基于互联网金融的大数据应用模式及价值研究 何培育
doi：10.14089/j.cnki.cn11-3664/f.2017.05.005引用格式：何培育.基于互联网金融的大数据应用模式及价值研究[J].中国流通经济，2017（5）：39-46.
1、2
何培育
（1.重庆理工大学知识产权学院，重庆市400054；2.西南政法大学博士后流动站，重庆市401120）
摘 要：大数据时代的到来将新兴的互联网金融产业发展带入快车道，大数据技术在互联网金融中具有极大的运用价值，能够帮助银行、证券、保险、P2P
网贷等行业进行产品和服务创新，提升金融行业的信息化水平，完善自身管理结构并吸引潜在客户。然而新技术的运用往往伴随着诸多的隐患，应当从加强大数据战略的顶层设计、推动信息技术的发展与迭代、保障网络用户数据安全、健全风险管理制度、构建互联网金融联合监管模式等方面不断完善，以保障互联网金融产业快速、健康发展。
关键词：互联网金融；大数据技术；网络用户；数据安全
中图分类号：F830.3 文献标识码：A 文章编号：1007-8266（2017）05-0039-08随着大数据时代的到来，各行各业对于海量市场带来新的机遇。蔚赵春与凌鸿[1]指出，大数数据的挖掘和运用呈现出前所未有的热情，大数据在银行业渠道拓展、个性化服务、精准营销、小据已经逐渐演变成为重要的生产要素与竞争工微企业信贷等方面具有极大的发展空间。程立国具，渗透到社会生活的各个领域。尤其对于通过等 [2]认为，大数据技术的应用可促进金融业深化信息技术驱动行业创新的互联网金融而言，加强风险管理模式、优化网点资源配置。黄子健和王大数据技术的运用将是其未来发展的核心驱动龑[3]则提出，大数据技术有助于解决“小微企业融力。本文拟通过对当前大数据在互联网金融领域资悖论”的难题，当小微企业因资金短缺向金融机运用的现状考察，分析其潜在价值与面临的主要构申请信贷业务时，金融机构为了控制自身的信挑战，探讨信息时代大数据在互联网金融领域运贷风险，往往要求小微企业提供一定的抵押品，最用的优化路径。终导致小微企业出现融资悖论，在互联网金融信贷模式下，通过大数据技术所创造的“信用资本”
[4]认和“信用抵押”能够有效解决这一难题。方方为，大数据技术为银行提供了全新的沟通渠道和有效手段，银行内部数据与社会数据的有机整合
一、研究综述
学界普遍认为大数据技术的应用能够为金融
收稿日期：2017-03-04
基金项目：国家社会科学基金项目“大数据时代个人信息盗窃的法律问题与对策研究”（16CFX027）;
重庆市社会科学规划项目“大数据时代个人数据信息隐私安全风险及应对机制研究”（2015YBGL110）;重庆市博士后科研特别资助项目“大数据时代个人数据盗窃行为法律规制研究”（Xm2015043）作者简介：何培育（1983—），男，河南省洛阳市人，重庆理工大学知识产权学院副教授，硕士生导师，博士后，主要研究方向
将产生新型的金融业态，颠覆金融服务形态，最终使那些善于利用数据的银行从市场中胜出。
同时，大数据技术在互联网金融领域中所面临的挑战与风险也逐渐被广泛认识。石勇和陈懿冰[5]通过对中国人民银行与中国工商银行大数据实践的分析，认为互联网金融中的数据处理水平、技术和传统金融业的商业模式都面临着挑战。孙浩 [6]则提出，大数据技术的应用使金融业面临数据基础设施、金融产业结构转变以及数据安全等诸多方面所带来的挑战。叶中行[7]则认为，在互联网金融中的大数据应用存在大数据共享失联、内容失真、分析失能、处理失速和安全失控等风险。
面对这些挑战与风险，学者纷纷提出各自的应对方案。翟伟丽[8]认为，通过加大体制和机制创新力度，提高银行、证券、保险领域的相互开放力度，改变金融机构的观念，可促进大数据时代金
