您有好的观点和精彩的文章，欢迎投稿。投稿邮箱：.cn 。
微信扫一扫，在这里读懂新金融。欢迎扫描下方二维码关注中国电子银行网官方微信、浏览手机网站或下载官方APP（半刻金融）。
中国电子银行网官方微信
中国电子银行网手机网站
中国电子银行网官方APP
总是会有福利从这里发出……
手机上省流量看资讯
创新引领 半刻不停
09:56 08/23
09:45 08/22
13:46 08/19
12:01 08/19
周围人都在搜
科技+金融 启创银行未来
Copyright 中国电子银行网 2009,All Rights Reserved 京ICP证号&2.　京公网安备号大数据在金融行业的应用 - 北京大数据研究院
北 京 大 数 据 研 究 院BEIJING INSTITUTE OF BIG DATA RESEARCH
数据显示，中国大数据IT应用投资规模以五大行业最高，其中以互联网行业占比最高，占大数据IT应用投资规模的28.9%，其次是电信领域（19.9%），第三为金融领域（17.5%），政府和医疗分别为第四和第五。根据国际知名咨询公司麦肯锡的报告显示：在大数据应用综合价值潜力方面，信息技术、金融保险、政府及批发贸易四大行业潜力最高高。具体到行业内每家公司的数据量来看，信息、金融保险、计算机及电子设备、公用事业四类的数据量最大。不同行业应用大数据技术潜在价值评估可以看出，无论是投资规模和应用潜力，信息行业（互联网和电信）和金融行业都是大数据应用的重点行业。由于上一篇《BAT互联网企业大数据应用》（关注微信公众号：傅志华，即可通过历史文章查阅）已经重点介绍了互联网行业的大数据应用情况，本文将讲点介绍行金融行业大数据应用情况，下一篇文章将重点介绍电信行业的大数据应用情况。金融行业大数据应用投资分布从投资结构上来看，银行将会成为金融类企业中的重要部分，证券和保险分列第二和第三位。接下来，我们将分别介绍银行、保险和证券行业的大数据应用情况。Part 1 银行大数据应用国内不少银行已经开始尝试通过大数据来驱动业务运营，如中信银行信用卡中心使用大数据技术实现了实时营销，光大银行建立了社交网络信息数据库，招商银行则利用大数据发展小微贷款。总的来看银行大数据应用可以分为四大方面：第一方面：客户画像应用。客户画像应用主要分为个人客户画像和企业客户画像。个人客户画像包括人口统计学特征、消费能力数据、兴趣数据、风险偏好等；企业客户画像包括企业的生产、流通、运营、财务、销售和客户数据、相关产业链上下游等数据。值得注意的是，银行拥有的客户信息并不全面，基于银行自身拥有的数据有时候难以得出理想的结果甚至可能得出错误的结论。比如，如果某位信用卡客户月均刷卡8次，平均每次刷卡金额800元，平均每年打4次客服电话，从未有过投诉，按照传统的数据分析，该客户是一位满意度较高流失风险较低的客户。但如果看到该客户的微博，得到的真实情况是：工资卡和信用卡不在同一家银行，还款不方便，好几次打客服电话没接通，客户多次在微博上抱怨，该客户流失风险较高。所以银行不仅仅要考虑银行自身业务所采集到的数据，更应考虑整合外部更多的数据，以扩展对客户的了解。包括：（1）客户在社交媒体上的行为数据（如光大银行建立了社交网络信息数据库）。通过打通银行内部数据和外部社会化的数据可以获得更为完整的客户拼图，从而进行更为精准的营销和管理；（2）客户在电商网站的交易数据，如建设银行则将自己的电子商务平台和信贷业务结合起来，阿里金融为阿里巴巴用户提供无抵押贷款，用户只需要凭借过去的信用即可；（3）企业客户的产业链上下游数据。如果银行掌握了企业所在的产业链上下游的数据，可以更好掌握企业的外部环境发展情况，从而可以预测企业未来的状况；（4）其他有利于扩展银行对客户兴趣爱好的数据，如网络广告界目前正在兴起的DMP数据平台的互联网用户行为数据。第二方面：精准营销。在客户画像的基础上银行可以有效的开展精准营销，包括：（1）实时营销。实时营销是根据客户的实时状态来进行营销，比如客户当时的所在地、客户最近一次消费等信息来有针对地进行营销（某客户采用信用卡采购孕妇用品，可以通过建模推测怀孕的概率并推荐孕妇类喜欢的业务）；或者将改变生活状态的事件（换工作、改变婚姻状况、置居等）视为营销机会；（2）交叉营销。