前言：中文期刊网精心挑选了市场风险数据分析范文供你参考和学习，希望我们的参考范文能激发你的文章创作灵感，欢迎阅读。
市场风险数据分析范文1
（一）定性分析
1.优势分析。商业银行在多年发展中，拥有广大的客户群体，积累了客户基本资料、客户交易、客户存贷款等大量数据。在大数据时代，商业银行凭借其雄厚的资本，可以建立大数据服务器等设备，将这些传统数据与其他来源数据进行整合，数据分析人员通过云计算等技术手段挖掘出有价值的信息，从各个角度分析客户需求以及识别信贷风险，从而有助于商业银行更加科学地评价经营业绩、评估业务风险、配置全行资源，引导银行业务科学健康发展。
2.劣势分析。在现有的银行交易系统中，客户的身份证、交易流水等大量信息已被银行掌握，但缺少如客户的家庭情况、收入状况、消费习惯、兴趣爱好等其他方面的信息。另外，目前小微企业客户信息以及商业银行的产业链客户信息也比较缺乏，直接影响着银行对这些客户提供金融服务的水平。再者，大数据时代下，需要金融专业人才和数据分析人才相互配合，才能充分挖掘数据价值，但数据分析人员较为匮乏也将成为商业银行的软肋。
3.机会分析。刚刚进入大数据时代，商业银行应率先构架大数据战略体系，制定大数据发展战略，突破同质性，实施差异化业务发展战略，从而赢得先机。如果大数据获得成功应用，将为银行创造先发竞争优势，使银行决策从“经验依赖”向“数据依据”转化，打造不可复制的核心竞争力。“数据—信息—商业智能”将逐步成为银行定量化、精细化管理的发展路线，数据分析也将成为其风险防控的法宝。
4.威胁分析。大数据在给商业银行带来前所未有的机遇的同时，也给其带来了诸多威胁，例如大数据存在的风险、网络安全、数据失真等。在大数据开发利用过程中，云计算技术将会得到广泛应用。但是云计算将数据存入云端，而云端往往是由第三方服务器实现存取的，如果第三方将数据泄露，将会给银行带来极大的风险。另外，互联网金融正在颠覆着传统的金融模式，网商具有活跃的交易记录和巨大的金融需求，但商业银行很难开发到这些客户，将给银行带来挑战。
（二）定量分析
除了对大数据时代商业银行信用风险管理面临的内外部环境进行定性分析外，还可以进行定量分析。具体思路为：
①确定包括优势与劣势、机会和威胁等多于10个的内外部环境因素；
②利用主观赋权法、客观赋权法、层次分析法（AHP法）等任一方法确定各因素的权重；
③给各个因素打分，分值范围为1到5分，评分越高说明因素越重要；
④将各个因素的权重与得分相乘，从而最终计算出各个因素的加权分数；
⑤各个因素加权分数计算代数和得出公司的总加权分数，然后根据分数进行判断。某商业银行内外环境分析如附表所示。由附表可以看出，该银行外部机会大于外部威胁，内部优势大于内部劣势，应抓住大数据带来的机遇，充分利用信息技术，更加科学地评估业务风险、配置全行资源，引导银行业务科学健康发展。
二、基于大数据的商业银行征信系统构建
目前，我们已经进入了大数据时代，由于大数据包含的信息量大而且非常复杂，传统的系统已不能满足银行新的分析需求，有必要建立一个统一的数据环境，构建大数据的商业银行征信系统，采取新分析算法，搭建大数据跨业务的统一应用平台，从而满足银行精细化管理、差异化服务、提升风险分析能力的需求。
（一）大数据时代商业银行征信系统概述
在金融交易安全日益突出的今天，如何迅速、有效地发现各类欺诈行为，对保证商业银行的正常运作和国家人民财产安全都显得十分重要。商业银行征信系统要针对信贷风险防控工作的实际特点，通过客户交易信息以及客户其他信息收集来加强客户信用风险监测。系统总体见附图。附表某商业银行内外环境分析内部环境评分权重加权分外部环境评分权重加权分⑴整体竞争优势明显；30.100.30⑴云计算的快速发展；50.150.75⑵良好的客户群体；50.150.75⑵数据来源多样化；50.251.25⑶资本雄厚，有能力建立大数据库；40.050.20⑶科技发展为数据应用提供支持；40.200.80⑷拥有专业客户人才；30.200.60⑷精准评估业务风险；40.251.00⑸良好的内控环境；50.251.20⑸先入为主的机会；40.150.60优势⑹丰富的风险防控经验；50.251.25机会⑹精细化管理的趋势。40.100.40小计1.004.30小计1.004.80⑴缺乏个人客户基本信息；-30.25-0.75⑴网商的竞争；-50.3-1.50⑵缺乏小微企业基本信息；-30.20-0.60⑵大数据安全风险；-50.25-1.25⑶缺少产业链客户的信息；-40.20-0.80⑶网络安全面临挑战；-30.2-0.60⑷缺乏专业的数据分析人才；-30.10-0.30⑷外部风险事件的影响；-30.15-0.45⑸缺乏非结构化数据收集能力；-50.15-0.75⑸外部风险来源多样化。-30.1-0.30劣势⑹商业运营模式面临变革。-30.10-0.30威胁小计1.00-3.50小计1.00-4.10优势劣势合计0.80机会威胁合计0.70系统将从海量数据中提取出有关联的数据信息，以发现潜在或已知的风险，系统将数据仓库、模型库、知识推理、人机交互四者有机地结合起来，充分发挥数据挖掘的作用，通过建立风险评估模型较好地处理数据资源中存在的模糊性和随机性，在成熟的模式识别技术和智能分析技术的辅助下，对银行业务的全方位、多角度的可靠性分析和风险评估，有助于商业银行实施全面风险管理体系，从而进一步提高融资、贷款、授信等方面的风险评估、监控水平。
（二）大数据时代商业银行征信系统工作原理
1.数据原料。数据原料是商业银行风险防控中的关键一环，它直接影响到数据挖掘的效率、精准度以及所得模式的有效性。目前，商业银行针对客户资料和消费记录都建立了功能庞大的消费市场数据库系统，在以大数据引领、以智能化为核心的产业变革时代，银行要真正将数据作为风险控制的源点，有效整合来自银行网点、PC、移动终端设备、社交网络、征信机构等传来的结构化和非结构化的海量数据，既要获取常规渠道的数据，又要收集社会化媒体数据，真正将数据作为战略性资产，实现从管控风险向经营风险方向的转型。
