大数据金融论文汇总十篇

序论：好文章的创作是一个不断探索和完善的过程，我们为您推荐十篇大数据金融论文范例，希望它们能助您一臂之力，提升您的阅读品质，带来更深刻的阅读感受。

篇（1）

摘要：目前，在社会发展的过程中，教育水平的发展也有了前所未有的提高。金融大数据爆炸性发展要求金融学专业学生具备一定的金融数据分析与处理能力，计量经济学作为培养学生数据处理与分析能力的核心课程，新的历史时期应当承担起培养学生金融大数据视野的责任。

关键词：金融数学专业；计量经济学；金融理论；实践结合

引言

计量经济学作为一门非常强调应用性的学科，是应用型本科院校的一门重要的课程，是应用型本科学生知识能力结构中不可缺少的组成部分。近年来的教育教学改革的探索注重实践环境的强化，人们已越来越清醒地认识到，实践教学是培养学生实践能力和创新能力的重要环节，也是提高学生社会职业素养和就业竞争力的重要途径。计量经济学作为经济学核心课程之一，在当前教育新常态下，产生了一些新的问题，因此应用型本科教育背景下的计量经济学也应该被重新赋予新的属性。

一、教学内容和教学方式的问题

（1）传统计量经济学教学强调回归分析背后模型的假设及相关内容，但现代经验研究强调因果关系。因此，当前计量经济学教学过分强调对随机扰动项分布、异方差及自相关的长篇讨论，显得不合时宜，而对国内外广泛流行的新颖工具较少提及，其结果是学生对计量经济学应用仍是一知半解。（2）由于现有课时安排等原因，教师教学过程中着重讲授计量经济学原理和方法，而轻视实际应用和数据处理能力的培养。例如，教学中主要讲授参数估计和各种检验的理论和方法，对如何从经济问题出发建立模型，如何应用模型分析实际的经济问题讨论得较少。（3）由于课堂教学注重理论知识的讲授，不能分配更多的实验课时，导致学生难以真正理解和运用计量经济学理论知识，特别难以将理论知识灵活应用于金融数据建模与处理。（4）现有的计量经济学课程缺乏将计量经济学方法与金融数据相融合的缺陷。在课堂教学内容安排中，着重讲述计量经济学的基本原理和方法，而没有将计量方法与金融大数据的获取与加工处理结合起来进行讲解。导致多数学生具备一定的计量经济学基础，但面对查找和处理金融数据时却束手无策。（5）已有计量经济学教学内容安排上，一般将经典的计量经济学和现代时间序列方法安排在一个学期内完成。由于教学内容过多而教学课时有限，其结果是导致无法详细讲解金融时间序列部分，金融学专业学生对金融大数据处理及建模能力不强。

二、金融数学专业计量经济学与金融理论及实践的结合的优化措施

（一）突出案例教学

丰富多彩又符合专业特色的案例教学可以激发学生的学习兴趣。案例教学一方面能够使理论知识更加通俗易懂，另一方面案例教学重视师生互动，可以提高学生的兴趣，为课程论文和毕业论文的写作打下良好的基础。计量经济学教学案例的选取一定要突出目的性、代表性和趣味性等特点，应结合学生所学专业的差异，多搜集一些与该专业密切相关的经济热点问题和前沿问题，激发学生的学习积极性和主动性。

（二）金融数学专业计量经济学与金融理论及实践的结合

就金融数学专业学生而言，在为这些学生开展计量经济学课程教学时，需要注重将金融理论和具体的金融实践知识紧密结合起来，以此来引导他们正确使用计量经济模型方法来研究金融相关实践问题。金融市场相关实践知识更倾向于股票投资和资金资本等的利用，不能仅仅依靠消费-收入这一知识以偏概全，这就要求计量经济学老师在为金融数学专业学生开展课程教学时，需要拓展到相关金融领域，通过讲解相关金融理论和具体的市场实践数据来开展课程教学。

（三）“案例+微课”的教学模式改革

为了提高金融专业本科生金融大数据处理能力，改善教学效果，拟重点对《计量经济学（Ⅱ）》的教学方法进行创新。为了改变以课堂为中心的单一教学方法“重在教，逼学生学”的缺陷，我们将使用“案例+微课”的教学模式。“案例教学”是计量经济学一种非常有效的辅助教学模式（杨汭华，2005；黄佐钘，2008；张玲，2014）。与传统的案例教学不同：（1）项目强调针对金融大数据开发相关案例，并以“微课”的形式将教学内容呈现给学生。“案例+微课”的教学模式的好处在于能激发学生对计量经济学理论学习的兴趣，更加生动和直观地将金融大数据处理呈现给学生，引导学生自主学习。此外，“案例+微课”模式能对课堂教学形成有效补充，课堂上没有解决的问题，学生可以在课外通过“案例+微课”进一步巩固与提高课堂知识。（2）传统计量经济学经验案例强调计量经济学理论知识的应用，重点介绍数学与统计技术，而忽视其内在的经济问题与变量间的内生关系。项目强调以真实的金融大数据为载体，在案例分析中，更加注重因果关系的讨论，从而案例分析更加接近现实。因此，相比于传统的案例分析，项目经验分析更接近现代研究范式，故而具有更好的实用价值。

（四）完善考核体系

作为一门应用型的学科，考核方式也应该多样化。可以尝试采用课程论文的考核方式，课程论文一方面可以深化学生对课程内容的学习，另一方面也能加强学生的应用能力，提高学生的独立思考能力和对知识的灵活运用能力。课程论文可以与学生的毕业设计结合，突出学生所在学科属性，充分调动学生的积极性。同时不能将试卷考核的方式抛弃，例如可以将纸质试卷改为上机考试，增加操作题的比重。完善的考核方式会提高学生对计量经济学课程的重视程度，强化计量经济学的教学效果。

结语

总之，计量经济学教学改革是高等教育供给侧改革的一个缩影，只有明确清晰教学定位，有效提升高等教育供给体系的质量和效率，重点解决好高校人才培养能力、支撑引领国家创新发展能力的问题，才能提供更多有选择的本科教育，建成更有竞争力的本科教育，开创更有特色的本科教育，发展更加公平的本科教育。

计量经济学毕业论文范文模板(二)：基于计量经济学的电力企业经济效益与管理决策实证研究论文

摘要：在我国快速发展的过程中，我国的电力建设在不断的完善，中国的现代化建设离不开电力的发展，同时国民经济的发展也将推动电力工业的进步。处于新时代的电力企业需要具备超前的思维与意识，在外对国民经济的发展具备清晰的预判，在内要做好企业内部的管理建设，针对未来长远发展制定科学的规划。要做好这几点，就离不开对电力企业经济效益、经营管理的分析以及数学建模工具的运用。本文选取2001-2017年中国的国内生产总值（GDP），全社会用电量数据以及典型电力企业华电国际年度报告数据，分析了华电国际的经济效益与外部经济环境以及企业经营管理之间的关系。首先从时间序列非平稳角度出发，利用协整理论并通过单位根检验以及协整关系检验对华电国际的经济效益建立了长期均衡模型。再对模型进行短期误差修正，在证明了模型有效性的基础上，利用所建模型对提升华电国际的经济效益进行实证分析预测。最后对以华电国际为代表的中国电力企业的发展提出相关建议。结果表明，对华电国际而言其供电成本、管理与财务及人力资源成本的完善对其经济效益的影响将是一个长期过程，而其短期内经济效益主要受国民经济的发展水平以及全社会用电量需求的影响。该模型具有广泛的适用性，可以为其他电力企业的经济效益及其影响因素进行分析与预测，对企业未来的管理决策规划提供参考。

