【编者按】2020年8月26日，中国上海虹桥，由中国房地产业协会指导、主办的“2020（第三届）年度论坛”即将举行，主题为“浪奔”。 在后疫情时代全球经贸格局与秩序重构背景下，中国房地产业能否继续“乘风破浪”？重温2018和2019两届年度论坛重量级嘉宾专访或会有部分答案。 在第三届年度论坛举办前，我们特别推出《年度论坛·对话重温》系列。本次推出的是，2019年论坛嘉宾、好租创始人兼CEO曲先洋先生。对话时间2019年7月。 以下是与曲先洋的对话（精选版） ：您认为科技与房地产的结合，会在哪个领域最先获得突破？ 曲先洋：C端应用场景相对更广泛，因此智慧居住领域做的结合，可能会稍稍领先一些。 ：AI是玩概念还是确有价值，如何正确的认识当前的“人工智能技术”？ 曲先洋：AI技术是基于市场需求和场景化应用而不断发展的，不管是住宅还是商办，现在AI技术和产业的结合还远谈不上成熟，未来从概念到业务落地还有很长的路要走。 目前，好租也在商办领域布局人工智能技术，我们做的晓楼数据服务平台，同样也用到了AI算法。它能够快速处理海量结构化和非结构化的楼宇数据，提供从商办类土地投资、产品定位、营销指导、运营到资产退出的全产业链数据服务，是好租不可或缺的AI大脑，其价值也是实实在在的。 ：在未来2-3年内，AI 、IOT还将会有哪些地产应用场景出现？ 曲先洋：在未来2～3年内，在商办存量市场现状的带动下，人工智能、大数据等在产业链条上的应用会出现快速发展。从城市更新发展决策、商办类土地投资、产业运营到招商去化等场景，大量AI技术的应用将会对产业改造和效率提升起到驱动作用。 ：当前，科创在房地产领域的应用中，痛点在哪儿？ 曲先洋：如果科创太超前，可能会影响普及，一是前期需要投入大量资源和精力去教育用户，另外就是市场定价问题，一般供应链成熟了价格才会友好。另外，房地产科技领域的趋势在这两年基本没有发生大的变化，现在面临的问题更多是怎么去落地。 ：好租的主要应用领域是什么？特色或竞争优势是什么？ 曲先洋：好租主要是做商办运营平台，通过深度应用技术手段和大数据，以及线下窗口的专业经纪服务，提供精准高效的办公楼宇交易（租赁为主）撮合服务。 好租的核心优势是平台的大数据优势，四年布局下来，已经掌握156万套真实房源、服务逾80万企业客户。这些楼宇静态数据和市场动态数据能够让我们更好认知行业，从而指导好租产品和服务创新。其中，核心产品之一的好租网是月UV百万级的流量入口，另外我们还推出了针对产业端的晓楼数据服务平台，它能让我们深度连接上游企业，包括参与到开发商、运营商大项目的顶层设计中。 简单来说，通过4年积累搭建底层数据平台，再构建数据驱动的产品服务去覆盖业务场景，是好租做到商办领域头部平台的核心竞争优势。 ：可以披露下好租目前的发展路线图，布局城市和管理面积有多少？ 曲先洋：好租采用“端到端”的业务布局，企业端和产业端双管齐下，来不断夯实平台能力。在全国布局上，我们设立了以北京、上海、深圳为城市群核心的华北、华东、华南三大市场，整体覆盖近30个重点城市。过去的2018年，好租平台的总去化成交面积为830万平，北京、上海的市占率双双突破了15%。 ：2019年好租业务发展有哪些动作，进度如何？此后的发展目标和战略是怎样的？ 曲先洋：2019年，我们在“成为商业办公服务领域持续变革者”企业愿景的引领下，建立了晓楼大数据服务平台，通过提供城市宏观大数据、行业及客需大数据、商办供给及营销大数据等和SOHO中国、仲量联行、光明牛奶公司达成战略合作。 同时，将小户型业务和线上营销的整合，成立了MIG（整合、智能、增长）事业部，用更加智能科技驱动的方式，为客户为合作伙伴创造更多的价值，同时也帮助公司和业务完成更快速的增长。5月以来，MIG事业部同比取得了显著的业绩增长。 ：您觉得办公租赁的发展趋势是什么？市场未来前景有多大？ 曲先洋：办公租赁的发展趋势肯定也是往智能化、多元化和人性化这些方向发展。仅从写字楼租赁市场来说，它在2015年的行业规模就已突破了5000亿元，而通过科技创新提供更好的楼宇产品和服务，并协同智慧城市、智慧楼宇、智慧物业等等，相信这会是一个万亿级的市场。 ：请用一句话展望新时代地产领域的科技创新前景。 曲先洋：从人适应楼宇到未来楼宇适应人，进一步丰富和强化大数据、AI等新技术应用落地，新时代地产的“科技土壤”开发大有可为。