2.数据工厂。数据工厂是利用数据挖掘理论与技术将数据中潜在的、有用的模式搜索出来，是整个征信系统最为关键的一步，也是技术难点。在数据工厂中，系统通过数据抽取工具、数据集成工具、数据过滤工具、数据挖掘工具以及模式评估工具等，从海量数据原料中提取辅助决策的关键性数据，并经过归纳总结、推理、分析数据，利用数据挖掘中分类、聚类、偏差检测、概念分析、异类分析、关联分析、时序演变分析和元数据挖掘等功能，完成对银行信用风险控制、银行市场风险评估和银行操作风险评估，从而帮助决策者对信息预测和决策起作用。
3.数据产品。数据工厂最终的结果是数据产品，把所有最终经挖掘发现的知识直观地通过可视化技术展示给商业银行，以帮助其理解和解释数据挖掘的结果，控制信贷风险。这些数据结果既包括传统的诸如违约率、违约损失率、违约暴露和违约期限等客户信用信息，也包括客户的其它方面的信用记录、客户的信用评级以及对市场风险的评估。当然，整个数据挖掘过程是一个不断反馈、循环往复的过程，信用评级结果也是动态变化的。
4.数据应用。经过数据挖掘得出的风险评估结果为商业银行评估信贷业务的风险和收益情况提供了量化工具，改变了单纯被动信用风险管理模式。在此背景下，商业银行应规范贷款审批标准和审批程序，优化金融信用监控机制，完善组织架构和规章制度，实施风险动态防控，使信贷风险管理体系健康运行。
三、大数据时代商业银行信用风险管理应注意的问题
在“大数据”时代，商业银行面临着信用风险防控的新形势，要积极做好如下应对工作。
（一）风险意识要思维开放
商业银行在进行风险预测时，需要考量政策、人为的操作风险、市场环境等等众多因素，但现有的技术水平难以支撑挖掘大数据的商业价值。因此，商业银行需要具备一种像互联网一样的开放式思维，建立分析数据的习惯，重视“大数据”开发利用，关注与风险预测高度相关的大数据信息，如客户的基础信息（如客户开立账户时留存的住址、年龄、从事行业、性别等等）、客户交易信息（如客户在ATM机上的存取款情况、使用银行卡、购买理财、使用其他业务的记录等等）、外部的信息（从互联网、电信运营商、证券交易所等处挖掘来的有关信息）等，用数据说话，从而提高不确定风险的预测水平。
（二）数据整合要注重质量
大数据很多时候是从一种非传统的角度去分析、挖掘、利用数据价值的思路。由于数据来源庞杂广泛，需要不断利用技术创新去挖掘利用大数据的价值，再加上数据之间的关联性很强，商业银行应建立自己的数据地图，整合银行内部数据和大数据链上的其它外部数据，坚持做到数据要依照标准化采集，确保数据来源真实可靠，杜绝以假乱真；同时构建专门的数据分析方法和使用体系，对数据进行规范化处理，并严格按照国家法律法规进行使用，从而确保数据质量，提高数据应用性。
（三）系统建设要高屋建瓴
市场风险数据分析范文2
关键词：云金融；商业风险；互联网金融；预警管理
解析互联网金融的商业风险整体分析互联网金融风险。按照《巴塞尔协议》内有关全面风险管理的要求，借鉴国际上的有益经验，本文将互联网风险划分为上文所提到的三种类型风险。其中政策法律风险细分成了国家、行业和机构等层面，商业风险主要有市场、信誉和操作等风险，技术分为安全和技术选择风险，如图1所示。解析基于业务平台的互联网金融商业风险。从上述分析得知，互联网金融主要被分成了三大平台，分别是业务、管理和协作三大平台。互联网金融资金需求的双方在业务平台上撮合成交；通过国家管理者、行业管理者以及互联网企业各分支机构对其实行各层监管，上述各监管组成了互联网金融管理平台；软硬件开发维护者及网络服务商主要担任协作业务及管理平台的运营，他构成了互联网金融融资类的业务协作平台。在业务层，资金融通双方都面对了商业风险。一是市场风险。互联网金融市场风险主要是由利率和流动风险组成。互联网风险一方面会受到行业监管、行业分化和行业竞争等的影响，另外还会遭受央行货币政策刺激，两者同时加剧了利率风险。互联网金融机构一般会发挥资金周转的作用，沉淀资金有可能会在第三方中介滞留两天至两周的时间，不具备有效的担保及监管，很容易会出现资金挪用的情况，若是缺少流动性监管或出现资金链的断裂，必然会导致支付危机的出现。另外不断出现的互联网金融业务平台也会上限，不具备用户优势的平台将会借助提升利率和缩短投资期限的形式来吸引投资者加盟，这就必然会引起平台流动性风险，并且很多用户在平台跑路消息报道的基础上，针对平台的投资仅仅限于打新投资，这显然会提升互联网金融的流动性风险。二是信誉风险。信誉风险就主体划分，主要分为自然人信贷风险及企业信贷风险两种。自然人信贷风险主要是指自然人违约，其出现违约主要是由于其抗风险的能力较弱进而出现了道德问题。自然人信贷风险主要是由于借款人的经济情况具有不确定性，尤其是该种借贷用在了生产经营商。互联网金融业务内会牵涉到大量的自然人信贷范畴，由自然人承担对应的偿还义务，但是自然人的经营状况、身体健康情况和消费习惯等都会引起还款风险。另外自然人借款人的个人观念及道德问题都会造成违约风险。企业信贷风险和自然人借款人的动机以及偿债能力的影响因素存在较大的差异。通常企业借款人主观上恶意不按时清偿债务可能性较低，对比之下，由于经济实力、行业发展和经营状况等因素导致的资金短缺更加容易使其违约。因此在对信誉风险实施评价时，自然人信用风险要更侧重对其偿还意愿的评估，但是企业借款人信用风险的评估则更加侧重对其偿还能力的评估。三是操作风险。互联网金融操作风险主要指的是互联网金融的活动内，由于人员匮乏、内部流程制定不当或是实施失败以及系统不足所造成的直接性或间接性损失的可能性。目前用户数据、用户操作行为数据、交易数据、文本数据等大数据系统出现交织，由于没有通过授权方位、系统退化、雇员欺诈、服务提供商风险和客户安全保护意识较低等交易内，操作风险正是来自这些繁琐和复杂的数据系统行为的结合内。依据操作风险的不同来源，可以划分为内部操作风险及外部操作风险两种。内部操作风险主要因为绩效考评、审计监管及内部控制等多方面的互联网金融企业内部因素所引发；外部操作风险主要是因为私人泄露、钓鱼网站的盛行等外部因素引起的。