?
近期，美國互聯(lián)網(wǎng)金融公司ZestFinance受到國內(nèi)互聯(lián)網(wǎng)金融專業(yè)人士的熱捧，其基于大數(shù)據(jù)的信用評(píng)估模型也越來越受到關(guān)注和效仿。本文結(jié)合美國的金融環(huán)境，對(duì)ZestFinance進(jìn)行簡(jiǎn)要介紹，分析大數(shù)據(jù)征信產(chǎn)生的背景，剖析大數(shù)據(jù)征信技術(shù)，并全面客觀地闡述了大數(shù)據(jù)征信技術(shù)對(duì)于中國互聯(lián)網(wǎng)金融和征信業(yè)未來發(fā)展的借鑒意義。
ZestFinance簡(jiǎn)介
ZestFinance，原名ZestCash，是美國一家新興的互聯(lián)網(wǎng)金融公司，2009年9月成立于洛杉磯，由互聯(lián)網(wǎng)巨頭谷歌（Google）的前信息總監(jiān)道格拉斯·梅瑞爾（Douglas Merrill）和金融機(jī)構(gòu)Capital One的信貸部高級(jí)主管肖恩·卜德（Shawn Budde）（曾管理過收益超過10億美元的次級(jí)信貸業(yè)務(wù))聯(lián)合創(chuàng)辦。ZestFinance的研發(fā)團(tuán)隊(duì)主要由數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家組成，前期的業(yè)務(wù)主要通過ZestCash平臺(tái)提供放貸服務(wù)，后來專注于提供信用評(píng)估服務(wù)，旨在利用大數(shù)據(jù)技術(shù)重塑審貸過程，為難以獲得傳統(tǒng)金融服務(wù)（Underbanked）的個(gè)人創(chuàng)造可用的信用，降低他們的借貸成本。
ZestFinance起初是為傳統(tǒng)的發(fā)薪日貸款（Payday Loans） 提供在線替代的產(chǎn)品。發(fā)薪日貸款因借款人承諾在發(fā)薪日還款而得名。由于美國傳統(tǒng)的信用風(fēng)險(xiǎn)評(píng)估體系無法覆蓋全部的人群，大約15%的人因沒有信用評(píng)分而被銀行排斥在外，無法獲得基本的信貸需求。除了解決傳統(tǒng)信用評(píng)估體系無法解決的無信用評(píng)分借貸問題，ZestFinance還主要面向傳統(tǒng)信用評(píng)估解決不好的領(lǐng)域，將信用分?jǐn)?shù)低而借貸成本高的人群視為服務(wù)對(duì)象，利用大數(shù)據(jù)技術(shù)降低他們的信貸成本。與傳統(tǒng)信貸管理業(yè)務(wù)比較，ZestFinance的處理效率提高了將近90%，風(fēng)險(xiǎn)控制方面，ZestFinance的模型相比于傳統(tǒng)信用評(píng)估模型性能提高了40%。
ZestFinance目前也正在向信用風(fēng)險(xiǎn)管理的其他領(lǐng)域縱深擴(kuò)展，2014年2月ZestFinance宣布推出基于大數(shù)據(jù)分析的收債評(píng)分（Collection Score），旨在為汽車金融、學(xué)生貸款、醫(yī)療貸款提供一種新的評(píng)分系統(tǒng)。ZestFinance的未來發(fā)展方向是希望把其在這種發(fā)款日的貸款上的優(yōu)勢(shì)繼續(xù)拓展到其他貸款領(lǐng)域，包括信用卡、汽車的貸款，甚至包括房屋的貸款，在未來的10～15年，這一方法將取代現(xiàn)行指標(biāo)，成為申請(qǐng)信貸的唯一評(píng)估標(biāo)準(zhǔn)。
ZestFinance引起國內(nèi)的關(guān)注始于2013年7月，當(dāng)時(shí)全球第三方支付平臺(tái)PayPal聯(lián)合創(chuàng)始人、美國知名投資人彼得·泰爾（Peter Thiel）領(lǐng)投了ZestFinance的2000萬美元融資。
為什么要進(jìn)行大數(shù)據(jù)評(píng)估：
