致谢 | 第5-6页 |
摘要 | 第6-7页 |
ABSTRACT | 第7页 |
1 导论 | 第11-19页 |
1.1 选题背景和目的 | 第11-14页 |
1.2 研究思路和方法 | 第14-15页 |
1.3 研究现状 | 第15-16页 |
1.4 研究设想 | 第16-17页 |
1.5 论文框架结构 | 第17-19页 |
2 现有大数据及未来发展技术对银行的益处 | 第19-22页 |
2.1 现有大数据处理技术 | 第19-20页 |
2.1.1 数据传输 | 第19页 |
2.1.2 大数据库 | 第19-20页 |
2.2 未来发展 | 第20-22页 |
2.2.1 私有云技术 | 第20页 |
2.2.2 软件定义的网络 | 第20-21页 |
2.2.3 高级同步 | 第21页 |
2.2.4 Apache的Hadoop | 第21页 |
2.2.5 客户端管理程序 | 第21-22页 |
3 银行业目前及未来发展对大数据技术需求的预测 | 第22-28页 |
3.1 市场定位、同业竞争、外部压力 | 第22-24页 |
3.1.1 竞争的加剧 | 第22页 |
3.1.2 金融市场的快速发展与完善 | 第22页 |
3.1.3 银行进入壁垒的降低 | 第22-23页 |
3.1.4 管制的放松 | 第23页 |
3.1.5 金融全球化 | 第23-24页 |
3.1.6 金融创新的不断涌现 | 第24页 |
3.2 全面电子信息化 | 第24-28页 |
3.2.1 客户 | 第25页 |
3.2.2 竞争 | 第25-26页 |
3.2.3 成本与收益 | 第26-27页 |
3.2.4 国内银行业网络平台建设现状 | 第27-28页 |
4 大数据技术对银行企业融资风控管理的适用性 | 第28-35页 |
4.1 银行内部现有对企业融资的风险识别模式 | 第28-31页 |
4.1.1 风险识别的量化指标分析 | 第29页 |
4.1.2 风险识别的非量化指标分析 | 第29-31页 |
4.2 银行内部现有对企业融资的风险管控模式 | 第31-35页 |
5 大数据技术与银行风控的现有结合 | 第35-45页 |
5.1 当前的银行风控形势 | 第35页 |
5.2 银行自身进行大数据建设的优势 | 第35-36页 |
5.3 大数据对于银行业风险管控的推进作用 | 第36-37页 |
5.4 基于大数据的银行风险管控 | 第37-38页 |
5.4.1 全面风险视图的建立 | 第37页 |
5.4.2 客户线上信息识别 | 第37页 |
5.4.3 信用评分模型建设以及与之匹配的业务策略设计 | 第37页 |
5.4.4 实时风控技术框架 | 第37-38页 |
5.4.5 智能决策与业务应用流程结合 | 第38页 |
5.5 应用举例之江苏银行 | 第38-41页 |
5.5.1 “享e融”个人纯线上贷款产品 | 第39-40页 |
5.5.2 “税e融”小微金融贷款 | 第40-41页 |
5.6 应用举例之民生银行 | 第41-45页 |
5.6.1 充分获取数据信息是关键 | 第41-43页 |
5.6.2 有效使用数据信息是核心 | 第43-45页 |
6 大数据与银行风控结合的未来展望—新系统的研究推论 | 第45-60页 |
6.1 新系统设计的理论基础 | 第45-53页 |
6.1.1 与蚂蚁金服风控体系的比较 | 第47-50页 |
6.1.2 设计原则及目标 | 第50-51页 |
6.1.3 新系统层级结构及特点 | 第51-53页 |
6.2 新系统的基础架构推论 | 第53-60页 |
6.2.1 新系统架构图 | 第53-54页 |
6.2.2 一个框架 | 第54-55页 |
6.2.3 一个门户 | 第55-57页 |
6.2.4 一个中心 | 第57-58页 |
6.2.5 多渠道、多应用 | 第58-60页 |
7 新系统具体运作举例 | 第60-75页 |
7.1 大致流程 | 第61页 |
7.2 发起申请 | 第61页 |
7.3 风险评估(贷前时点模式) | 第61-71页 |
7.3.1 企业基本信息分析 | 第62-67页 |
7.3.2 企业财务数据分析 | 第67-69页 |
7.3.3 企业评级及审批决策 | 第69-71页 |
7.4 融资双方达成协议(融资发放阶段) | 第71-72页 |
7.5 贷后管理(贷后时间段风险评估模式) | 第72-75页 |
8 新系统的分段推进设想 | 第75-77页 |
9 结论 | 第77-78页 |
参考文献 | 第78-86页 |
作者简介 | 第86页 |