唐 靜

（湖南環(huán)境生物職業(yè)技術(shù)學(xué)院，湖南 衡陽(yáng) 421005）

0 引言

在金融科技不斷進(jìn)步和發(fā)展的形勢(shì)下，許多新的金融形態(tài)應(yīng)運(yùn)而生[1]。與此同時(shí)，各種跨境、跨行業(yè)的金融產(chǎn)品層出不窮，但是在其發(fā)展過(guò)程中也產(chǎn)生了各種金融風(fēng)險(xiǎn)。如何正確應(yīng)對(duì)金融科技帶來(lái)的新的監(jiān)管挑戰(zhàn)，也逐漸引起了世界各國(guó)金融監(jiān)管機(jī)構(gòu)的關(guān)注。鑒于我國(guó)單一化的金融業(yè)監(jiān)管、金融科技自身的特點(diǎn)以及現(xiàn)行法律法規(guī)的滯后性，現(xiàn)行的監(jiān)管模式并不能完全遏制金融犯罪。在現(xiàn)實(shí)社會(huì)中，第三方支付機(jī)構(gòu)的監(jiān)管機(jī)制不完善，“洗黑錢(qián)”“套現(xiàn)”等風(fēng)險(xiǎn)依然存在。在目前的金融科技的監(jiān)管中，監(jiān)督主體雖然明確，但在實(shí)際的監(jiān)督活動(dòng)中，“真空監(jiān)督”的現(xiàn)象也時(shí)有發(fā)生。在金融科技不斷進(jìn)步之下，傳統(tǒng)金融正逐漸向無(wú)國(guó)界金融發(fā)展。所以，如何保證我國(guó)金融科技創(chuàng)新能力繼續(xù)走在世界前列，并根據(jù)金融科技自身特點(diǎn)構(gòu)建一個(gè)適時(shí)、有效的監(jiān)管模式，是目前我國(guó)金融科技發(fā)展的最大瓶頸。各國(guó)應(yīng)當(dāng)加強(qiáng)金融科技監(jiān)管合作，用科技監(jiān)管科技，進(jìn)而解決金融科技監(jiān)管的滯后問(wèn)題。

1 大數(shù)據(jù)分析技術(shù)在金融監(jiān)管平臺(tái)的應(yīng)用研究

1.1 大數(shù)據(jù)分析研究意義

科技不僅改變了人們從購(gòu)物到社交的方式，也重塑了金融服務(wù)業(yè)。在過(guò)去的幾年里，一些創(chuàng)新型金融公司競(jìng)相出現(xiàn)，利用互聯(lián)網(wǎng)技術(shù)幫助人們找到更多的投資機(jī)會(huì)、方便了人們的支付手段，甚至讓小額貸款也變得容易了很多。新金融技術(shù)的發(fā)展不得不歸因于個(gè)人和企業(yè)的大數(shù)據(jù)爆發(fā)，人工智能、計(jì)算能力、密碼學(xué)以及互聯(lián)網(wǎng)的普及[2]。這些技術(shù)之間有強(qiáng)大的互補(bǔ)性，因此也帶來(lái)了許多新的應(yīng)用，涉及支付、融資、資產(chǎn)管理、保險(xiǎn)和咨詢(xún)等服務(wù)。隨著新大數(shù)據(jù)分析的發(fā)展，監(jiān)管模式的推陳出新，對(duì)中國(guó)的金融行業(yè)監(jiān)管及風(fēng)險(xiǎn)控制具有現(xiàn)實(shí)意義。

1.2 Python語(yǔ)言的使用

作為一種高級(jí)計(jì)算機(jī)程序設(shè)計(jì)語(yǔ)言，Python的優(yōu)點(diǎn)是可以完成以下工作任務(wù)，見(jiàn)表1。

表1 Python的工作任務(wù)以及優(yōu)點(diǎn)

1.3 金融監(jiān)管平臺(tái)大數(shù)據(jù)處理算法

1.3.1 隨機(jī)森林算法

隨機(jī)森林是包括多棵決策樹(shù)，可以用來(lái)執(zhí)行回歸和分類(lèi)任務(wù)的機(jī)器學(xué)習(xí)算法[3]。其輸出類(lèi)別是由多棵決策樹(shù)的輸出類(lèi)別的眾數(shù)決定的。