傳統(tǒng)的信用評(píng)估服務(wù)無法覆蓋全體人群，特別是弱勢(shì)群體
圖1展示了美國FICO評(píng)分與其對(duì)應(yīng)的人口分布情況，初始每個(gè)人的分值基數(shù)為850分，信用評(píng)分模型利用征信數(shù)據(jù)從多個(gè)評(píng)分因素考察消費(fèi)者的信用風(fēng)險(xiǎn)，從850分中減分。大致來看，美國個(gè)人消費(fèi)者信用評(píng)分人群分布狀況呈現(xiàn)兩頭小中間大的形態(tài)，信用分?jǐn)?shù)處于750～850的人群有40%之多，其中信用分?jǐn)?shù)在800～850大約占總?cè)藬?shù)的13%，在750～799超過總?cè)藬?shù)的25%，這是整個(gè)信用社會(huì)的中間階層，對(duì)應(yīng)于美國的中產(chǎn)階級(jí)。其中，美國個(gè)人消費(fèi)者的平均FICO評(píng)分為678。從圖1可以看出，還有大量的人群遠(yuǎn)低于平均的678分，如FICO評(píng)分在550～549的占8%，在500～549的占5%，小于499分的占2%。根據(jù)FICO的標(biāo)準(zhǔn)，如果人們未能如期還款，或者缺乏借貸經(jīng)歷，他們就會(huì)自動(dòng)被視為風(fēng)險(xiǎn)人士，他們的貸款也就會(huì)被懲罰性地給以更高的利率。還有一種可能，那就是他們的貸款申請(qǐng)會(huì)被拒，無論是否事出有因。比如，遇到了醫(yī)療緊急事故，或者最近剛剛移民美國。表1根據(jù)FICO評(píng)分將服務(wù)人群分為四個(gè)區(qū)間，并對(duì)應(yīng)不同的金融服務(wù)機(jī)構(gòu)。信用記錄不完整或者不夠完善的個(gè)人消費(fèi)者，依據(jù)傳統(tǒng)信用評(píng)估體系（FICO評(píng)分），往往很難被傳統(tǒng)金融服務(wù)機(jī)構(gòu)所覆蓋，即使在金融體系發(fā)達(dá)的美國也無法獲得常規(guī)的金融服務(wù)，或者需要付出很大的代價(jià)才能獲得常規(guī)的金融服務(wù)。
傳統(tǒng)信用評(píng)估模型信息維度比較單一
傳統(tǒng)的FICO評(píng)分模型的基本思想是比較借款人信用歷史資料與數(shù)據(jù)庫中的全體借款人的信用習(xí)慣，檢查借款人的發(fā)展趨勢(shì)跟經(jīng)常違約、隨意透支，甚至申請(qǐng)破產(chǎn)等各種陷入財(cái)務(wù)困境的借款人的發(fā)展趨勢(shì)是否相似。如圖2所示，它主要從五個(gè)方面考察用戶的信貸資質(zhì)。但隨著信貸業(yè)務(wù)的進(jìn)一步開展，F(xiàn)ICO信用評(píng)分由于單一的標(biāo)準(zhǔn)、嚴(yán)苛的門檻和片面的評(píng)估結(jié)果而飽受詬病。
傳統(tǒng)的信用評(píng)估模型雖然在進(jìn)行信用風(fēng)險(xiǎn)管理過程中發(fā)揮了很大的作用，如曾經(jīng)促進(jìn)了美國房貸市場(chǎng)的飛速發(fā)展。但在大數(shù)據(jù)背景下個(gè)人消費(fèi)者出現(xiàn)許多信息維度，如電子商務(wù)、社交網(wǎng)絡(luò)和搜索行為等，傳統(tǒng)信用評(píng)估模型解決問題的能力越來越受限。
傳統(tǒng)信用評(píng)估模型時(shí)間上比較滯后
雖然FICO評(píng)分仍然體現(xiàn)風(fēng)險(xiǎn)排序，但其預(yù)測(cè)絕對(duì)風(fēng)險(xiǎn)的能力和在2008年金融危機(jī)中的表現(xiàn)飽受指責(zé)，圖3展示，F(xiàn)ICO分?jǐn)?shù)從2005年到2011年在美國人口中的分布基本上沒有大的變化，這和2008年金融危機(jī)爆發(fā)之后出現(xiàn)大量壞賬的現(xiàn)實(shí)嚴(yán)重不符。