即不同业务或产品的交叉推荐，如招商银行可以根据客户交易记录分析，有效地识别小微企业客户，然后用远程银行来实施交叉销售；（3）个性化推荐。银行可以根据客户的喜欢进行服务或者银行产品的个性化推荐，如根据客户的年龄、资产规模、理财偏好等，对客户群进行精准定位，分析出其潜在金融服务需求，进而有针对性的营销推广；（4）客户生命周期管理。客户生命周期管理包括新客户获取、客户防流失和客户赢回等。如招商银行通过构建客户流失预警模型，对流失率等级前20%的客户发售高收益理财产品予以挽留，使得金卡和金葵花卡客户流失率分别降低了15个和7个百分点。第三方面：风险管控。包括中小企业贷款风险评估和欺诈交易识别等手段。（1）中小企业贷款风险评估。银行可通过企业的产、流通、销售、财务等相关信息结合大数据挖掘方法进行贷款风险分析，量化企业的信用额度，更有效的开展中小企业贷款。（2）实时欺诈交易识别和反洗钱分析。银行可以利用持卡人基本信息、卡基本信息、交易历史、客户历史行为模式、正在发生行为模式（如转账）等，结合智能规则引擎（如从一个不经常出现的国家为一个特有用户转账或从一个不熟悉的位置进行在线交易）进行实时的交易反欺诈分析。如IBM金融犯罪管理解决方案帮助银行利用大数据有效地预防与管理金融犯罪，摩根大通银行则利用大数据技术追踪盗取客户账号或侵入自动柜员机(ATM)系统的罪犯。第四方面：运营优化。（1）市场和渠道分析优化。通过大数据，银行可以监控不同市场推广渠道尤其是网络渠道推广的质量，从而进行合作渠道的调整和优化。同时，也可以分析哪些渠道更适合推广哪类银行产品或者服务，从而进行渠道推广策略的优化。（2）产品和服务优化：银行可以将客户行为转化为信息流，并从中分析客户的个性特征和风险偏好，更深层次地理解客户的习惯，智能化分析和预测客户需求，从而进行产品创新和服务优化。如兴业银行目前对大数据进行初步分析，通过对还款数据挖掘比较区分优质客户，根据客户还款数额的差别，提供差异化的金融产品和服务方式。（3）舆情分析：银行可以通过爬虫技术，抓取社区、论坛和微博上关于银行以及银行产品和服务的相关信息，并通过自然语言处理技术进行正负面判断，尤其是及时掌握银行以及银行产品和服务的负面信息，及时发现和处理问题；对于正面信息，可以加以总结并继续强化。同时，银行也可以抓取同行业的银行正负面信息，及时了解同行做的好的方面，以作为自身业务优化的借鉴。Part 2 保险行业大数据应用过去，由于保险行业的代理人的特点，所以在传统的个人代理渠道，代理人的素质及人际关系网是业务开拓的最为关键因素，而大数据在在新客户开发和维系中的作用就没那么突出。但随着互联网、移动互联网以及大数据的发展，网络营销、移动营销和个性化的电话销售的作用将会日趋显现，越来越多的保险公司注意到大数据在保险行业中的作用。总的来说，保险行业的大数据应用可以分为三大方面：客户细分及精细化营销、欺诈行为分析和精细化运营。第一方面：客户细分和精细化营销（1）客户细分和差异化服务。风险偏好是确定保险需求的关键。风险喜好者、风险中立者和风险厌恶者对于保险需求有不同的态度。一般来讲，风险厌恶者有更大的保险需求。在客户细分的时候，除了风险偏好数据外，要结合客户职业、爱好、习惯、家庭结构、消费方式偏好数据，利用机器学习算法来对客户进行分类，并针对分类后的客户提供不同的产品和服务策略。（2）潜在客户挖掘及流失用户预测。保险公司可通过大数据整合客户线上和线下的相关行为，通过数据挖掘手段对潜在客户进行分类，细化销售重点。通过大数据进行挖掘，综合考虑客户的信息、险种信息、既往出险情况、销售人员信息等，筛选出影响客户退保或续期的关键因素，并通过这些因素和建立的模型，对客户的退保概率或续期概率进行估计，找出高风险流失客户，及时预警，制定挽留策略，提高保单续保率。（3）客户关联销售。保险公司可以关联规则找出最佳险种销售组合、利用时序规则找出顾客生命周期中购买保险的时间顺序，从而把握保户提高保额的时机、建立既有保户再销售清单与规则，从而促进保单的销售。除了这些做法以外，借助大数据，保险业可以直接锁定客户需求。以淘宝运费退货险为例。