今天市场继续调整，原因其实还在延续昨天尾盘跳水的逻辑，就是昨天央行公布的7月金融数据。市场对此反应非常消极，已经在用脚投票，我看很多人解读说是因为金融数据不及预期，觉得经济没那么好，这个话有一定道理，但并不准确，真正让市场下跌的原因不是数据不好，而是数据不好不坏。 我们前面的课程和直播给大家讲过要密切观察接下来的经济走势，也给大家讲了如何分析经济对市场的影响。我再带大家简单回顾一下，我们讲了三种情景： 第一种，经济数据继续明显好转，从弱复苏变成强复苏，这样的情况下，货币宽松会继续收敛，但周期性的实体企业业绩会明显改善，市场风格可能会加速转向低估值的周期类板块。 第二种，经济数据再次明显恶化，弱复苏终止，经济重新衰退，这种情况下，经济会倒逼央行重新加大货币宽松，流动性会推动估值提升，市场风格会重新回到创业板、科技等高估值板块，和1-5月逻辑差不多。 这两种情景下，权益市场都还会有很好的机会，只不过风格有明显区别，一个炒业绩，一个炒估值。但除此之外，还有第三种情景，就是经济既不好，也不坏，大家对经济的预期不明朗，政策层面也倾向于暂时观察，这种情况对市场来说是最不好的。 为什么呢？第一，不利于业绩牛。他不像第一种情况，经济不够好，谈不上业绩驱动，周期类板块顶不起来。第二，也不利于估值牛。经济不好也没关系，从2019年到今年上半年经济都在下行，但完全没妨碍市场走牛，因为经济不好的时候虽然没业绩，但是可以倒逼货币政策宽松，尤其是在经济压力比较大的时候，比如疫情刚爆发那段时间，基本上各种招数不断。 简单点说，市场不怕经济坏，也不怕经济好，就怕经济方向不明朗。回到昨天公布的7月金融数据上，问题的核心不在于数据不好，以前经常会出现经济数据越差市场越涨的故事，问题的核心在于数据不好不坏，方向不明确。 正如大多数分析所说的，这个数据的确不能算好。M1增速是回升的，但要看信用扩张和经济复苏的强度，主要得看社融增量和M2的增速，7月社融新增了1.69万亿，低于预期的1.85万亿，同比增量也有所下降，M2增速降到10.7%，也明显低于预期的11.1%和上个月的11.2%。边际上看，的确没有延续前几个月的明显复苏态势，也没有达到市场的预期，因为市场的预期已经被前几个月的数据打得很高。 但是，这个数据又没差到疫情前的那个状态，也不至于让央行重新加速宽松。只能说不够优秀，起码是良好，而且7月较6月下滑有很大程度的季节性因素。6月是半年末，银行会为了应对考核会冲一些项目，而7月很多短期项目会到期，所以造成每年7月的新增贷款和社融几乎都明显低于6月，比如去年7月新增社融和贷款分别比6月少了1.34万亿和8700亿。所以拿今年7月和去年7月去比，社融同比依然是多增了4000多亿，这已经是连续5个月比去年多增。 从结构上看，个人贷款继续多增，主要是居民中长期贷款保持高增长，前期房地产市场的复苏带动居民加杠杆；企业股票融资也在扩张，主要是资本市场走牛叠加注册制改革和IPO加速；表外融资虽然还在减少，但减少的幅度收窄；企业债券和政府债券同比少增，但量还不错，整体来看，信用扩张只是边际放缓，并没有明显的恶化。 接下来8月的数据会更为关键，因为季节效应过去之后情况会更真实，从目前的情况来看，接下来想要向强复苏切换有较大的难度：一是房地产市场的复苏会面临挑战，深圳等个别地区的调控显示出中央的态度，这可能让居民中长期杠杆的扩张面临阻力；二是政府加杠杆可能也缺乏增量，疫情之后的集中刺激期过去了，接下来回到正常轨道之后，中央依然会严控地方债务风险，很难重现2016年那样的放杠杆周期。 但是基于前期刺激政策和融资扩张的惯性，预计经济数据依然能保持相对平稳的状态，也很难大幅恶化形成衰退趋势，所以短期来看市场依然纠结，再加上外部美国大选前的各种幺蛾子，恐怕市场依然处于风险释放期，避险依然是主基调。接下来密切关注两个因素：一是经济数据的走势，这间接决定了货币和流动性；二是外部的中美摩擦。 对投资者来说，看清楚关键的逻辑和趋势，就不要太在意短期的变化和无畏的噪音。市场比较纠结和鸡肋的时候，大家更应该加强学习。
