在“内循环”成为热词后，消费受到越来越多的关注。做大消费、提升消费在经济增长中的贡献度，是“内循环”的重中之重。但如何促进消费仍然是个问题，影响消费者消费行为的因素众多，如收入、社会文化、金融制度等。 以消费文化为例，过去曾有一个经典的故事来形容中美消费文化的对比： 一个中国老太太，60岁时终于攒够了钱买了一套房子。一个美国老太太，60岁时终于还清了购房的贷款，而她已经在这房子里面住了30年了。 暂且不论这个故事的真假，这个故事的广为流传就证明了中美两国居民对待“借钱消费”的态度迥异。而在众多的研究和新闻报道中，我们也能够感知到美国奉行的提前消费、借贷消费等消费观，因此储蓄率极低。中国人则普遍奉行有了充足储蓄后才消费，因此储蓄率极高。 那么，美国的这种消费文化是如何形成的？ 一 中外相同的节俭理念 既然我们赋予了“消费文化”的概念，那理所当然的，消费行为会受到人们所处时代的影响。 在经典的社会学著作《新教伦理与资本主义精神》中，作者马克斯·韦伯论述了两个重要问题： 西方近代资本主义的产生及其本质； 社会伦理与经济行为的关系。 在新教伦理的影响下，节俭一直被视为美国公民的一种核心价值，是国家繁荣的一个主要源泉。在这一点上，其实与我国北宋以后，以“禁欲”为中心的儒家治国思想不谋而合。 在当时，工商界领导人、资本占有者、近代企业中的高级技术工人，尤其是受过高等技术培训和商业培训的管理人员，绝大多数是新教徒。这些“有钱阶级”受到新教伦理影响所表现出来的“资本主义精神”具有鲜明的时代特色。 “财富大量聚集起来，却并没有用来放贷赚取利息，而是不断用于商业再投资，昔日闲适安逸的生活态度为严苛的讲求实际的态度所取代。迎头跟进的人之所以发家致富，乃是因为他们克勤克俭，不愿消费，只想获利；而仍然保持旧有生活方式的人则不得不节衣缩食”。 在这种文化的影响下，消费信贷制度是遭到辱骂最大的制度之一。他们认为，消费信贷会成就大众消费的贪欲，不仅诱惑犯罪，还提供了犯罪手段。消费信贷机构实现了广告商们无力完成的任务——这就是给人们提供了手段，将购买昂贵商品的美梦变成现实。 在传教士的口中，债务是与下流行为、魔鬼并列的邪恶行为之一。因此，在新教伦理“禁欲”的核心思想下，消费信贷无疑是一种“犯罪”。新教的“禁欲”反对享受，束缚消费，对于奢侈品的消费更是持有绝对否定的态度。 但是，绝对“限制消费”的另一面，经济学赋予了消费另一种概念。亚当·斯密说明了所有生产的目的都是为了消费，在这种思潮的影响下，维多利亚时代财务伦理出现了异化，人们人为地将信贷分为了“生产性信贷”和“消费性信贷”（本质上，生产其实是为了消费）。生产性信贷以创造有价值财富为目的，为经营性单位提供资金，用于购买能够增值或者具有生产性用途的商品。消费性信贷为了获得即时满足而借钱，它会诱惑人们购买自己不需要的东西。 在世界第一次大战前的整个维多利亚时代，限制消费都是一种美德，消费信贷则是贪欲的象征，为时代和社会所不齿。所有的信贷基本被定义为“生产性信贷”，还债也是美德，所以很少出现欠债不还情况。按时还债，既是为了保住赊欠的特权，也是为了维护个人尊严。 二 “分期时代”的到来 在19世纪的前50年，禁欲、高利贷禁令等经济社会的理念都极大的限制了美国消费的发展。到了19世界中期，这种情况开始改变，一家叫“胜家”的缝纫机公司推出了以分期付款形式销售其产品的模式。 在当时，缝纫机在家庭中的地位和我国上世纪70年代时期极为相似，是一种重要的家庭资产，是财富的象征，价格也相对昂贵。因此，分期付款销售的模式取得了立竿见影的成功，这种模式让原本不具有“缝纫机购买能力”的人群通过分期的方式实现了提前消费。很快的，这种模式就扩大到其他耐用消费品、书籍、钢琴等各个领域。 此时这种“提前消费”的模式仍然集中于工薪阶层，本质上是以购买的物品作为担保贷款，适用的领域也较少，并不普及。但在这一时期，初步诞生了一些专门从事消费信贷的机构。著名的美国运通（American Express）便是诞生于这一时期，不过此时的运通还仅仅是提供邮件与货物快递运输服务，不过因为其快速且可靠的服务，运通的市场评价极高，这也为以后运通业务的拓展提供了客户和品牌基础。 如果持续和平的发展，美国的这种“提前消费”观念未必能够普及，因为它仍然受制于当时的宗教伦理、社会文化。但南北战争打破了这一发展路径，战争所需的资金成为了借贷行为最大的催化器，分期付款的销售模式得以迅猛发展起来，而且相比过去，分期的首付比例更低、期限更长，利率也变得更高。 因此，南北战争之后，以分期为核心的消费信贷取得了极大的增长。最具代表性的是芝加哥的零售商西尔斯（Sears），以邮购手表、珠宝以及钻石等高价值的小件商品为主业，并向消费者提供分期付款、信用贷款，以赊促销、以贷促销。同时，西尔斯还经营连锁店，并据此创新了信用卡的前身——西尔斯发现卡。 到了南北战争结束后的几年，美国东部绝大多数的家具都是以分期付款形式销售。而20世纪前20年的快速城市化进程，又进一步推动了消费信贷的覆盖范围。 来自意大利、俄国等东南欧国家的“新移民”和农村人口向城市流动，快速推动城市化的发展。在这一时期，征信机构作为消费信贷的基础设施应运而生，提供个人信用报告的机构、全国性的征信机构、全国零售信用机构联合会（现为消费者数据产业协会）都先后成立。 三 现代消费信贷制度的兴起 到了一战前夕，零售业态内的分期付款模式已经成为美国消费文化不可分割的一部分。但直到此时，人们仍然信奉“储蓄致富”的观念，但19世纪初的通货膨胀给了这种观念重重一击，努力工作积攒的储蓄快速缩水，之后的大萧条更是让很多人的储蓄化为乌有，人们的消费观发生极大的转变，“消费就是省钱”成为了消费者信条。分期付款的信贷模式进一步扩张，并在汽车分期中全面普及，到1924年，几乎3/4的汽车是分期付款购买的。市场也出现了大量的提供信贷资金的机构，如零售商、商业银行、消费金融公司、小额贷款公司等。 但是另一方面，债务水平快速的上升也引来了社会的批判。其中的典型就是：用贷款消费的人是在“抵押未来”， 《福布斯》（Forbes）杂志的一名撰稿人甚至将背负分期付款债务的工人比作鼻子前面系着胡萝卜的毛驴。 很多人担心这种放纵的消费是“这个民族的整个道德规范的全面崩溃”。于是，为这种债务进行道德辩护的一系列著作出现了，源于维多利亚时代的“消费性信贷”被经济学家们重新创造为“消费信贷”，这些研究和著作为后期针对消费者的信贷制度奠定了道德基础以及法律基础、制度基础。可以说，消费信贷概念的创立是美国消费文化成熟的一个重要标志。 在《分期付款销售经济学》一书中，作者埃德温·R． A．塞利格曼（美国著名政治经济学家）就为消费信贷做了权威性辩护。即除了少数不恰当的做法之外，消费信贷对经济做出了重要而有价值的贡献。 塞利格曼将生产和消费归于更大的范畴——效用，如果通过借贷的消费是有助于消费者健康和幸福的，那么这种消费就和生产一样，增加了社会的总效用。从这个意义上说，消费与生产没有了本质区别，消费信贷也将消费与生产放在了同等的道德水平上。 