据统计，淘宝用户运费险索赔率在50%以上，该产品对保险公司带来的利润只有5%左右，但是有很多保险公司都有意愿去提供这种保险。因为客户购买运费险后保险公司就可以获得该客户的个人基本信息，包括手机号和银行账户信息等，并能够了解该客户购买的产品信息，从而实现精准推送。假设该客户购买并退货的是婴儿奶粉，我们就可以估计该客户家里有小孩，可以向其推荐关于儿童疾病险、教育险等利润率更高的产品。（4）客户精准营销。在网络营销领域，保险公司可以通过收集互联网用户的各类数据，如地域分布等属性数据，搜索关键词等即时数据，购物行为、浏览行为等行为数据，以及兴趣爱好、人脉关系等社交数据，可以在广告推送中实现地域定向、需求定向、偏好定向、关系定向等定向方式，实现精准营销。第二方面：欺诈行为分析基于企业内外部交易和历史数据，实时或准实时预测和分析欺诈等非法行为，包括医疗保险欺诈与滥用分析以及车险欺诈分析等。（1）医疗保险欺诈与滥用分析。医疗保险欺诈与滥用通常可分为两种，一是非法骗取保险金，即保险欺诈；另一类则是在保额限度内重复就医、浮报理赔金额等，即医疗保险滥用。保险公司能够利用过去数据，寻找影响保险欺诈最为显著的因素及这些因素的取值区间，建立预测模型，并通过自动化计分功能，快速将理赔案件依照滥用欺诈可能性进行分类处理。（2）车险欺诈分析。保险公司够利用过去的欺诈事件建立预测模型，将理赔申请分级处理，可以很大程度上解决车险欺诈问题，包括车险理赔申请欺诈侦测、业务员及修车厂勾结欺诈侦测等。第三方面：精细化运营（1）产品优化，保单个性化。过去在没有精细化的数据分析和挖掘的情况下，保险公司把很多人都放在同一风险水平之上，客户的保单并没有完全解决客户的各种风险问题。但是，保险公司可以通过自有数据以及客户在社交网络的数据，解决现有的风险控制问题，为客户制定个性化的保单，获得更准确以及更高利润率的保单模型，给每一位顾客提供个性化的解决方案。（2）运营分析。基于企业内外部运营、管理和交互数据分析，借助大数据台，全方位统计和预测企业经营和管理绩效。基于保险保单和客户交互数据进行建模，借助大数据平台快速分析和预测再次发生或者新的市场风险、操作风险等。（3）代理人（保险销售人员）甄选。根据代理人员（保险销售人员）业绩数据、性别、年龄、入司前工作年限、其它保险公司经验和代理人人员思维性向测试等，找出销售业绩相对最好的销售人员的特征，优选高潜力销售人员。
文章分类：大数据技术在金融行业有哪些应用前景_百度知道
大数据技术在金融行业有哪些应用前景
我有更好的答案
据《大数据金融行业市场前瞻与投资分析报告》数据显示，预计2018年中国金融大数据应用市场会突破100亿元，金融业开始进入了大数据时代快车道，未来走向精细化和专业化。今后大数据金融行业的努力方向，应该是以完备的大数据为基础，基于用户需求提供智能化一站式产品购买及定制化服务，2016年我国大数据金融市场规模为15，将迈入时代发展正轨成为主流趋势，金融大数据产业将迎来黄金增长期。预计未来5到10年，在未来的发展中。大数据金融作为一个综合性的概念，以及数据挖掘、数据整合.84亿元，随着政策逐步实施与落地，以大数据为核心手段、核心驱动力的产业金融大数据金融市场前景广阔，深度开发大数据金融工具，或将重构整个金融行业，大数据也将成为助推“大众创业、万众创新”浪潮的有力抓手、数据产品、数据应用及解决方案等，企业坐拥数据将不再局限于单一业务，第三方支付、信息化金融机构以及互联网金融门户都将融入到大数据金融服务平台中，大数据金融服务将在各家机构各显神通的基础上，实现多元业务的融合。伴随互联网金融纵深发展，大数据优势越加凸显。作为互联网金融创新的驱动力，大数据金融带来的方式革新
中国产业研究资询领导者
主营：商业信息咨询；经济信息咨询；企业管理咨询；行业研究报告咨询
为您推荐：
其他类似问题
您可能关注的内容
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。大数据技术在金融行业有哪些应用前景？
大数据技术在金融行业有哪些应用前景？
大数据技术在金融行业有哪些应用前景？
最近大数据征信很火，那么在金融行业大数据究竟可以怎么用呢？