追究其根本原因就是在于大数据，互联网金融企业对用户注册无法实现有效管理，并且不能很好地分析和管理交易中出现的大数据，另外是否可以合理地对各种数据进行保存也是当前互联网金融企业迫切需要解决的问题。互联网金融商业风险特点。一是扩散速度快，破坏力强大。传统银行业务通常是通过纸质或是银行内部系统来操作，一旦出现了错误，是有充分的时间查找、连接并且追回损失的。但是包含了交易数据、用户操作行为数据和用户数据及文本数据等大量数据的云金融为载体的互联网金融，一旦出现了问题或是差错，将会难以立刻纠正，并且互联网金融业务运作速度飞快，等到发现问题后再拦截和追讨损失基本无望。二是风险会交叉传染。一方面互联网金融业务平台内包含了融资类、支付类和理财类业务，业务相互之间存在交叉性；此外互联网金融商业风险内的市场风险、信誉风险和操作风险就像是多米诺骨牌，一旦一个出现风险将会引发一系列的风险。三是很难区分风险责任。互联网金融办理的过程一般都会涉及到外包商、电力和电信等其他多种合作方式，因此一旦某个方面出现了服务终端、客户信息泄露和系统崩溃，将会直接对互联网金融企业造成极大的损失，并且难以对责任实行区分。责任不能区分的直接结果就是一旦发生了损失，将难以对有关方的损失赔付进行明确。
互联网金融的风险预警系统
数据作为中心的体系设计原则。互联网金融风险预警系统设计内必须要遵循下面几点：一是系统性原则。互联网金融风险预警系统属于一个针对互联网金融风险实行检测、预测和预警的系统，是大型的体系，该体系内包含了互联网金融行业的所有，因此建立该系统时必须要考虑每一个用户和金融产品的提供者等全部参与到金融活动内的人的利益，同时还要实行系统性建设。二是时效性原则。互联网金融行业最大的特点是高速，充分体现了互联网金融活性具有的及时性特点，因此在实行互联网金融风险预警系统的建设中，必须要实时防范并且及时处理，确保可以及时判断风险和快速应对，避免造成太多损失。三是科学性原则。在预警系统的建立中要确保科学性，保障系统可以准确对金融风险实行判断，防止对金融风险作出错误估计，最终导致不必要损失。将数据当做中心系统层级。在互联网金融预警系统内存在以下几层：一是数据管理层。预警系统主要是基于数据建立的，对此必须要建立和健全系统对数据的管理机制，建设和企业规模相适应的数据管理中心，便于对数据的收集、整理、加工和存储。而且在数据中心还要实行管理过程内确保数据的准确性、完整性及安全性。二是数据整合层。风险预警系统的最主要任务是要通过分析互联网金融行业内的海量数据，进而实现对其中风险的语境，这就必须要系统地对金融风险存在更为透彻的认识，自金融风险的定义出发，重新整合和分析数据，进而提取出有用的信息，信息整合能够很好地保证信息的准确性及可靠性，数据提取层主要是整合及提取数据。三是数据分析层。数据分析层主要是分析数据，判定数据的风险。这就要保证系统具有完备的智能性。四是数据的解释层，数据解释层是对风险的解释，更加准确地来讲就是通过风险和企业现状结合得出分析结果，其中包含了风险的可靠性、危险度、产生根源和处理方法。
建立互联网金融风险预警模式
（一）风险预警设计思路
在上述分析的基础上，针对定性风险评估指标使用模糊综合评价法对其实行量化，对互联网金融商业风险进行测度。依据选择的权重系数测定互联网金融商业风险预警综合评分值，依据设定的预警区域范围来确定互联网金融的风险预警区域，从而选择互联网金融商业风险的相应策略权重系数的选择在风险测度内是最关键的问题，对市场风险、信誉风险及操作风险实施分别测度中，须确定各个具体指标的权重系数问题；另外就是互联网金融商业风险预警评分值测度过程内的市场风险、操作风险以及信誉风险分别权重系数确定的问题。
（二）构建互联网金融风险预警指标体系
在业务平台基础上的互联网金融商业风险主要被分成了市场、信誉和操作风险三个维度，而且各个维度的风险有着丰富的含义，很难使用单一指标来客观描述。为了使得评价指标变为更精准，本文使用主客观结合的方式设计互联网金融三个维度的商业风险。 针对定量指标，笔者结合有关学者的研究成果和银行体系定量指标来计算，最终对定性指标使用问卷调查的方式，结合模糊综合评价方法得到最终对应的评分值。
（三）建立互联网金融商业风险预警
通过假设互联网金融商业风险内各变量间均是相互影响并且相互作用的，建立互联网金融业风险的结构方程模型，并且对上述指标之间的关系进行检验。互联网金融商业风险的三维关系假设主要为：H1：市场风险防控对互联网金融商业风险的预警防控的直接正影响；H2：信誉风险防控对互联网金融商业风险预警防控的直接正影响；H3：操作风险防控对互联网金融商业风险预警的直接正影响；H4：市场风险防控及信誉风险防控的直接双向正关系；H5：市场风险防控及操作风险防控的直接双向正关系；H6：信誉风险防控及操作防控间的直接双向正关系；H7：市场风险防控依赖各种要素不受信誉风险及操作风险防控影响；H8：操作风险防控依赖的各要素不会受市场和信誉风险防控影响；H9：信誉风险防控依赖的各要素不会受市场和操作风险防控影响；H10：除市场、操作和信誉风险以外的其他因素都是残差项。划分衡量互联网金融商业风险的指标为：一是互联网金融机构个体的指标，包含财务健康情况及机构规模；二是互联网金融整体指标，包含了信贷质量、资产规模、资产及负债匹配数量；三是互联网金融机构指标，包含了业务发展模式、产品类型、风险度量等。见表1所示。在模型内市场、信誉和操作风险分别作为三个外生潜变量分别由各自所属显变量测量，互联网金融风险系统的各变量相互间是存在关联性的，因此假设三个外生潜变量之间存在相互变联系。互联网金融的融资业务风险是内生的潜变量，主要是表1内的八个显变量反应。
分析互联网金融商业风险预警结果