由于傳統(tǒng)的基于FICO評(píng)分的信用評(píng)估模型覆蓋人群窄、信息維度單一、時(shí)間上滯后，所以，在大數(shù)據(jù)時(shí)代，需要探索信用評(píng)估的新思路。國外三大征信機(jī)構(gòu)和FICO公司都已經(jīng)開始了如何利用大數(shù)據(jù)技術(shù)來完善傳統(tǒng)信用評(píng)估體系的前瞻性研究，如益百利（Experian）投入研究團(tuán)隊(duì)關(guān)注社交網(wǎng)絡(luò)數(shù)據(jù)對(duì)信用評(píng)分的影響，F(xiàn)ICO公司多年前就開始了在線評(píng)估的信息工具和基于互聯(lián)網(wǎng)的信用評(píng)估系統(tǒng)的項(xiàng)目研究。
ZestFinance大數(shù)據(jù)信用評(píng)估的實(shí)踐
ZestFinance的基本理念是認(rèn)為一切數(shù)據(jù)都是和信用有關(guān)，在能夠獲取的數(shù)據(jù)中盡可能地挖掘信用信息。ZestFinance對(duì)大數(shù)據(jù)技術(shù)的應(yīng)用主要從大數(shù)據(jù)采集和大數(shù)據(jù)分析兩個(gè)層面為缺乏信用記錄的人挖掘出信用。
大數(shù)據(jù)采集技術(shù)
ZestFinance以大數(shù)據(jù)技術(shù)為基礎(chǔ)采集多源數(shù)據(jù)，一方面繼承了傳統(tǒng)征信體系的決策變量，重視深度挖掘授信對(duì)象的信貸歷史。另一方面，將能夠影響用戶信貸水平的其他因素也考慮在內(nèi)，如社交網(wǎng)絡(luò)信息、用戶申請(qǐng)信息等，從而實(shí)現(xiàn)了深度和廣度的高度融合。
ZestFinance的數(shù)據(jù)來源十分豐富，依賴于結(jié)構(gòu)化數(shù)據(jù)的同時(shí)也導(dǎo)入了大量的非結(jié)構(gòu)化數(shù)據(jù)。另外，它還包括大量的非傳統(tǒng)數(shù)據(jù)，如借款人的房租繳納記錄、典當(dāng)行記錄、網(wǎng)絡(luò)數(shù)據(jù)信息等，甚至將借款人填寫表格時(shí)使用大小寫的習(xí)慣、在線提交申請(qǐng)之前是否閱讀文字說明等極邊緣的信息作為信用評(píng)價(jià)的考量因素。類似地，非常規(guī)數(shù)據(jù)是客觀世界的傳感器，反映了借款人真實(shí)的狀態(tài)，是客戶真實(shí)的社會(huì)網(wǎng)絡(luò)的映射。只有充分考察借款人借款行為背后的線索及線索間的關(guān)聯(lián)性，才能提供深度、有效的數(shù)據(jù)分析服務(wù)，降低貸款違約率。
如圖4所示，ZestFinance的數(shù)據(jù)來源的多元化體現(xiàn)在：首先，對(duì)于ZestFinance進(jìn)行信用評(píng)估最重要的數(shù)據(jù)還是通過購買或者交換來自于第三方的數(shù)據(jù)，既包含銀行和信用卡數(shù)據(jù)，也包括法律記錄、搬家次數(shù)等非傳統(tǒng)數(shù)據(jù)。
再次是網(wǎng)絡(luò)數(shù)據(jù)，如IP地址、瀏覽器版本甚至電腦的屏幕分辨率，這些數(shù)據(jù)可以挖掘出用戶的位置信息、性格和行為特征，有利于評(píng)估信貸風(fēng)險(xiǎn)。此外社交網(wǎng)絡(luò)數(shù)據(jù)也是大數(shù)據(jù)征信的重要數(shù)據(jù)源。
最后，直接詢問用戶。為了證明自己的還款能力，用戶會(huì)有詳細(xì)、準(zhǔn)確回答的激勵(lì)，另外用戶還會(huì)提交相關(guān)的公共記錄的憑證，如水電氣賬單、手機(jī)賬單等。
多維度的征信大數(shù)據(jù)可以使得ZestFinance能夠不完全依賴于傳統(tǒng)的征信體系，對(duì)個(gè)人消費(fèi)者從不同的角度進(jìn)行描述和進(jìn)一步深入地量化信用評(píng)估。
大數(shù)據(jù)分析模型
