汽车技术。丰田计划广泛应用AWS的数据分析技术，并帮助其推进丰田CASE技术（网联、自动、共享和电动技术）发展计划。 报道称，自动驾驶是下一代汽车技术领域的重要发展方向。丰田希望在5G高速网络普及之前，借助与AWS的合作来加速网联车辆技术的发展。丰田汽车在2017年已经开始与AWS在共享汽车领域合作。 为促进新一代汽车技术更好发展，丰田不断加强与科技公司的合作。丰田与日本科技巨头软银合作创立了移动出行公司Monet Technologies，研发自动驾驶技术，并得到来自马自达、斯巴鲁和本田等多家日本车企的注资。 目前，全球汽车市场正普遍遭遇寒冬。丰田汽车公司月初发布的财报显示，受新冠肺炎疫情销量大降影响，丰田今年二季度纯利润比上年同期下降74.3%至1588亿日元（1美元约合105日元），销售额同比下降40.4%至4.6007万亿日元。丰田预计本财年（截至2021年3月）公司纯利润将下降64.1%至7300亿日元。 不过，各大车企对于网联和电动等未来汽车技术的发展热度不减。丰田目前现金储备状况良好，未来发展的重心将放在长远项目上，如自动驾驶汽车、电气化以及智能网联汽车等领域。丰田旗下子公司丰田合成近日还宣布与美国初创公司Ossia展开合作，双方致力于将无线供电技术应用于汽车座舱、智能城市等领域。还有媒体报道称，丰田还与美国电动汽车厂商特斯拉合作开发未来最有前景的电池技术之一全固态电池。这种电池比目前普遍使用的电动车电池体积更小，充电更快。 电动汽车等发展趋势正日益为投资者所看好。特斯拉7月初市值超越丰田成为全球市值最高车企，股价随后一直延续上涨趋势，过去12个月已经上涨7倍。特斯拉17日股价收盘再创新高，收于每股1835.64美元，涨幅11.2%，市值约3420亿美元。目前，特斯拉的市值已经高于美国三大汽车巨头与丰田的市值之和。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估