[9]提融机构的创新和做大做强。侯敬文和程功勋出，应当通过对金融数据的有效管理和控制，建立金融企业价值链网络，最终构建金融大数据超市，将用户与超市紧密结合以达到双方共赢的目的。杜永红[10]认为，提供多元化增值服务、加强流程管理、构建智慧发展模式将最终实现大数据在金融市场中的价值，并有助于防控风险。
二、互联网金融领域大数据技术应用的现状
（一）互联网金融领域大数据技术相关行业应用考察
互联网金融在中国的发展大致可以分为两个阶段。第一个阶段是互联网金融的开始阶段，即传统的金融机构互联网化的过程；第二个阶段是大量互联网企业进入金融市场的阶段，以阿里金融等互联网意义上的金融机构为代表，[ 11 ]这意味着互联网金融行业几乎可以获得传统金融行业所有的数据。金融业与人的经济活动密切相关，每天产生着与各种金融业务密切相关的大量数据，为进一步深化大数据的应用提供了现实基础。根据贵阳大数据平台发布的《2016
年大数据产业交易白皮书》，2015
年中国金融大数据应用市场规模16 2020 1 300
达 亿元，预计 年将突破 亿元。大数据技术在互联网金融业中的运用将为金融业提供 诸多创新点。
1.
银行业当前大数据技术在银行业的应用主要体现在四个方面。一是通过海量数据的分析对目标用户的财产状况、信用情况进行准确评估，使信贷风险处于可控状态。如对银行的大客户——企业，进行全方位分析，综合该企业在所处行业地位、企业竞争力水平、所处产业区域位置、营收分布情况、行业成长性、竞争格局及市场占有率等因素，将银行可能承担的违约风险降到最低。二是对储户的信息进行跟踪分析。如将用户的商品购买记录和银行交易信息相联系，为用户提供系统的金融增值服务。三是对储户的社交信息、交易信息以及家庭信息等进行价值挖掘，为处于人生不同阶段的用户提供针对性强的银行理财产品。四是通过对用户数据的实时关注，发现潜在用户，及时察觉流失用户，进而改进产品或服务。
在大数据技术应用的实践方面，中国工商银行建立了全行统一的数据仓库和集团信息库两大数据基础平台，对大数据进行分析、挖掘和设计，并实施了业务运营风险改革方案，同时以数据分析结论为基础，运用风险监控模型实施系统化的运营监控体系。通过大数据风险监测系统的应用，全行的风险事件发生率大幅降低，日均人工监
895.8 5.4 5 900督工作量由 万笔降至 万笔，缩减了个业务监督人员岗位，在提升工作效能的同时大大节省了人力成本。[12]
2.
证券业证券业具有与互联网高度融合的现实基础，大数据技术在证券业的应用有效契合了证券行业的现实需求。首先，24
小时不间断收集大数据可使证券公司对市场进行实时追踪，同时大数据技术的强大处理能力将使不间断地挖掘与处理数据成为可能。其次，通过对数据的大量收集，证券业自动化交易策略设计中的数据量可以得到显著增多，可供参考的数据也随之增多，从而实现对证券市场更精准、更快速的把控。最后，证券业作为金融市场中信息化程度最高的行业，其发展受到信息化程度的限制，利用大数据技术可使该行业的信息化程度得到一个质的提升。充分信息化的证券市场可对客户行为、市场因素、客户相关、市场行情、上市公司公开信息、宏微观经济数据等信息
进行实时记录，对相关信息进行全方位的分析，为客户提供更加合理与准确的建议，最终实现客户价值。
证券业与市场波动紧密相连，而市场波动往往决定着证券机构的盈利和亏损。准确预测市场可使证券公司对自身经营情况进行预估，并采取适当的方法进行应对。2010
年美国印第安纳大学
Twitter的一份调查研究表明，在从社交媒体 中表现出来的情绪指数与道琼斯工业指数的走势之间
90%的相关性，随后的调查进一步发现，利具有近
[13]。用这些社交搜索数据可对股市进行精准预测
3.