自己做过的几份工作都涉及到金融业和大数据的结合，来怒答一下。一、行业标杆Bloomberg及前言在回答问题之前，先对讨论之框架做个限定，免得撕逼。同时，抛出行业翘楚供大家参考。首先，金融业的涵盖非常之广，主要包括三大类：银行类、投资类和保险类。具体则很多：商业银行、投资银行、证券、保险、小贷公司、租赁等。而且随着时代和技术发展，还出现了各类新型金融机构，比如：消费贷、P2P等等。其次，金融业基本是全世界各个行业中最依赖于数据的，而且最容易实现数据的变现。在本回答中不纠缠于大数据和数据的区别。比如世界上最大的金融数据公司Bloomberg，看起来它提供的金融数据服务在深度上并不复杂，而且其成立时间远早于大数据这个词汇出现的时间，但是你很难说，Bloomberg不是一个金融大数据公司。提到金融数据公司，就不能不提Bloomberg L.P.。这家创立于1981年的公司，是整个金融数据界的翘楚。创始人Michael Bloomberg，曾是Salomon Brothers的合伙人，因为公司被收购而拿到一千万美元的遣散费后离职，并创立了Bloomberg。下图左一就是Michael Bloomberg，不用怀疑你的记忆，你没有记错，他也是那个只拿一美元和坐地铁上班的纽约市市长，所以才有机会和加州州长施瓦辛格一起出现在Time杂志封面。Bloomberg的最初产品是Innovative Market Systems (IMS)，主要功能是向金融市场的各个玩家提供市场的实时数据、财务计算能力、财务分析等（听起来是不是很low，和大数据毫无关系）。创业之初，即使是高富帅创业的Michael Bloomberg及团队也依然苦逼，没有方向没有客户，为了激励劳累不堪的员工，Michael Bloomberg只好建议员工“看鱼缸中的金鱼来消遣”，于是每位新来的员工都会得到一只鱼缸。后来人员激增只能以公共空间的巨型鱼缸替代。下图是著名的Bloomberg鱼缸。在1983年，Bloomberg以30%股份的代价获得美林3000万美元的投资，估值仅为1亿美元。自此一路狂奔，推出各类产品，包括：Bloomberg Terminal，Bloomberg News，Bloomberg Radio，Bloomberg TV等等。在1996年，Bloomberg以20亿美元的估值，花费2亿美元从美林回购10%的股份。而到了金融海啸的2008年，屌丝逆袭。昔日的大股东美林面临崩盘，结果其最大的资产就是所持有的20%的Bloomberg股份。昔日的小弟Bloomberg利用美林的危机买回所有股份自赎，当时估值为225亿美元。2004年，这家专注于数据的公司，在纽约的曼哈顿的Midtown竖起了246米的高楼。算是技术公司对金融公司的一次彻底逆袭吧。到今天，Bloomberg全球布局192个办公室，有1.5万名员工，2014年的收入是90亿美元。因为是私有公司，利润无从得知。但是按常规估计，即使20%的利润率及30xPE（这可不是市梦率Forward PE，而是一年多以前的实际PE），Bloomberg的估值也在500亿-1000亿美元之间，甚至超过1000亿美元。这个估值已经超过华尔街的标志企业高盛（2016年2月，高盛的市值为650亿美元），这才是真正的逆袭。如果把Instant Bloomberg当成一种社交软件或者把Bloomberg Terminal当成一种客户端，Bloomberg是可以妥妥得作为一个互联网公司入围下面的排行榜（数值采集于2015年8月），至少排入前六，仅次于Google、Facebook、阿里、亚马逊及腾讯。将BAT之中的某家公司牢牢甩在后面。如果考虑到Bloomberg Terminal的软硬件结合以及Instant Bloomberg的社交属性（以上两个均为提升估值的利器），Bloomberg成为全球第二或第三值钱的互联网公司不是梦想。华尔街的“约炮”名言堪称“Just Bloomberg Me”，Instant Bloomberg如果在中国会不会也被牵连到各种打黄扫非的案件中？因为Instant Bloomberg实在太垄断和强大了，堪比Facebook（Facebook的LYR PE可是38x），所以我说给Bloomberg更高的PE一点不过分。