王鸿8月11日-12日，第四届地新引力峰会于上海宝华万豪酒店举行，地产、资管、物业、租赁、产业、科技、金融、区块链、文旅等行业领袖齐聚，思考特殊时期的破局之路，探寻地产的第二增长极，全程直击。现场直播》》 微众银行区块链负责人范瑞彬认为联盟链是能够坚固金融稳定和创新的一条可持续道路，行业的发展也证明了这条道路的正确性。 他介绍在区块链领域主要做了三件事。 第一，技术。区块链对我们来说，技术是根基。 第二，产业应用。应用才能够体现技术的价值，同时也才能够体现行业的成熟度，一直在大力推进各种各样应用，不仅限于微众也不仅限于金融。 第三，开源生态，这是微众这几年在区块链选择的一条很少有人走的特色发展路径，基于开源技术去构建开源生态。 区块链在数据交换方面有广阔用武之地，数据通过交换、通过分享能够把它的价值充分发挥。数据的黑产很严重，这是最主要的痛点，难以打通坚固数据孤岛及数据滥用，针对这个痛点设计出解决方案，是可信数据交换的解决方案，同时也是符合国家W3C规范，而且泛行业、跨地域、跨机构解决方案。这个解决方案主要作用就是通过区块链将数据的所有者，将数据的提供方以及数据的使用方还有监管机构等连接起来，让数据流通更加可信更加高效。 他提到区块链可以用在很多领域，监管领域也是一个非常好的应用场景。在深圳地方金融监督局指导之下推出服务平台，主要解决的是网贷机构相关问题，网贷机构一般牵涉到大量的参与方，涉及大量债权方。一方面通过人脸识别解决用户的实名，同时利用区块链把司法机构监管机构连接起来确保整个过程透明可信，相当于一个技术解决一个痛点，这个痛点在这个场景产生很不错的社会价值。
王鸿8月11日-12日，第四届地新引力峰会于上海宝华万豪酒店举行，地产、资管、物业、租赁、产业、科技、金融、区块链、文旅等行业领袖齐聚，思考特殊时期的破局之路，探寻地产的第二增长极，全程直击。现场直播》》 Oracle区块链首席架构师杨保华表示，区块链通过高效可靠数据协作增强数据价值，让数据价值产生指数效应。区块链是进行科技转型非常核心一项技术。 区块链发展过程跟互联网非常像，分为四个阶段，所不同的是互联网发展阶段是十年为尺度，区块链是五年作为尺度，互联网经过了实验、技术完善应用到普及。区块链是在经历了四个阶段，如果按照这四个阶段来看，2020年正处在一个加速商业应用、加速逻辑的时期。把区块链技术应用到企业中，首要问题都会面临区块链选择的问题。 目前全球范围内来看大大小小区块链不下上百种，非常出名区块链有十几种，这些区块链至少从两个维度来分，有供应链或者是联盟链，从社会模式上可以分为开源区块链或者商用区块链，对于公有区块链来说自身开放匿名的，性能会比较差，管理没有那么容易。联盟链提供很好管理审计功能，同时提供很好身份保障，要考虑到企业实际需求构建相对复杂。 他认为区块链从应用模式上可以分为两类，第一种应用模式相对比较简单，把它用做共享数据，把区块链数据作为共享的一个数据库。第二个模式相对高级一些，会用智能合约来自动化整个商业流程，这也是区块链核心价值所在，无论是应用哪种模式都会看到区块链可以提高效率还有相应的速度。同时可以降低成本还有风险。 目前区块链应用最广泛的三个领域包括金融、供应链还有健康医疗相关。具体应用区块链的技术挑战，他总结五点，完备的数据安全、可扩展网络性能、可信智能合约、增强误操作性还有标准化以及规范化。
