征信路漫漫 ,“类”金控平台的征信现状、实例

138 篇文章 1 订阅
136 篇文章 1 订阅

1.金控平台的产生

时下国内金控平台的成立用忽如一夜春风来,千树万数梨花开来形容绝不为过。民营的、央企的、互联网的、产业的,纷纷高举普惠金融一带一路大数据创新产融结合等理念大旗杀入金融领域。难怪有人说,当今再牛的实业大佬也抵挡不住金融诱惑

        究其原因,可以讲出几本书的大道理,诸如经济周期、企业转型、国内金融放开、民营经济融资难等等。而市场上大家看到的是,只要有点规模或关系的公司都在不遗余力地追逐着一行三会所管制的各种金融牌照

        “民营的申请银行牌照,央企的就要有保险牌照,互联网的钟爱第三方支付牌照,产业的实在不行就先弄个金融租赁的牌照撑撑场面。虽说征信牌照难产的厉害,但也阻挡不了各家申请的决心。当然,有底气的大佬们纷纷表示,只要是金融牌照我全都要所以当这些金融牌照越集约多时,金控平台自然而然就产生了。

2.“类”金控平台的故事

关于到底何为金融企业,国家是有明文规定的。 2015923日,一行三会和国家统计局印发了《金融业企业划型标准规定》的通知(银发〔2015309号),目前金融行业分类采取复合分类法,具体可参见上述发文。


 “类金融”这个概念近年来被提到的越来越多了,原因也许是互联网金融的兴起,也许是“影子银行”的余波。 这里姑且认为,凡是非一行三会监管的金融企业开展的业务,能达到金融企业同样功效的企业就是“类金融”企业,主要包括:(互联网)小贷、商业保理、融资租赁、融资担保等类型的企业。这类企业往往由当地金融办或商务厅来审批,所以很多“搞不定”一行三会金融牌照的企业,往往会申请一堆这种“类金融”的“牌照”,从而形成了非常多的“类”金控平台或某某金融平台。今天的征信故事说的就是这样一家“类”金控平台。别小瞧这种平台呦,背后的集团往往都是些500强的大公司...
3.征信:消金“向左”、供应链金融“向右”
 “类”金控平台的成立,一定有着背后集团的战略意图,如果是为“消费服务”提供金融支持的,由于要面向终端消费者,金融产品的形态也以面向C端为主,征信也往往以互联网行为、大数据征信概念为主;如果是为“生产服务”提供金融支持的,由于以面向供应链的上下游为主,金融的产品形态也以面向B端为主,征信也往往以对接企业ERP、交易数据的供应链征信概念为主。
4.“类”金控平台征信各种难
征信圈一直认为, 目前国内真正有金融价值的征信产品只有央行征信中心的信用报告及其它增值产品。而“类”金控平台的构成企业(小贷、保理、租赁等)大多数还没有能够接入央行征信系统,金融风控能力天然处于弱势。
        对于面向C端用户的平台而言,合规、黑产、个人信息保护等因素更加剧了征信的难度,大数据征信的“效果”也越来越多地受到从监管层、到市场的全面“关注”。
        对于面向B端用户的平台而言,供应链上下游小企业信息化程度、核心企业客户信息安全性、包括企业从上到下对征信的认知,也都会给征信带来更多的“挑战”。
5.“类”金控平台征信实例
征信圈接触过某个500强企业成立的金控平台,由小贷、保理、租赁、担保等实体构成,为集团上下游企业提供金融服务。 由于成立不久,且定位为供应链金融,主要服务集团体系内的小微企业,涉及个人业务较少,各类金融业务并未大规模开展,目前最大的业务是为上游供应商提供保理融资,各类资产规模不足10亿。
        由于是传统行业转型做金融,整个平台还在为做大资产规模而努力,征信作为未来金融核心基础设施这个概念在平台各个层面都没有得到重视。
        管理层方面,虽然管理层也想让平台“粘上”些Fintech的“仙气”,而愿意大谈区块链、去中心化的话题,但对征信的认识、重视其实很有限。
        监管对接方面,由于是“类”金融,平日里就是和当地金融办、商务厅交流,还没有和一行三会这种真正的金融监管机构打交道的经验,甚至一度认为办理央行征信系统接入等事宜也要找当地商务厅审批。
        业务风控方面,由于公司的金融业务目前还主要局限在集团体系内的保理,所以理论上对征信没有迫切要求。 风控主要还是关注集团对应收账款的确认,央行征信报告也就是让企业自行提供,象征性的看看报告有没有严重逾期,有无涉及法律诉讼等。严格意义上,其实做的是“反向保理”业务,央行征信报告也不是必须的。
        人才方面,拓展多元化的资产业务,做大规模是每个金控平台的“必修课”,所以平台也面临着拓展个人业务的要求。但人员构成方面,现有的业务是传统“地推”、风控以“对公”评审报告模式为主,在线业务系统上线“遥遥无期”,无法实现快速审批、放款。甚至出现了,批量个人借贷请求报送后,风控直接以“没有能力”审批为由,无法批准的尴尬场景。
最后,黑格科技提醒您:征信是金融的基础设施,今天的征信又是集金融、数据、技术于一身的热点,各种模式创新的声音不绝于耳。可“远在天边”的概念,必须成为“近在眼前”的设施才有用,而黑格科技看到的是:征信路漫漫,问题何其多...

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值