关键词：电力企业；经济效益；管理决策

经济研究的方法在于总结典型的经验特征与收集数据，并在此基础上建立相应的经济理论或经济模型。经济研究的科学性在很大程度上取决于经济理论或经济模型的可验证性，即能否通过数据实证检验相关的经济理论与经济模型来解释事实，并预测未来的经济变动趋势以及提供科学的政策建议。计量经济学和实验经济学则犹如硬币的双面，从不同的角度为经济学的实证分析提供重要的方法论基础。计量经济学以实际经济数据的建模与分析为主要研究对象。当实际数据不可得，或实际数据过于复杂而导致因果关系不易梳理时，实验经济学则有可能从另一个角度出发，通过可控的实验数据代替实际数据，成为实证经济分析的又一个有力工具。

一、協整理论概述

协整的概念是由恩格尔一格兰杰（Engle-Granger）在1987年“协整与误差修正，描述、估计与检验”中正式提出的，协整的基本思想认为，尽管两个或两个以上变量中的每一个都是非平稳的，但他们的线性组合可能会相互抵消趋势项的影响，使该组合是平稳的。这一理论的提出为经济时间序列分析树立了新的里程碑，对经济学和计量经济学产生了革命性的影响。之所以协整理论会产生如此大的影响，是与一协整理论所具有的深厚的经济学背景密不可分的。

二、基于计量经济学的电力企业经济效益与管理决策实证

（一）非均衡博弈论框架的建立和实验验证

策略性思考是博弈理论及其应用的基础。纳什均衡以及相关均衡的概念过去一直是描述策略性思考的核心内容，其定义为每个博弈参与者的策略都是在给定其他方策略下的最优反应。显然这种均衡的定义内在要求每个博弈参与者在决策信念上达到均衡，即每个参与者对其他方的策略持有正确的信念。在过去的研究中，经济学者通常假定均衡框架存在从而做出对参与者行为的预测。尽管在一些博弈场景下，基于均衡概念的行为预测是准确的，但在多数情况下实验经济学研究结果表明博弈参与者的行为会系统性地偏离基于均衡概念的行为预测。由于来自实验经济学数据对原有理论框架的挑战，经济学研究人员逐渐提出了基于非均衡概念的策略性思考理论框架并且运用实验经济学的方法收集数据来检验这些新理论。这些基于非均衡概念的策略性思考理论框架的核心在于继续假定博弈参与者在决策时仍然有策略性思考的因素在里面，但放弃了均衡的概念以及嵌入在均衡概念里面的很强的理性假设。

（二）ECM误差修正

通过Granger定理易知，具有协整关系的一系列变量会对应一个包含误差修正的表达形式。可以进一步通过误差修正来研究华电国际经济效益的短期行为。具体而言可根据由Hendry提出的一般到特殊的建模理论，逐步剔除从三阶滞后变量及误差修正项开始的不显著量，从而得到最终的误差修正模型：（见下面公式）式中：ECMt-1代表协整回归厚的一阶滞后误差，括号内的数字代表不拒绝相应零假设的概率。从该方程式以及统计结果的数据可以发现，文中所进行的统计检验在置信水平上表现显著。这一结果也证明了文中构建的误差修正的具有良好的适用性。图中给出了LY的实际数据与拟合结果以及残差结果，从图中可以看出，协整以及误差修正之后的模型具有较为理想的结果。

（三）计量经济学应用研究中的多重共线性问题

篇（2）

一、绪论

（一）背景

随着我国互联网是迅速发展，互联网模式迅速占据各行各业，而我国的互联网经济也取得了飞速的发展。截止2015年我国的网民已经达到了9亿人，这个庞大的数字表明我国的互联网市场的巨大潜力。此外，政府的大数据政策也开始向互联网行业倾斜，表明了互联网大数据时代的美好机遇的到来。互联网金融的融资理财等模块的发展也取得了很大的进步，第三方支付交易规模已经达到了11.9万亿，第三方移动支付交易规模达到了9.5万亿。

通过在大数据背景下研究互联网金融的盈利模式，可以对于我国今后互联网金融的发展提供良好的理论基础，同时针对大数据环境下互联网金融和传统金融相比存在的优劣势做出对比，可以为传统金融的转变提供良好的方案此外为互联网金融的问题给出良好的解决措施，从而有利于我国互联网金融的健康发展。

（二）相关理论和概念

互联网金融是传统金融行业与互联网精神相结合的新兴领域。互联网“开放、平等、协作、分享”的精神向传统金融业态渗透，对人类金融模式产生根本影响，具备互联网精神的金融业态统称为互联网金融。

“大数据”是指以多元形式，自许多来源搜集而来的庞大数据组，往往具有实时性。在企业对企业销售的情况下，这些数据可能得自社交网络、电子商务网站、顾客来访纪录，还有许多其他来源。这些数据，并非公司顾客关系管理数据库的常态数据组。

博弈论又被称为对策论（Game Theory）既是现代数学的一个新分支，也是运筹学的一个重要学科。博弈论主要研究公式化了的激励结构间的相互作用。是研究具有斗争或竞争性质现象的数学理论和方法。

二、传统金融盈利模式分析

（一）传统金融机构盈利模式分析

广义上说我国传统的金融机构有银行，基金，保险，证券公司等，这些公司都属于我国传统进行机构，传统金融的盈利模式分为不同的机构进行简单介绍。

1.银行。我国的银行主要盈利模式是吸纳存款给存款人发放利息，同时对外房贷，收取贷款利息，其中贷款利息和存款利息的差额就的利润，中间业务收入，同行拆借，承兑汇票贴现利息收入，信用证，托管业务等。这些构成了银行的盈利来源。

2.证券。证券是多种经济权益凭证的统称，因此，广义上的证券市场指的是所有证券发行和交易的场所，狭义上，也是最活跃的证券市场指的是资本证券市场、货币证券市场和商品证券市场。

3.保险。保险公司（insurance company）是销售保险合约、提供风险保障的公司。保险公司可以这样分类：人寿保险公司和财产保险公司。按照中华民国保险法之规定，两者必须分开经营。所以有的保险公司成立了集团公司，下设独立核算的人寿保险公司和财产保险公司。再保险公司是保险公司的保险公司，对保险公司承担的风险进行分散和转嫁。

（二）传统金融在互联网背景下发展的局限性

第一，产品品种优势不明显，投资门槛高，客户体验度差。银行的流程繁琐和复杂，使得一些客户避而远之，加上银行近些年的理财产品不以客户为中心，客户理念差。

第二，渠道单一。对于传统金融机构来说，更多的是来自物理渠道的客户，商业银行的客户群体多来自网点的客户，而线上客户缺乏，也没有线上客户来源，线上市场推广策略缺乏，缺乏市场前瞻性。

第三，传统的管理战略思想导致银行发展缓慢。银行带有浓重的政治色彩，一直都是国家控股，对于银行的战略管理也是以国家战略管理为核心而展开的，因此，银行的变革一直在比较缓慢的。

第四，缺乏良好的人才选拔机制和内部晋升渠道。现代管理中，具有竞争力的人才才能给公司带来发展，银行人才的竞争和选拔也缺乏合理性，传统银行很多都是关系户，导致银行内部人才缺乏公平竞争机制。

三、互联网金融盈利模式分析

（一）互联网金融的运作模式

第一，第三方支付企业指在收付款人之间作为中介机构提供网络支付、预付卡发行预受理、银行卡收单以及其他支付服务的非金融机构。代表企业：支付宝、易宝支付、拉卡拉、财付通为代表的互联网支付企业，快钱、汇付天下为代表的金融型支付企业。