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，香港中文大学（深圳）、雷锋网联合承办，鹏城实验室、深圳市人工智能与机器人研究院协办。在8月9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。首先登场的，是微众银行首席AI官杨强教授。联邦学习和隐私计算，是今年所有金融巨鳄和科技寡头们，都在重点布局的重要技术方向。作为这一领域的全球领军人物，杨强也在会上带来了他在前沿研究与产业应用的真知灼见。以下为杨强教授演讲全文，雷锋网AI金融评论做了不改变原意的整理：先简单介绍一下，微众到现在有五年的历史了，目前有大概两亿的个人用户，还有将近百万的小微企业用户。这么短的时间可以获得这么大的用户群，应该说很大程度上是取决于技术上的创新，包括云计算、大数据和人工智能。其中一大亮点就是做连接，把不同的企业连接成一个生态。在这个过程当中，AI是不可或缺的——正如今天的主题：AI到底在金融界能起到什么作用？我们在很短的时间内汇聚了很多人才，这些人才主要在四个方面把互联网银行大致规模化、模型化了。这四个团队把微众银行内部和外部的业务过程、经验总结成了模型，这些模型可以供应给其他行业一键下载、一键装配，比如可以做营销、服务、资产管理，把金融的前台和后台都包括了。迁移学习和联邦学习也是如今比较突出的两项技术，可以把整个金融业务再往前推进一步。我们可以把未来的银行想像成从左到右的流程，最左边的是获客，这是任何企业都需要做的，要找到有价值的客户，对客户进行安全评估、风险信用评估，尽早发现可能的欺诈行为。评估办法之一是参考央行的征信数据，但国内很多人没有征信数据（信用分），而且它只是一个维度，所以我们需要把维度变得更加丰富。还有运营、监管、对沉睡用户的唤醒、7×24小时的客户服务，里面都有人工智能的影子。分布性数据隐私保护、联合建模的挑战和需求在所有这些过程当中有一个主线：如何能够顺利把尽量多的数据用起来。我们联邦学习的宗旨是数据不动模型动，这是一个做法，目标就是数据可用不可见：数据可以用，但是别人的数据我是见不到的，所以可以把数据加入到生态里面来共同建模，一些散乱的小数据就可以成为虚拟的大数据，这是我们的思想。这个思想的初衷其实是，现在很多行业并没有真正意义上的大数据，像在金融里面有很多的数据，其实是黑天鹅现象。比方说在反洗钱应用中用于模型训练的洗钱案例，其实数量并没有想象中那么多，还是属于少数现象。这种数据拿它来训练，效果不是很好。如果要用人工智能改变很多行业的话，其实都没有高质量、有标注、不断更新的数据。第四范式公司在实践当中就发现，如果要为大额贷款做一个营销模型或风控模型，数据往往是在上百例以内，这点样本是没有办法训练一个好的深度模型的，所以他们的做法是从小额贷款到大额贷款做迁移学习。每个人也都有手机，手机都是联到云端的，每个手机上的数据，每时每刻都在更新，都有新的图片、新的声音、新的文章可以点击，每个手机上的信息又是私密的，如何保证私密不传出去，又能让云端的大数据模型得到更新呢？大家都熟悉无人车，比如有一千辆无人车，每辆车见到的数据都是有限的，我们能不能让一千辆车的数据汇聚成一个虚拟的大数据，同时又不暴露某个车看到的某个场景？这就是分布性数据隐私、联合建模的挑战和需求——能不能把小数据聚合起来成为大数据？问题是，现在监管和社会的要求也非常严格，老百姓、社会对于技术工作者的要求是首先要保护隐私。政府也纷纷立法，比如欧洲建立了GDPR的数据法规。我们国内也有相关的保护法，在国家层面、地区层面，大家都在探索类似于、甚至更加严格于GDPR的数据法规。所以，简单粗暴地把数据从A传到B是违法的。透视联邦学习联邦学习，“邦”的意思是每个实体参与者地位都是相同的，无论大小，提供的价值才是他们存在的意义。“联”就是用一种方式把它们联起来，把隐私保护起来，同时又可以做一些有意义的事情。用一个简单的例子来解释：假设用一只羊来类比机器学习模型，草就是数据，我们希望羊吃了草以后能够长大。过去的做法是，把草买到一起来建立模型。比方说左边的模型，左边的箭头是指向羊的。羊不动，但是草被购买到中心。相当于简单粗暴地获取数据，形成大数据，来建立模型。但我们希望能够保护各自的隐私，所以让草不动，让羊动。这样羊既能吃那个地方的草，主人又不知道到底吃了哪些草，久而久之羊就长大了——这个就是联邦学习的新思路，就是让草不出草场，本地主人无法知道羊吃了哪些草，但是羊还是长大了。