保险业基于大数据而形成的保险产品将对保险业务的提升起到颠覆性的作用。传统的保险定价是基于整个用户群体，传统保费是保险公司对整体风险评估分析后确定的平均值，而新型的保险产品可以做到差异化定价，可根据每个人的行为相关数据、交易记录、社交数据进行精准风险评估，最终确定相应的价格，每个人只为自己的风险缴纳相应的保费，保险产品更个性化，也更容易吸纳新的用户，产生新的产品价值。2015
年我国保险密1 766.49 元/人（271.77美元/人），保险深度为度为
3.59%，而2015 662年的全球市场人均保费支出为
3 666美元，发达国家人均保费支出为 美元，我国的保险密度尚有很大的发展空间，表明我国运用保险机制的主动性还不够[14]。大数据的应用将使市场潜力得到发挥，相关的产品改造将使保险向更广的人群覆盖。除此之外，大数据还能应用于保险欺诈识别业务。保险欺诈是传统保险行业中难以根除的恶疾，当数据量达到足够大时，保险欺诈行为的可识别度将显著提高，整个保险业的利润水平也会明显提高。中国保险行业协会委托波士顿咨询公司（BCG）向国内19
家保险公司发放访63%的保险公司已将谈问卷进行调研，结果显示大数据应用于欺诈检测方面，47%的保险公司已在风险评估与定价方面展开实践，对于大数据在交叉
32%销售、防止客户流失方面的实践则达到了 。[15]
4. P2P
网络 贷款在产品宣传方面，基于大数据的精准营销可
P2P以显著提升客户体验。随着 网贷规模的不断扩大，贷款者往往要花费大量的时间与精力才能找到合适的信贷产品，影响用户的使用体验，从而 导致消费者的流失。而基于大数据的个性化推荐系统提供了一个完善的解决方案，即通过对贷款人的特征和借款记录，信贷产品的期限、风险和收益，以及客户的浏览记录、个性化需求与兴趣偏好等信息进行综合分析，可向用户进行个性化推荐，实现对产品业务流程的优化。在风险防控方面，大数据技术可以有效预警
P2P经营风险，保障消费者合法权益。近年来的 网贷平台问题频出，《2016 P2P
年全国 网贷行业半年报》显示，2016
年上半年，全国累计停业及问题平515 268台数量为 家，其中恶性退出的平台共有
P2P
家。[ 16 ]将大数据技术引入到 网贷中能够及时对网贷平台进行监控，并通过对公司经营状况、资产状况、风险状况等的有效评估，提早发现潜在风险进而采取合理的规避手段。（二）互联网金融领域大数据技术应用模式分析1.
互联网金融领域大数据技术应用基本模式分析
大数据技术应用模式一般包括三个层级。第一层是基础数据来源层，主要职能是数据收集。基础数据一般有三个来源，一是云计算、大数据基础设施，二是互联网、物联网基础设施，三是智能终端、APP
应用。第二层是数据整合层，包括对数据的分类、储存与分析，此阶段应用的技术是数据挖掘技术，所谓数据挖掘是通过对海量数据进行针对性的提取、分拣、归类，挖掘隐含的有用信息，为各行各业的生存和发展提供决策支持信息。[ 17 ]数据挖掘技术从本质上说是决策支持过程，是基于人工智能、机器学习、统计学、数据库等技术手段而做出的归纳性推理。第三层是数据应用层，即利用整个数据处理流程最终得到的数据模型进行分析，使决策者对产品或服务市场情况做出判断。该阶段还可以将需求市场进行细分，以达到产品或服务精确投放的目的。
北京拓尔思信息技术股份有限公司（以下简称“拓尔思公司”）长期从事大数据技术和服务业务，提炼出了大数据技术在互联网金融领域应用
1），具有一定的代表性。拓尔的基本构架（参见图思公司将数据结构分为用户层、应用层、分析层、存储计算层以及数据整合层五个层级。在数据收
Hadoop集环节，拓尔思公司结合标准 开源技术，对多种数据（内部数据、第三方数据、互联网数据）整
合，进行统一的数据采集与汇总。在数据存储计算环节，在底层构建结构化数据与非结构化数据混合存储的金融数据存储区，并结合不同数据的特性，按主题进行数据切割、关联、打包，形成主题数据库。在数据分析环节，依赖拓尔思公司在金融行业多年的业务处理经验，形成了可量化的分析模型（如信用指数、健康指数、风险指数、冒烟指数、传播指数、偏好指数等），可运用于互联网风险投资、打击非法集资、舆情监测、精准营销、智能客服等多领域，还能为互联网金融监管部门提供相关的信息，保障监管的及时性与有效性[18] ，是当前大数据技术运用于互联网金融领域的典范。
2.