圖5展示了ZestFinance的信用評(píng)估分析原理，融合多源信息，采用了先進(jìn)機(jī)器學(xué)習(xí)的預(yù)測(cè)模型和集成學(xué)習(xí)的策略，進(jìn)行大數(shù)據(jù)挖掘。首先，數(shù)千種來源于第三方（如電話賬單和租賃歷史等）和借貸者的原始數(shù)據(jù)將被輸入系統(tǒng)。其次，尋找數(shù)據(jù)間的關(guān)聯(lián)性并對(duì)數(shù)據(jù)進(jìn)行轉(zhuǎn)換。再次，在關(guān)聯(lián)性的基礎(chǔ)上將變量重新整合成較大的測(cè)量指標(biāo)，每一種變量反映借款人的某一方面特點(diǎn)，如詐騙概率、長期和短期內(nèi)的信用風(fēng)險(xiǎn)和償還能力等。然后將這些較大的變量輸入到不同的數(shù)據(jù)分析模型中去。最后，將每一個(gè)模型輸出的結(jié)論按照模型投票的原則，形成最終的信用分?jǐn)?shù)。
其中，ZestFinance開發(fā)了10個(gè)基于機(jī)器學(xué)習(xí)的分析模型，對(duì)每位信貸申請(qǐng)人的超過1萬條數(shù)據(jù)信息進(jìn)行分析，并得出超過7萬個(gè)可對(duì)其行為做出測(cè)量的指標(biāo)，在5秒鐘內(nèi)就能全部完成。這10個(gè)模型以如下的方式進(jìn)行投票：讓你最聰明的10個(gè)朋友坐在一張桌子旁，然后詢問他們對(duì)某一件事情的意見。這種機(jī)制的決策性能遠(yuǎn)遠(yuǎn)好于業(yè)界的平均水平。
近年來，這種基于大數(shù)據(jù)的信用風(fēng)險(xiǎn)評(píng)估框架（遠(yuǎn)不能稱為主流的信用評(píng)估方法）被國內(nèi)外多家互聯(lián)網(wǎng)金融機(jī)構(gòu)采用，如德國的Kreditech、美國的Kabbage，以及國內(nèi)最近獲得IDG公司A首輪4000萬元投資的閃銀（Wecash）等，對(duì)傳統(tǒng)的信用體系形成了沖擊。
如表2所示，將這種將基于大數(shù)據(jù)技術(shù)的信用評(píng)估體系和傳統(tǒng)信用評(píng)估（以美國的征信體系為例）相比，發(fā)現(xiàn)主要的區(qū)別有以下幾個(gè)方面。
（1）從服務(wù)的人群來說，新的信用評(píng)估體系可以服務(wù)沒有被傳統(tǒng)征信體系覆蓋的人群，即沒有征信記錄的人群（美國的征信體系能夠覆蓋85%的人群，覆蓋不到15%的人群）。
（2）從數(shù)據(jù)源來說，這種新的信用風(fēng)險(xiǎn)評(píng)估體系大量采用非傳統(tǒng)的信用數(shù)據(jù)，包括互聯(lián)網(wǎng)上的行為數(shù)據(jù)和關(guān)系數(shù)據(jù)，傳統(tǒng)的信用數(shù)據(jù)（銀行信貸數(shù)據(jù)）的比重僅占到了40%，甚至完全不用傳統(tǒng)的信貸信用數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)評(píng)估。
（3）從關(guān)注的側(cè)重點(diǎn)來看，傳統(tǒng)的信用評(píng)估模型更關(guān)注授信對(duì)象的歷史信息，致力于深度挖掘。而新的信用評(píng)估體系更看重用戶現(xiàn)在的信息，致力于橫向拓展。
（4）信用量化評(píng)估的方式也發(fā)生了改變，新的信用評(píng)估體系拋棄了只用很少變量的FICO信用評(píng)分模型，基于大數(shù)據(jù)技術(shù)，不僅采用機(jī)器學(xué)習(xí)的模型，而且使用更多變量，一方面可以使信用評(píng)估的決策效率提高，另一方面還明顯降低了風(fēng)險(xiǎn)違約率。
對(duì)中國互聯(lián)網(wǎng)金融和信用評(píng)估的啟示