第二，P2P小额贷款。P2P金融又叫P2P信贷，指个人与个人间的小额借贷交易，一般需要借助电子商务专业网络平台帮助借贷双方确立借贷关系并完成相关交易手续。

第三，众筹融资模式。众筹融资模式是基于“互联网+金融”所创新的一种模式，意义不仅在金融创新本身，而在于对传统金融领域和金融业态提出的挑战，并且在一定意义上具有颠覆性。

第四，虚拟电子货币模式。虚拟货币是一种计算机运算产生或者网络社区发行管理的网络虚拟货币，可以用来购买一些虚拟的物品，也可以使用像比特币这样的虚拟货币购买现实生活当中的物品。

（二）互联网金融主要盈利收入来源

我国目前互联网金融发展迅速，很多的经营模式以规模制胜，P2P模式中的主要利润来源是赚取中间的差价，借款人和贷款人之间的利息差为主要利润来源。虚拟货币的主要利润来源就是卖虚拟货币的收入扣除相应的成本之后所得利润。对于众筹融资模式来说，盈利模式大多数以收取佣金的形式来实现收益，其次，很多众筹平台也采取分成模式或广告模式，也就是众筹成功之后从其收取一定的广告费。

四、大数据及互联网金融视角下国有商业银行盈利模式研究

（一）博弈论角度分析商业银行和互联网金融选择

1.假设前提

第一，金融市场中只存在了商业银行和互联网金融两个参与者。

第二，经济人假设。商业银行和互联网金融机构是两个理性经济人，以个人最大利益为出发点，基于自身利益最大化做出决策。

第三，在应对互联网金融同时商业银行可以采取措施有合作和不合作，即选择集合为（合作，不合作）。互联网金融在应对商业银行时采取的措施有合作和不合作两种选择，即选择集合为（合作，不合作）。

第四，互联网金融和商业银行的博弈过程是完全的信息动态博弈，即在博弈过程中，商业银行很清楚的了解到互联网金融的交易模式及其有点，在互联网金融机构也了解商业银行的优势所在。

2.博弈过程

商业银行和互联网金融博弈模型

博弈过程的开始我们以商业银行首先做出选择，上图所示。最上方商业首先进行选择信息集（合作，不合作），如果商业银行选择不合作，那么博弈结束，各自都以自己的利益最大化为目标开始自己的发展。

如果商业银行选择合作，那么就开始由互联金融机构开始选择，这个时候互联网金融机构可以选择合作还是不合作，选择不合作，那么互联网金融机构就可以借助商业银行的优势综合自己的优势来大力发展自身，而商业银行则不能利用互联网金融的优势去发展自身。如果互联网金融机构选择合作，那么相互之间就可以进行优势互补，从而达到双赢的局面。

从上图可以看出来，商业银行在博弈中的处境和地位，选择不合作那么就会处于劣势，可能会被互联网金融抢占原有的市场，如果选择合作的时候，互联网金融业选择合作那么双方都可以得到一个很好的发展局面，如果互联网金融不选择合作，那么商业银行就会成为牺牲品，优势被互联网金融所利用，逐渐被互联网金融边缘化。

互联网金融机构选择是否合作，都可以看得出来其的发展结构。如果选择不合作，那么必然受到道德风险的阻碍，根据自身利益最大化做出选择，那么在短期内必然受到信用方面的负面影响。所以从长远来看，互联网金融机构根据自身利益最大化原则是比要和商业银行进行合作。如果为了避免不合作情况的发生，商业银行会选择与互联网金融机构签订一份相互合作的协议，以维持合作的状态。

（二）大数据互联网背景下商业银行创新盈利模式

互联网迅速发展，商业银行的客户大数据必然是其发展的基础。大数据能力将成为银行的核心竞争力。所谓的“核心竞争力”，关键的要素是“不可复制”、“不可替代”。

数据是大银行的战略资产。随着数据挖掘技术的发展，银行可谓是数据密集型行业，其资产不仅是贷款等，还包括数据。要把数据作为重要资产保护、经营，这是大银行区别于小银行，也是现代银行区别于传统银行的关键之处。而且数据财富是没有天花板的，可以不断挖掘、不断创造，最近国际上很多机构都在探讨如何量化数据等无形资产的价值。

商业银行通过对自己原有客户群体的数据挖掘提炼客户需求，提高客户服务质量，从而改变当前银行的困局。创新服务模式，提高服务效率和便捷性。每个用户都会办理银行卡，利用这个基础进行相关客户端软件安装，对于有余额的客户提供理财服务，发展互联网银行多种理财方式和渠道。

未来商业银行的业务模式中将转移到以大数据客户资源为核心，以数据资源为主要竞争力量和利润来源，来扩大和发展银行相关业务。

五、结论

篇（3）

[ 3 ] 王喜文.日本强化ICT领域国际竞争力[N].中国电子报，2012-06-15（003）.

[ 4 ] The White House. Big Data Across the Federal Government[EB/OL].[2014-08-08].http：//whitehouse.gov/sites/default/files/microsites/ostp/big_data_fact_sh-eet.pdf.

[ 5 ] The Wall Street Journal. Big-Data Success Stories： Splunk[EB/OL].[2014-08-08].http：///ve-nturecapital/2011/10/21/big-data-success-stories-s-plunk/.

[ 6 ] The New York Times. Harvard Releases Big Data for Books[EB/OL].[2014-08-08].http：///2012/04/24/Harvard-releases-big-data-for-books/

[ 7 ] Spolanka. OverDrive announces a series of “Big Data”reports[EB/OL].[2014-08-08].http：//libraries.wr-ight.edu/noshelfrequired/2012/04/11/overdrive-an-no-unces-a-series-of-big-data-reports/.

[ 8 ] Xavier Amatrain，Justin flix公布个性化和推荐系统架构[EB/OL].[2014-08-08].http：///article/2013-04-04/2814767-netflix-ml-architecture.

[ 9 ] 云推荐[EB/OL].[2014-08-08].http：///.

[10] 中国科学院.李国杰院士：大数据成为信息科技新关注点[EB/OL].[2014-08-08].http：///xw/zjsd/201206/t20120627_3605350.shtml.

[11] 李奕.大数据应用方式：从数据服务、信息服务到知识服务[N].中国计算机报，2012-07-09（024）.

[12] Big data：The next frontier for innovation，competition and productivity[EB/OL].[2014-08-08].http：///Features/Big Data.

[13] 李晨晖，崔建明，陈超泉.大数据知识服务平台构建关键技术研究[J].情报资料工作，2013（2）：29-34.

[14] 秦晓珠，李晨晖，麦范金.大数据知识服务的内涵、典型特征及概念模型[J].情报资料工作，2013（2）：18-22.