互联网金融领域大数据技术具体应用模式例证
中国人民银行个人信用评分模型是数据挖掘技术在风险管理中的典型应用，通过对全国各大 金融机构中所有个人信贷账户中的信用卡、汽车贷款、住房资源等历史数据，运用数据挖掘和统计分析技术建立评分体系，该模型旨在针对消费者未来一定时期内的违约概率进行预测，初步将评
350~1 000
分标准确定为 分，分数越高，风险越低或信用越好。
另外，小米金融首先依靠设备层中的基础设施如手机、手环、智能家居等实现对业务层数据的
R收集，然后通过数据仓库进行储存，再利用 语言、Spark、Hive
等大数据挖掘分析技术建立信用模型与反欺诈模型，最后根据模型反馈的结果采取进一步的措施。如对存在欺诈风险的账户采取异常环境检测手段或要求用户利用手机设备进行账户验证，采用实名认证措施以消除身份伪造的风险，而针对虚假资料信息则采用交叉验证的方法。
此外，大数据在金融市场中还可被相关监管
部门运用到反洗钱中，其核心原理是利用大数据技术在海量数据中发现与洗钱行为存在相关性的数据，进而对洗钱行为进行深度追踪。具体路径是通过对原始交易数据的收集，完成数据的简单分类、处理和储存，然后利用数据挖掘技术寻找其中存在的与犯罪行为相关的数据，将满足犯罪行为特征的有关数据作为判断犯罪行为的主要线索，并自动反馈给监管部门。监管部门最后基于反洗钱的经验与知识，结合数据处理后可视化的
2）。相关信息进行最终判断（参见图
（三）互联网金融领域大数据技术应用价值的分析
大数据技术通过对海量非结构化数据的分析、计算与整合实现预测功能，在互联网金融领域具有广泛的应用价值。
1.
优化产品和服务用户的需求能够通过大数据得到可视化体现，通过对不同渠道来源的数据进行分析，企业能够有针对性地对产品和服务进行优化。互联网金融领域的数据主要有四个来源渠道。一是互联网中的交易数据，包括第三方支付数据、电商购物数据以及生活服务类的缴费数据；二是社交大数据；三是信用卡以及银行卡大数据；四是互联网中的征信大数据。通过大数据技术对这些多维度数据进行处理，对用户的了解将达到非常高的程度，使产品直接投放到目标客户群体中，减少了其中的沟通成本与交易成本。在具体经营活动中，企业往往采用“用户画像”这种技术，即首先通过对用户基本数据、客户使用产品数据、客户历史交易数据等原始数据进行统计分析，其次再结合用户人口属性、账户历史趋势、产品购买次数等事实数据 进行建模分析，然后再对用户满意度、用户风险程度、用户偏好等进行模型预测，最终建立包含消费能力、用户流失概率、违约概率、用户近期需求等画像标签，进一步为企业的产品设计与服务优化提供可视化信息支持。
2.
挖掘潜在用户大数据技术的应用能够建立新型征信机制，降低交易风险，扩大金融服务的覆盖范围。波士顿咨询公司发布的《2015
中国个人征信行业报告》
8.6显示，中国人民银行个人征信中心数据覆盖 亿
3.5人，其中有信贷记录的约 亿人，个人征信系统
35%。
覆盖率为 [19]
通过大数据技术建立的多元化信用评价机制，将从多方面对个人或企业的信用进行深度刻画。除了传统典型的信用卡数据，互联网的社交数据、购物交易数据以及电信业务数据、水电费缴费数据等都将被用于个人或企业的信用刻画。新型的多元化信用评价机制将覆盖传统金融难以覆盖的客户，扩大互联网金融服务受众范围。
3.