利用大數(shù)據(jù)技術(shù)的信用評(píng)估方法在現(xiàn)實(shí)中有著很大的市場(chǎng)需求，如國內(nèi)快速發(fā)展的互聯(lián)網(wǎng)金融中的風(fēng)險(xiǎn)管理問題。目前互聯(lián)網(wǎng)金融處于快速的發(fā)展過程中，根據(jù)銀監(jiān)會(huì)的統(tǒng)計(jì)，目前國內(nèi)可查的P2P網(wǎng)貸公司已經(jīng)達(dá)到1200家。信用風(fēng)險(xiǎn)評(píng)估是P2P網(wǎng)貸的核心問題，存在很多挑戰(zhàn)，如很多信貸客戶沒有或者是缺乏銀行的信貸記錄。在應(yīng)對(duì)風(fēng)險(xiǎn)控制的挑戰(zhàn)時(shí)，ZestFinance受到了互聯(lián)網(wǎng)金融機(jī)構(gòu)的熱捧，目前國內(nèi)多家互聯(lián)網(wǎng)金融機(jī)構(gòu)正在和ZestFinance洽談合作，認(rèn)為這種利用大數(shù)據(jù)技術(shù)的信用評(píng)估方法是解決國內(nèi)互聯(lián)網(wǎng)金融和普惠金融的信用風(fēng)險(xiǎn)管理問題的靈丹妙藥。然而對(duì)于ZestFinance的大數(shù)據(jù)征信技術(shù)，還需要有全面的認(rèn)識(shí)。
（1）ZestFinance的大數(shù)據(jù)征信是完善和更新傳統(tǒng)征信系統(tǒng)的積極嘗試，而不是替代品。美國的金融體系比較健全，而且信用體系也比較健全，這是ZestFinance賴以生存的土壤。ZestFinance的服務(wù)人群定位比較清晰，并且有完善的征信體系做支撐，ZestFinance并不是完全擺脫傳統(tǒng)征信體系，在ZestFinance進(jìn)行信用評(píng)估時(shí)，傳統(tǒng)征信數(shù)據(jù)要占到至少30%。中國的金融生態(tài)環(huán)境和美國還是有一定的差別，ZestFinance的經(jīng)驗(yàn)不能直接照抄照搬，需要進(jìn)行消化吸收，結(jié)合中國的實(shí)際情況來進(jìn)行大數(shù)據(jù)征信。另外，生活在互聯(lián)網(wǎng)時(shí)代，面對(duì)大數(shù)據(jù)技術(shù)的發(fā)展，美國三大征信機(jī)構(gòu)以及FICO也已經(jīng)開始大數(shù)據(jù)征信方面的研發(fā)（作為常規(guī)的數(shù)據(jù)源更新的一種方式），但截至目前，尚未形成獨(dú)立的信用評(píng)估手段。
（2）ZestFinance的體量不大，目前僅為10萬美國人提供了服務(wù)，在美國的影響力有限，真實(shí)的效果目前還很難總體評(píng)價(jià)。截至2013年7月，ZestFinance的C輪融資達(dá)到2億美元。
（3）ZestFinance的大數(shù)據(jù)分析模型也給信用風(fēng)險(xiǎn)管理帶來復(fù)雜性的挑戰(zhàn)。傳統(tǒng)的基于FICO的信用評(píng)估方法，處理的變量比較少，對(duì)每一個(gè)變量進(jìn)行細(xì)致地處理，并且可以給出合適的解釋，模型的透明性可以方便地在銀行的不同部門之間進(jìn)行溝通，而且便于個(gè)人消費(fèi)者對(duì)分?jǐn)?shù)的理解。ZestFinance的基于大數(shù)據(jù)的數(shù)以千計(jì)的變量規(guī)模和多模型使得數(shù)據(jù)的處理和模型的解釋變得比較復(fù)雜，在實(shí)際應(yīng)用中會(huì)帶來許多麻煩。
（4）大數(shù)據(jù)的應(yīng)用要注意個(gè)人的隱私保護(hù)。ZestFinance在利用個(gè)人消費(fèi)者的大數(shù)據(jù)進(jìn)行信用評(píng)估時(shí)，很多數(shù)據(jù)會(huì)涉及個(gè)人隱私，如對(duì)于個(gè)人社交網(wǎng)絡(luò)的數(shù)據(jù)（微信朋友圈）和電商交易的數(shù)據(jù)、通話記錄、微博的數(shù)據(jù)等應(yīng)用，美國對(duì)個(gè)人隱私的保護(hù)是有明確的邊界的。而國內(nèi)關(guān)于個(gè)人隱私方面的保護(hù)目前處于空白，已經(jīng)出現(xiàn)國內(nèi)一些互聯(lián)網(wǎng)金融公司為了進(jìn)行信用評(píng)估，忽視個(gè)人消費(fèi)者的知情權(quán)和隱私保護(hù)。因此在利用大數(shù)據(jù)進(jìn)行信用評(píng)估的時(shí)候，要考慮使用個(gè)人隱私的合規(guī)性前提。