因此，个人利用消费信贷购买商品，以便提升自己的生产能力，提高福利，增加幸福，这种做法也是合理的。 四 崛起：二战后消费信贷的爆发 随着二战的结束，美国开始主导世界秩序，经济的快速发展带来的是消费信贷的大爆发。在战后的50多年里，美国的消费信贷余额以年均12%的速度持续快速增长，2008年金融危机爆发前，消费信贷余额近20万亿美元。消费信贷创造出的需求市场，极大的促进了生产发展和消费者生活水平的提高。相当长一段时间，美国经济发展就建立在这样一个债务链条上，无人不负债。 与此同时，消费信贷产品创新层出不穷。信用卡的出现，使得各种类型的公司卡、银行卡、联名卡纷纷出现，信用卡开始风靡美国。上世纪90年代互联网的迅速普及，又给消费信贷带来了空前的发展机遇，使用信用卡的人数急剧上升。 据美联储进行的一项消费者金融调查显示，美国家庭中至少拥有一张信用卡的比例从1983年的43%上升到2001年的73%，2001年拥有银行卡的美国家庭比1983年多了3000万。 而鉴于消费信贷在经济社会中的重要作用，监管及政府也一直在不断建立制度规范消费信贷发展。如保护消费者的《消费信用保护法》，以及《公平信贷报告法》、《诚实租借法信用卡修正案》、《公平信用结算法》、《平等信用机会法》、《公平债务催收作业法》、《破产法》等一系列有关消费贷款的法案。 这些消费信贷相关法案构建起了一套复杂法律框架，如此完整且多层次的消费信贷法律框架，在世界上是绝无仅有的。而立法，无疑需要学术界的研究支持，因此在20世纪，消费信贷始终是美国经济学家的一个重要研究主题。 五 反思：过度消费的灾难 毫无疑问，消费信贷是美国经济崛起，实现美国梦最重要的制度设计之一。但在经过了2008年金融危机的洗礼后，全世界都对于“消费过度金融化”有了新的认知，也引发了世界范围内对现行金融体系的不满和不信任。 《经济学人》2014年做了一项调查，“总体而言，你认为金融有利于还是有害于美国经济”？被调查对象中有48%的人认为有害，34%的人认为有利。 如果回顾美国的消费信贷发展历史，我们会发现，现今我国消费金融市场中遇到的各种问题，都能在美国消费信贷的发展中找到相似的影子。 对于过度消费的批评，消费金融用户权益的保护，个人信用的公平对待，个人破产制度的建设等等…… 但是，消费金融化的标准到底在哪？消费金融在各项指标中的占比应该是多少？不管是学界还是市场都很难给予一个标准答案。在当前众多对于消费金融的批评声音中，消费金融机构好似变成了一个“实体经济吸血鬼”的角色。从另一角度去看，国内目前的消费金融体系虽然存在诸多问题，但是其意义仍然十分积极，也是实现扩大“内循环”的必备工具。 不因噎废食，不矫枉过正，才能更好的发挥其作用。 正如美国金融协会的前任主席拉詹所说： 我们不应该让已经做错的事情妨碍还可以做对的事情，也不应该推翻已经取得的进步。找到原因，才能重新建立社会公众对金融体系的信心。
9月9日，上田八目货币经纪（中国）有限公司批筹发布会在2020年中国国际服务贸易交易会期间举办。 北京银保监会一级巡视员吴静春在发布会上指出，今年9月3日中国银保监会批准日本上田八目短资株式会社在北京筹建上田八目货币经纪（中国）有限公司。该公司是国内首家外资全资控股的货币经纪公司，主要经营国内外外汇市场交易、货币市场交易、债券市场交易、衍生品交易经纪业务，以及经银保监会批准的其他业务。 上证报记者注意到，2005年至2010年期间，原银监会先后批准了5家货币经纪公司，随后的十年间一直未有新的货币经纪公司加入市场。此次上田八目货币经纪（中国）有限公司是时隔十年后，获批的第六家货币经纪公司。 吴静春称，上田八目货币经纪获批筹建是中国银保监会、北京银保监局积极落实党中央国务院关于加快金融业对外开放决策部署的一项重要举措。 2017年以来，金融改革开放的进程明显加快，一系列超预期的金融开放政策陆续落地。中国银保监会在2018年和2019年相继发布了27条34项开放新举措，放宽了外资准入条件，取消了外资机构进入中国相关金融领域持股比例的限制、总资产规模的要求等，实施内外资一致的原则。2019年7月国务院金融委办公室发布关于进一步扩大金融业对外开放的有关举措，鼓励外资机构深度参与中国金融业，其中一条是支持外资全资设立或参股货币经纪公司。 “上田八目货币经纪获批筹建也是中国银保监会、北京银保监局全力支持北京打造国家服务业、扩大开放的综合示范区的一项重要成果。”吴静春指出。 北京市地方金融监督管理局党组书记、局长霍学文称，作为全国首家外商独资货币经纪公司和北京市第二家货币经纪公司，上田八目货币经纪在京落地是北京坚定不移推动金融扩大开放进程的生动缩影。 上田八目货币经纪获批筹建，将进一步提高金融机构资产交易的效率。 吴静春称，近几年我国金融市场交易日趋活跃，债券、票据、外汇、金融衍生品等金融资产交易量不断增加、交易规模快速增长。货币经纪公司作为专门从事金融机构间资金融通和外汇交易等经济服务的非银行金融机构，能够为金融机构提供专业化、精细化的经纪服务，特别是能有效地帮助中小金融机构拓宽信息获取渠道，提高议价能力，便于找到交易对手，有助于维护金融市场的公开透明，提高金融资产的配置效率。 霍学文指出，在一个市场上，有两类中介机构：一类叫做市商，既报价也买卖，第二类叫经纪商，不买卖，只提供中介服务。货币经纪公司重要功能是活跃金融市场，提升金融市场信息的对称性和交易的效率。 吴静春表示，金融业对外开放只有进行时，没有完成时，北京银保监局将继续按照稳步扩大金融对外开放的各项部署，予监管于服务中，为在京设立的外资金融机构提供规范、便利的准入辅导，提升行政许可的审批效率，优化金融领域外资营商环境，支持外资金融机构落地北京，服务首都经济社会高质量发展。 上田八目货币经纪（中国）有限公司筹建负责人黄洪指出，2019年7月国务院金融委办公室推出了11条金融开放措施，其中包括支持外资全资设立或参股货币经纪公司，上田八目短资株式会社了解到这个信息后积极响应号召，组建团队，全力推进申请筹备货币经纪中国子公司。新公司将贯彻以客户为中心的服务理念，运用百年经纪业务经验和技术，审慎经营。通过完善货币经纪业务产品线，不断改善业务系统，全面服务客户需求，为境内外客户提供业界最前沿、最周到的服务。