推动企业内部管理变革大数据技术在互联网金融领域的应用使金融业管理模式有了创新的方向：以“数据—信息—商业智能”为导向，以定量化、精细化管理为发展路线，充分运用数据分析技术，使分析结论成为金融机构决策的主要依据。
以银行业为例，传统银行业对大数据的整合需要对数据进行分散处理、部分处理以及大量的人工化处理。大数据技术能够促进传统银行业内部管理方式的转变：一是大数据技术可以对银行电子数据进行充分的价值挖掘，避免数据闲置，创造经济价值；二是大数据技术可促使银行业务由个人主观经验导向转变为数据驱动导向，使决策更加具有科学性、合理性；三是促使银行业不断优化人才结构，提高金融系统的工作效率和竞争力。
三、互联网金融大数据应用面临的挑战
（一）数据处理异构大数据时代下的数据处理面临着数据异构的问题。第一，数据源的数据类型从结构化数据为主逐渐转向以半结构化和非机构化数据为主；第二，数据来源更加广泛，过往的数据主要产生于服
务器和个人电脑，随着移动设备的普及，移动端产生的数据大大增加；第三，数据存储方式发生变化，要求在集成过程中对数据进行转换，而转换过程相当复杂且难以管理。同时，数据量的大幅度增加也意味着大量无价值数据的存在，需要在数据的质和量之间进行权衡。
此外，数据处理中还面临着处理标准不统一、先验知识不足的问题。目前数据实时处理包括三种方式，即流处理模式、批处理模式以及两者结合的方式，但没有一个通用的实时处理框架，实践中需要对技术工具进行改造升级，以便达到理想的处理效果。传统分析以关系模型进行数据存储，其中就隐含了对数据内部关系的先验知识，而半结构化与结构化数据难以建立类似结构化的正式关系，需要应用实时处理技术，而相关技术人员很难有充足时间获得相关的先验知识。[20] （二）经营风险防控鉴于数据来源不明确、数量过多、质量千差万别以及数据处理过程中的不规范，在大数据技术应用过程中存在着诸多风险，其中最大的风险是决策风险，要求决策者对基于大数据技术而产生的决策持谨慎态度，合理预估大数据技术中的潜在风险。此外，规避决策风险还要求企业对大数据在不同具体业务活动中的决策可行性进行评估，以便有效分配企业资源。
P2P
近年来 平台通过网络平台实施的非法集资、恶意欺诈、洗钱等事件时有发生，这些现象产生的部分原因在于未建立有效的基于大数据的风险控制机制，缺乏对国家宏观调控信息、行业预警信息以及企业负面新闻等公开数据的收集、分析与预测。此外，有关监管部门对行业趋势、企业经营业绩、公司股东资料等关键数据未进行深入的挖掘，对企业的实际经营能力缺乏认识，难以在风险发生后保障债权人和社会公众的利益。（三）网络数据安全互联网金融市场中的金融大数据由无数的个人数据组成，个人数据是基于数据主体的各种活动产生的，数据安全问题至关重要。然而在目前的金融市场中，数据被随意共享泄露，缺乏个人数据保护的有效措施。造成个人数据安全风险的原因包括投入不足、制度流程不规范、安全意识薄弱、安全需求不明确、专业人员缺乏等。从法律层 面而言，我国当前还未有一部关于个人数据保护的专门法律，个人数据被泄露或滥用的用户难以得到有效的司法救济，且互联网上的侵权行为具有匿名性和隐秘性的特点，仅仅通过用户个人的力量难以找到责任主体。即使确定了侵权行为人，现有法律对侵权行为人的惩戒措施也不足以对个人数据主体的合法权益进行有力保障。
现有技术的发展使那些即使处理过的数据也能够轻易地被转变为敏感的个人数据，行业标准的缺失导致互联网金融领域内相关数据的处理方法千差万别，对敏感数据所指向的个人的有效保
2015护无从谈起。在人民论坛问卷调查中心 年对网络信息安全状况的调查中，受访者将金融数据列为网络信息化潜在安全问题中仅次于个人隐私的第二大潜在安全问题。[21]
四、互联网金融领域大数据应用的优化路径