篇（4）

[中图分类号] G642 [文献标识码] A [文章编号] 2095-3437（2017）10-0008-03 

2013年以来，互联网金融快速崛起并深刻影响着金融学子的学习生活、社会实践和思维观念。一系列互联网金融的新概念进入高等金融教育的视线：“大数据”、“云计算”、“社会征信”、“共享经济”、“数字货币”、“机器学习”、“人工智能”等，让金融专业的师生既兴奋又备感压力。互联网金融相对于传统金融的思维观念已经改变，经济和金融明显可分的界限被打破。当前，互联网“经济”、互联网“金融”和互联网下的“大数据”高度融合，浑然一体，不可分割。一切资金支付活动均通过移动终端进行，几乎不需要现实货币参与，点对点的资金流动使得“金融脱媒”趋势来得异常凛冽，基于大数据的分析解决了信息不对称的难题。受此影响，复合型人才和跨界发展不再是空洞的口号，传统金融教育的专才培养模式不再可行。互联网金融是新生事物，其实践远远走在了当前高等金融教育的前面，对传统高等金融教育产生强烈冲击，但也带来了变革和发展的机遇。因此，强化对互联网金融教育的研究，通过互联网金融思维重塑和再造高等金融教育势在必行。 

一、互联网金融的优势和特点 

（一）大数据优势 

互联网金融首先是从“草根金融”兴起的，在民间金融“野蛮生长”和“乱象丛生”的时代中逐渐走向成熟，对传统正规金融形成强大压力。实际上，历史上非正规金融发展缓慢的根源在于一系列困境的桎梏：信息不对称导致严重的逆向选择和道德风险、社会征信缺失、无足值抵押等。互联网金融的出现，较好克服了这些顽疾，信息不对称可以依靠大数据技术有效缓解，移动终端的广泛使用结合人工智能使社会征信和债务催收都不再成为问题，在此基础上进一步催生了众筹、共享经济等变革创业方式、生活方式的全新业态。 

（二）人工智能优势 

与传统金融相比，人工智能效率高，错误率低，模型不断进行自主训练和优化，大大提高了适应性，在量化投资、决策咨询和风险控制等方面逐步取得优势。人工智能的核心是机器学习，互联网金融下每日新增的海量用戶数据，以及公司之间的数据共享使得感知机、决策树、随机森林、支持向量机、Logistic回归、BP神经网络等一系列机器学习的核心算法和模型不断“学习成长”，在实践中取代了传统基于人工授信、核查和对客户分类的工作模式。在不远的将来，这种开放、大维度、多渠道的人工智能下的“智能”金融，必然取得对银行依赖中央银行建立的封闭客户数据系统的优势。 

（三）“互联网+”的后发优势 

“互联网+”是一种全新的思维，智能化、去中心化、脱媒化、信息化以及便捷快速的推广模式催生了各类体量巨大的新兴业态，作为这些业态的基础和共同体，互联网金融拥有显著的后发优势，领先于传统产业成为近年创新创业的最大落脚点。 

（四）规模优势 

2008年以来，互联网金融的交易规模迅速扩大，经营上的规模优势日益明显，各项交易成本明显下降。与传统金融业态不同，互联网金融由一系列的产业链构成：征信、借贷、催收和服务等环节可分散于不同的公司，在业务模式上可以灵活分散也可有效整合，每一环节聚焦其优势业务，可将规模优势带来的低成本优势发挥到极致。 

（五）双创优势 

2013年以来，互联网金融的交易成本低，可有效缓解信息不对称问题，交易效率高等的优势愈发明显，不断与其他行业形成跨界融合发展，催生创新，推动创业，极具双创优势。一是依托互联网的移动支付业务的快速发展，不仅远程支付场景不断完善，近场支付也在爆发；二是支付产业链的受理端及其延伸的综合金融增值服务——海量支付数据以及数据驱动的增值服务，为互联网金融企业带来了新的发展；三是区块链技术的融合运用引爆了“跨境支付”的探索热潮；四是在P2P等典型的互联网金融业务模式上，从以往只提供信息中介服务平台的模式创新发展出了引导P2P平台与担保机构合作、整合线上与线下服务以及增加债权转让等服务的新型模式；五是利用大数据、云计算和人工智能等技术帮助互联网金融公司开展客户的理财或量化投资业务；六是基于互联网的共享经济大大便利了人们的生活体验和观念。 

二、当前高校金融教育应对互联网金融冲击的SWOT分析 

表1是高校金融教育应对互联网金融冲击的SWOT分析矩阵，在理论和实践两个层面为当前高校金融教育如何应对互联网金融的影响提供了分析思路和依据。 

（一）优势 

首先，传统金融教育具有雄厚的人才基础和优势。自20世纪80年代我国建立高等金融教育事业以来，到目前为止高等金融教育已取得质的突破，金融专业的品牌认可、高考招分、学生素质、国际化程度、毕业后的薪资水平、社会评价等各项指标均处于各行业的前列。同时，国内金融领域在国际一流期刊发表的论文数量也在整个社会科学领域处于领先地位。其次，当前高校金融专业的培养方案和课程设置一般采取模块化搭建的思路，从公共基础、学科基础、专业培养、素质教育和实践实习等方面进行模块化管理，具有良好的可拓展性，互联网金融的相关课程可根据不同专业需要，进行优化组合，体现功能性。第三，互联网经济和互联网金融给高校师生带来了良好体验和观感，高校师生有充分的积极性迎接新专业的建设和发展。 

（二）劣势 

传统金融教育是单一化的金融专才培养模式，一般分为货币经济、金融市场、投资、金融工程、银行经营与管理、公司金融、家庭金融等方向，注重对货币、投资、资产定价、股票、债券和财务等“纯金融”知识的讲授，对大数据、人工智能和机器学习等涉及计算机与统计学习等跨领域的知识鲜有涉及。在互联网金融的冲击到来之后，我们发现业界需要复合型的跨界人才，单一聚焦金融领域的教学思维和模式开始变得落后和陈旧，金融教育需要“混业发展”。另一方面，教材建设相对滞后。目前，比较缺乏互联网金融的专业教材：一是自编教材的质量令人担忧；二是优秀的互联网金融的国外教材引用较少；三是互联网金融跟风开设课程的现象比较突出，没有因地适宜，教学内容和难度都过犹不及，影响了教学效果。　（三）机遇 

互联网金融是朝阳产业，带来了巨大的发展机遇。当前，互联网金融行业的人才极度缺乏，不得不采取“挖墙脚”的无奈之举，导致银行业人才流失严重。限于人才奇缺，互联网金融目前的进入门槛较低，人员素质和水平良莠不齐，原因在于高校对互联网金融人才的培养处于摸索阶段，传统金融教育毕业的学生青睐于在正规金融行业就业，对以民营企业为主的互联网金融行业心存疑虑甚至偏见，人才供给严重不足。显然，传统金融教育向互联网金融教育转型发展的机遇巨大。不仅如此，互联网金融还在科研立项、论文选题、学生的实习实践、就业创业、高校金融教育的学科点申报、专业建设和师资培养等方面开拓了广阔空间，前景可期。另一方面，相对于传统的金融业而言，互联网金融是典型的跨界金融，从一开始就在进行业务模式的细分和产品之间进行内部整合。互联网金融也正在逐步通过用户、大数据和场景的互动来实现对银行、证券、保险、基金和资产管理等传统金融机构进行强有力的整合运作。互联网金融的跨界整合实现了不同行业功能的有机结合，推动了我国区域经济在空间和深度上的拓展。互联网金融需要既懂得信息技术又懂得金融业务、营销和管理知识的跨界复合型人才，这就对高等金融教育提出了更高的要求。但是从高等金融教育实践来看，金融、计算机及营销和管理类专业的教育还是各自为政，独立培养，忽略了跨界知识的构建，导致学生难以适应社会对复合型人才的需求。 