1.3.2 隨機(jī)森林模型構(gòu)建原理

用N表示樣本個(gè)數(shù)[4]，M表示特征個(gè)數(shù)。從容量為N的原樣本集中有放回地進(jìn)行重復(fù)抽樣，每次抽取的樣本容量也都為N，抽樣N次，形成N個(gè)訓(xùn)練集。這樣每次抽樣時(shí)原樣本集中數(shù)據(jù)未被抽中的概率如公式（1）所示。

當(dāng)N很大時(shí)，1/e為概率值，趨于0.368，如公式（2）所示。

式中：1/e為固定值0.368，e為無(wú)限不循環(huán)小數(shù)。

這表示每次抽樣時(shí)，原樣本集中的數(shù)據(jù)有大概37%的樣本不會(huì)被抽中，這些數(shù)據(jù)被稱(chēng)為袋外數(shù)據(jù)。未被抽中的數(shù)據(jù)集可直接作為測(cè)試集，用于測(cè)試模型的預(yù)測(cè)精度。然后按一定比例確定特征數(shù)（通常取總特征數(shù)的平方根），輸入k（k

訓(xùn)練完成形成N棵決策樹(shù)，隨機(jī)森林模型最后輸出的分類(lèi)結(jié)果由這N棵決策樹(shù)通過(guò)自己的分類(lèi)結(jié)果進(jìn)行簡(jiǎn)單投票而決定。決策樹(shù)生成流程如圖1所示。

圖1 隨機(jī)森林中單個(gè)決策樹(shù)訓(xùn)練過(guò)程

1.3.3 隨機(jī)森林收斂性的分析

隨機(jī)森林在數(shù)學(xué)上的定義可以表達(dá)為例如現(xiàn)有由h1（x），h2（x），…，hk（x）構(gòu)成的隨機(jī)森林。邊際函數(shù)如公式（4）所示。

式中：mg（X，Y）為邊際函數(shù)；avk（I（hk（X）=j））為正確分類(lèi)下得到的票數(shù)；為不正確分類(lèi)的情況下得到的票數(shù)。

邊際函數(shù)表示的意思是，在正確分類(lèi)的情況下得到的票數(shù)比在不正確分類(lèi)情況下得到的票數(shù)多的程度。顯然，該函數(shù)越大，說(shuō)明原分類(lèi)器分類(lèi)效果越可靠。泛化誤差PE*如公式（5）所示。

式中：X、Y為概率定義空間。

隨機(jī)森林邊緣函數(shù)如公式（6）所示。

式中：P（hk（X）=Y）為正確判斷的概率；為錯(cuò)誤判斷的概率最大值。

每棵決策樹(shù)生成隨機(jī)森林時(shí)，總是有一個(gè)初始數(shù)據(jù)集和沒(méi)有被抽取的數(shù)據(jù)集Ok（x）。Q（x，yi）即如公式（7）所示。

式中：Q（x，yi）為x在Ok（x）中yj的比例，為正確分類(lèi)的概率估計(jì)。由此可對(duì)隨機(jī)森林強(qiáng)度和相關(guān)性進(jìn)行分析。

隨機(jī)森林強(qiáng)度如公式（8）所示。

式中：E為數(shù)學(xué)期望。

將公式（6）代入公式（7），所得如公式（9）所示。

式中：S為隨機(jī)森林強(qiáng)度；n為數(shù)量；Q（xi，y）為xi在Ok（x）中y的比例；(xi,j)為Q（xi，y）中的最大值。隨機(jī)森林相關(guān)度如公式（10）所示。