（一）加强大数据战略的顶层设计应以全局的角度对大数据的具体应用层面进行统筹规划，以保障数据资源的合理利用以及效用最大化。我国互联网金融业正处于蓬勃发展期，经营模式正从原来以产品为中心的粗犷型管理模式向以市场为导向、以客户为中心的新型精细化管理模式转变，开始注重于长远规划，着眼于金融业的长期发展，利用数据管理的手段对客户需求进行全方位的数据分析，进而深层次地了解用户，以便达到对用户情况实时把控、用户需求切实满足的效果。
加强顶层设计能够将企业现有组织结构进行整合，最大化地减少管理上的冲突，提高企业资源利用效率，保障企业在市场中的灵活性。同时大数据技术的低成本性也将使企业的管理费用大幅度降低。
（二）推动信息技术的发展与迭代大数据技术效应的充分发挥必须以信息技术的发展和迭代为基础，其关键在于基础设施的不断完善。大数据技术的基础设施包括硬件与软件，硬件主要包括大数据应用架构中用于数据收集、存储的设备，而软件基础设施则包括用于数据处理的专业软件以及金融企业的人力资源。大数
据技术的应用需要建立更多高效率传输的数据中心，以支持分布式集群的跨数据中心任务调度和保障以太网无环路的多链路传输。从长远来看，对这些基础设施的投入能够使大数据技术在互联网金融领域的应用更加广泛，并帮助企业全方位成长。大数据技术也需要得到大量的资金支持，现Hadoop
有的 大数据平台虽解决了大数据的可靠存储和处理问题，但数据处理的反应速度还不尽如人意，对于交互式数据处理、实时处理的支持不够。应加大对新技术的研究力度，不断提出新的技术解决方案，保证数据收集的全面性、完整性，促进技术的变革以增加处理半结构化或非结构化数据的效率，同时建立更加精准的数据模型，最终提供更好的决策建议和依据。（三）保障网络用户数据安全对数据的安全保护应当从数据处理的各实践环节进行把控。数据处理阶段一般分为四个阶段：一是数据产生阶段，该阶段需要对数据进行分级，建立数据日志；二是数据存储阶段，此阶段应当在对数据进行加密处理的同时对数据进行备份；三是数据加工阶段，对数据进行脱敏处理；四是数据的使用阶段，该阶段需要严格设置数据使用权限，严防数据泄露，同时为数据的保存建立一个良好的安全环境。
保护用户数据安全必须减少人为因素的影响。企业应确立对数据管理的基本原则，提高管理人员的安全意识，制定完善的数据安全保护制度，对数据泄露的行为进行严厉处罚，及早发现数据潜在安全风险。[22]
（四）完善大数据风险管理制度对风险的控制程度往往决定着创新性金融的成败。首先，完善的风险管理制度必须对风险进行全面的管理，包括流动性风险、信用风险、操作风险等。其次，完善风险管理制度应从确定风险管理的基本原则出发，并随着企业的发展不断完善。再次，完善风险管理制度的基础是建立专门的风险管理机构，使企业能够在短时间内对风险管理的重要事项及相关制度根据市场变化及时做出调整。最后，还应设置与业务复杂程度和风险管理指标体系相适应的风险管理信息技术系统，随时评估风险，全方位监控预警。 （五）构建互联网金融联合监管模式互联网金融与大数据都是新兴事物，发展初期容易形成监管真空地带，累积风险隐患，大数据技术的广泛应用有助于不断完善监管机制。应建立一个多元化的互联网金融监管机制，根据不同业务性质和风险水平采取不同的监管措施，在做到互联网模式去中心化的前提下，坚持以透明化、市场化和规范化为方向，兼顾创新和公平。
互联网金融联合监管机制由三个部分组成。其一，企业内部的监管机制，传统监管制度难以在短时间内熟悉大数据时代的互联网金融，企业内部监管机制能够灵活利用相关的制度措施进行矫正。其二，整个互联网金融行业的行业监管机制，可对整个行业的变化及时掌握并采取相应的措施。其三，行政机构的监管制度，政府有公权力作为支撑，必须坚守监管的红线，保障互联网金融处于健康可控状态。
＊重庆理工大学林颖对本文亦有贡献，在此致谢。
参考文献： [1]蔚赵春，凌鸿.商业银行大数据应用的理论、实践与影响
[J].上海金融，2013（9）：28-32. [2]程立国，陈健恒，徐永红.大数据在金融业的应用初探[J].
