大数据的金融场景：一切数据皆为信用数据-国土报中文版

本篇文章1931字，读完约5分钟

美国金融业大数据最直接的场景是所谓的信用评估系统。对美国信用体系的评价很简单，只有几样东西:债务历史、债务、信用历史时间和其他相关因素。所有这些加起来就形成了美国现有的评分系统。

一般来说，如果变量太多，模型会很难处理。要点是它的深度比它的宽度更重要。因此，过去20年的记录与最近一年的记录不同。

此外，比现在更关注用户的历史，也许这个人一开始是一个？爱丽丝最近突然发了财，他的还款能力可能会有很大的变化，但这是否反映了一个因素呢？许多人不知道。如何把一切都放在纵横两个宽度将是相对重要的。

大数据在金融中有什么用？同一个人在不同的应用和领域是不同的。例如，今天在这家公司呆20年并不一定意味着他是一名好员工。他很可能没有能力换工作。如果你从另一个角度来判断这个人，你的标准和应用程序变量应该完全改变。但不幸的是，没有人从这个角度来衡量一个人。

为什么你最终把风力控制放在如此重要的位置？像中国的p2p公司一样，在六个月或一年内剩下四分之一是一个奇迹，许多p2p公司将会死亡或被收购。当所有的热潮慢慢消退，风险控制将被放在最突出的位置。

直接询问用户答案也很重要。你可以在一个地方撒谎，也可以在两个地方撒谎，但是如果我的大数据从千千收集了10万个点，那么很难伪装10万个来自千千的点而不互相矛盾。如果可以伪装成这样，那就不是一个欺骗的过程，所以一个人很难完全编造一个无法通过大数据看到的谎言。

大数据模型概念，所有数据都是信用数据。所有这些关键变量，如果它们是单独知道的，将不会对判断这个人是怎样的人有多大用处，但是如果所有这些小的因素结合在一起，将会发现最后一点是非常强的，这可以准确地判断这个人在做什么。这是非常重要的一点，要看关系，而不是因果关系。

同样的名字听起来不错，机器学习，我们都会深深地意识到，它实际上是我们可悲的学习机器，而不是学习我们的机器。如何更好地与机器沟通，我们给他一个方法，或者给他一个事实，他可以更快地从中提取，这更多的是一种互动。

大数据的第二个模型是数据源。即使错误的信息是信息，它也反映了一个人的素质。

第三点是所谓的建模。总之，大数据中所谓的特征变化、特征提取、最终所谓的独立模型细节的建立和最终模型集成，与以往的传统统计理论有很大不同。

最后一个非常有趣。它在中国基本不存在，但在美国比较麻烦。大数据与相关立法的关系。我相信将来中国的立法越来越完善的时候会遇到这样的问题。信用评估中有一些不可触及的禁区。第一性不能用来确定这个人的信用价值，这是绝对不允许的。第二个年龄，年龄不像性别那么严重，但年龄是必须的，只能作为一个积极因素，而不能作为一个消极因素。现在很多人都不使用年龄。第三个种族是不可触及的红线。根据你是亚洲人、黑人、白人还是拉美人来判断你的信用是好是坏是绝对不可能的。例如，在中国，当你在街上或在美国开车时，墙上写着的字告诉你这个地方不能原地掉头。因为太多的人在原地转来转去，所以会竖起一个标志。如果这个地方很窄，你不用写，也没有人会原地转身。事实上，这些禁止使用的东西最能体现一个人的本质。事实上，我们可以从我们的模型中看到，这些不被允许使用的东西，如果被使用的话，比千千数千条信息的总和还要有用。

大数据的金融场景：一切数据皆为信用数据