式中：pu為I（ku（xi）=y）的OBB估計(jì)；為I（ku（xi）=的OBB估計(jì)。

pu和的 計(jì)算如公式（11）、公式（12）所示。

式中：I為指示函數(shù)；ku（xi）=y為觀測(cè)的真實(shí)結(jié)果；ku（xi）為觀測(cè)的預(yù)測(cè)結(jié)果。

將公式（10）和公式（11）帶入公式（9），所得如公式（13）所示。

隨機(jī)森林的性能體現(xiàn)在其收斂程度、強(qiáng)度和相關(guān)程度[5]。收斂性在于決策樹(shù)的泛化誤差都收斂，出差會(huì)有上限，這說(shuō)明隨機(jī)森林對(duì)未知事物具有良好的適應(yīng)性，不會(huì)造成很大的誤差，也不易造成過(guò)擬合。

1.4 金融監(jiān)管平臺(tái)大數(shù)據(jù)處理過(guò)程

該文實(shí)證過(guò)程中采取的數(shù)據(jù)均來(lái)自國(guó)泰安CSMAR數(shù)據(jù)庫(kù)。行業(yè)的劃分以證監(jiān)會(huì)的分類(lèi)為標(biāo)準(zhǔn)，選取了醫(yī)藥制造業(yè)中的221家公司。采用其2020—2022年3年的22個(gè)財(cái)務(wù)指標(biāo)數(shù)據(jù)為研究對(duì)象。利用Python語(yǔ)言建立隨機(jī)森林模型。

1.4.1 模型構(gòu)建及操作過(guò)程

導(dǎo)入數(shù)據(jù)：將數(shù)據(jù)集導(dǎo)入Rstudio；

在Rstudio中觀察導(dǎo)入的數(shù)據(jù)是否正常：View（rdata）；

將Rstudio的儲(chǔ)存路徑更改為D盤(pán)下的r_working文件：setwd（“D：\r_working”）。

1.4.2 金融數(shù)據(jù)特征變量的分析

Mean Decrease Accuracy代表的是基于特征變量對(duì)準(zhǔn)確率影響程度的大、小，數(shù)值越大，說(shuō)明重要性越大。并基于此進(jìn)行特征變量排序，見(jiàn)表2。

表2 數(shù)據(jù)特征標(biāo)量的重要性大、小

1.4.3 數(shù)據(jù)隨機(jī)算法準(zhǔn)確性分析

在rdata的數(shù)據(jù)范圍內(nèi)，通過(guò)重復(fù)取樣，將樣本分為2種類(lèi)型數(shù)據(jù)集，占比分別為70%和30%，即sample_set<-sample（2，nrow（rdata），replace=T，prob=c（0.7，0.3））。

將第一種類(lèi)型數(shù)據(jù)集命名為訓(xùn)練集train_set，即train_set<-rdata[sample_set==1，]。

將第二種類(lèi)型數(shù)據(jù)集命名為測(cè)試集test_set，即test_set<-rdata[sample_set==2，]。

基于2019—2021年的醫(yī)藥制造業(yè)財(cái)務(wù)指標(biāo)數(shù)據(jù)，建立的隨機(jī)森林模型的準(zhǔn)確率分別為100%、96.2%和97.4%，如圖2所示，準(zhǔn)確率都比較高，因此證明了該隨機(jī)森林模型對(duì)與財(cái)務(wù)質(zhì)量和狀況的預(yù)測(cè)有較大的可行性。