中国金融电脑，2013（10）：69-73. [3]黄子健，王龑.大数据、互联网金融与信用资本：破解小微
企业融资悖论[J].金融经济学研究，2015（1）：55-67. [4]方方“.大数据”趋势下商业银行应对策略研究[J].新金融，
2012（12）：25-28. [5]石勇，陈懿冰.大数据技术在金融行业的应用及未来展望
[J].金融电子化，2014（7）：22-23. [6]孙浩.金融大数据的挑战与应对[J].金融电子化，2012（7）：
51-52. [7]叶中行.互联网金融中的大数据应用[J].科研信息化技术
与应用，2015（2）：3-10. [8]翟伟丽.大数据时代的金融体系重构与资本市场变革[J].
证券市场导报，2014（2）：47-50. [9]侯敬文，程功勋.大数据时代我国金融数据的服务创新[J].
财经科学，2015（10）：26-35. [10]杜永红.大数据下的互联网金融创新发展模式[J].中国流
通经济，2015（7）：70-75. [11]李平，陈林，李强等.互联网金融的发展与研究综述[J].电
子科技大学学报，2015（2）：245-253. [12]中国工商银行.工商银行金融互联网与大数据应用[EB/ OL]（. 2014-01-22）[2017- 02- 05].http：//www.acsi.gov.cn/ archiver/zjw/UpFile/Files/Default/0140122150231265625.
pdf.
[13] . [EB/OL].（2014- 09- 26）张燚 当市场情绪可以量化
[2017- 02- 05].http：//finance.people.com.cn/stock/n/2014/ 0926/c67815-25739594.html.
[14]李忠献.2015 3.59% [EB/OL]（. 201603
年中国保险深度为03）[2017- 02- 05].http：//xw.sinoins.com/2016- 03/03/ content_186564.htm. [15]朱进元，殷剑峰.转型与发展：从保险大国到保险强国
[M].北京：社会科学文献出版社，2015：210. [16]上海盈灿商务咨询有限公司.网贷之家发布《2016
年全P2P网贷行业半年报》[EB/OL]（. 2016-07-06）[201702-05].http：//www.wdzj.com/news/baogao/30277.html.国[17]李明江，唐颖，周力军.数据挖掘技术及应用[J].中国新通
信，2012（22）：66-67. [18]北京拓尔思信息技术股份有限公司.拓尔思大数据应用
案例[EB/OL]（. 2016-05-10）[2017-02-05].http：//www.trs.
com.cn/fwyzc/zlxz/201605/P020160510420145496493.pdf. [19]波士顿咨询公司中国征信行业报告（2015）[EB/OL]. （2016- 04- 05）[2017- 02- 05].http：//www.bcg.com.cn/ex⁃ port/sites/default/cn/files/publications/reports_pdf/BCG_Ch ina_Personal_Credit_Investigation_Report_2015_Mar_201 6_CHN.pdf. [20]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机
研究与发展，2013，50（1）：146-169.
[21] . [EB/OL].赵丽 网络信息安全亟待综合性立法保障（2015-12-30）[2017-02-05].http：//epaper.legaldaily.com. cn/fzrb/content/20151230/Articel04002GN.htm. [22]何培育，蒋启蒙.个人信息盗窃的技术路径与法律规制问题研究[J].重庆理工大学学报（社会科学），2015（2）： 159-162.
责任编辑：方程