首先要对预警信号阈值实行确定。预警信号阈值是触发预警后续行动的临界值，阈值要综合数据的模型、历史数据经验和专家经验以及同业信息确定，并且还要考虑互联网金融的融资平台的风险偏好、客户与平台的联系、监管部门检查评估互联网金融融资平台和监管要求等因素。一旦风险表征值超出了预警信号的阈值，将会触及预警流程，进入风险预警系统，将实现对风险级别的定位。其次是定位互联网金融商业风险的预警级别。依据评估风险大小，划分互联网融资风险为正常状态、关注状态、次级状态、可以状态以及损失状态5个等级，分别用绿、蓝、黄、橙、红五种颜色的灯来表示。详情见表2所示。第三是分析互联网金融商业风险预警的结果。在处于绿色信号灯范围情况下，互联网金融平台必须要考虑和其开展对应的业务活动，还要增强互联网金融平台的效益，平台必须要大量的吸收该种类型的业务；在处于蓝色信号灯的范围下，互联网金融平台则可以考虑接受和其开展对应的业务，那些已经有的处于蓝灯状态的业务，则可以考虑持有；在处于黄灯信号的范围时，互联网金融平台可以按照公司的战略和客户征信情况，适当考虑是否需要开展其他方面的业务，若是已经存在了处于黄灯状态的业务，要及时防范并且调整，或是改变持有策略或是适当转出业务；在处于橙色灯信号时，互联网金融平台则不应当考虑其借贷，若是当前业务已经处于信号灯为橙色的状态，要立即采取对应措施来降低损失；若是当前处于红色信号范围内，则互联网金融平台必须将其拉进黑名单，针对已经处于红灯状态的业务，则要采取强硬的手段实行积极挽回，尽力弥补损失，实行不良征信评价。
参考文献：
1.卜亚，张敏.互联网金融创新监管机制构建——基于激励相容的视角[J].技术经济与管理研究，2016（1）
2.李灏来，李越冬.国家审计“管理”互联网金融风险的路径研究[J].会计之友，2016（3）
3.黄建康，赵宗瑜.互联网金融发展对商业银行的影响及对策研究——基于价值体系的视域[J].理论学刊，2016（1）
市场风险数据分析范文3
金融市场中各变量的变化或波动将导致未来资产组合收益存在不确定性，因而产生金融市场风险。在此定义中，金融市场中各变量指的是包含股票的价格、利率、衍生品价格等变量，这些变量同时也被称作市场风险因子。以上定义可以得出结论，金融市场风险基本上可以定义为金融资产价格风险。
而在金融市场中，银行业作为金融体系中十分重要的组成部分，同时也成为货币传导机制的重要一环，自然对商业银行的监管将成为金融风险管理研究的课题之一。首先，金融产品的多样化扩大了银行的收入来源，随着我国逐步推行利率市场化、各商业银行的中间业务尤其以表外业务为主的规模不断发展扩大，商业银行所面临的风险也随之扩大。其次，我国国内市场化进程不断深化、利率市场化程度不断加深，越来越开放的市场环境使得国内大多传统分业经营的界限日益模糊，商业银行走上混业经营成为银行业未来发展的必由之路。与此同时，众多金融衍生工具的诞生、银行业务的不断完善创新，都为商业银行创造了巨大的利润，也带来了不容忽视的金融风险。如何在提升商业银行自身的市场竞争力的同时增强银行本身的抗风险能力，现成为众多商业银行经营管理的核心内容。
二、文献综述
（一）国外文献综述
1952年哈里马克维茨在他的博士论文中开创性的提出了一种关于资产组合选择的方法，马克维茨提出基于投资组合中的两个基本参数，理性投资者会以此做出合适的资产组合的选择，这两个参数即预期收益和风险，这就是现代风险管理理论发展的基础。至1960年前后，威廉夏普与林特纳提出了资本资产定价模型（CAPM），资本资产定价模型推进了风险管理的研究进程，它基于马克维茨的理论将单个资产分为两部分即是否能被分散化的风险。1995年，巴塞尔委员会提出VaR必须成为商业银行资本充足性评判依据的要求，并在声明之后对VaR模型是否适用于商业银行风险管理的分析做了详细的介绍。在1995年末美国证交委员会提出上市公司需定期披露自身信息并将VaR作为报告期的重要衡量指标的建议后，研究者们及银行家们对VaR模型的使用日益重视，且模型在金融业的适用范围日益扩大。
进入21世纪后，研究者们对VaR模型进行更深入和扩展的研究2004年，罗伯特首次基于VaR提出了条件VaR模型（CAVaR），在此模型中模型参数来自于分位数回归，这也是条件自回归模型的首次亮相。2010年，罗伯特又对三类基本方法，即Delta正态法、历史模拟法、蒙特卡罗模拟法的优缺点进行了比较分析。
（二）国内文献综述
2006年，梁志森指出在我国商业银行的市场风险管理上，VaR 的应用虽具有一定的局限性，但在一定程度上是可以克服的，即表明VaR在中国银行业风险管理领域同外国一样具有相当的适用性。2007年，何飞平对VaR模型的随机波动进行了讨论，并对此情况下的VaR值进行实证分析，结果显示随机波动模型下的VaR值更具准确、动态性。随后在2008年，牛茜指出使用VaR模型来计量市场风险与风险管理是我国商业银行未来的可行之路，但我国银行在使用模型时仍然存在数据缺失与后尾分布现象。2012年，刘静，高翔就当下我国银行业中存在的普遍现象和问题，针对性的提出风险管理审计在我国商业银行业中实施的必要性，并深入探索研究更符合我国商业银行经营状况的风管审计新体系。
三、商业银行市场风险的度量
（一）度量方法介绍VaR介绍
1、VaR的定义
所谓VaR，简单来说就是指在正常情况与给定的置信水平下，资产、投资组合在未来一段时间内将会遭受的最大可能损失。可以表示为：
Prob（P
其中，Prob表示概率密度；P=P（t+t）-P（t），表示组合在未来持有期即t内的损失；c即为给定置信水平；VaR表示在给定置信水平c下资产组合的风险价值。
2、VaR的基本特点及参数
基本特点：
（1）基本公式仅能准确计算正常波动状态下的市场风险而非极端情况；
（2）VaR具有可比性；
（3）VaR值越大说明风险投资组合面临的风险越大，反之则越小；
（4）正常情况下，时间跨度越短，收益率越贴合正态分布；
（5）VaR值的基本参数为置信度和收益率。
基本参数：
（1）持有期
持有期是指计算在某段时间内持有资产的最大损失值，即VaR的时间范围。一般在计算持有期时需考虑流动性、正态性、数据约束及头寸调整这四个方面。并且在一般情况下，其他因素保持不变，流动性越大，持有期越短，资产组合面临的风险越小。
（2）置信度