这个思想的关键是，当我们的模型从一个地方传到另外一个地方的时候，要传尽量少的东西，同时传的模型参数要被加密。图右这些带有一个框的W就是加密的意思，在本地加密，就只能在本地解密。现在有一种穿透式的加密，把所有的加密包放在云端的时候，还可以对它进行更新操作。比如对这个模型的集成更新，用集成学习。谷歌就提出了“对模型联邦平均”的做法，还有其他比较复杂的方法如神经网络等。这种做法分两种数据格式，一种格式是把样本分割，放在终端，像图左边所表示的一样，这是横向联邦。还有一种是纵向联邦，沿着特征把数据分成几块，每一块属于一个机构。比如有两家医院，双方数据可能在用户上有很多重叠，可是在特征上面没有很多重复。比如其中一家医院做的是胸片，另外一家做的是核酸检测，如果联合就可以做更好的模型。但出于隐私或利益等原因，他们不愿意互传。这时就可以用如图所示的方式，可以让一方的数据在加密状态下传到另一方，参与模型更新，重复多次后得到最优化的模型。有新用户的时候也是通过加密传输，使中间结果得到运算。纵向联邦适合to B的场景，横向联邦适合to C的场景。谷歌用的比较多的是横向，我们微众用的比较多的就是纵向，当然也有混合的用法，横向中有纵向，纵向中有横向。在座的朋友们可能会问，联邦学习跟以前的分布式AI、参数服务器、联邦数据库有什么区别？过去，分布式AI和联邦数据库里面，数据的形态、分布、表征都是一样的，是同类的。在联邦学习里面，它们可以是异构的，特征不一样，分布也不一样。从机器学习的角度来说，更加复杂。同时，隐私保护是第一性的要求。过去，分布式AI和联邦数据库都是在一个数据的功能下，把数据分布在不同的数据库，目的是并行计算、提高效率。但是现在数据本身属于不同的属主，所以需要做加密情况下保护隐私的计算。可能还有听众想问，假如在多个参与者中，有一个参与者是坏人怎么办？他在努力猜你的数据，甚至在做数据的“下毒”，比如故意标注一些错误的信息，就有可能把最终的模型变成对自己有利的方向，这也是有可能的。如果原始数据是0，在OCR的场景下，另一方可以不断地接受对方的梯度猜出对方的数据。如果百分之百地采用同态加密，用联邦学习的方法，这种情况就不会发生。联邦学习的特点是引入了生态的维持机制，也就是经济学机制。如果要让联盟能够持续下去，每个参与者都要感觉到作用和收益是成正比的，这就要引入经济学或者博弈论的机制来保证持续的平衡点。总结一下，其中有很多工作要做，包括安全合规，这是跟法律层面、跟政府层面合作；有防御攻击，还有算法效率，技术应用、还有激励机制，要引入很多经济学家的工作。举个例子，因为联邦学习是一个大的框架，所以有各种各样落地的场景。比如推荐场景，大家用抖音、用头条、用电商，这个时候都离不开个性化的推荐，但是推荐是数据越多越好。如果数据来自不同方，过去是把数据买到本地来进行推荐模型的建立。可以用联邦学习来解决这个问题，这个做法是“联邦推荐”。最近我们把联邦推荐的算法应用在广告推荐的场景上，用各方的数据，最后广告推荐的场景可以个性化，但是数据可以不出本地。联邦学习如何为金融发挥作用？应用在信贷和征信系统，我们希望利用大数据建立360度的用户和企业画像，参加建立更好的征信。但是联邦学习出现以前都没有很好的技术，大家都不参与到这个生态里面，担心自己的数据被偷走。用了联邦学习以后就可以做这个尝试。比如这个尝试是一家银行和票据公司的合作，数据都不出本地，银行所提供的是这个用户贷款的关键数据，合作企业提供的是企业的交易数据，这种交易数据为企业的活跃度提供了很多的信息，这两个数据进行联邦，可以让坏账率大幅度降低。应用在计算机视觉，每个库房都有很多摄像头监控本地的库存，可以用不同视觉公司的监控数据进行供应链联邦。更多跨领域的应用，比如监管和银行、互联网和电商、互联网和医院，都可以进行联邦。建立这样一个生态，离不开行业标准。我们推进建立的IEEE国际标准这个月也会出台，国家层面也有标准。我们也推出了开源软件FATE。我用微众银行的典型案例进行总结，刚才说的联邦技术贯穿了所有前台和后台。