然而外界经常猜测其利用Instant Bloomberg里面的隐私信息套利。2014年10月，一家叫做Symphony的创业公司出现了，并将产品定位于替代Instant Bloomberg。而华尔街上的各大机构对于Bloomberg实在是又爱又恨，在Symphony宣布成立时，十四家金融机构联合向 Symphony 注资 6600 万美元。2015年10月，Symphony 宣布寻求新一轮融资，估值高达 10 亿美元，投资人很可能是Google。下图是著名的Bloomberg Terminal，Bloomberg的现金牛及拳头产品。经典的Terminal界面和极客的黑色背景，几乎没有图像化操作的违和感；下方是定制的键盘及无数的快捷键。Bloomberg Terminal每个终端每年的起步价是2.4万美元，根据服务级别不同，坐着火箭往上涨。毫不客气得说，大部分购买Bloomberg Terminal的机构，只是做装饰，里面0.1%的功能都没有用到。在回答（做投行、行研、咨询等金融岗位，有没有什么好用的找数据技巧呢？ - 何明科的回答）中提到，为了方便其他同事使用Bloomberg数据，我不得不写了个程序利用Bloomberg API获取Bloomberg数据，然后推送到邮件。Bloomberg API支持多种程序，包括 Java、C、C++、.Net、COM 和 Perl，API 设计简洁，适用于低延迟的应用程序，是quant及有编程功底的trader的最爱。这种拿Bloomberg Terminal提升逼格的情况不仅仅在国内，华尔街也是如此。Bloomberg Terminal在某种程度上是一个人在华尔街地位的强大象征。过去当一名I Banker被提拔到董事总经理职位时，会得到一套个人专属的Bloomberg Terminal作为一种待遇，尽管实际的数据处理是由做牛做马的Analyst完成的。是不是很类似国内大老板们满满的书柜？当然除了上述的严肃功能，Bloomberg还提供了订酒店、买红酒以及搭讪等各种高级功能。比如输入命令行指令DINE和FLY指令，可快速检索本地餐厅和航班。如果输入POSH，就可以得到各种华尔街和各种金融街的纸醉金迷。下图是《华尔街之狼》的截图。二、大数据在金融行业的应用之一：风险定价定价永远是金融或者任何市场中最核心的部分之一，大部分金融活动都涉及到风险和收益的平衡。放贷，是在平衡利息收益与违约风险之间的平衡；保险，是在平衡保费收入与理赔金额之间的平衡……大数据技术，可以让金融产品的颗粒度精确到每个人。从而可以根据每个人过去的历史推测其未来的财务状况及履约情况，即所谓的大数据征信，因此给于每个人不同的授信额度以及利率。而扩展到保险，也是同样的道理，保费可以根据每个人的情况不同而差异化。比如在美国买车险，根据人的婚姻状况、车辆颜色、年龄等各种信息，都会得到不同的保费金额。而最近大火的UBI(Usage Based Insurance)更是将大数据技术的使用推向新高度。甚至通过在保险购买者的车辆上安装检测OBD数据的硬件设备来获取各项数据，从而对好司机和坏司机差别定价保费。下图是中国UBI的先驱者车宝推出的车宝盒子，用于监控车主的使用习惯。三、大数据在金融行业的应用之二：信息优势除去银行和保险，金融的另一大类是投资，无论对于一级市场还是二级市场投资，拥有更早更多更准确的信息，会让投资人获得先发优势而最终转化为投资回报。而且大部分投资游戏都是玩家之家的零和博弈，谁下手早下手狠下手准，就会进一步扩大利收益。这个口号真是很像奥运会更高更快更强的口号。在获得更早更多更准确的信息方面，大数据可以充分得发挥。常见的技术有：爬虫、视觉技术、AI、软硬件结合等等。在我的回答（你用 Python 做过什么有趣的数据挖掘/分析项目？ - 何明科的回答）中其实已经提到了许多案例，正是因此这个原因，许多前卫的基金找到我们团队，希望利用大数据的各种技术帮他们建立信息优势，而最终将信息优势转化为投资回报。下面将举出若干案例。案例1：找到下一个独角兽，也许是“小红书”？哪个VC不想在众多的App中，先于所有人找到下一个独角兽，用钱把公司锁定呢？我们利用爬虫获取各个应用市场及社交网络的数据，找出增装最快的App。