置信度是指资产组合的实际损失低于事先估计VaR值的可信度。置信度的选择需考虑历史数据的可得性与充分性，并且对于同一个资产组合，在不同置信度下得出的VaR值也不尽相同。因此，选择恰当的置信区间对计算VaR模型十分重要。
（二）VaR模型对我国商业银行市场风险的实证分析
1、样本区间的选择
上海银行间同业拆借利率（SHIBOR）是我国银行间利率市场化最具有代表性的数据且具有很高的市场化程度，因此实证分析选取此数据作为模拟变量。本文选取2012年1月4日至2014年6月17日之间的上海银行间同业拆借利率（SHIBOR）作为样本，同时考虑到市场交易量以及利率对市场变动反应的灵敏程度，选择其中的隔夜加权利率作为观测对象，选择样本容量为608，样本数据的持有期为一天，即t=l。文中数据均来源于上海银行间同业拆借利率网站，应用Eviews6.0软件对数据进行分析处理。
2、样本数据分析
（1）ADF检验
用单位根的方法对时间序列的平稳性进行检验，平稳性检验结果如表1：
由检验结果可知：在三个显著性水平下，单位根存在的零假设均被拒绝，即表明了SHIBOR对数日收益率序列是平稳的。
（2）VaR检验
由表2可得滞后阶数为3阶，接下来，通过检验单位根来考察模型的稳定性，见图1：
由图1可见，所有的特征根都落在单位圆内，即都小于1，表明该VAR模型的结构稳定，因此可以对其进行格兰杰因果关系检验、脉冲响应函数分析和方差分解。
（3）格兰杰因果关系检验
为了能进一步确定变量之间的相互关系，下面进行格兰杰因果关系检验，结果如表3：
由表3可得以下结论：
（1）隔夜SHIBOR与一个月SHIBOR互为格兰杰因果关系；
（2）在95%置信度下，隔夜SHIBOR利率和一个月SHVIBOR利率与上证指数并无格兰杰因果关系；
（3）上证指数与一个月SHIBOR互为格兰杰因果关系，但与隔夜SHIBOR没有格兰杰因果关系，也就是说上证指数的变动能够引导一个月SHIBOR利率，或者说一个月SHIBOR利率能够反应上证指数的变化，但是隔夜SHIBOR利率却做不到这一点。
四、结论
通过本文前面的介绍可以得出：VaR模型对我国商业银行的利率风险管理具有适用性及很好的衡量作用，虽然运用这种方法仍存在一定的限制条件。因此，建立以VaR模型为基础的利率风险管理体系具有重要的现实意义，现根据上面的分析得出如下结论：
第一，要建立与我国商业银行利率管理体系相适应的VaR模型，商业银行是一个需要实时数据作为支撑的行业，并且VaR模型需要应用大量精确有效的历史数据，因此本文选取的数据是从2012年1月起至2014年6月总共610个数据，分析得出的结果具有时效性及可参考性。相反，如果数据缺乏则会在很大程度上限制VaR模型的实际运用，且会加大应用过程中返回测试的困难，因而降低了模型的有效性；
第二，建立在我国商业银行利率风险的实际管理情况下来选择合适的置信度和持有期，结合现在我国商业银行利率风险的管理现状与文章中对VaR模型的实际应用情况，同时参考现阶段数据的缺失对风险管理的影响，建议商业银行考虑选取95%的置信水平，持有期为10个交易日来进行利率风险的管理；
市场风险数据分析范文4
【关键词】 云金融； 互联网金融； 商业风险； 预警管理
【中图分类号】 F830 【文献标识码】 A 【文章编号】 1004-5937（2016）13-0103-06
一、引言
随着信息技术的不断发展，互联网以其自由、开放、免费、平等、交互以及合作等特点，依托云计算、社交网络以及搜索引擎等互联网工具进入了传统由少数精英控制的金融领域，降低了金融门槛，开辟了更加自由的资金融通渠道，促进了资金供给双方的信息交流。然而，在互联网金融企业迅猛发展的同时，由于互联网金融企业内部管理不规范、监管体系不健全，引发了合法性、规范性和安全性等方面的诸多问题。互联网金融企业面临的三大风险为政策法律风险、商业风险和技术风险，笔者认为政策法律风险属于系统风险范畴，技术风险主要基于技术选择与安全性的考虑，不在本文讨论之列。本文从云金融视阈出发，在对互联网金融商业风险详细解析的基础上，探讨了互联网金融商业风险的预警模式、预警指标体系构建、预警模型及预警结果分析，为实务中互联网商业风险的预警管理指明方向。
二、互联网金融商业风险解析
（一）互联网金融风险整体分析
依据《巴塞尔协议》关于全面风险管理的相关要求，借鉴国际有益经验，本文将互联网金融风险分为政策法律风险、商业风险和技术风险三大类，这三大类风险相互影响相互制约。其中，政策法律风险可细分为国家层面、行业层面和机构层面，商业风险可细分为市场风险、信誉风险和操作风险，技术风险可细分为安全风险和技术选择风险。如图1所示。
（二）基于业务平台层面的互联网金融商业风险解析
由上述分析可知，互联网金融分为三大平台，即业务平台、管理平台和协作平台。互联网金融资金需求的双方在业务平台上进行撮合成交；由国家层面的管理者、行业层面的管理者以及互联网金融企业内部的各个机构分别对互联网金融企业实施不同层面的监管，他们构成了互联网金融的管理平台；软硬件开发维护者和网络服务商则负责协助业务平台和管理平台的有效运营，其构成了互联网金融融资类业务的协作平台。在业务平台层面，资金融通的双方面临的主要是商业风险，包括市场风险、信誉风险和操作风险。
1.市场风险
互联网金融中的市场风险主要由利率风险和流动性风险两部分构成。互联网金融一方面受到诸如行业监管、行业竞争以及行业分化等的影响，另一方面受到央行货币政策的刺激，两方面因素共同导致利率风险的加剧。
互联网金融机构往往发挥资金周转的作用，沉淀资金可能在第三方中介处滞留两天至数周不等，缺乏有效的担保和监管，容易造成资金挪用，如果缺乏流动性管理，一旦资金链条断裂，将引发支付危机。此外，层出不穷的互联网金融业务平台上线，不具有用户优势的平台会借助提升利率、缩短投资期限等方式吸引投资者加盟，这无疑会引发平台的流动性风险，而且很多用户基于平台跑路消息的报道，对平台的投资只限于打新投资，无疑加剧了互联网金融的流动性风险。
2.信誉风险
