锐客网

  1. 首页 > 科技 > >

链得得|全景式对比中美金融科技发展水平：硬件持平，软件各有特色( 三 )


第四，数据的来源涉及到一个渠道与合规的问题 。这个跟数据管理与合规方面的要求有关，地域性很强 。每个国家对数据和隐私的保护力度是不一样的 。欧洲在这方面比较超前，发布了General Data Protection Regulations (GDPR)来规范对个人信息和数据安全的隐私保护 。美国也有类似的相关法律，联邦层面和州级层面都有关于隐私信息的法规 。 
第五，监管的要求 。美国有2个重要的法律，一个是Fair credit reporting Act, 一个是Equal credit opportunity Act, 这两个法律都要求金融机构要向监管解释清楚授信不同背后的原因 。例如Apple Credit Card当年发布的时候，联合了万事达卡和高盛旗下的Marcus，强强联手发布，但是不久就被发现，在其他条件同等的情况下，他们给夫妻的额度是不一样的 。苹果创始人之一Steve Wozniak也曾就此发推特说，这个情况同样发生在他和他妻子身上 。这在美国就属于需要向监管解释的地方 。 
第六，投资主体保护 。美国的证券法，还有金融危机之后成立的CFPB (Consumer Financial Protection Bureau), 都有一个很重要的宗旨，就是保护投资人能得到公正平等的对待、得到及时、充分、透明的信息披露，不被欺骗和误导 。针对区块链技术的发展，美国的监管也提出“豪威测试”，设置合格投资人的要求，以及今年9月Coinbase欲上线借贷产品遭证监会的警告等等 。另外反垄断法也是保护投资人的一个体现，2020年Visa欲收购Plaid被司法部否决就是一个例子 。中国今年6月份也出台了“信息安全法”，更强调于对国家信息安全的保护 。 
第七，第三方供应商的选择 。以资产估值为例，同一个地产，不同第三方估值公司评估出来的价值相差近2倍 。所以在选择数据库的同时，背后的这些评估机构的资质和方法不同都有可能产生一定影响 。在房地产领域，行业风险、集中度风险都是值得关注的数据点，并非所有数据拿来都直接能用 。 
人工智能和机器学习 
越来越多的机构采用人工智能技术，都是为了更快、更便宜、用户体验更好 。机器学习是人工智能领域里的一个子领域，专注于通过处理大量的数据来发现某种模式和相互关系 。比如曾有人发现晚上给手机充电的人更容易还贷款的模式 。但是这随之就引来刚才提到的另一个如何向监管解释授信额度不同的问题 。9月17日华尔街日报报道了一篇文章，讨论目前的人工智能如何通过算法产生的偏见，将一大批合格的应聘者删选出数据库 。比如某个应聘者，一直都有很优秀的履历，但是因为休产假之后离婚，作为单身妈妈
将小孩养大到送托儿所，之后再去就业，就发现很难拿到面试机会 。因为很多公司的算法通过她履历上的空白期直接将她剔除出候选人了 。上面提到的Apple credit card也是类似的例子 。 
目前在美国，机器学习应用的比较广泛的领域是反洗钱和反欺诈 。其他方面，比如对冲基金做高频交易的，还是采用传统的回归分析方法 。而且之前在美国曾经在高频交易的领域里发现过，2种算法会互相影响互相“学习”，产生算法方面的相互关联而产生“共鸣”，最终影响结果 。 
借贷领域，比如LendingClub曾经提到过，他们会用机器学习发现并研究某些规律，但是授信的时候依然使用传统的方法，最主要的原因是为了遵守法规，给监管和大众合理的解释 。 
Open API 
这里中美两国差不多，都是有一些金融科技公司专门从事数据集成和处理的工作，然后有时会和传统金融机构合作，国内的很多银行，美国的Capital One, JP Morgan, PNC Bank等等，都会雇佣这些第三方公司，分享自己的数据库给他们 。有几个比较有名的金融科技初创公司，比如mint.com, 就是拿到客户授权的用户名和密码后，登陆进客户的账户，为客户做个人预算跟踪和计划服务 。Stripe, 本身是做信用卡信息处理起家的，慢慢的延伸到支付领域 。Plaid，原来做Open API起家的，慢慢的扩张到一边联系2,600个金融科技初创公司，另一边联系11,000个机构级数据源 。另外这里值得一提的是，有些国家，比如欧盟国家、澳洲等，政府是提倡开放式银行的，意在促进创新和科技进步 。中美两国在这方面的态度都差不多，都是市场驱动型的 。 

推荐阅读


上一篇：投稿|迈向新轨道：蓄势待发的中国卫星互联网

下一篇：红米note|1000块钱内的手机有哪款值得推荐