（四）挑战 

首先，传统金融教育“分业培养”的理念和当前互联网金融“混业发展”的现实需求严重冲突，需要解决“并轨”发展问题。其次，传统高等金融教育的课程设置和培养体系相对成熟，然而，互联网金融的实践远远走到了学校教育的前面。再次，互联网金融教育强调“长尾性”。与传统金融的“二八定律”正好相反，互聯网金融的优势在于服务80%的小微客户，推广的是普惠金融的理念。但在传统金融教育中关于普惠金融、微型金融的相关课程几乎从不开设。消除“教育偏见”达到在正规金融和非正规金融之间的教育平衡，更加注重“长尾性”仍然任重道远。 

三、结语 

高等金融教育承担着为金融行业输送急需人才的重任，也是社会和家长的关切所在。互联网金融是未来金融行业的制高点，需要高校金融教育培养复合型人才，要求他们具备金融学知识，理解金融业务的原理，掌握信息化技术并能对大数据进行分析，还要具有一定的营销和管理能力。因此，主要的启示有如下几点：（1）注重学科交叉，优化课程设置，培养复合型人才。（2）加强师资建设，促进传统金融教育向互联网金融转型发展。（3）加强互联网金融的“产学研”的合作，树立“干中学”的务实求真精神。对此，高校金融教育是有优势的，要秉持开放理念加强彼此合作，使研究向应用转化。（4）加强对大数据和人工智能的关注，引入相关课程。此外，在互联网金融风险高发的背景下，高等金融教育也要积极承担社会责任，适时向社会进行互联网金融知识的推广和普及，提高民众规避风险的能力，达到普及金融教育的目的。 

[ 参 考 文 献 ] 

[1] 刘小铭.浅析互联网金融现状及风险[J].经营管理者，2016（23）：313. 

[2] 杨竹清，张超林.互联网金融对我国高等教育金融的启示[J].金融教育研究，2016（5）：82-88. 

[3] 刘源.论技术经济学课程的分阶段培养模式[J].中国市场，2016（48）：167-169. 

[4] 谢水园.企业的业务骨干参与大学课堂教学常态化研究——以《国际贸易实务》为例[J].亚太教育，2016（30）：89. 

[5] 谢水园.论外贸通关实务课程中多种教学方式的运用[J]. 中国市场，2014（22）：149-150. 

[6] 胡烨丹，潘锡泉.互联网金融语境下的金融职业教育模式创新[J].中国职业技术教育，2015（34）：93-95. 

篇（5）

21世纪是信息化、数字化和网络化时代。数字信息逐渐渗入我国企业的血液，企业如何利用数据信息提高财务管理的水平，为企业领导提供科学可靠的决策依据，是企业发展的关键所在。企业面对数据时代的变化应该顺应时代的发展,勇于面临新的挑战，接受新的事物，对企业财务管理进行深层次的变革，使其在当今信息数字化的市场游刃有余。

一、大数据背景的概述

(一)大数据背景的优势

大数据的时代为企业带来更多的机遇，促使企业更深层次的重视数据信息所反映的本质，深层次的挖掘数字信息的能量。经济全球化意味着我国企业不仅仅面临国内企业的竞争，更面临国外企业抢占市场的危机。面对国内市场一时涌入大量的数据信息，传统的企业财务管理水平已经不能应对现今的市场。企业财务部门需要更为高效、精确的处理大量数据信息的能力，企业领导根据数据信息所反映的现状，从而估测未来市场的发展趋势，结合企业自身的发展现状，选择最佳经营方案和正确决策，为企业更好、更快的发展创建良好的数据平台。

(二)大数据背景的劣势

大数据时代在为企业带来更多新机遇的同时，也为企业带来更多的新挑战。大数据时代在为人们带来便捷的同时，也对人们的隐私权提出挑战，企业财务管理收集信息时也经常会触及人们隐私权的问题。在这个时代中人们的隐私经常侵害，很多数据信息的采集都是为被人们许可，甚至有些组织直接出售人们的信息，直接侵害人们的隐私；除此之外企业在面临大量数据信息的时候，要意识到收集的数据信息也存在虚假信息或表面信息，其所得出的结果很有可能具有片面性，甚至是虚假性，很容易误导企业领导做出错误的决策。

(三)大数据背景对企业的要求

企业财务管理面临大量的数据信息，其应该意识到对于数据信息处理的工作不是一个部门或者传统的工作方式就可以胜任或解决。企业财务部门应该注重部门之间的协作，并对其数据信息的分析结果进行共享，促使企业各个部门对企业经营的现状有一个深刻认知，确保各个部门做出对企业最佳的决策，确保各个部门协作企业高层领导引导企；面对数据信息大爆发的现状，传统的企业财务管理已经不能应付庞大的数据信息。目前我国数据信息处理的方案仍处于探索的阶段，会计与估值方案应与科学技术巧妙结合，成功掌握市场的变动和发展趋势，财务人员应熟练掌握相关先进的会计软件和具备数据统计的工作能力，为企业创建完善的数据信息库。

二、大数据背景下企业财务管理面临的挑战与变革

(一)企业财务管理理论的挑战

企业财务管理理论主要是以非金融企业为主体，着重讲述财务理论与金融工具相结合对财务资源的统筹、组织与配置，实现财务资源的科学、合理、利率最大化的目标。现今大数据、互联网和云计算的市场经济环境为企业财务管理理论提出新的挑战，其包括现今财务管理理论是否符合当下的企业财务管理实践活动，股东价值的提升路径和财务风险评估的精确性和预测性，企业财务管理论框架完善性等。从企业财务管理理论与财务管理实践不相符的角度出发，使其财务学理论出现失误，这些挑战从侧面反映出企业财务管理需要创新与突破，消除其局限性和落后性的负面影响。

(二)大数据背景下企业财务管理体系的创新

大数据背景下企业感受来自国际上新技术、新理念、新突破等多方面的压力，为了促使我国企业财务管理赶上国际水平的大步伐，我国应该鼓励企业财务管理不断创新。目前我国一些大型企业已经意识到企业财务管理创新的重要性以及其研发的方向性。财务管理理论中“大司库”的新概念被人们提出，大司库是指利用管理统一、集中结算、多渠道融资、风险管理等方式对现金进行管理，降低企业金融风险和提高企业价值。以中国石油为例，其大司库项目的实施，从观念创新的角度分析是从资金集中管理到司库管理再到大司库管理。2000年中国石油实施资金的集中管理，实现规范资金收支、提高资金使用效率、降低资金成本、扩宽融资渠道等目标。随着我国经济飞速发展，资产的扩展和经济全球化的程度不断加深，显出资金集中管理的落后性和局限性、2009年提出建立司库项目，从之前的被动管理转变为主动管理、战略管理和超前管理。在大数据的背景下企业财务管理建立“大司库”体系，实现统筹管理金融资源和金融业务，并有效控制金融风险，促进企业更加适应大数据的时展。

三、大数据财务管理的要点

大数据背景下庞大的数据信息、高效的处理能力、不稳定等特征对企业财务管理提出更为严峻的要求，企业迎接新的挑战和发生巨大的变革，创建这个时代特有的“大数据财务管理”。

(一)企业价值内涵和驱动因素的变化

企业财务管理的最终目标是企业经济利益最大化。传统的财务管理经常将企业价值与市场价值混淆，造成企业财务管理以企业市场价值为参考依据。现代化的财务管理纠正企业价值的内涵，企业价值是企业实际利润、现金和净资产等因素共同决定。但是大数据背景下，国际股价与国内市场存在很大的差异，不能仅凭企业利润、现金和净资产来估算企业价值，还要对企业综合竞争能力、商业模式发展潜力、创新能力等多方面进行评估。这些评估需要根据企业筹资来源、资金投入，网络数据信息等方面的数据。利用大数据、互联网和云计算等深度挖掘数据信息的能量，为企业创造更大的价值，由此可知企业收集、处理和预测数据信息的能力是企业市场竞争的主要内容。