“下一步人民银行营业管理部将探索监管科技应用，建立事中运行监测指标体系，推进试点应用运行监测平台建设，加强试点应用的运行监测及预警，守住不发生金融风险的底线；协助总行研究制定‘出箱’标准，完成试点应用的全流程测试，真正实现‘进得去、出得来’，努力打造具有中国特色，与国际接轨的‘中国版’监管沙箱。”9月8日，人民银行营业管理部主任杨伟中在“2020年中国国际服务贸易交易会北京金融科技成果专场发布会”上称。 与此同时，还将借助标准化手段做好试点应用成果转化和推广，形成一批可复制可推广的成果，为我国金融科技创新发展提供“北京范本”，为打造具有国际影响力的科技创新中心贡献北京力量。 2019年12月，人民银行总行批复支持北京在全国率先开展金融科技创新监管试点，探索构建符合我国国情、与国际接轨的金融科技创新监管工具。这标志着我国在构建金融科技监管基本规则体系方面迈出了重要的一步。 “在总行科技司的指导下，今年3月、8月，北京先后有两批次共计17个应用进入试点，并正式向用户提供服务，在全国9个试点省市中处于领跑地位。”杨伟中称。 如何坚持循序渐进、解决“试得稳”的问题？杨伟中称，扩宽试点深度，应用规模由第一批的6个增加为第二批的11个，由单一的银行领域拓展到保险领域，涉及的业务场景也更加广泛；延伸试点广度，申报主体由仅限持牌金融机构扩展至科技公司，但涉及的金融服务创新和金融应用场景则须由持牌金融机构提供，此举目的是尊重科技公司的创新地位，充分发挥其创新活力，打磨出满足金融行业共性需要、符合金融监管要求的科技产品。 我国金融机构数量众多、服务创新方兴未艾，传统的“政府监管”+“机构自治”模式面临较大挑战，为解决这一难题，引入更多外部力量参与监督是优化创新监管模式的有效手段。 杨伟中表示，首先，纳入监管协调机制，提升跨部门协调监管合力；其次是引入专业“外脑”，提升专业把关审核力；另外，发挥多领域专业优势，提升跨专业复合监管力，最后依托公示平台提升社会公众监督力。
9月9日，汇丰集团全资附属公司汇丰保险集团（亚太）有限公司（下称汇丰保险）宣布，已在上海自贸区临港新片区成立汇丰金融科技服务（上海）有限责任公司（下称汇丰金融科技服务公司）。 汇丰金融科技服务公司预计于2020年底前开业，初期将为汇丰集团全新的移动式财富规划服务“汇丰聆峰创投计划”在中国的先行先试提供科技创新和数字赋能，并逐步为集团内外更多持牌金融机构提供相关支持。 首期重点包括持续研发定制私人财富规划方面的各种工具，研发供企业使用的员工福利和健康管理平台，在用户授权情况下协助用户完成数据整合，在数据安全和隐私保护的大方向下研发数据服务新产品等。 汇丰保险主席张博思（Bryce Johns）表示：“此次于临港新片区成立金融科技公司，体现了汇丰对中国市场及金融科技的持续投入。依托临港新片区的高新产业布局，我们希望能够将内地领先的科技创新能力与汇丰多年的国际金融服务经验相结合，为推动中国经济开放及创新发展做出贡献。” 汇丰聆峰创投首席执行官及汇丰金融科技服务公司执行董事孙丹莹表示：“随着社会经济的发展以及科技与金融的不断融合，金融科技近年来在中国发展迅速并得到了有力的政策支持 ，人工智能、大数据、云计算、物联网等信息技术与金融业务深度融合，为金融发展提供源源不断的创新活力。很高兴汇丰可以参与并支持内地金融科技的快速发展，并通过开发创新的数字解决方案为客户以及行业创造价值。”
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，著名统计学家、普林斯顿大学金融讲座教授范剑青，从大数据与人工智能、稳健因子学习及其应用、债券风险溢价预测、高频交易预测、文本分析与金融投资，这五大板块，向与会者报告近些年他的研究团队的部分工作成果。范剑青是国际数理统计学会创办70年以来第一位华人主席，也是统计旗舰杂志《统计年鉴》的第一位华人主编，论文引用数多年位列世界数学家前十名，是素有统计学诺贝尔奖之称的CPOSS总统奖得主，也是《概率及其相关领域》、《计量经济》、《商务统计》等五个国际顶尖学术期刊的主编。在范剑青看来，人工智能是机器学习的平方，让机器自动学习机器算法、是机器学习的理想境界。而大数据赋能AI，从大数据相关的科学挑战衍生的新兴科学即为数据科学，他认为数据科学以应用为背景，其目的是想把大数据解决成智慧数据。他指出，大数据=系统+分析+应用，机器学习=统计+优化+实现环境。如今深度学习之所以能如此成功，范剑青认为它是权衡偏差和方差的有效方法，深度网络使高维函数更加灵活，大数据降低了统计方差，而现在计算技术使大数据深度学习得到有效的实现。范剑青认为，在经济金融、生物医学、管理决策和人文社会中，机器学习有很多挑战和机遇。由于个体差异大，数据集未知，现在发生的事情与几年后的变量完全不一样，难以提取特征，需要各学科交叉。尤其是在金融行业，数据不平稳，随着时间而变，多人参与竞争的市场也是对金融的挑战。而机器学习本身就是为降低维数和预测而设计的，他认为机器能学习金融，尽管金融非常复杂，但它的形式是可预测的。以股票收益预测为例，可以通过高维线性模型、机器学习模型或是深度学习模型来处理。他强调，成功预测的属性一是大数据，二是鲁棒，三是模型具备市场的重要特征。他还详尽地用几个例子来说明溢价预测相关的问题，例如通过市场因子来预测债券风险；并介绍了现阶段可以使用的两种因子学习方法，一是传统主成分方法，二是利用投影主成分来操作。此外，范剑青也与现场观众介绍了文本数据如何协助股票投资决策，他表示现在可以通过对新闻内容的分析，解析文章对股票的褒贬程度。最后，范剑青总结称，资产定价本质上是预测问题，机器可以学习金融。他认为机器学习可以帮助处理大数据并从中选择重要因素和特征，能很好地应对过度拟合的问题，允许非线性学习极大地改善预测效果，将稳健性和对抗性网络提炼为定价，智能预测也会带来很大的经济收益。以下是范剑青的大会报告内容，雷锋网做了不改变原意的编辑与整理：非常荣幸能够参加第五届CCF-GAIR全球人工智能与机器人峰会。我今天的报告主题是《机器是怎么学习金融的》。这次报告的内容，是我们金融工程实验室多人的工作成果，大纲如下：大数据与人工智能稳健因子学习及其应用债券风险溢价预测高频交易预测文本数据与资产定价重新理解大数据与人工智能众所周知，人工智能是由John McCarthy于1955年首次提出，一年后，他也与多名科学家组织了著名的Dartmouth会议。何谓人工智能？Wikipedia中是这样介绍的：“人工智能”指机器模仿人类的“认知”功能所展示的智能，例如“学习”和“解决问题”。现实中的人工智能是技术能够训练机器，将人从重复性、简单性、危险性的繁琐事务中解除出来。Thomas J.Sargent：人工智能其实是统计学，只不过用了一个华丽辞藻。我认为人工智能是机器学习的平方，让机器自动学习机器算法、是机器学习的理想境界。目前内容包括图像识别、语音识别、机器学习、机器人、专家系统、计算机视觉、自然语言处理等。为什么现在大家谈人工智能？What powers AI？是大数据。现在大数据无处不在，商业大数据、医学大数据、网络大数据、政府大数据等。针对大数据的共性，解决其对大数据系统和分析的科学挑战所产生的新兴科学叫数据科学。我个人认为数据科学以应用为背景，包括数据的获取、存储、数据分析、科学计算。数据科学的目的是想把大数据解决成智慧数据。我把它总结为：大数据=系统+分析+应用。何谓机器学习？Arthur L Samuel在1959年的“跳棋游戏”论文中创造了“机器学习”这个术语：让机器从数据中学习并做决策，它是可扩展的统计算法，充分融合统计建模思想和计算优化方法。使这些数据分析的思想能在大数据环境下得到有效的实现。我个人认为机器学习是：统计+优化+实现环境。