這一切都是顯得那么的令人振奮，令人欣喜。但我認為在看到互聯網金融快速發(fā)展所帶來的種種積極變化的時候，在繼續(xù)推進金融創(chuàng)新的過程中，似乎也應該注意兩個問題，一、金融創(chuàng)新的全部內容是不是金融的互聯網化；二、是否應該避免陷入技術至上、唯數據論的誤區(qū)。第一點比較容易理解，答案也應該是明確的。關于第二點想必看法不會完全一致。我想就此談談一己淺見。這可以從北京大學國家發(fā)展研究院沈艷教授最近的一篇文章說起。

　　沈艷教授的文章題目是《大數據分析的光榮與陷阱——從谷歌流感趨勢談起》。她在文章中講了一個故事，那就是谷歌公司在2008年11月啟動了一個“谷歌流感趨勢”（GoogleFluTrends，GFT）項目，這個項目曾被許多人認為是大數據分析優(yōu)勢的一個證明。這個項目的團隊曾宣布他們通過數十億搜索中45個可能涉及流感關鍵詞的分析，就能夠比美國疾控中心提前預報流感的發(fā)病率，從而使人們可以有充足的時間提前采取預防措施以避免患上流感。倘若真能如此，這個成果無疑具有重要的社會意義和經濟價值�？上У氖�2014年，美國《科學》雜志的有關文獻報道了GFT在2009年沒有能預測到有關流感的爆發(fā)，在2011年8月到2013年8月間的108周里，有100周預告不準（預測率是實際報告值的1.5倍多）。沈艷詰問道，為什么傳說中充滿榮光的大數據分析會出現如此大的系統(tǒng)性誤差呢？她認為如果在數據分析中只關心相關關系而不注意因果關系是不行的，必須避免模型對數據值作出“過度擬合”，她還指出尤需注意不能以為大數據可以完全替代小數據，她呼吁要防止墜入“大數據陷阱”，力戒“大數據自大”。我十分贊同沈艷的觀點。沈教授所指出的問題正是若干年來我們在推進互聯網金融發(fā)展中所一直十分注意和努力想解決的問題。

　　撇開銀行在產品研發(fā)、客戶營銷、員工及機構管理等方面的數據應用問題暫且不談，就說銀行最常見也最重視的風險管理，多年來許多銀行尤其是一些大中型銀行都在如何利用數據技術提升風險管控能力方面進行了很多的探索，做出了不懈的努力。例如，工商銀行在估算客戶的違約概率（PD）、違約損失率（LGD）的時候，十分注意把數據長度作為風險參數量化過程中的一個重要因素，堅持要求數據觀察期起碼必須涵蓋一個完整的經濟周期，以努力避免簡單地以昨天的數據來說明今天和預測明天。現在工商銀行非零售業(yè)務和零售業(yè)務的客戶違約率、損失率數據積累長度均已超過12年。同時包括工商銀行在內的不少銀行還建立起了全行數據質量的管理標準和平臺，不斷進行內部評級的復核驗證，以盡可能減少失真數據的干擾和影響。為了能夠對各種風險進行量化，在信用風險管理方面僅工行就開發(fā)了34個法人客戶評級模型，實現了對所有法人客戶違約概率（PD）的計量，開發(fā)了175個信貸產品的3類債項評級模型，實現了對違約損失率（LGD）的計量。對零售業(yè)務，工行還開發(fā)了75個信用評分模型，覆蓋了個人客戶準入、賬戶信貸審批和業(yè)務管理的完整業(yè)務生命周期。在面對市場風險（因市場價格例如利率、匯率、債券股票價格、商品價格的不利變動，而使商業(yè)銀行表內和表外業(yè)務發(fā)生損失的風險）的防控方面，我們制定了16個辦法，開發(fā)了17個定價估值模型來進行風險價值（VaR）和壓力風險價值（SVaR）的計量，并且在實踐過程中每日實施返回檢驗，把模型計算所得的風險價值與發(fā)生的真實損益進行比較，以檢驗模型、方法的準確性和可靠性。在防控操作風險（主要是指由不完善或有問題的內部程序、員工行為和信息科技系統(tǒng)，以及外部事件所造成的風險）方面，工行開發(fā)了操作風險損失事件管理系統(tǒng)，分別用于對操作風險高頻低損和低頻高損部分的計量。

　　為了達到上述的這種數據采集、挖掘和應用水平，僅為積累有關數據、開發(fā)這些風險管控模型，工商銀行就先后花了將近15年時間，投入了巨大的人力和財力。盡管目前這一套風險識別和計量的方法、模型已經按照國際金融穩(wěn)定理事會的有關標準，經過監(jiān)管部門組織的多輪評估獲得通過，認定為合格，但坦率地說，我們從來也沒有認為這一切已經是完美無缺的了。面對不斷變化的社會經濟環(huán)境，隨著銀行業(yè)務日新月異的發(fā)展，在數據的管理利用方面確實還有許多問題需要解決，前面的路還很長。這也正是工商銀行近年來又推出了eICBC新發(fā)展戰(zhàn)略的一個重要原因。

　　我之所以不惜篇幅地介紹這些情況，主要想說的就是許多事確實不像想象的那么簡單。面對互聯網金融大潮，在興奮激動之余，我們還需要一種相對冷靜平和的心態(tài)。如果我們真的要搞金融大數據開發(fā)，真的要靠有關數據來辦互聯網金融，那確實就要認真思考一下自己所謂擁有的“大數據”真的足夠大了嗎？足夠長了嗎？

　　自己擁有的數據中的信噪比問題有效解決了嗎？自己擁有的數據分析模型如果對樣本內的數據分析還算準確的話，那它對樣本外的預測結果也能一樣有效嗎？自己所擁有的數據處理模型是否完全建立在一種假定之上了，那就是以為人們的社交行為數據、那些非結構化數據都是真實的？坦率地說，我始終認為只要一些數據生成者知曉自己的行為數據可以影響自己的利益（例如可以獲得信譽、信用積分，可以獲得授信融資等），那對這部分數據的可靠性就有質疑的理由。這也許就是人文科學領域的“測不準原理”�，F在各種花樣百出的水軍現象已經一再提示我們，真是“不能天真地認為數據使用者和數據生成機構都是無意識生產大數據的”（沈艷，2015）。

　　上述這些還沒有涉及諸如homes系統(tǒng)、高頻交易等技術在這一輪股市風波中的作用究竟應該如何認定的問題。盡管對此還可能有這樣那樣的看法，但可以確定的是，在某些條件下，所謂的技術中性在面對市場時是完全可能發(fā)生變異的。

　　總之，我認為金融的創(chuàng)新、互聯網金融的發(fā)展，除了技術，還需要一系列的條件支撐，包括營造一種良好的文化氛圍。在眼花繚亂之中，要力戒浮躁，腳踏實地�；ヂ摼W技術是時代進步的標志，是現代文明的產物，它與那些江湖氣其實是不搭的。諸如“流量為王，就是要靠燒錢來吸引客戶”，“互聯網就是財富重分的過程，就是贏者通吃的游戲”，“羊毛出在豬身上，猴數錢，牛買單”等說法，如果僅是開開玩笑，說說段子，那也未嘗不可，但作為一個要對投資者負責、對債權人負責、對債務人負責、對市場穩(wěn)定負責的金融從業(yè)者來說，如果把這真的當成了自己的經營理念，那是萬萬不可的。