比如智能营销，引入联邦学习以后，可以把不同的数据源结合起来，让营销提高点击率。特别受关注的是点击之后用户有没有转化、有没有变成你的用户，这个过程需要更多的数据支持，这些数据往往来源于合作者，利用联邦学习的效果可以大幅度提高20%以上。反欺诈方面，可以在人脸识别、语音识别方面都可以大幅度提高效率。风控方面，也是利用大数据把金融公司和非金融公司联成生态，大家在这个生态里面进行数据价值的交易。还可以利用另类数据，比如把卫星数据、电信数据、非传统财报数据联合起来，可以实时为投资者服务。如何唤醒沉睡的、有价值的用户？也可以用联邦学习识别这个客户有没有重新跟你合作的意愿。我们的经验是在当前这个经济形势下，是非常好的金融场景。7×24小时的机器人服务，微众现在有98%以上是机器人在做后台服务，包括对话系统、客户服务、服务当中的监管、质量检测、智能监控、反洗钱，把细碎的小数据联系起来，变成可用数据。以上就是我们的经验和总结，谢谢大家。
近日，最高法拟调整民间借贷利率上限。业内紧急讨论应对，舆论场里却没能掀起浪花。失宠于舆论，说明消费金融正走向成熟，变得模式清晰、未来可预测。但成熟都有两面性，好的一面是有共识、有规则，消除了冲击性和破坏性，坏的一面则是有惯性、有惰性，失去了多样性和灵活性。在快速变化的时代，惯性太强容易把车开进死胡同。风控的四大问题凡事均有利弊。有些弊端，在行业初期不明显，无碍大局；到了一定阶段，就会被激活，显现出杀伤力。大数据风控之于消费金融便是如此，早期几乎全是优点，随着外部环境的剧烈变化，弊端显现，一些优点也在变缺点。贷款的关键是风控，风控的核心可归结为四大问题：谁在贷款？贷款干什么？拿什么还款？还不上怎么办？在这四大问题上，传统风控与大数据风控给出了不同的解决方案。传统的消费贷款流程，强调资料证明。申请消费贷款时，银行要求借款人提供在职证明、收入证明、公积金缴费记录，甚至还要查验户口。这些证明文件，能很好地解决“谁在贷款”“拿什么还款”的问题，但手续繁琐，体验较差。引入互联网技术后，大数据风控用数据取代了这些繁琐的现场手续，便利了借款人，大幅提升了借款效率，满足了消费场景对付款时限性的要求，促进了消费贷款与消费场景的融合。对于“还不上怎么办”，传统风控强调以抵押担保为抓手。只有借款人收入稳定（如公务员、国企员工、大型企业员工等）且借款金额不高时，银行才会妥协，发放纯信用贷款。相比之下，大数据风控仍然以数据为抓手，摆脱了对抵押担保的依赖，大幅降低了借款门槛，推动了消费贷款普惠化。至于“贷款干什么”，无论传统风控还是大数据风控，都未给出解决方案，面临相似的困境：房贷、车贷、消费贷的用途是可控的，现金类贷款难以监测用途。总的来看，大数据风控更强调便利性、突出普惠性，在上行周期，给增长松开了枷锁，引领了消费金融大发展；但大数据风控也有自身的问题，行业高增长既掩盖了问题，又拖延了问题的解决，到了下行周期，这些问题开始被放大。大数据风控的“一体两翼”传统风控，以收入和抵押物为核心抓手，大数据风控给出的解决方案，可以总结为一体两翼策略：以“群体风控”为主体，以“定价覆盖风险”和“催收覆盖不良”为两翼。所谓群体风控，是指重群体、轻个体。就单个借款人来看，大数据风控做不到精准识别，偏差大（这里仅评价行业一般情况，不同机构间的大数据风控能力有显著差异），相比传统风控手段有差距；但胜在效率高、门槛低，借款人数量足够大，客观上把单个借款人风险湮没在群体之中。2016年前后，国内居民杠杆率低，且消费金融处在风口期，借钱容易，借款人个体层面的信用风险很低。只要群体层面借款人的财务状况不恶化，模型差一些也能凑合用，不会出大问题。此时，很多机构的大数据风控，追求的是反欺诈能力。相比传统风控模式，大数据风控接触的不是活生生的人，而是姓名、手机号、身份证号、银行卡号等构成的虚拟字符串。一旦虚拟字符串与真实借款人的映射关系被篡改，如身份证显示为A，实际借款人却是B，就会产生骗贷问题。综合利用人脸识别、黑名单、网络图谱等手段，大数据风控可以把业务线上化释放出来的猛兽（骗贷风险）重新关进笼子里。