下图是在各个维度找出最有价值的App，各种量级范围内在30天/7天增长最快及评价最好榜单。（顺便吹一下牛，我们这个榜单很早就发现小红书App的快速增长趋势以及在年轻人中的极佳口碑）下图是对某个App的下载量跟踪，帮着基金做尽职调查。案例2：在混沌的市场分歧中，找到证据尽快选对方向在二级市场中，对一个公司的判断分歧越大，堵对方向而且敢于下注的一方，就会收获最大的利润。在搜房从广告平台转型到交易平台后，市场意见出现严重分化。在公司财报发布之前，我们利用爬虫获取搜房在各个城市的经纪人数量及单产搞清楚并按时监督。发现搜房经纪人的产出远低于行业内的标杆公司——链家，而且完全没有出现快速爬坡追赶到行业平均水平的趋势。http://xueqiu.com//45640644案例3：根据产品走势，确定公司及股价走势越来越多的互联网公司甚至是传统行业的公司，变为产品导向性，一两款产品的走势就能决定公司的整体趋势乃至股价的走势，比如：苹果、长城等等。我们抓取社交网络上关于哈弗H6及其他国产SUV的评论和用户购买信息，观察其重点产品上市的走势。同时根据用户的购买及关注行为，做出品牌忠诚度的交叉图，可以详细观察各个竞争品牌之间的替代和转换关系。（还没实现的，下一步准备做）苹果的价格很大程度上依赖于新发布的iPhone及iPad，然而这些产品的销量公布总是滞后或者大家是同步获得的。如果我们监测58上二手iPhone手机的价格（【二手手机价格），根据二手iPhone对于新品的折扣率，就可以基本得到新款iPhone的销量情况。基本上，销量与折扣率完全正相关。案例4：一些更加高大上的案例，大数据及人工智能技术的完美结合（以下案例为道听途说，不能完全保证其准确性，不过这些案例大部分都能实现）MIT某实验室将声音采集设备放到交易所大厅，通过采集交易员的吼叫声然后做情绪分析，判断当前交易所众交易员的情绪，然后预测股市未来一段时间的走势。有海外对冲基金动用卫星拍摄照片，根据建筑物的阴影长度，来跟踪某国各地的建筑情况，以此作为该国宏观经济的运行情况。—————————————————————————————————————更多文章及分享请关注我的专栏，数据冰山：http://zhuanlan.zhihu.com/hemingke
感觉答案里实际经历或纯金融和大数据结合的例子不多。我介绍个某行的实验项目和分析的公司案例（雅虎），权当娱乐~ 这方面有兴趣也有技术背景的同学可以和我保持联系，之后有意往这方面发展。: )先科普，介绍下为什么做这个项目：我们都知道信用评级（可以理解为违约概率），有个人的（类似于个人征信，比如芝麻信用），有公司的（大到标普穆迪，本地的如中诚信，大公）。对于银行对公投行业务来说，银行还需要做一个内部评级（internal rating, 分自动评分和人工两种）。这种内部信用评级是银行计算风险权重资产（RWA）等重要关键数据的基础。目前来看，无论是基于财务分析或非财务分析，无论是系统根据模型自动评分或人工依据预设分析模板手动计算评分，都属于传统方法 - 即客户经理或信贷员将财务数据填入系统，然后得出一个信用评级。但是这样的评分仍然片面，因为一个公司，假设上市有年报的话，里面提供的信息往往不是财务信息所能表达的，然而传统评级方法很难体现这类的考虑。同时，很多公司，比如一些大型银行，年报厚达600页，国内比如万科的年报也有200多页。靠人来读然后给出评价的话基本不现实。也因此，我们目前在做的这个实验项目就是通过成千上万家上市公司年报进行大数据文本挖掘，借助机器学习算法，看是否可以相对准确快速的预测公司的信用评级，将这类结果提供给银行业务人员做为一个重要的参考指标。#更新：评论区有朋友说有点粗糙，不够细致（但是感谢点赞！）。我想开脱两句：一是毕竟是行内在做的实验性东西（其实就是几个部门有类似兴趣爱好的同事），不好放上来所有具体的细节，只希望提供观点和实际经验引起讨论，谢谢理解；二是我尽量服从需求，往这里添加一些可以公开的信息和细节，供大家讨论交流。当然，这个只是初步尝试，还有很多缺陷，路还很长。评论区有些讨论很有意义，权当对答案的补充。#更新1：具体使用的数据库：整体过程大概分如下五步：1. 