机器学习最后的产品一定是可操作的代码（Actionable codes）。为了有可操作的代码，我们需有优化的目标（Optimization objects），为了有优化的目标，我们需有统计模型（Statistical Modeling）和经济效用（Economic Utility）。现在最常见的是深度学习。深度学习的概念是很常见的，是数学的函数逼近，它用的是两种方法，信号源的线性组合，再做非线性的选择，重复的过程构成很复杂的函数逼近方法。为何今天深度学习这么成功？我认为它是很好的权衡偏差和方差的有效方法。深度网络使得高维函数逼近更加灵活，即偏差很小。另外90年代，我们就参与建设了这方面的工作，为什么学术界和工业界现在才大谈深度学习？主要是因为大数据的到来，大数据的到来大大减少统计的方差，样本量变大，方差自然变小。现在计算技术使得大规模优化成为现实，使得我们可以在大数据上实现深度神经网络逼近函数。简而言之是非参数统计思想在高维海量数据环境下的实现。具体成功案例是图像识别、机器翻译、语音处理等等。这些问题的共同特点是个体差异小，我们说话尽管各有口音，但个体间的差异小，而且信号集已知，你看到的图像就是你那张图像。换句话说X是已知的，信噪比大，∈小，学习得比较好。我们今天要谈的主要是机器学习的挑战。对于经济金融、生物医学、管理决策和人文社会，机器学习有很多挑战和机遇，第一是个体差异大，第二是数据集未知。例如上图是闪电崩盘，这次发生的事情和几年后发生的事情，可能变量完全不一样，是什么引起的我们也不知道，所以难以提取特征，需要各学科交叉，使得这方面的发展挑战更大。对金融来说，金融数据的特点是什么？第一信号低，跟物理不一样，物理信噪比很强。第二数据不平稳，一直是随着时间的变化而变化的，整个市场也是随着时间的变化而变化，很多人参与，这是一个竞争的市场。这是对金融的挑战。机器能学习金融吗？回答是肯定的：第一，资产定价问题，本质上是预测问题，机器学习本身就是为预测设计的。第二，影响市场的因子变量很多，这些变量往往是相关的。机器学习本身就是为降低维度和变量选择设计的。第三，定价的公式，不像物理是推导出来的、有很多假设的。资产定价非常复杂、形式未知。机器学习正是为高维复杂的非线性组合而设计。基于这三个原因，我认为机器从某种程度上讲是能够学习金融。如果我有一个黑盒子可以预测金融下一刻的回报，我们应该如何投资？假设有1000只股票，有这1000只股票的额外收益数据，还有风险因子和公司本身变量数据，我们要预测每一只股票的额外收益或者投在每一只股票上的权重。如果你预测第i只股票，你肯定要建一个形式，一个是宏观变量（macro-factors），一个是公司的变量（firm characteristics）。我们对每一只股票进行预测，常用回归来做，，可以是高维线性模型、机器学习模型或者深度学习模型。举例来说，我要预测下一个时刻的股票回报，我要用现在时刻市场因子，加上每个预测的参数肯定跟第i只股票和时刻t有关系。这既依赖第i只股票，也依赖第t天。我们把做成线性回归的形式，把写在一起，我们很容易得到1000个变量甚至更多。有了预测后，我们一般怎么投？1000只股票里，在我预测里的top 10%做多，bottom 10%做空。首先这应该是Risk-neutral的投资。市场涨时，top 10%涨，bottom 10%降；市场降时，top 10%降，bottom 10%涨。第二是这样的投资组合足够多样性（diversified）。第三充分体现你的预测信息，哪些股票是top 10%，哪些股票是bottom 10%。还有一种方法比较好，是6月份刚写完放在网上的一篇文章。关键词是“Principal Portfolios”，用你估计到的信号和做一个主成分投资组合。第三种很传统，用资产定价理论，在时刻t构造一个Portfolio，使得最小化。神经对抗网络可以解决这种条件预测问题。以上是资产定价常见的三种方法。大家自然会问预测成功的因素是什么？一是大数据；二是鲁棒性；三是你的模型捕获能力。什么是大数据的典型特征？相依性和厚尾性：我们很多变量都是衡量市场的经济状况，必然相关异样性、内生性、假相关等数据缺失，测量误差幸存者偏差，采样偏差这些特征对金融和宏观经济学尤其明显。今天我们主要讲如何处理相依性和厚尾性一些方法。接下来我用一个学术上常用的例子预测债券风险溢价来说明。我要预测的变量是美国债券，债券有2、3、4等年期，可以对每一个债券进行预测。是131个宏观经济系列的月度数据。除此之外我们还有8个国内生产总值，居民消费价格指数等汇总宏观经济系列。这131个变量都是衡量经济的健康状况，所以他们是相关的。我们对每一个时间序列算峰度（kurtosis），分布如图所示。有大概三分之一左右峰度大于，它们应该是厚尾分布。我们自然而然会问：如何处理厚尾？我们从131个变量学习决定市场的因子之外，我们还有8个宏观经济时间序列，我们如何使用这8个信息更好地提取市场因子？稳健因子学习及其应用如果大家要看论文，可以看看这一篇综述：Fan, J., Wang, K., Zhong, Y., and Zhu, Z. (2020).Robust high dimensional factor models with applications to statistical machine learning. Statistical Science, to appear.如果更详尽大家可以看看我们新著的《Statistical Foundations of Data Science》这本书，有三章会讲这方面内容。什么是因子模型？假设我有1000只股票，有5个影响这1000只股票涨幅的市场因子，不同的股票对不同因子的依赖程度不一样，因此有一个载荷矩阵 B。再加上每一只股票自己的特质因素（idiosyncratic components） ，很多时候我们把这两个部分称为。这种衡量1000只股票的相关性，在股票市场上有很多应用，同样对其它方面也有很多应用。比如根据1000个基因的表达共同性，找出潜在的因子。我们主要的信息是什么？我们学习了因子后，我们把因子共性的部分完全学习好，把它减掉，则整个信噪比增加。举一个简单的例子。设想我用131个宏观经济序列来预测债券风险溢价。这131个变量具有高相关性，机器学习里常用的变量选择方法，正则性会不满足。如果把131个变量分成不同因子：共性+个性，然后把代到里，我们变成两部分：共性和个性。假设影响这些宏观变量的共同因子是5个，共性的参数是5个，个性的参数是131个，最后得到136维空间的变量。这136维空间中变量的相关性很弱，因为相关的部分已经取出来。如果把现在的作为你新的变量，我们平时采用的高维方法就能工作。这就是我们提出的因子调整的模型（FARMselect）方法。简而言之是先学习共同的因子，然后用和作为预测变量。如果你把学好了，求出来之后解一解就可以了。整个思想是把原来131个变量变成136个变量，空间变得大了，变量变得弱相关。