但很多机构的大数据风控，对信用风险评估始终重视不足，“只要不骗贷，谁都可以贷”。所谓“定价覆盖风险、催收覆盖不良”，是指在“拿什么还款、还不上怎么办”的问题上，大数据风控并未给出直接解决方案，而是依靠较高的利率定价、积极的催收进行风险补偿。大数据风控的“一体两翼”，前几年运转良好；这两年，环境快速变化，“一体两翼”正由助力变阻力。隐患在凸显从宏观环境看，这几年居民杠杆率快速上升，导致借款人群体的信用风险不可逆地攀升。疫情之后，失业率上升、收入增速下滑，更是雪上加霜。此时，行业面临的不再是中低信用风险的借款群体，“群体风控”策略正失去对行业的庇护力。当借款人违约概率普遍增大时，单个借款人的信用风险识别能力就成为消费金融类机构的核心竞争力。一旦金融机构正视信用风险评估，会发现难度比想象中要大：高质量、多维度的数据获取难度在加大，动态变化的环境对数据解析能力的要求也在快速提高。除非前期一直持续进行试错、投入，一直进行模型升级迭代，临阵磨枪是没用的。“定价覆盖风险”和“催收覆盖不良”，则因监管介入而不同程度失效。这两年，消费贷款利率定价屡屡受限，早期没有限制，导致高利贷泛滥；之后是36%的红线，倒逼高利贷平台退出市场；当前又在研究上限下调，以降低实体经济融资成本。随着定价的不断下移，刨去资金、营销、运营等刚性成本后，留给风险成本的空间越来越小了。当定价覆盖风险不可行，放贷机构只能抛弃中高风险借款人，或依靠抵押担保进行风险兜底。业务空间，正逐步收窄。催收覆盖不良，效力也已大幅削弱。疫情之下，不少消费贷款机构被“反催收联盟”钳制，正常催收都受影响。催收，再也不是解决“还不上怎么办”的致胜法宝。以上种种，环环相扣，让“一体两翼”从助力变阻力，消费金融正经历着严峻考验。一些机构的逾期率仍能保持低位，更多机构的利润几乎被拨备吞噬殆尽。扩张的惯性很多消费贷款机构，却仍活在过去“高增长、低不良”的幻觉中，过去的美好明明是风口红利，却误以为是自身风控能力超强。当对自身实力存在误解时，消费贷款机构往往会把外部挑战看作机遇，逆势而行，保持扩张的惯性。这两年，经济下行，削弱借款人的收入偿债能力；大量非持牌放贷机构破产离场，削弱借款人的借新还旧能力；利率定价中枢下行，削弱中高风险群体的融资能力；互联网贷款上征信，让多头借贷无所遁形；……一边是借款需求下降，一边是借款人整体风险上行，消费贷款机构在这种情况下逆势扩张，会带来一系列连锁反应。举例来说，KPI指标100亿，行情好的时候，业务部门能轻松营销200亿，给风控部门留有较大的挑选空间，业务与风控能和谐共处，互为促进；当前环境下，业务部门费心费力只营销来120亿，风控部门几乎没了挑选余地，自然会对抗加剧。此时，公司层面如果重视风控，会牺牲KPI保风控，接受规模的缩水；但如果对行业环境缺乏清醒认识，基于扩张的惯性以及逆势做大份额的诉求，公司层面很可能牺牲风控保KPI，必然要走入死胡同。不幸的是，很多机构既缺乏自知之明，也有扩张的惯性。随着大数据风控“一体两翼”逐步失效，即期越追求增长，未来越会以苦涩收场。空间还在，但要换个活法当然，也不是不能追求增长。增长空间还在，但增长的来源发生了改变。从我国居民负债结构看，2017年之前，个人贷款高增长主要是房贷驱动；2017年之后，房贷增速开始下行，消费贷接棒，成为居民杠杆率持续高增长的主要驱动力量。当前，监管机构对控制居民杠杆率三令五申，宏观经济形势和收入增速也不支持杠杆率继续大幅攀升，依赖于用户下沉的增长模式已经走入死胡同，未来的增长，更多地要靠中高收入群体的负债调结构。消费贷款并不是居民杠杆的全部，住房抵押贷款才是大头。即便控制居民杠杆率不增长，也可以通过内部调结构为消费贷款挤出空间。即居民房贷还本付息留出的存量缺口，由消费贷进行增量填补。不过，既然消费贷款的增长源于房贷下降产生的缺口，也就是说增长主要依赖的是有房群体和有实力购房的群体，这与过去几年依赖下沉用户、边缘群体的增长逻辑是完全不同的。这个时候，考验的不再是谁敢下沉、谁敢放贷，而是谁能有效激活中高收入群体的借贷欲望。靠什么激活呢？消费场景。过去几年的消费金融，是现金贷的风口；未来几年的消费金融，得场景者得天下。鉴于不同消费贷款机构对场景的把控力差异很大，新一轮的洗牌开始了。特别提示：近日，苏宁金融研究院发布了《2020互金二季报》，读者可在“苏宁金融研究院”公众号后台回复“2020互金二季报”，一键获取网盘链接和提取码。