信誉风险从发生信誉风险的主体来分类，主要分为自然人信贷风险和企业信贷风险两个部分。
（1）自然人信贷风险
自然人违约是由于自然人抗风险能力弱而引发的道德问题。自然人信贷风险产生于借款人经济情况的不确定性，特别是这种借贷用于生产经营上。互联网金融业务中很多涉及到自然人信贷范畴，由自然人承担相应的偿还义务，而自然人的消费习惯、经营情况、健康情况都可能引发还款风险。此外，自然人借款人的观念与道德问题，诸如主观上存在不良动机，没有还款规划而进行的借贷等。自然人借款人在满足自身利益的驱动下，缺乏自我约束能力，不遵守信用都会导致违约风险的产生。
（2）企业信贷风险
自然人借款人与企业借款人的借款动机以及偿债能力影响因素都有着不同。一般来说，企业借款人主观上恶意拒绝按时清偿债务的可能性较小，而相比之下，其由于经济实力、经营状况、行业发展等原因造成的资金短缺更容易导致其违约。因此在评价信誉风险时，自然人的信用风险更侧重于评估其偿还意愿，而企业借款人的信用风险评估则更侧重于评估其偿还能力。
3.操作风险
互联网金融的操作风险是指在互联网金融活动中，由于人员缺陷、不当或失败的内部流程以及系统缺陷等导致直接或间接损失的可能性。当下，用户数据、交易数据、用户操作行为数据、文本数据等大数据系统交织于未经授权的访问、雇员欺诈、系统退化、服务提供商风险以及客户安全保护意识不足等交易行为中，操作风险正源于这些纷繁复杂的数据与行为的结合中。
按照操作风险的来源不同，可分为内部操作风险和外部操作风险两部分。内部操作风险是由于内部控制、绩效考评以及审计监管等多方面互联网金融企业内部因素引发的；外部操作风险是由于私人信息泄露、钓鱼网站盛行等外部因素而引发的。究其根本原因即大数据，一方面互联网金融企业无法很好地管理用户注册、交易过程中产生的大数据，另一方面能否合理保存各种数据也是当下互联网金融企业亟待解决的问题。
（三）互联网金融商业风险特征分析
一是风险扩散速度快，破坏力强。传统银行业务往往是通过纸质或银行内部系统进行操作，出现差错有时间进行查找、拦截并进行损失追回。而包含用户数据、交易数据、用户操作行为数据以及文本数据等众多数据的以云金融为载体的互联网金融业务，一旦出现差错或问题，很难立即纠正，且互联网金融业务运作速度非常快，等到发现问题想要拦截或追讨损失几乎是不可能的。
二是风险交叉传染。一方面，互联网金融业务平台包含融资类业务、支付类业务以及理财类业务，业务互相之间存在着交叉性；另一方面，互联网金融商业风险中的市场风险、信誉风险以及操作风险存在着多米诺骨牌效应，诸如市场风险会引发信誉风险进而从某种程度上影响操作风险。
三是风险的责任难以区分。互联网金融的办理过程常常会涉及到电信、电力、外包商等其他合作方，因此，一旦某一方出现服务中断、系统崩溃、客户信息泄密等情形，将直接给互联网金融企业造成损失，且很难区分责任。责任无法区分的直接后果是一旦出现损失，很难对相关方损失的赔付事宜进行确定。
三、互联网金融商业风险预警模式构建
（一）互联网金融商业风险预警思路设计
基于上述分析，在互联网金融商业风险的识别与评估过程中，并非所有的风险都能用定量的方法简单测评，对于定性的风险评估指标采用模糊综合评价的方法将其定量化，以测度互联网金融商业风险（包括的市场风险、信誉风险和操作风险）。根据选定的权重系数测度互联网金融商业风险的预警综合评分值，按照所设定的预警区域范围确定互联网金融风险预警的区域，进而选择互联网金融商业风险的应对策略。详见图2。
权重系数的选取就成为风险测度过程中的关键问题，一方面是分别测度市场风险、信誉风险和操作风险过程中各具体指标的权重系数的确定问题；另一方面是互联网金融商业风险预警评分值测度过程中市场风险、信誉风险和操作风险分别的权重系数确定问题。
通过权重系数的确定来衡量各指标的重要程度，本文主要采用专家咨询和经验判断法，由个人经验决策转向专家集体决策。在数据处理时，采用算术平均值代表评委的集中意见，然后通过归一化处理以确定权重，其计算公式为：
其中：n为评委的数量；m为评价指标总数；aj为第j个指标的权数平均值；aji为第i个评委给第j个指标权数的评分值。
（二）互联网金融商业风险预警指标体系
基于业务平台的互联网金融商业风险分为市场风险、信誉风险和操作风险三个维度，且各个维度的风险含义丰富，难以用单一的指标进行客观描述。为使评价指标更加准确，本文特采用主观与客观相结合的方法对互联网金融三个维度的商业风险进行设计。
对于定量指标，笔者结合相关学者的研究成果以及银行体系的定量指标进行计算；对于定性指标采用问卷调查的形式，结合模糊综合评价的方法得出相应的评分值。具体的指标详见表1。
（三）互联网金融商业风险预警模型构建
通过假设互联网金融商业风险中各变量之间都是相互影响、相互作用的，构建互联网金融商业风险结构方程模型，以检验以上指标互相之间的关系，互联网金融商业风险三维关系假设如下：
H1：市场风险的防控对互联网金融商业风险的预警防控有直接的正影响。
H2：信誉风险的防控对互联网金融商业风险的预警防控有直接的正影响。
H3：操作风险的防控对互联网金融商业风险的预警防控有直接的正影响。
H4：市场风险的防控和信誉风险的防控之间有直接的双向的正关系。
H5：市场风险的防控和操作风险的防控之间有直接的双向的正关系。
H6：信誉风险的防控和操作的防控之间有直接的双向的正关系。
H7：市场风险的防控所依赖的各要素不受信誉风险和操作风险防控的影响。
H8：操作风险的防控所依赖的各要素不受市场风险和信誉风险防控的影响。
H9：市场风险的防控所依赖的各要素不受信誉风险和操作风险防控的影响。
H10：除市场风险、信誉风险、操作风险之外的其他影响因素均作为残差项。
将衡量互联网金融商业风险的指标分为三类，一是互联网金融机构个体指标，包括财务健康状况和机构规模；二是互联网金融机构整体指标，包括资产规模、信贷质量、资产和负债匹配数量；三是互联网金融机构间指标，包括业务发展模式、产品种类、风险度量等。详见表2。