(二)大数据财务管理边界化的消除

大数据时代为企业数字化、网络化和智能化提供优良的发展环境。大数据时代的数据共享特征为企业总公司和子公司之间的信息共享与交流提供便利。企业内部的数据信息能够互通有无、整合归纳，使企业财务管理与企业项目联合统筹管理，模糊企业财务管理与项目管理的便捷，实现数据集中管理，是企业大数据管理的必要条件，也是企业现代化改革的主要内容之一。

(三)投资决策标准的变革

企业投资决策直接影响企业近期或长期企业的发展状态，因此企业必然要确保企业决策的正确性和前沿性。大数据背景下传统的投资项目评估法已经不能适应大数据时代的市场变动，货币的之间价值随之波动，很有可能造成企业决策的失误，尤其是现金流小和未来现金流不定的投资项目更不能选择这一评估标准。大数据和互联网实现现金流的全程监控，能高效获取精确的数据信息；其次是在大数据的背景下“现金流”少或未来现金流不定，企业根据企业资源来源与投资和发展前进的估算可以较为精确的确定现金流。

(四)企业财务风险管理的重新构建

企业财务管理中财务风险的有效控制是其管理的主要内容，实现风险评估和风险防控。显然传统的财务风险管理并不适应大数据下的企业发展。风险评估过程中企业上下级领导的交流由于权利的限制，沟通较为顺利，但是部门之间的交流存在一定的障碍，企业应利用大数据、互联网和云计算加强部门之间的沟通，并建立部门之间沟通的意识，真正发挥数据信息功共享的功能，为企业财务管理提供科学可靠的数据依据，有效预测以及评估企业项目风险。

四、结束语

综上所述，大数据时代具有大数据、互联网和云计算的标志性特征，在大数据背景下企业财务管理利用借助大数据的特征推动企业财务管理理论的完善，财务管理体系的创新，企业价值的重新定义，边界化的消除，投资标准的确定等方面的改进与完善。

参考文献：

[1]马美芳.大数据背景下企业财务管理的挑战与变革探讨[J].商.2015（45）

[2]汤谷良,张守文.大数据背景下企业财务管理的挑战与变革[J].财务研究,2015（1）

篇（6）

大数据作为一种有用的信息资源，在商业、金融等领域发挥着越来越重要作用，也逐渐成为社会科学的国际前沿应用研究内容之一。然而，在经济学领域，大数据还鲜少被用到（据统计，截至2014年12月，google中学术搜索到的与“大数据”有关的研究论文共3026篇，其中仅有29篇是和经济学相关）。但因海量经济数据资源的快速增长，计算技术和能力的不断提高，以及方法论的不断发展，将大数据分析技术运用于经济学已成为一个值得探讨的新课题。展望未来，由于经济学是一门理论与实践相结合的学科，将大数据应用于经济学，有可能会开辟一个全新的经济学发展领域。

一、大数据在经济学领域应用的基本原理

大数据在经济学中应用的基本思路以大样本数据统计与机器学习技术为基础。其中大样本统计的过程概括如下：用N个代入变量得出对应的N个测量结果与K个潜在的预测因子，比如：以居民消费价格CPI指数预测为例，首先通过GOOGLE数据搜索或其他软件，筛选出同CPI有关的一系列关键词（比如粮食产量、原油期货价格、气候温度、价格改革政策等），然后通过这些关键词在文本数据（新闻、微博、评论、研究报告、学术论文等）出现的时间频次，计算它们之间的相关关系和逻辑路径关系，从而得到测量结果N和预测因子K。在许多情形下，每一个代入变量的信息是足够丰富的，但不具有结构性，故可能会产生很多潜在预测因子，因此，需要注意的是：若是过度拟合，即预测因子K的个数可能会远远大于观测变量N的个数时，虽然模型可完美解释观测到的结果，但样本外数据的解释力却很差。在这种状况下，构造一个最大化样本解释力的模型便成为首要目标，同时构建的模型还不能出现因过度拟合所导致的样本外无力解释的情形。因模型构建不同，使用方法也随之改变，惩罚预测因子的过度使用方式也不同。如Lasso回归模型，在满足一系列约束条件下，依据最小化离差平方和来选择模型系数。通过将样本分为“训练样本”和“测试样本”（“训练样本”用来估计模型参数，“测试样本”用来评估模型）进行过度拟合。而在评估预测效果时，一般交叉使用样本内预测与过度拟合，但目前这种交叉验证的方法在当前的实证微观经济学中也鲜少用到。

机器学习的一个非常重要假设就是机器学习的环境是相对稳定的，也就是样本数据（训练样本与测试样本情形相同）独立产生于同一过程。但由于现实环境会随着时间发生改变，故这一假设并不合理，因此，在高频使用新数据的应用中，往往通过对自身持续“再训练”，从而使得模型可以随着时间与环境的变化对预测结果进行调整。当然，对于机器学习，有些经济学家提出了卢卡斯批判的疑问，即若根据模型的预测结果进行政策调整，则政策调整后的现实结果可能与初始模型的预测结果有差异，因为政策的改变会影响数据间的潜在行为关系，但这一疑问在其他预测模型，比如计量经济模型、结构方程模型和联立系统模型中也都存在。

二、大数据对经济学的影响及前景

如今，随着数据样本容量的急剧增加，使得大数据的使用方式不尽相同。作为一个规律性科学，经济学需要广泛、详细的数据，并运用统计技术来处理新型数据，大数据的出现可能会在社会学与计算机科学间构建一架桥梁，其学科价值可能在于创造新的思维方式，这将会导致对经济学的新思考和研究方法创新，甚至会带来分析经济学方法的质变。

一方面，由于多维度的精细间隔，大数据可以为经济学研究人员提供更多研究变量和视角，可以研究以前难以测度的行为理论，这为经济理论研究提供了一种全新的测量方法。例如：麻省理工大学助理教授Alberto Cavallo设计的“百万价格”项目，该项目旨在通过一个网络程序，获取网上物品价格，继而运用这些数据计算得出通胀指数，该通货膨胀指数就是阿根廷的精确透明通货膨胀指标，其实时价格数据的捕捉能力和准确度，使得该指标作为政府测量通胀的替代选择。又如，谷歌提供的请求式数据选择也提供了一个探索新机会的理由，目前一个备受瞩目的例子就是“及时预报”，在某些方面它可以通过庞大经济社会数据集进行短期精确预测。

篇（7）

一、征文范围

1. 新技术应用环境下信息安全等级保护技术：物联网、云计算、大数据、工控系统、移动接入网、下一代互联网（IPv6）等新技术、环境下的等级保护支撑技术，等级保护技术体系在新环境下的应用方法；

2. 关键基础设施信息安全保护技术：政府部门及金融、交通、电力、能源、通信、制造等重要行业网站、核心业务信息系统等安全威胁、隐患分析及防范措施；

3. 国内外信息安全管理政策与策略：信息安全管理政策和策略研究，信息安全管理体制和机制特点，信息安全管理标准发展对策，网络恐怖的特点、趋势、危害研究；

4. 信息安全预警与突发事件应急处置技术：攻击监测技术，态势感知预警技术，安全监测技术，安全事件响应技术，应急处置技术，灾难备份技术，恢复和跟踪技术，风险评估技术；

5. 信息安全等级保护建设技术：密码技术，可信计算技术，网络实名制等体系模型与构建技术，漏洞检测技术，网络监测与监管技术，网络身份认证技术，网络攻防技术，软件安全技术，信任体系研究；