用共性+个性，和原来的是等价的，这个过程其实是用因子增进预测能力。举一个模拟的例子。这是线性模型，前10个变量对Y有影响，后面的变量没有影响。X如果是有共同的相关性，假设有250个变量，做100次模拟，每一个时间序列长度是100。如果我们用原始Lasso来做变量选择，只有在完全不相关时，Lasso工作得还好。只要相关系数增加一点点，Lasso就不能完全选出这10个变量。另一方面，如果我把这250个个性，加上每一个共同的因子拿出来作为第251个变量，就可以达到100%的正确模型选择。如果说不知道是不是251个，而用255个可以吗？可以，也可以得到这样的效果。如果Σ设成像标普500只成分股那样的协方差，最后的结果是一样的，我们可以百分百把重要的变量选出来，其他的方法做不到。同样的话，我们可以把这个方法拿来做统计推断。比如我们自然而然会问到底有多少共同基金有技能（positive alpha）？设想我有1000个共同基金，我们把分成共性+个性。以前最简单的做法是把每一个共同基金的额外收益平均作为统计量，这样的统计量肯定是相关的，有共同因子，且噪音比较大。我们所说的因子调整是学习共同的因子并减去，这样得到的统计量是弱相关，且减少噪音。我们有相关的模拟试验来证明，我只是做一个简单的介绍。想象我们有500只股票，为了图像方便理解，25%的基金有技能，为0.6， 75%没有。假设观测100天，只是做500只基金平均回报的直方图，基本分不出哪部分有技能，哪些没有。如果我们把共同因子先学习一下然后减掉，就比较容易区分了。因为是t3-分布，尾巴比较重（heavy-tailed），如果我们做鲁棒均值估计， 就可以把这两者分得很开。同样地，因子学习后，我们也可以做预测。从131个宏观变量里，我可以学到5个潜在因子，有8个汇总宏观变量，加起来有13个变量。最简单的是用这13个变量做线性回归来预测债券风险溢价。另外一种是构建预测指标，整个模型看起来像神经网络。我们认为有一些共同的因子影响这些宏观变量，所以从131个宏观变量中学习共同因子后，构造预测指标，最后预测债券风险溢价。提起因子，除了我们平时做的主成分分析之外，我们如何把8个额外的变量加入因子学习的过程中？很简单，是常见的因子模型，假设这几个未知因子跟是有关系的，对这个模型我们如何操作？我们对每一个宏观经济序列和8个汇总宏观变量做回归，这个拟合所得是X用W回归的拟合值，再对该拟合值做主成分分析，这样就把8个变量糅合到131个变量里。为什么这个方法可行？因为做回归从数学上来说是基于条件期望。我们做投影的目的是什么？先把这部分的噪声平滑掉，这样就可以把因子学得更好。这是我们主要的想法。因子模型还有其他的应用。比如金融风险建模，对高频金融里流动性强和差的股票之间的协方差矩阵的估计，用矩阵填补的方法可以获得。你也可以用相关性来学习社区增强自回归模型之类，其关键是降维。因子模型的目的是处理相关性，接下来我讲几分钟我们如何处理稳健性。假设你给我们的数据不一定是正态分布的，也可能是t分布的，有均值及方差。我们平时对数据最简单的处理是剪裁或截断，如把数据在-3到3个标准差之间就保留，其余就截掉，这样做好处是肯定产生偏差。如果τ选择的足够大的话，这种偏差是可以忽略的：裁剪的数据的样本平均跟原来的母体平均的差别就像数据是来自高斯分布一样。换句话说，如果τ足够大，那么裁剪样本平均与母体平均之间的区别跟正态的样本平均与母体平均之间区别是一样的，最后的分布是具有高斯的尾部性质。说宽泛一点的话，裁剪样本平均表现像高斯分布，而没有裁剪样本平均表现像柯西分布。为什么我们以前不太强调裁剪？因为我们在低维传统统计中做样本平均不多，在高维统计中会做很多样本平均。所以高斯浓缩（Gaussian concentration） 是高维统计的核心。举一个例子。如果你给我1000只股票，我要做投资，我要估计这1000乘1000个协方差矩阵，应该有50万个参数左右。所以要算样本均值50万个。如果数据是厚尾的，最后的协方差矩阵就不鲁棒。如果用了裁剪，当数据仅具有4阶距，就能实现与高斯数据的样本协方差矩阵相同的估计精度。做回归时，如果我们用裁剪数据不是很方便，这时候我们会用Huber 损失函数。为什么说是自适应Huber 损失，是因为是跟你的样本量有关系。基本在里面是一个二次型，外面是一个线性的。我们这里画了这么多图，是因为我们用了很多不同的。这显然对回归更方便，就像前面说的高斯浓缩性质任然成立，这是两个鲁棒方法的主要思想。简单做个小结：我们用因子模型来解决观测到股票相关的问题。我们是用裁剪数据来解决鲁棒问题，对回归问题我们用裁剪损失函数，即Huber损失函数，来得到鲁棒性质的。我们说过预测的好特征必须是鲁棒。债券风险溢价预测关于溢价预测，我们现在有两种因子学习方法：一是传统因子学习方法。从131个未汇总的宏观变量中提取因子，加上8个汇总的宏观变量，一共是13个变量，来预测债券风险溢价。二是投影主成分（PPCA）。直接糅入里面一起学习。不是简单地从131个变量变成139个变量来学习，而是用投影主成分分析来学习，因为这两种变量不一样，是未汇总的，而是汇总的。然后用新的和作为预测变量。我们来看一下预测的效果。如果我预测两年期的债券风险溢价，用传统方法学习到5个因子，再加上8个汇总宏观变量，一共13个做线性回归，得到的Out-of-sample R²，有24%的债券风险溢价能够被这131+8个变量所预测。如果因子学习得好一点，把揉入学习因子，就是投影主成分分析，这一下预测率就可涨到32.6%。如果说把统计的稳健思想都加进去的话，就可以预测到38.1%。对三年期也是一样，从21-28-32%。这些预测都是用线性模型做的。如果我们用非线性模型来预测，效果比刚才的预测都要好，最后Out-of-sample R²可以达到45%左右。这就可以看出来稳健方法和PPCA因子学习一起学习比较好，这是其改进的程度。高频交易预测接下来简单介绍高频交易的预测。高频交易在过去10年里是高速增长的，带来了金融大数据。到2015年，高频交易在美国股票市场占比超过50%，约55%左右，在欧洲大概占40%左右，日本大概是30%左右。其他的亚洲国家是5%左右，高频交易是在其他亚洲国家出现得比较少。从2012年10月到2014年十月，在外汇交易中，80%的交易量是算法交易，其中多半是高频交易。所以高频交易显然是把大数据带到金融世界里。我们自然而然会问机器学习的方法是不是能够帮助我们做预测或者做高频交易？这个环境显然是大数据环境。我们总的目的是要用过去预测未来。那么，自然而然需要问，什么是可以预测，Momentums可以预测还是Durations可以预测？那么，什么是有用的预测因素呢？我们要往后看多久？现在机器学习的方法有没有任何优势？关于TAQ数据这个我们就不多讲了。我们说的Momentum是这样定义的。如图红点（出价）和绿点（要价），它们未来或往上走或往下走。第一次，这两个点同时往上或往下走1-tick，对这个例子来说正好是负的，我们就定义。