根据模型函数形式和基本的假设，得出结构方程模型设计如图3。
在模型中市场风险、信誉风险和操作风险作为三个外生潜变量分别由其各自所属的显变量来测量，互联网金融风险系统各变量之间是相互关联的，所以假定三个外生潜变量之间存在共变关系。互联网金融融资业务风险作为内生潜变量，由八个显变量y1，y2，…，y8来反映。全模型从图3可以反映出4个潜在变量、88个观测变量、89个误差项的相互影响关系。
四、互联网金融商业风险预警结果分析
（一）确定预警信号阈值
预警信号阈值是触发预警后续行动的临界值，阈值应综合数据模型、专家经验、历史数据经验以及同业信息来确定，同时需要考虑互联网金融融资平台自身的风险偏好、平台与客户的关系、监管部门对互联网金融融资平台的检查评估以及监管要求等因素。一旦风险表征值超过了预警信号阀值，就会触发预警流程，进入风险预警系统，定位其风险级别。
（二）互联网金融商业风险预警级别定位
根据对应项目评估的风险大小，将互联网融资风险分为“正常状态”“关注状态”“次级状态”“可疑状态”和“损失状态”五个等级，分别以“绿灯”“蓝灯”“黄灯”“橙灯”和“红灯”来表示。详见表3。
（三）互联网金融商业风险预警结果分析
当处于绿色信号灯范围内的情形时，互联网金融平台应该考虑与其开展相应的业务活动，不仅如此，为了增强互联网金融平台的效益，平台应该多吸收该类业务；当处于蓝色信号灯范围内的情形时，互联网金融平台可以考虑接受与其开展相应业务，而对那些已有的处于蓝灯状态的业务，可以考虑持有；当对于处于黄色信号灯范围内的情形时，互联网金融平台应根据自身公司战略以及客户征信水平，酌情考虑是否要与其开展业务，若存在已经发生的处于黄灯状况的业务，应及时作出调整和防范，或改变持有策略或考虑转出业务；当处于橙色信号灯范围内的情形时，互联网金融平台不应考虑为其借贷，若已发生的处于橙色信号灯状况的业务，应立即采取措施降低损失；当处于红色信号灯范围内的情形时，互联网金融平台应将其拉入黑名单，而对处于红灯状态的已有业务，则应采取强硬手段进行挽回，弥补损失，并进行不良征信评价。
【主要参考文献】
[1] 杨虎，易丹辉，肖宏伟，等.基于大数据分析的互联网金融风险预警研究[J].现代管理科学，2014（4）：3-5.
[2] 张淑安，齐美东.云金融融资模式：优势分析与绩效评价[J].经济研究导刊，2015（16）：99-101，124.
市场风险数据分析范文5
摘要：随着金融创新的不断发展，社会对于同时具备金融理论基础和计算机技术支持的金融工程专业人才的需求不断加大。复合应用型金融工程专业人才，需要扎实的理论功底，同时应兼具较强的动手操作能力和解决实际问题的能力。鉴于此，在分析了目前我国金融工程专业实验课程设置中存在的问题的基础上，提出了今后实验类课程体系的设计思路。
关键词：金融工程专业；实验课程建设；人才培养
1金融工程专业简介
金融工程是20世纪80年代末90年代初在西方国家兴起的，随着投资银行业与资本市场的扩张而产生和发展起来的一门应用性很强的金融学科，它是一门将工程思维引入金融领域，结合数学建模、仿真模拟等工程技术方法，创造性地运用各种金融工具和策略来解决金融财务问题的新兴学科。我国从21世纪初开始引入金融工程专业，南京财经大学自2003年开始开设金融工程本科专业，是进行金融工程专业人才培养实践较早的财经类本科院校之一。金融工程专业强调培养学生在工作中的实际运用能力，作为一门前沿学科，金融工程在融合了经济学、金融学和投资学的相关理论的基础上，同时借鉴了数学、信息技术等手段，通过数据模拟，将理论知识转化为可实现的投资工具。
2金融工程专业实验教学中存在的问题
美国大学的金融工程专业分别设置在工程学院、数学院或商学院。南京财经大学金融工程专业设置在金融学院，依托江苏省金融实验教学示范中心———金融工程实验室，开设证券投资学、金融计量学、金融建模与仿真分析、金融综合实验分析、量化投资等实验课程。属于职业导向型教学模式，培养学生扎实的理论功底的同时，引导学生由被动学习走向主动学习，启发学生的创造力，提高动手能力和分析解决问题的能力。本专业学生毕业后能够在银行、证券公司等金融部门从事投资顾问、风险管理等工作。经过了近20年的发展和壮大，金融工程专业实验课程建设已经取得一定的成绩，但同时有些问题依然不容忽视。第一，目前开始的实验课程多以课程级实验为主，如证券仿真投资、期货交易、风险管理等，学生对于理论知识的理解仍限定于每门理论课程的框架中，无法综合的运用理论知识进行实际操作。只有通过开设综合性实验课程，将学生置身于整个投资过程，学生才会了解到每门课的知识要如何贯穿，如何运用。第二，数据分析、编程软件的操作能力没有得到系统的培养。目前面对金融工程专业的本科生开设的实验课程中，数据处理软件使用介绍的相关课程较少，通常为Excel、Eviews和Stata等软件。学生很少有机会能够接触到Matlab、R语言、Pathon等编程软件，这极大地限制了对于金融工程专业学生动手能力、金融建模能力的培养。只有结合相关理论课程内容，制定合理的信息技术培养方案，使学生能够较为系统地掌握一门软件编程技术，并能够把它运用与解决实际问题，才能够真正培养出复合应用型金融人才。
3金融工程专业实验教学体系设计思路
（1）首先，扎实金融理论知识。金融工程专业开设金融学、证券投资学、金融工程学、公司金融、金融计量学、金融风险管理等主干课程，通过对以上专业课程的学习，学生给你可以系统地学习到金融工程相关理论知识。其中包括金融工程的核心理论模型如估值模型、资本资产定价模型、期权定价模型等。学生学习理论知识的同时，配以相关实验进行补充，加深学生对于理论知识的理解和掌握。同时，金融工程专业课程的实务操作性很强，对创新精神和实践技能要求高，因此需要分层次构建科学的金融工程专业实验教学课程体系，按照专业级实验、课程级实验、综合性实验等几个层次构建科实验教学体系，使学生在掌握本专业理论知识的同时，动手实践能力和创新能力同时得到强化和提升。专业级实验是专业性实验，包括股指期货投资模拟实验、金融工程风险管理实验等。课程级实验是专业课程教学中设计的实验内容，如描绘有效边界、构建二叉树模型等。综合性实验是将个专业知识综合运用的实验，如构建投资组合、金融建模、企业投资决策模拟等实验。