模糊匹配 (fuzzy matching)：因为数据量大，我们不能手动匹配公司年报与我们已有的公司评级数据库（已有的评级数据库是用来之后机器学习培训模型用的），所以我们将下载的所有年报公司名称通过模糊匹配的方法对应到我们已有的公司评级数据库里（这个数据库我们用的是标准普尔的）：模糊算法主要是传统的Jaro-Winkler和Levenshtein。2. 预处理数据，去掉噪音：目前我们只做英文年报，去掉年报中的文本噪音，比如the, and这类意义不大的词条，也包括去掉空格，将大写字母换成小写字母，去掉标点符号，数字等3. 文本分割与词条分析：去掉噪音后，剩下的我们认为有意义的文本，计算词条频率，又称文本-词条矩阵；补充更新：其实这步还做了一些其他处理（feature selection & Binning），只是没有全写下来，这里补充下：把一些稀有词条去除：在所有年报中出现频率小于1%的词条去掉解释力量较弱的词条：与评级的相关性很低去掉冗余词条：与其它词条有高相关性Data Binning：为之后的分类算法做准备4. 机器学习：主要是分类算法，目前我们尝试的方法如下支持向量机 (support vector machine)朴素贝叶斯分类 (na?ve bayes)线性降维算法 (linear discriminant analysis)决策树 (decision trees)神经网络 (neural network)逻辑回归 (logistic regression)5.模型应用：根据前一步培训的模型预估信用评级（具体预测的评级分布见下图更新2,深蓝色Base代表的是正确的评级，浅蓝色代表的是不同算法得出的结果，可以看出SVM和NSVM的评级分布拟合的最好）#更新2：不同算法得出的评级分布与正确评级分布的对比综上，目前来看，支持向量机（svm和nsvm）得到的结果最好，但是总体来说准确率不到60%，还有很多地方可以改进来提升模型评估能力。最终，我们将评估结果，外加语义情感分析（sentiment analysis）等做成自动报告供银行内部相关部门使用。说到这儿，我有说所有的这些我们都用的是免费开源的R语言吗？: ) 这年头银行也很会省钱。最后放个雅虎公司的报告做例子。基于2015年的年报，2.78%的词条有正面情感，3.08%负面，94.14%方向不清晰。模型结果：支持向量机的最准确，BB-，和标普以及行里内部给的评级一致，朴素贝叶斯和线性降维给的是BBB-，差了点儿。
百姓网 Logo
百姓网 熊掌号
简单，快速，搞得定！
你好，查询自己股票账户的佣金率有以下办法：一、如果方便，可以到华泰证券设在当地的营业部，打印交割单。选一笔佣金大于5元的交易，用佣金除以成交金额，所得到的数字，换成百分比，就是您的佣金率。（比如0.001就是千分之一，0.0005就是万分之5）二、电脑里打开华泰证券的交易软件，用账号密码登陆后，选一笔佣金大于5元的交易，用佣金除以成交金额，所得到的数字，换成百分比，就是您的佣金率。三、直接打电话给您的客户经理或者开设账户的营业部，报资金账号，输密码，对方确认身份后可查询。
去年回答过，是旁观者角度——为什么风投会投给一些普通人都觉得不靠谱的项目？ - 孙志超的回答有篇专栏文章，是投资人角度——真格基金的营销成本 - 创业ing - 百姓知道专栏我想再补充一个宏观视角。虽然这几年投资机构、投资人的大量增加，带来很多冗余投入或者说泡沫，但“投资全民化”并不全是坏处（对投资失败的人来说也许只看到坏处），有时候好处是从宏观角度而言的。长期以来我们对风投是比较神化的，似乎最聪明最有远见的行业精英看出了产业趋势之后果断抢入，推进了时代进步。但某种意义上，真正让行业发展迅速的不是一两个“英雄”，而是无数意见并不一致的普通投资者。要命的并不是大家都来投资，而是大家不假思索地都跟
境电子商务作为新型跨境贸易模式，近几年在我国呈蓬勃之势发展，可以说是一种必然性的结果。总结来说，我国跨境电商的发展有如下几大特点：1.我国发展跨境电商具有优质市场基础如今跨境电商订单的特点是小批量、高频次，直接化。而这些特点正好迎合了我国国内海量的中小外贸企业的碎片化优势。跨境电子商务成为了他们开辟海外市场的有力武器。数不胜数的小微企业能够提供充足的货源，直接支撑起了我国的世界级跨境电商供应链。截至2013年，我国已经成为全球最大的电子商务市场，也是世界第三大的跨境网购市场。在跨境贸易出口对象方面，除了已经较为稳定的美国和欧洲市场以外，还涌现了一些新兴市场如巴西、阿根廷、俄罗斯以及东南亚地区等