圖2 數(shù)據(jù)隨機(jī)算法準(zhǔn)確性分析圖

2 大數(shù)據(jù)分析技術(shù)在金融監(jiān)管平臺(tái)應(yīng)用分析

2.1 金融監(jiān)管平臺(tái)大數(shù)據(jù)處理分析

該系統(tǒng)爬取主要針對(duì)網(wǎng)站信息國(guó)泰安CSMAR數(shù)據(jù)庫(kù)進(jìn)行數(shù)據(jù)爬取。為金融監(jiān)管當(dāng)局提供“非法集資”和“企業(yè)異?！憋L(fēng)險(xiǎn)敏感預(yù)警監(jiān)測(cè)，監(jiān)測(cè)數(shù)據(jù)和風(fēng)險(xiǎn)預(yù)警平臺(tái)。大型部門(mén)運(yùn)用大數(shù)據(jù)技術(shù)，并基于多維全面量化數(shù)據(jù)。通過(guò)信息跟蹤、事件慣性突破建立一個(gè)特殊的風(fēng)險(xiǎn)識(shí)別模型。協(xié)助商業(yè)運(yùn)營(yíng)實(shí)體和政府監(jiān)管機(jī)構(gòu)進(jìn)行篩選、預(yù)警重大財(cái)務(wù)、財(cái)務(wù)和法律風(fēng)險(xiǎn)。自2017年起，逐步升級(jí)大數(shù)據(jù)風(fēng)險(xiǎn)監(jiān)測(cè)預(yù)警平臺(tái)，優(yōu)化風(fēng)險(xiǎn)預(yù)警模型，將監(jiān)管業(yè)務(wù)從金融辦延伸至財(cái)政廳、海關(guān)、住建部等政府機(jī)構(gòu)和金融機(jī)構(gòu)，打造完整的工業(yè)服務(wù)鏈。

在數(shù)據(jù)爬取時(shí)，需要導(dǎo)入Requests庫(kù)和BeautifulSoup庫(kù)函數(shù)。使用Requests抓取國(guó)泰安CSMAR數(shù)據(jù)庫(kù)，把要爬取的整個(gè)頁(yè)面抓取下來(lái)。使用BeautifulSoup中的find（）和find_all（）抓取需要的標(biāo)簽內(nèi)容。

2.2 大數(shù)據(jù)模塊決策樹(shù)風(fēng)險(xiǎn)的分析

如圖3所示，大數(shù)據(jù)模塊決策樹(shù)利用復(fù)雜網(wǎng)絡(luò)關(guān)系算法構(gòu)建多維企業(yè)關(guān)聯(lián)圖，通過(guò)關(guān)系篩選、關(guān)聯(lián)操作和指標(biāo)定位，快速、準(zhǔn)確地挖掘企業(yè)風(fēng)險(xiǎn)線索，能夠有效地反映企業(yè)的真實(shí)行為和對(duì)相關(guān)業(yè)務(wù)決策的支持。該程序集數(shù)據(jù)、平臺(tái)和應(yīng)用于一體。主要使用行業(yè)領(lǐng)先的大數(shù)據(jù)處理、分析和建模技術(shù)，真正恢復(fù)用戶(hù)的信用等級(jí)、行為特征和風(fēng)險(xiǎn)配置，并可自動(dòng)對(duì)客戶(hù)進(jìn)行風(fēng)險(xiǎn)評(píng)估，不需要銀行進(jìn)行煩瑣的預(yù)貸盡職調(diào)查和貸后監(jiān)控、預(yù)警，真正幫助銀行進(jìn)行客戶(hù)探索、信貸審批、利率定價(jià)、信貸控制、監(jiān)控和預(yù)警，并形成一個(gè)用于貸款、貸款和貸后流程的智能風(fēng)控計(jì)劃。

圖3 大數(shù)據(jù)模塊決策樹(shù)風(fēng)險(xiǎn)分析圖

3 結(jié)語(yǔ)

該文共選取了22個(gè)財(cái)務(wù)指標(biāo)，利用醫(yī)藥制造業(yè)的財(cái)務(wù)數(shù)據(jù)，運(yùn)用語(yǔ)言中的randomForest軟件包建立了隨機(jī)森林模型。根據(jù)建模后得到的結(jié)果分析得知，無(wú)論是對(duì)訓(xùn)練集的分類(lèi)還是對(duì)測(cè)試集的預(yù)測(cè)，構(gòu)建得到的隨機(jī)森林模型都能很好地發(fā)揮作用，預(yù)測(cè)準(zhǔn)確率都在96%以上。這說(shuō)明可以采用該方法對(duì)公司的財(cái)務(wù)風(fēng)險(xiǎn)進(jìn)行預(yù)測(cè)。大數(shù)據(jù)模塊決策樹(shù)風(fēng)險(xiǎn)結(jié)果有利于公司對(duì)其進(jìn)行數(shù)理統(tǒng)計(jì)，進(jìn)而規(guī)避風(fēng)險(xiǎn)。