6. 信息安全等级保护监管技术：用于支撑安全监测的数据采集、挖掘与分析技术，用于支撑安全监管的敏感数据发现与保护技术，安全态势评估技术，安全事件关联分析技术、安全绩效评估技术，电子数据取证和鉴定技术；

7. 信息安全等级保护测评技术：标准符合性检验技术，安全基准验证技术，源代码安全分析技术，逆向工程剖析技术，渗透测试技术，测评工具和测评方法；

8. 信息安全等级保护策略与机制：网络安全综合防控体系建设，重要信息系统的安全威胁与脆弱性分析，纵深防御策略，大数据安全保护策略，信息安全保障工作评价机制、应急响应机制、安全监测预警机制。

二、投稿要求

1. 来稿内容应属于作者的科研成果，数据真实、可靠，未公开发表过，引用他人成果已注明出处，署名无争议，论文摘要及全文不涉及保密内容；

2. 会议只接受以Word排版的电子稿件，稿件一般不超过5000字；

3. 稿件以Email方式发送到征稿邮箱；

4. 凡投稿文章被录用且未作特殊声明者，视为已同意授权出版；

5. 提交截止日期： 2014年5月25日。

三、联系方式

通信地址：北京市海淀区首都体育馆南路1号

邮编：100048

Email：.cn

联系人： 范博、王晨

联系电话：010-68773930，

篇（8）

金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。

互联网金融公司利用大数据进行风控时，都是利用多维度数据来识别借款人风险。同信用相关的数据越多地被用于借款人风险评估，借款人的信用风险就被揭示的更充分，信用评分就会更加客观，接近借款人实际风险。常用的互联网金融大数据风控方式有以下几种：

1 验证借款人身份

验证借款人身份的五因素认证是姓名、手机号、身份证号、银行卡号、家庭地址。企业可以借助国政通的数据来验证姓名、身份证号，借助银联数据来验证银行卡号和姓名，利用运营商数据来验证手机号、姓名、身份证号、家庭住址。

如果借款人是欺诈用户，这五个信息都可以买到。这个时候就需要进行人脸识别了，人脸识别等原理是调用国政通/公安局API接口，将申请人实时拍摄的照片/视频同客户预留在公安的身份证进行识别，通过人脸识别技术验证申请人是否是借款人本人。

2 分析提交的信息来识别欺诈

线上申请时，申请人会按照贷款公司的要求填写多维度信息例如户籍地址，居住地址，工作单位，单位电话，单位名称等。如果是欺诈用户，其填写的信息往往会出现一些规律，企业可根据异常填写记录来识别欺诈。例如填写不同城市居住小区名字相同、填写的不同城市，不同单位的电话相同、不同单位的地址街道相同、单位名称相同、甚至居住的楼层和号码都相同。还有一些填写假的小区、地址和单位名称以及电话等。

如果企业发现一些重复的信息和电话号码，申请人欺诈的可能性就会很高。

3 分析客户线上申请行为来识别欺诈

欺诈用户往往事先准备好用户基本信息，在申请过程中，快速进行填写，批量作业，在多家网站进行申请，通过提高申请量来获得更多的贷款。

企业可以借助于SDK或JS来采集申请人在各个环节的行为，计算客户阅读条款的时间，填写信息的时间，申请贷款的时间等，如果这些申请时间大大小于正常客户申请时间，例如填写地址信息小于2秒，阅读条款少于3秒钟，申请贷款低于20秒等。用户申请的时间也很关键，一般晚上11点以后申请贷款的申请人，欺诈比例和违约比例较高。

这些异常申请行为可能揭示申请人具有欺诈倾向，企业可以结合其他的信息来判断客户是否为欺诈用户。

4 利用黑名单和灰名单识别风险

互联网金融公司面临的主要风险为恶意欺诈，70%左右的信贷损失来源于申请人的恶意欺诈。客户逾期或者违约贷款中至少有30%左右可以收回，另外的一些可以通过催收公司进行催收，M2逾期的回收率在20%左右。

市场上有近百家的公司从事个人征信相关工作，其主要的商业模式是反欺诈识别，灰名单识别，以及客户征信评分。反欺诈识别中，重要的一个参考就是黑名单，市场上领先的大数据风控公司拥有将近1000万左右的黑名单，大部分黑名单是过去十多年积累下来的老赖名单。

5 利用移动设备数据识别欺诈

行为数据中一个比较特殊的就是移动设备数据反欺诈，公司可以利用移动设备的位置信息来验证客户提交的工作地和生活地是否真实，另外来可以根据设备安装的应用活跃来识别多头借贷风险。

欺诈用户一般会使用模拟器进行贷款申请，移动大数据可以识别出贷款人是否使用模拟器。欺诈用户也有一些典型特征，例如很多设备聚集在一个区域，一起申请贷款。欺诈用户还有可能不停更换SIM卡和手机，利用SIM卡和手机绑定时间和频次可以识别出部分欺诈用户。

6 利用司法信息评估风险

涉毒涉赌以及涉嫌治安处罚的人，其信用情况不是太好，特别是涉赌和涉毒人员，这些人是高风险人群，一旦获得贷款，其贷款用途不可控，贷款有可能不会得到偿还。寻找这些涉毒涉赌的嫌疑人，可以利用当地的公安数据，但是难度较大。也可以采用移动设备的位置信息来进行一定程度的识别。如果设备经常在半夜出现在赌博场所或赌博区域例如澳门，其申请人涉赌的风险就较高。

总结：总之，互联网金融的大数据风控采用了用户社会行为和社会属性数据，在一定程度上补充了传统风控数据维度不足的缺点，能够更加全面识别出欺诈客户，评价客户的风险水平。互联网金融企业通过分析申请人的社会行为数据来控制信用风险，将资金借给合格贷款人，保证资金的安全。

篇（9）

[中图分类号] F83 [文献标识码] A [文章编号] 2095-3437（2014）14-0029-02

一、背景

数据是与自然资源、人力资源一样重要的战略资源，其背后隐含着巨大的经济价值。近年来，“大数据”研究已经备受关注。[1]例如，2012年，美国政府在国内了“大数据”研究和《发展倡议》，投资约两亿美元发展大数据研究，用以强化国土安全、转变教育学习模式和进一步加速科学和工程领域的创新速度和水平。继1993年美国宣布“信息高速公路”计划后，这项决定标志着美国的又一次重大科技发展部署。美国政府认为“大数据”研究势必对未来的科技、经济等各领域的发展带来深远影响。在大数据应用的技术需求牵引下，数据科学研究和人才培养引起了各国的重视。美国哥伦比亚大学和纽约大学、澳大利亚悉尼科技大学、日本名古屋大学、韩国釜山国立大学等纷纷成立数据科学研究机构；美国加州大学伯克利分校和伊利诺伊大学香槟分校、英国邓迪大学等一大批高校开设了数据科学课程。

二、机器学习理论

机器学习（machine learning）是继专家系统之后人工智能应用的又一重要研究内容，在某种意义上，机器学习或将认为是数据挖掘的同义词。数据挖掘是指有组织、有目的地收集数据、分析数据，从海量数据中寻找潜在规律，并使之为决策规划提供有价值信息的技术。机器学习是人工智能的核心部分，在金融、工业、商业、互联网以及航天等各个领域均发挥着重要的作用。对机器学习研究的进展，必将对人工智能、数据挖掘领域的发展具有深远影响。