如果我们继续等待这两个点同时往上或往下走2-tick时，这两个点同时往上走，是正的，也就是。简单来说，我们的Momentum是站在现在的时刻（也即是t），+1表示往上， -1表示往下。在中间的交易量，t到t'之间称为duration。1-tick的Duration表示的是当前时刻t到下一个同时往上或者往下走1-tick的时刻t'之间的交易量，用表示，Duration同理。我们问的是站在现在这个时间，我们能不能预测？我们能预测的变量显然来自于交易数据，包括交易价格、交易量多少、还有交易方向（是买入还是卖出）。对于报价数据，有最佳买入价和最佳卖出价，和它们相应的买入量和卖出量，一共7个变量。如果往后看L步，那就是7乘L。为了简单起见，我用表示（最佳买入价格）和（最佳卖出价格），表示 （最佳买入量）和（最佳卖出量），上述这些都是原始数据。另一方面，是专家构造的预测因子，由于定义比较复杂，公式我没有写出来，例如Order Book Imbalance和Order Flow Imbalance。上述全部就是我们构造的变量。首先尝试微软的Momentum能否预测？我们最后的结论是可预测的。我们对微软的数据用过去50个最佳报价，每一个包含bid和ask，所以一共100个变量。我们用过去10天的数据训练，5天的数据做测试。如果你只是做最佳随机预测（BRG），基本正确率是50%左右。如果你做逻辑回归（LR），大概是在55%左右。如果做EN，大概也是55%左右。如果用随机森林（RF），你可以达到59%左右。GBT和FNN都差不多是59%左右。换句话说，机器学习的确有优势。怎样的变量是重要的？用绿线表示所有7个变量的结果，红线表示选择的一个子集（quote size和trade direction）的结果，红线比随机预测多预测8%。用该子集预测的效果跟用所有的变量预测几乎差不多。如果往后看，这是，大概有900个变量。这时候过度拟合就可以看出来。但是如果用GBT或者FNN，过度拟合就不存在。如果用专家设计的变量，例如OBL，不管你用哪个机器学习的方法来做，没有超过8%左右。如果你用OFI来做，效果更差。第一幅柱状图是我们用原始数据来做的，第二幅是原始数据+专家构造的变量来预测，最后的效果几乎差不多，说明机器完全学习了专家的变量。第三幅是用瞬时的原始数据做的，第四幅是瞬时的原始数据+专家构造的变量。加专家构造的变量几乎没多少改进，说明专家建立的变量已经被机器学习的变量所涵盖。如果是0.5个tick，预测结果就会高很多。如果是2个tick，效果几乎是差不多的。对duration，我们也可做类似的研究。这时duration是有多少交易量，它是一个连续的变量，所以我们做的是线性回归，用Out-of-sample R²来衡量。由于时间关系，我不再赘述。这个图是说加专家构造的变量可能对预测duration有一点点帮助，但帮助可能不那么大。对我们刚才高频数据一个简单的总结如下图：文本数据与资产定价由于时间不多，我简单介绍文本数据以及资产定价。这是我以前的学生，他用我们的筛选方法来做，我把他们的结果快速介绍一下。目的是学习文件和新闻的褒贬度，用它预测选择股票。传统一般用基于Dictionary的方法。这是一个IBM的短文为例。词典中总共有38,862个单词，其中只有160个出现在短文中。我们有一个n × m个文档-词汇矩阵d。假设100万条新闻有4万个词汇。我们把这4万个词汇变成S（带情感词汇） 和 N（情感中性词汇）。我们主要关心带情感词汇。假设选出来的200个词，在第i个短文里出现5次第j个单词，这样，得到一个100万x200的矩阵。如果这个文章的褒贬程度是百分百正，这个单词出现的概率是多少？如果是百分百负的话，这个单词出现概率多少？如果这第i个文章的褒贬程度是的话，这个单词出现概率则是它们两个概率的加权平均。这样第i个文章中S词汇出现的次数服从多项分布，其中表示S词汇在百分之百正的文章中出现的概率，表示S词汇在百分之百负的文章中出现的概率。最后给定一个短文或者新闻，假设这个股票涨或者降与这篇文章对股票的褒贬程度的关系呈单调性。这是我们的模型。我们如何学习？第一步学习哪些单词带有情绪，我们对每一个单词可以计算：包含该单词的新闻出现的那天回报是正的，除以该单词出现的次数。即在回报是正时，它出现的频率有多少？越靠近百分百，说明它是正面的词；越靠近0，它应该是负面的词，因为回报要么是正的，要么是负的。如果我们用最简单的相关筛选方法来做，看每个单词跟正回报之间的相关性是多少，做一个简单的扫描我们的文件集，我们大概扫描出100-200个词左右。这100-200个词里频率出现最高的有比如rally、undervalue等都是正面词汇。相似的，blame、shortfall、fall等都是负面的词汇。我们用很简单的方法，比如你选top 100个词汇，然后再选bottom 100个词汇，就是褒义和贬抑的单词200个词左右。下面就是让计算机学习词义，比如我们有100万条新闻和200个单词，就是100w × 200大小的矩阵，这是单词出现的次数或者出现的频率。按我们刚才的模型，出现的概率等于出现在百分百是正的文章概率是多少，以及出现在百分百是负的文章概率是多少的加权平均，这是常用的主题建模（topic modeling）。写成矩阵P大小为100万乘2，以及θ为2乘200。如果你给我每篇文章的情绪或者褒贬程度P，我就能够把θ求出来，即把词义学习出来。这个P如何学习？这个学习直接跟股票回报连在一块。因为我们有100万篇文章，每一篇文章都有那天的回报，所以你很容易看第i个文章回报的排名是多少。这篇文章回报的排名就变成这篇文章情绪的排名。有了，我们就可以学习情绪θ，学习了情绪后，对未来新的文章就很容易给出一个分数。已经知道未来文章的200个词的词义，唯一不知道的是这篇文章能打几分。因为我们有Multinomial Model，所以就很容易把用极大似然法求出来。把它求出来，这篇文章就有新的分数。总结一下，先用相关性筛选法把与情感相关的词汇选出来；然后对过去100万个文章，按他们回报的高低来给他们情绪打分；有了情绪打分P之后，就可以把词义学习出来；对未来新的文章就可以用Multinomial统计学习得到它相应的分数。以下是具体的应用，数据来自Dow Jones Newswires 1989-2017年，有650万条新闻。我们用前15年的数据作为学习，其中10年数据作为训练集，5年数据作为验证集，选择最优参数。2004-2017年数据做为测试，使用第t天的情绪来预测第t + 1天的收益。交易策略是什么？对每天每个新闻打分。我们买最高、最好的新闻的股票50只，做空分数最低的50只股票。我们投资策略是Equal-Weighted或是Value-Weighted。最后是Zero net investment construction。投资的效果是什么？黑线是我们刚刚画的long-short equal-weighted表现。