随着互联网金融的进一步发展，股票市场、外汇市场都在一定程度上得到了较大的发展。而伴随着炒外汇人群的不断增加，外汇平台也被广大投资者讨论越来越火热的趋势。关于最好的外汇交易平台，并没有任何的权威机构所评选出，所谓外汇平台都是国外的交易商所提供的。建议投资者在选择平台时要从平台名气、平台的口碑等多个方面进行鉴别。以下提供几个常见的辨别外汇平台好与坏的方法：1、看此平台是否受监管，如果受到英国FCA监管或者美国NFA监管方为正规外汇平台。2、看此平台的入金、出金是否便捷，流程。3、看点差是否是固定的低点差。4、看其是否有额外的佣金。5、模拟体现下其外汇交易软件是否稳定，可靠、交易是否流畅。目前外汇市
2010年郭德纲能度过黑八月，是一个奇迹。日，郭德纲弟子李鹤彪怒打假记者周广甫（周广甫是假记者的证明过程：周广甫没有记者证！(新闻出版署网站查询全过程)）日当晚，郭德纲在小剧场说单口《张双喜捉妖》的时候骂记者，原话是“有时候，这记者啊，还不如妓女。”（来源【W】老郭单口《张双喜捉妖》，不忘调侃“圈地”事件~_狗脾气）后来某些媒体在引用的时候，把“有时候”这三个字抹去了。日，郭德纲发布博客《有药也不给你吃》，继续保持强硬态度日，中央电视台《新闻直播间》不点名批评郭德纲“低俗庸俗媚俗”日，新华社不点名批郭德纲“个别公众
如果你只要收盘价的话，文华可以的:http://blog.sina.cn/dpool/blog/s/blog_16ldu.html?以及我猜wind也有。。
在我们公司职问的网站（http://zhiwen.me）上一位德勤管理咨询总监，咨询从业十年，她结合自己的经历写下了自己的工作体验。一、揭开咨询顾问的神秘面纱——你眼中的咨询顾问和咨询顾问眼中的自己君只见我们蓝天翱翔、云中漫步，金卡白金卡是顾问标配；君不见我们航班延误、迫降他乡，更不见我们火车转汽车、忐忑搭乘黑车——感谢祖国经济的发达，山区乡镇也有上市公司，有客户的地方就是我们的战场；君只见我们出入星级豪华酒店、推窗看海、看江、湖泊； 君不见我们“下榻”客户工厂宿舍、乡镇招待所，与虫蚊蝇儿共舞，洁癖患者自带床单被罩——大顾问能屈能伸，可与客户同甘共苦、体验百味人生；君只见我们论坛峰会指点江山、
半个外行的我是这么理解，也许王健林不会投入过多心思，全权交给手下的某位大臣，毕竟房地产开发比起纯粹的商业投资管理要劳心得多，但这并不意味他完全放弃也一块。要知道万达的成功其标志性因素就是完备的体系流程和高效的执行力，开发公司和商业公司之间是有非常紧密的承接关系，前者负责拿地、建设，后者负责招商、运营。然而因为公司的性质不同，导致很多问题上两者是对立和统一，矛盾和协同的共生体。最近我所在的项目进入开发阶段的末期，准备各种验收，而该项目的招商工作正如火如荼的进行。比如招商团队接触某大型商家，其市场影响力和租赁规模对项目有很大的提升，但是该商家对硬件要求极高，目前本项目在铺面划分，通风净化设备上都不
前面说的有点不接地气啊。。。。参看一下，前几天刚刚我在网贷之家的一篇专栏大公国际是P2P评级界的郎咸平最近几个月来，大公国际成为互联网行业的热门话题。前两天，在某一知名的互联网金融群里，有人询问如何看待大公国际的“黑名单”事件，以及彼此的“撕逼大战’。以前思考过这个问题，今天系统的整理一下观点。首先，申明一下：笔者是行业相关从业人员，可能没法做到绝对中立；尽可能保证自己分析的客观性和独立性。国内外评级机构简介在国际上，有三家著名的评级机构：穆迪(Moody's), 标准普尔(S&P)和惠誉(Fitch)。这三家机构都成立在20世纪初期，凭借长期的独立客观和公司声誉，奠定了自己在债券评级领域的地
电热水器还是大品牌比较可靠一些。
& 百姓网股份有限公司 客服电话：400-036-3650 或 021-（周一至周日 9:00～18:00）
沪ICP备号 沪ICP证B2- 沪公网安备16号