（2）其次，强化数理知识水平。金融工程是金融学领域最复杂的学科之一，涉及高等数学、概率论和数理统计、数学分析、博弈论等课程，因为数学模型能够准确地模拟出一个投资或资产组合在将来或在不同的经济环境中的变化，从而帮助决策层更准确地做出决策，因此要求金融工程专业的学生在本科学习中熟练掌握概率论、随机过程等理论分析方法，并在建立仿真模型，进行精确的定量研究中加以应用。
（3）再次，提升软件操作能力。利用相关数据处理及编程软件对金融数据进行分析，从中发掘金融运行规律是当今金融信息全球化的重要手段，金融工程作为一门实践性很强的学科，要求学生在掌握金融基础理论、熟悉相当程度的数理知识的同时，还要求学生能够熟练运用计算机技术进行操作分析。因此，有必要通过实验教学，教授学生金融工程领域经典的金融模型并对其进行数据分析模拟，如金融数据的处理、资本资产定价模型、套利定价模型、期权定价二叉树模型、固定收益类证券的计算、利率期限结构、投资组合构建、金融风险管理等，使学生能够达到熟练运用包括Excel、Eviews、Spss等语言进行数据分析，熟练掌握Matlab、Pathon等语言进行编程的目的。掌握了数据分析及编程软件的使用方法，才能够灵活运用所学的专业知识有效地解决实际金融问题。
4优化金融工程专业实验课程建设的对策建议
第一，从专业教学需要出发，编写高质量的金融工程专业实验教材。实验教材是指导和组织学生进行实验的重要工具。目前在金融学科教学领域，高质量的金融理论教材能够满足理论教学的基本需要，但大部分教材很少涉及实验环节。实验教材建设的落后大大制约了实验课程教学的有效展开。目前金融工程专业的实验课程教学多采用已经公开出版的教材，配合软件公司提供的操作手册。但这一方法存在缺陷，特别是对于综合性实验而言，必须是有实验指导老师根据本校已配置的实验教学资源和学生所学专业的具体情况设计实验方案、安排实验流程才能真正达到实验教学的目的。第二，在实验教学中重视实际技术能力的培养。培养高素质的金融工程人才，除了要培养扎实的理论功底，同时也要注重培养学生动手操作和解决实际问题的技术能力。具体包括学生动手能力、金融建模能力、数据分析能力的培养。动手能力的培养着重培养学生对于金融衍生产品的设计、定价以及风险管理能力。通过实验教学，力求使学生在熟悉各类金融衍生品的基础上，掌握如何利用无套利原理、风险中性定价原理设计金融衍生产品并为其准确定价，掌握市场风险、流动性风险、信用风险等的测算方法，构建不同风险回报的投资组合并找出最优的风险管理方法。金融建模能力的培养力求通过对于动态规划原理、蒙特卡洛模拟等数学模型的介绍，使学生掌握如何在金融工程领域准确地模拟资产组合在不同的经济环境中的变化，从而准确的作出投资决策。数据分析能力的培养力求通过教授Excel、Eviews、Matlab、Pathon等软件或语言的操作方法，并结合金融时间序列分析、金融计量学等相关内容，提高学生数据分析和编程能力，使学生能够利用金融数据分析方法发现市场的无效性以及错误定价，并进一步探求各种经济变量间的关系。
5结语
金融工程专业具有很强的应用性，因此培养具有动手操作能力和解决实际问题能力的复合应用型金融人才是我国金融工程专业人才培养的重要目标和任务，而金融工程专业实验是这其中必不可少的一个重要环节。本文通过分析目前我国金融工程专业实验课程设置中存在的问题，提出了今后实验类课程体系设计的具体思路，希望可以为优化金融工程专业实验教学体系提供有益参考。
参考文献
［1］刘向华．关于金融工程专业实验教学的思考［J］．金融教学与研究，2009，（5）．
［2］邓鸣茂．金融工程专业实验教学体系的创新与思考［J］．中国证券期货，2012，（2）．
［3］王鹏．金融工程专业实验教学体系探索［J］．中国证券期货，2012，（7）．
市场风险数据分析范文6
这些日子以来，互联网金融成了一个热门话题。有人说这是对传统银行的根本性挑战，断言银行要被颠覆了。更有人认为互联网金融进一步发展后，它将取代现有的间接融资和直接融资形式，银行、券商和交易所等金融中介都将不再起作用，甚至中央银行的货币发行功能也会被取代，等等。于是不少人跃跃欲试，都想投身于互联网金融业务，认为这是难得的商机。有人则干脆说，就是要当金融业的“搅局者”。
我认为之所以会出现目前这种状况，首先，应该肯定这是随着信息技术的不断革新和互联网功能的迅速进步而形成的潮流，因而这些现象的产生有其历史性；其次，也需要指出，目前不少人对所谓互联网金融的认识还不够全面，了解得也不够充分。市场上的一些说法和做法明显地带有一定的盲目性，因而目前的不少现象也许只是阶段性的。
在互联网金融发展的过程中，传统银行已经做了些什么？互联网企业又正在做什么？现有的互联网金融运作模式存在哪些风险和隐患？
不少人认为银行尤其是我国的商业银行是个传统色彩很浓的行业，银行对互联网的了解和应用、对大数据概念的认识都是不够的。我认为这种看法失之偏颇。就拿工商银行来说，虽然现在有17000余家营业机构，但目前通过网上银行、电话银行、手机银行、自助银行等渠道处理的业务量已占到全部业务量的78%，相当于替代了30000多个物理网点。我们自主研发的核心应用系统支撑了海内外庞大经营网络的平稳运行，目前日均业务量为2亿笔，每秒处理业务的峰值达到6500笔。2012年全年的电子支付结算金额达到332万亿元人民币，结算笔数超过了130亿笔。积累的数据规模将近300个TB，利用这些数据，建立了4.1亿个人客户和460万法人客户的信息视图和星级评价体系，开发了34个法人客户评级模型、75个零售信用评分模型、16项市场风险内部计量模型和17类操作风险资本计量模型。就拿最近媒体热炒的网络信贷而言，截至今年8月末，工商银行以小微企业为主要服务对象的“网贷通”的贷款余额已超过2150亿元，累放额已近11000亿元。