黄线是SP500，要低很多。仔细看L-S的return，Sharpe ratios (SR)是4.29，average return大概是33%，用Fama-French 5个因子加上momentum factor（FF5+MOM）的风险调整后的alphas大概是32，而且汇报与这些风险因子几乎无关。比较Dictionary方法与RavenPack，我们的方法更有效。下图是Speed of News Assimilation，如果你投得太晚，新闻的价值很快就没有了。总结如下：现场提问环节IEEE Fellow王强：在深度学习里使用监督或者半监督的模型，我也可以看到lowest数据或是非lowest数据，您觉得PCA方式跟深度学习的方式，哪个更好用？范剑青：这个提问很好。PCA本身是线性的因子学习。做PCA的目的是想将相关的变量的共性跟特性分开。对于很相关的变量，例如刚才把131个变量直接放在机器学习里，可能会包含太大的相关。我们主要想讲的是PCA将共性和个性分开，可以把136个变量放到深度学习里。深度学习可以作为很好的预测方式，但是如果变量很大相关的话，可能预测效果并不好。PCA要学习的东西跟深度学习要学习的不完全一样，可以互补。
在“内循环”成为热词后，消费受到越来越多的关注。做大消费、提升消费在经济增长中的贡献度，是“内循环”的重中之重。但如何促进消费仍然是个问题，影响消费者消费行为的因素众多，如收入、社会文化、金融制度等。以消费文化为例，过去曾有一个经典的故事来形容中美消费文化的对比：一个中国老太太，60岁时终于攒够了钱买了一套房子。一个美国老太太，60岁时终于还清了购房的贷款，而她已经在这房子里面住了30年了。暂且不论这个故事的真假，这个故事的广为流传就证明了中美两国居民对待“借钱消费”的态度迥异。而在众多的研究和新闻报道中，我们也能够感知到美国奉行的提前消费、借贷消费等消费观，因此储蓄率极低。中国人则普遍奉行有了充足储蓄后才消费，因此储蓄率极高。那么，美国的这种消费文化是如何形成的？一中外相同的节俭理念既然我们赋予了“消费文化”的概念，那理所当然的，消费行为会受到人们所处时代的影响。在经典的社会学著作《新教伦理与资本主义精神》中，作者马克斯·韦伯论述了两个重要问题：西方近代资本主义的产生及其本质；社会伦理与经济行为的关系。在新教伦理的影响下，节俭一直被视为美国公民的一种核心价值，是国家繁荣的一个主要源泉。在这一点上，其实与我国北宋以后，以“禁欲”为中心的儒家治国思想不谋而合。在当时，工商界领导人、资本占有者、近代企业中的高级技术工人，尤其是受过高等技术培训和商业培训的管理人员，绝大多数是新教徒。这些“有钱阶级”受到新教伦理影响所表现出来的“资本主义精神”具有鲜明的时代特色。“财富大量聚集起来，却并没有用来放贷赚取利息，而是不断用于商业再投资，昔日闲适安逸的生活态度为严苛的讲求实际的态度所取代。迎头跟进的人之所以发家致富，乃是因为他们克勤克俭，不愿消费，只想获利；而仍然保持旧有生活方式的人则不得不节衣缩食”。在这种文化的影响下，消费信贷制度是遭到辱骂最大的制度之一。他们认为，消费信贷会成就大众消费的贪欲，不仅诱惑犯罪，还提供了犯罪手段。消费信贷机构实现了广告商们无力完成的任务——这就是给人们提供了手段，将购买昂贵商品的美梦变成现实。在传教士的口中，债务是与下流行为、魔鬼并列的邪恶行为之一。因此，在新教伦理“禁欲”的核心思想下，消费信贷无疑是一种“犯罪”。新教的“禁欲”反对享受，束缚消费，对于奢侈品的消费更是持有绝对否定的态度。但是，绝对“限制消费”的另一面，经济学赋予了消费另一种概念。亚当·斯密说明了所有生产的目的都是为了消费，在这种思潮的影响下，维多利亚时代财务伦理出现了异化，人们人为地将信贷分为了“生产性信贷”和“消费性信贷”（本质上，生产其实是为了消费）。生产性信贷以创造有价值财富为目的，为经营性单位提供资金，用于购买能够增值或者具有生产性用途的商品。消费性信贷为了获得即时满足而借钱，它会诱惑人们购买自己不需要的东西。在世界第一次大战前的整个维多利亚时代，限制消费都是一种美德，消费信贷则是贪欲的象征，为时代和社会所不齿。所有的信贷基本被定义为“生产性信贷”，还债也是美德，所以很少出现欠债不还情况。按时还债，既是为了保住赊欠的特权，也是为了维护个人尊严。二“分期时代”的到来在19世纪的前50年，禁欲、高利贷禁令等经济社会的理念都极大的限制了美国消费的发展。到了19世界中期，这种情况开始改变，一家叫“胜家”的缝纫机公司推出了以分期付款形式销售其产品的模式。在当时，缝纫机在家庭中的地位和我国上世纪70年代时期极为相似，是一种重要的家庭资产，是财富的象征，价格也相对昂贵。因此，分期付款销售的模式取得了立竿见影的成功，这种模式让原本不具有“缝纫机购买能力”的人群通过分期的方式实现了提前消费。很快的，这种模式就扩大到其他耐用消费品、书籍、钢琴等各个领域。此时这种“提前消费”的模式仍然集中于工薪阶层，本质上是以购买的物品作为担保贷款，适用的领域也较少，并不普及。但在这一时期，初步诞生了一些专门从事消费信贷的机构。著名的美国运通（American Express）便是诞生于这一时期，不过此时的运通还仅仅是提供邮件与货物快递运输服务，不过因为其快速且可靠的服务，运通的市场评价极高，这也为以后运通业务的拓展提供了客户和品牌基础。如果持续和平的发展，美国的这种“提前消费”观念未必能够普及，因为它仍然受制于当时的宗教伦理、社会文化。但南北战争打破了这一发展路径，战争所需的资金成为了借贷行为最大的催化器，分期付款的销售模式得以迅猛发展起来，而且相比过去，分期的首付比例更低、期限更长，利率也变得更高。因此，南北战争之后，以分期为核心的消费信贷取得了极大的增长。最具代表性的是芝加哥的零售商西尔斯（Sears），以邮购手表、珠宝以及钻石等高价值的小件商品为主业，并向消费者提供分期付款、信用贷款，以赊促销、以贷促销。同时，西尔斯还经营连锁店，并据此创新了信用卡的前身——西尔斯发现卡。到了南北战争结束后的几年，美国东部绝大多数的家具都是以分期付款形式销售。而20世纪前20年的快速城市化进程，又进一步推动了消费信贷的覆盖范围。来自意大利、俄国等东南欧国家的“新移民”和农村人口向城市流动，快速推动城市化的发展。在这一时期，征信机构作为消费信贷的基础设施应运而生，提供个人信用报告的机构、全国性的征信机构、全国零售信用机构联合会（现为消费者数据产业协会）都先后成立。三现代消费信贷制度的兴起到了一战前夕，零售业态内的分期付款模式已经成为美国消费文化不可分割的一部分。但直到此时，人们仍然信奉“储蓄致富”的观念，但19世纪初的通货膨胀给了这种观念重重一击，努力工作积攒的储蓄快速缩水，之后的大萧条更是让很多人的储蓄化为乌有，人们的消费观发生极大的转变，“消费就是省钱”成为了消费者信条。分期付款的信贷模式进一步扩张，并在汽车分期中全面普及，到1924年，几乎3/4的汽车是分期付款购买的。