机器学习方法主要包括：Exper System（专家系统）、K-Nearest Neighbor（K近邻算法）、Decision Tree（决策树）、Neural Net（神经网络）、Support Vector Machine（支持向量机）、Cluster Analysis（聚类分析）等。近几年，研究人员将遗传算法、神经网络、系统理论以及当代数学研究的最新进展，应用于金融领域。这使得金融领域数据挖掘在金融管理中备受青睐。例如，产品定价、金融风险管理、投资决策甚至金融监管都越来越重视金融数据挖掘，通过数据挖掘发现金融市场发展的潜在规律与发展动态。机器学习理论及其在金融领域的应用成为了一个比较热的研究领域。[2] [3]

三、金融数据的特点

在众多机器学习方法中，基于Logistic回归、判别分析等传统的统计方法，对金融模型假定条件非常严格，在实际应用中很难达到理想效果。其原因在于对金融数据的非线性和非平稳性的操作具有片面局限性，在实际处理金融数据时，既定假设与金融市场发展实际并不完全一致，这样可能会影响模型的推广能力和泛化能力。

基于分类树方法、K-近邻判别分析、遗传算法等传统的非参数统计方法，其预测能力较好，但不能量化解释指标的程度。例如，K-近邻判别分析是一种非参数距离学习方法，通常按照数据样本之间的距离或相关系数进行度量，这样会受到少数异常数据点的影响。但是，在相同样本容量下，如果对于具体问题确实存在特定参数模型可以应用时，非参数方法效率相对较低。以神经网络、支持向量机等为典型的机器学习方法，优点在于可以有效处理金融数据的非线性特性，并且不需要事先严格的统计假设，这样会表现出较强的适应效果，充分体现人工智能、机器学习等方法的魅力。神经网络预测精度是各种机器学习方法中相对较好的，因为在一定程度上，神经网络可以按照任意精度近似非线性函数，为高度非线性问题的建模和算法提供相应支持。尽管神经网络技术进步有目共睹，但仍然存在一些难题。例如，通常难以确定隐层节点数，并会存在“过学习”现象和局部极小值等问题。

四、支持向量机

传统的统计模式识别方法是在样本数目足够多的情况下进行的，但是样本数目足够多在实际问题里面往往难以保证。1968年Vapnik等人首次提出了统计学习理论，专门从事有限样本情况下机器学习规律的研究。在此基础上，1995年Vapnik等人首先提出支持向量机（Support Vector Machine，简称SVM）的学习方法，它是数据挖掘中的一项新的技术。SVM是机器学习研究领域的一项重大成果，主要研究如何根据有限学习样本进行模式识别和回归预测，使在对未知样本的估计过程中，期望风险最小。近年来，它被广泛地应用于统计分类以及回归分析中。近几年的研究成果表明，SVM在实用算法研究、设计和实现方面已取得丰硕的成果，其在理论研究和算法实现方面都有突破性进展，逐渐开始成为克服维数灾难和过学习等传统问题的有力手段。支持向量机可以成功处理回归分析和模式识别等诸多问题，并可推广于预测和综合评价等领域，因此可应用于管理、经济等多种学科。支持向量机属于一般化线性分类器，可以认为是提克洛夫规则化（Tikhonov Regularization）方法的一个特例，其特点是他们能够同时最小化经验误差与最大化几何边缘区。支持向量机的优点表现在：1.它通过使用结构风险最小化代替传统的经验风险最小化，使用满足Mercer 条件的核函数，把输入空间的数据变换到高维的Hilbert 空间，将向量映射到一个更高维的空间里。在这个空间里建立有一个最大间隔超平面，实现了由输入空间中的非线性分析到Hilbert 空间中的线性分析。2.训练的复杂度与输入空间的维数无关，只与训练的样本数目有关。3.稀疏性。决定最大间隔超平面的只是少数向量――支持向量，就推广能力方面而言， 较少的支持向量数在统计意义上对应好的推广能力。4.本质上，SVM算法是一个二次优化问题，能保证所得到的解是全局最优的解。综上所述，SVM在一定程度上解决了以往困扰机器学习方法的很多问题，例如，模型选择与“过学习”问题、非线性和高维小样本等维数灾难问题、局部极小问题等。[4]正是由于SVM具有完备的理论基础和出色的应用表现，使其在解决高维小样本、非线性、压缩感知以及高维模式识别问题中表现出独特的优势，正成为自神经网络之后，机器学习领域中新的研究热点之一。[5] [6]

同其他机器学习方法比较，支持向量机更具严密的理论基础，因而在模型表现上也略胜一筹，被成功应用于模式分类、非线性回归，从使用效果来看，其结果较为理想。但从实践角度分析来看，模型参数的选择过度依赖人们的实验方法和实践技能，在一定程度上降低了模型的推广泛化能力和应用领域。同时计算方面，训练时间过长、核参数的确定，在大训练样本情况下， SVM面临着维数灾难，甚至会由于内存的限制导致无法训练。目前支持向量机在金融数据挖掘方面也存在一定的局限性，主要表现以下几方面：动态适应性、鲁棒性、特征变量异质性调整、模型推广精度等不尽如人意；建模方法与技术还有待进一步完善；支持向量机研究金融数据挖掘和金融问题的成果虽然不少，但大多集中在股票价格和股票市场走势预测方面，关于公司财务危机预测、套期保值分析、金融市场连接机制分析及其创新成果方面有待加强。

五、结论

大数据时代下金融专业的数学重在以下方面的应用：深度学习（Deep Learning）、机器学习和数据挖掘、分布式计算，如MR、Hadoop等，在大数据中预测最先取得突破的技术环节将会是分析中的大数据挖掘与关联分析、存储结构和系统、数据采集和数据化。目前金融问题的研究方向和发展趋势，主要集中在计量经济方法，例如，格兰杰因果分析、向量自回归、条件异方差、随机波动分析等。这些计量经济方法和技术大部分使用了线性技术，以及与金融市场不太吻合的理论假设，基于这些方法的结果，例如，资产预测价格、发展动态以及风险评估结果和实际出入较大，影响了金融管理的效率。对于我们大学教师来说，如何将已有分析数据算法整合，让学生抓住重点，挖掘到比较可靠的信息或知识，都将成为金融专业数学研究的方向和目标。

[ 注 释 ]

[1] Anand Rajaraman Jeffrey David Ullman.大数据――互联网大规模数据挖掘与分布式处理[M].北京：人民邮电出版社，2012.

[2] Kumar， P.R. and Ravi， V. 2007. Bankruptcy prediction in banks and firms via statistical and intelligent techniques-a review. European Journal of Operational Research， 180（1）：1-28.

[3] M. Oet， R. Eiben， T. Bianco，D.Gramlich， S. Ong， and J.Wang，“SAFE： an early warning system for systemic banking risk，”in Proceedings of the 24th Australasian Finance and BankingConference， SSRN， 2011.

篇（10）

[6] 全球商业价值研究院.全新的价值整合者――全球CFO调研洞察[EB/OL]..

[7] 江虹晓.信托投资公司全面风险管理风险关键点控制方案研究[D].济南：山东大学硕士论文，2010-03-24.

[8] 张岩.国际工程项目全面风险管理研究[D].西安建筑科技大学硕士论文，2009-06-01.

[9] IBM全球CFO研究.半数企业未准备好应对重大风险[EB/ OL].[2007-10-31]..

[11] 范晓东.企业财务风险管理浅析[J].武汉：当代经济（下半月），2007（10）.

[12] 沈永伟.基于出口企业构建风险管理体系的研究[D].北京：中央财经大学硕士论文，2010.