Page 30 - 金融科技视界2022-10期

Technical Tracking
技术追踪

保（英格兰银行，2019；Bholat等
人，2020）。所谓的“替代数据”
既包括非传统的金融数据，如消
费者的Netflix和租金支付，也包

括非金融数据。后者包括消费者
的社交媒体活动、手机使用情况、
健康健身活动、零售和在线浏览

行为，甚至包括消费者如何与贷款
人网站互动的数据（Berg等人，
2019）。与传统的信贷数据相比，
替 代 性 数 据通常结 构 化 程 度 较
低，功能更丰富（“高维度”）。

前的金融科技时代，即金融科技 消费者金融隐私的演变和监管非 人工智能驱动的金融对消费
2.0。金融科技2.0最早的创新是电 常突出。随着社会变得越来越网 者金融隐私的工具性目标的影响
子支付和移动货币，由PayPal和 络化、数字化和数据化（Mayer- 更加微妙。一方面，人工智能驱动

M-Pesa等平台率先推出。2008 Schönberger & Cukier，2013）， 的金融支持消费者金融隐私的工
年全球金融危机后，主流银行贷 消费者产生的数据量成倍增长。 具性目标；即保护消费者免受伤
款人的贷款收缩，为新技术主导 数据存储能力、计算能力和处理 害并最终支持他们的自主权。如
的金融初创企业的出现提供了动 速度也有了明显的提高，特别是由 前所述，使用替代数据和ML技术
力，特别是P2P贷款平台（Arner 于图形处理单元被重新用于ML 进行信用评分可以促进对消费者

等人，2 015；FSB，2 017）。现 模型（Marcus & Davies 2019， 信用度的更准确评估。这已被证
在，金融科技范式囊括了广泛的 p.43），以 及更强 大、更高效的 明可以减少消费者贷款中的（直
实体、产品、商业模式和监管安 ML优化芯片的开发，如谷歌的张 接）歧视（Bartlett等人，2019

排（F SB，2 017）。这包 括 大 科 量处理单元，这些技术的发展使 年），并改善某些消费者的信贷获
技公司，如 苹 果 和 阿里巴巴 /蚂 得更 大、更精确的ML模型得以 得（Jagtiani & Lemieux，2019
蚁金服，它们正在迅速扩大其消 建立，特别是深度学习（DL）模型 年）。改善获得可负担信贷的机
费金融产品（Frost等人，2019； （LeCun等，2015）。虽然ML方 会可以增强自主性（Aggarwal，
Zetsche等人，2017）。它还包括 法在理论上也有进步，但大多数基 2021a）。

越来越依赖数字技术的传统银行 本方法都是几十年前开发的直到 这些好处 对于“薄档案”或
和金融机构，并与金融科技初创 最近，它们还缺少为其提供动力的 “信用隐形”的消费者来说可能是
公司和大科技公司合作提供金融 数据和硬件（Goodfellow等人， 最大的（Brevoort等人，2015年；

服务（Aggarwal，2021b）。 2015，第12-22页）。 Experian，2021年），他们缺乏强
金融科技2.0下的一个关键趋 数据分析，特别是使用人工 大的信用历史，因此传统的信用评
势是越来越多地使用数据分析， 智能/ML和替代数据，正在消费 分技术对他们的信用度预测不太
特别是使用人工智能/ML方法和 金融领域被广泛采用，从金融营 有效。从这个角度来看，即使（金
“替代数据”来实现消费者金融 销、客户身份验证、反洗钱/欺诈 融）消费者不太能够理解和/或控

服务的个性化和自动化，这对于 控制到金融咨询、信用评分和承 制人工智能/ML模型对他们产生

28 金融科技视界