市场也出现了大量的提供信贷资金的机构，如零售商、商业银行、消费金融公司、小额贷款公司等。但是另一方面，债务水平快速的上升也引来了社会的批判。其中的典型就是：用贷款消费的人是在“抵押未来”, 《福布斯》（Forbes）杂志的一名撰稿人甚至将背负分期付款债务的工人比作鼻子前面系着胡萝卜的毛驴。很多人担心这种放纵的消费是“这个民族的整个道德规范的全面崩溃”。于是，为这种债务进行道德辩护的一系列著作出现了，源于维多利亚时代的“消费性信贷”被经济学家们重新创造为“消费信贷”，这些研究和著作为后期针对消费者的信贷制度奠定了道德基础以及法律基础、制度基础。可以说，消费信贷概念的创立是美国消费文化成熟的一个重要标志。在《分期付款销售经济学》一书中，作者埃德温·R. A．塞利格曼（美国著名政治经济学家）就为消费信贷做了权威性辩护。即除了少数不恰当的做法之外，消费信贷对经济做出了重要而有价值的贡献。塞利格曼将生产和消费归于更大的范畴——效用，如果通过借贷的消费是有助于消费者健康和幸福的，那么这种消费就和生产一样，增加了社会的总效用。从这个意义上说，消费与生产没有了本质区别，消费信贷也将消费与生产放在了同等的道德水平上。因此，个人利用消费信贷购买商品，以便提升自己的生产能力，提高福利，增加幸福，这种做法也是合理的。四崛起：二战后消费信贷的爆发随着二战的结束，美国开始主导世界秩序，经济的快速发展带来的是消费信贷的大爆发。在战后的50多年里，美国的消费信贷余额以年均12%的速度持续快速增长，2008年金融危机爆发前，消费信贷余额近20万亿美元。消费信贷创造出的需求市场，极大的促进了生产发展和消费者生活水平的提高。相当长一段时间，美国经济发展就建立在这样一个债务链条上，无人不负债。与此同时，消费信贷产品创新层出不穷。信用卡的出现，使得各种类型的公司卡、银行卡、联名卡纷纷出现，信用卡开始风靡美国。上世纪90年代互联网的迅速普及，又给消费信贷带来了空前的发展机遇，使用信用卡的人数急剧上升。据美联储进行的一项消费者金融调查显示，美国家庭中至少拥有一张信用卡的比例从1983年的43%上升到2001年的73%，2001年拥有银行卡的美国家庭比1983年多了3000万。而鉴于消费信贷在经济社会中的重要作用，监管及政府也一直在不断建立制度规范消费信贷发展。如保护消费者的《消费信用保护法》，以及《公平信贷报告法》、《诚实租借法信用卡修正案》、《公平信用结算法》、《平等信用机会法》、《公平债务催收作业法》、《破产法》等一系列有关消费贷款的法案。这些消费信贷相关法案构建起了一套复杂法律框架，如此完整且多层次的消费信贷法律框架，在世界上是绝无仅有的。而立法，无疑需要学术界的研究支持，因此在20世纪，消费信贷始终是美国经济学家的一个重要研究主题。五反思：过度消费的灾难毫无疑问，消费信贷是美国经济崛起，实现美国梦最重要的制度设计之一。但在经过了2008年金融危机的洗礼后，全世界都对于“消费过度金融化”有了新的认知，也引发了世界范围内对现行金融体系的不满和不信任。《经济学人》2014年做了一项调查，“总体而言，你认为金融有利于还是有害于美国经济”？被调查对象中有48%的人认为有害，34%的人认为有利。如果回顾美国的消费信贷发展历史，我们会发现，现今我国消费金融市场中遇到的各种问题，都能在美国消费信贷的发展中找到相似的影子。对于过度消费的批评，消费金融用户权益的保护，个人信用的公平对待，个人破产制度的建设等等……但是，消费金融化的标准到底在哪？消费金融在各项指标中的占比应该是多少？不管是学界还是市场都很难给予一个标准答案。在当前众多对于消费金融的批评声音中，消费金融机构好似变成了一个“实体经济吸血鬼”的角色。从另一角度去看，国内目前的消费金融体系虽然存在诸多问题，但是其意义仍然十分积极，也是实现扩大“内循环”的必备工具。不因噎废食，不矫枉过正，才能更好的发挥其作用。正如美国金融协会的前任主席拉詹所说：我们不应该让已经做错的事情妨碍还可以做对的事情，也不应该推翻已经取得的进步。找到原因，才能重新建立社会公众对金融体系的信心。招募公告：苏宁金融于2020年8月启动“苏宁金融APP-财顾频道大V激励方案”，每月按阅读量和发文活跃度，奖励排名前50名大V，奖励金额300元-2000元不等。如果您是财经作者，欢迎入驻苏宁金融APP-财顾频道。入驻方式：关注“苏宁金融研究院”公众号，向后台发送“财顾”二字，小编将第一时间联系您办理入驻事宜。
9月8日，由72家机构参与的“智能投研技术联盟”在上海临港新片区正式揭牌成立。这也是国内目前参与范围最广的智能投研技术联盟。 上海市委常委、副市长吴清参加智能投研技术联盟的揭牌仪式。吴清表示：“智能投研技术联盟的成立，有望促进上海国际金融中心和科创中心建设的融合发展，促进上海全球资产管理中心和金融科技中心的建设。” 智能投研技术联盟聚焦资管科技的核心——智能投研技术，是由72家从事智能投研技术应用、开发、研究、服务和支持的相关头部机构及组织共同发起、自愿组成的公益服务专业平台，旨在促进金融科技中心和全球资管中心的融合发展，更好地发挥金融及金融科技服务实体经济的重要作用。 该联盟成员云集建信金科、交银金科等大型银行科技公司，以及30家券商、基金等资管机构，还有BATJ等科技巨头。微众银行首席人工智能官、国际人工智能协会（AAAI）执行委员会委员杨强担任首届联盟主席。 吴清表示，新一轮科技创新给金融业带来了深刻的变革，金融科技正在加速融合，为现有的金融生态注入新动力，推动金融业步入数据化和智能化时代。希望联盟能在国际金融领域产生影响力，创造出新的模式和技术，进一步促进上海国际金融中心和科创中心建设融合发展，促进全球资产管理中心和金融科技中心建设。 智能投研技术联盟的指导单位为上海市金融工作局，专业协作机构为上海市基金同业公会，技术支持机构为中国计算机学会（上海分部）、上海人工智能学会。 智能投研技术联盟主要的活动领域为智能投研的工具类系统、支持类项目、底层类技术、规范类框架和场景研究等，运用多种方式展示金融科技、资管科技，特别是智能投研技术方面的新产品、新项目和新技术。同时，注重展现智能投研技术领域的创新型人才优势，重点开展业务场景、项目功能、技术原理、应用价值、对标比较等交流，突出机构应用项目的“功能”和“技术”交流。此外，加强技术支持趋势预测和风险预警的研发交流，有特色地办好“专业活动中心”和“虚拟实验室”。 “智能投研技术相当于投资领域的AlphaGo。但需要明确的是，人工智能并非替代人，而是放大人的能力，联盟旨在通过技术为投资带来更强的竞争力。”杨强表示，目前应用最多的领域是银行委外业务的管理，还有基金经理的投资管理。未来，联盟将秉持先进性、国际性、技术包容性，让技术为金融服务。 据悉，智能投研技术联盟成立以后，将积极围绕上海国际金融中心建设，服务长三角、服务全国，促进我国金融科技赋能资产管理行业发展。
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