今年是银行加速让利实体经济的重要年份，随着二季度商业银行数据的颁布，市场已经强烈意识到银行让利实体经济确实在动真格。 根据数据显示，今年上半年商业银行净利润同比下降9.4%，累计实现净利润1.0万亿。与此同时，从不良贷款率的数据变化分析，二季度末也攀升至近年来的高位水平，数据显示银行不良贷款率季度环比走高0.03%到1.94%。 上半年商业银行净利润快速下降，属于市场预期之内的情况。但是，从具体数据来看，上半年净利润同比下降9.4%，这一个降幅又超出了市场的预期。 在今年一季度的数据中，国内GDP同比增速录得-6.8%的水平，成为了多年来罕见负增长的数据，但是，从今年一季度银行业的利润水平分析，却与同期经济基本面数据产生出一定的背离，一季度银行净利润仍然出现了近6%的正增长。不过，好景不长，经过了一个季度的时间，商业银行的净利润从正增长录得了负增长，数据变化之快，从一定程度上反映出银行加速让利的结果。其中，具体表现在二季度银行业在贷款拨备计提、不良贷款处置与确认方面，确实下了功夫。 商业银行净利润大幅下滑，未必意味着上市银行，尤其是国有银行的净利润也会表现出如此糟糕的水平。但是，随着上半年商业银行数据的出炉，其实从一定程度上预示着二季度上市银行的业绩数据可能并不会很好看，市场对上市银行二季度业绩变脸也已经做好了充足的准备。 在A股市场中，市场资金往往热衷于炒作预期，在利空兑现的背景下，即使上市公司的业绩数据并不乐观，但也会存在利空出尽的现象。但是，就目前而言，市场关心的问题，就是银行业的利空真的已经出尽了吗？ 实际上，银行加速让利实体经济，并非短短几个月时间即可实现。或许，对长期处于金饭碗状态的银行业，这一次可能需要一段较长时间的让利，最起码保障在特殊时期下促进实体经济的快速复苏。与此同时，二季度商业银行净利润下降或许只是开始，因坏账数据的展现往往具有一定的滞后性，在银行加速让利实体的背景下，实际上预示着未来三季度乃至四季度银行业的不良率与净利润水平仍然会受到不少的压力。 除此以外，在A股市场中，银行股本身扮演着股票市场的护盘工具，这些年来银行股的走向从一定程度上受到政策层面上等因素的影响。例如，在银行加速让利、适度降低分红预期等环境下，对银行股的中长期投资价值难免会构成较大程度上的冲击，甚至对现有的估值体系带来了重构的影响。 即使如此，但银行业仍然在众多行业中展现出金饭碗的特征。不过，对银行业来说，确实需要从根本上提升风险防御能力以及危机应急的意识，否则在未来加速优胜劣汰的进程中，难免会受到或多或少的冲击，甚至遭到市场的淘汰。 对银行投资者来说，或许需要做好持久战的准备，起码在短时间内银行让利实体经济的政策压力依存，且随着坏账数据的滞后表现，估计三季度乃至四季度的银行数据仍然会有所承压。但是，作为百业之母的银行，政策层面上也不会希望银行业的数据持续变坏，因为银行业发生系统性风险的影响后果更大，远比提振实体经济发展的影响要大得多。由此可见，针对银行的让利，更注重适度让利，并非长期非理性的让利。 从这一点出发，虽然银行业经历了短期阵痛，但估计阵痛期并非长久。从二级市场的股票价格身上，更多反映出一种预期，假如银行业的利润数据在三四季度见底，那么股票价格可能会在三季度率先企稳见底。由此一来，对银行股，尤其是最核心的银行股来说，在本身拨备率较高的背景下，适度让利后并非改变掉银行股自身的竞争优势与中长期成长优势，待政策压力逐渐消化之后，银行股自身的投资价值也会重新得到体现，银行股的苦日子并不会具有太长的持久性，但经历了这一轮的筑底行情之后，未来银行股的分化表现也将会更加明显。
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