雖然以ZestFinance為代表的新興信用評(píng)估體系還不夠成熟，但是為征信業(yè)的變革注入了活力，特別是對(duì)于中國的征信體系的建設(shè)會(huì)有一定的啟示作用。
（1）普惠金融需要挖掘更多人的信用。國內(nèi)目前真正發(fā)揮作用的征信體系主要是央行的征信系統(tǒng)，所覆蓋的人群還是非常有限，遠(yuǎn)遠(yuǎn)低于美國征信體系對(duì)人口的85%的覆蓋。目前我國個(gè)人有征信記錄的僅有約3.2億人，約占13.5億人口中的23.7%。國內(nèi)數(shù)量龐大沒有被傳統(tǒng)征信體系覆蓋的人群同樣也需要信用服務(wù)，享受金融普惠，這就需要探索征信的新思路。
（2）互聯(lián)網(wǎng)上的海量信息可以成為征信體系的新數(shù)據(jù)源。ZestFinance的大數(shù)據(jù)實(shí)踐的重要方面就是大量地利用互聯(lián)網(wǎng)上的數(shù)據(jù)作為征信的數(shù)據(jù)源。中國目前是世界上互聯(lián)網(wǎng)人口最大的國家，截至2013年12月，中國網(wǎng)民規(guī)模達(dá)6.18億人，互聯(lián)網(wǎng)普及率為45.8%，其中手機(jī)網(wǎng)民規(guī)模達(dá)5億人，繼續(xù)穩(wěn)定增長。2013年中國網(wǎng)絡(luò)購物用戶規(guī)模達(dá)3.02億人，網(wǎng)絡(luò)使用率達(dá)到48.9%。截至2013年12月，我國使用網(wǎng)上支付的用戶規(guī)模達(dá)到2.6億人。這些海量而且豐富的互聯(lián)網(wǎng)數(shù)據(jù)資源可以被國內(nèi)征信體系建設(shè)很好地利用，通過分析互聯(lián)網(wǎng)上這些信用主體的基本信息、交易行為信息和金融或經(jīng)濟(jì)關(guān)系信息，同樣可以挖掘出這些信用主體的信用模式。
（3）大數(shù)據(jù)技術(shù)可以使得“一切數(shù)據(jù)皆信用”成為可能。以大數(shù)據(jù)為代表的IT新技術(shù)的應(yīng)用，給征信體系建設(shè)帶來了新的思路，原來海量龐雜、看似無用的數(shù)據(jù)，經(jīng)過清洗、匹配、整合和挖掘，可以轉(zhuǎn)換成信用數(shù)據(jù)，而且信用評(píng)估的效率和準(zhǔn)確性也得到了一定程度的提升。新的信用風(fēng)險(xiǎn)體系的一個(gè)顛覆性的基本思想是一切數(shù)據(jù)皆信用，這是需要大數(shù)據(jù)技術(shù)來支撐的。國內(nèi)征信體系的建設(shè)應(yīng)當(dāng)關(guān)注大數(shù)據(jù)技術(shù)的應(yīng)用和發(fā)展，并加大投入，勇于實(shí)踐。
文/劉新海、丁偉 本文編輯/賈紅宇
（編自《清華金融評(píng)論》，本文僅代表作者個(gè)人觀點(diǎn)）
推薦文章：請(qǐng)點(diǎn)擊下方閱讀原文瀏覽
校友風(fēng)采 | 融360 CEO葉大清：互聯(lián)網(wǎng)金融的未來不會(huì)是一家獨(dú)大
使用微信號(hào)下端菜單，更多了解金融EMBA
“為金融EMBA建言”——今天我是金融權(quán)威
清華五道口金融EMBA微信公眾平臺(tái)，熱忱歡迎經(jīng)濟(jì)金融領(lǐng)域內(nèi)任何有思想、有見解、有主張的人士投稿評(píng)論，或?qū)Πl(fā)生在國際、國內(nèi)的經(jīng)濟(jì)、金融事件發(fā)表自己的看法和觀點(diǎn)。期待您的參與！
我們將精選讀者的精彩評(píng)論，與近萬名讀者共享，還有機(jī)會(huì)獲得我們?yōu)槟鷾?zhǔn)備的精美小禮品。
聯(lián)系客服
