看不慣中國互聯網小貸野蠻生長？到底問題在哪？來看看美國

8月份，由上海新金融研究院（SFI）與北京大學數字金融研究中心（IDF）組織的美國金融科技考察團，對多家舊金山金融科技企業展開訪問與考察，并與監管機構代表舊金山聯儲官員及傳統金融機構高管座談交流。

券商中國記者將兩萬余字的研究報告提煉出四大重點。

金融科技業務空間有限

FINTECH行業在美國起步較晚，主要還是集中在一些零星領域，但還尚未形成規模。美國傳統金融部門的服務相對比較充分，對金融科技的需求不如中國強勁。由上海新金融研究院與北京大學數字金融研究中心組織的美國金融科技考察團調研發現，目前，美國FINTECH的發展空間在總體上不如中國。主要原因有二：

一是監管部門關的比較嚴，包括在牌照發放和業務操作方面。在美國，網貸機構需要從不同的州獲得不同的執業執照，大幅提高了從業成本。同時，公平信貸（fair lending）條款又極大地限制了金融科技公司利用大數據幫助信貸決策的空間。

二是來自傳統金融機構的競爭壓力非常大。如富國銀行同樣會通過純線上的方式給小微企業提供貸款，此外傳統金融機構長久的技術積累、信用沉淀與更低的資金成本。此外，信用卡的優惠也顯著擠壓了新的支付業務的空間。

雖然傳統金融機構擠壓了金融科技的生存空間，但也為其發展提供了良好的發展標桿與平臺優勢。如Prosper和Sofi都可以通過將其所發放貸款進行資產證券化，公開市場再根據其資產質量進行定價投資，一方面來自資本市場的資金成本大幅低于向散戶募資；另一方面，伴隨金融機構的監管與評級，提高了網貸平臺的透明度。

難以做純粹的信息中介平臺

據調查，即使在美國，P2P也難以完全做到信息中介平臺的定位。投資者在做投資決策時，會同時考慮產品和平臺，在一定意義上平臺更重要。

如Prosper在2013年初全部都是零售投資者，但目前機構投資者占比已達到了90%%，機構投資者有能力做投資決策，但未必認為對每一筆小額貸款做風險評估是一件值得的事情。因此，實際上，網貸平臺還是對機構投資者做了批發商的工作，并非單純的信息中介。

根據富國銀行經驗，貸款金額在百萬美元左右，有不動產作為質押的貸款業務難度較低小銀行也可以解決。而貸款金額在幾萬美元的純信用小微貸款，只有大型銀行才有足夠的人才技術可以解決。

無論Proseper還是Sofi，機構投資者均是評定其資產證券化產品的風險等級，而并非評定逐筆申請的風險值，平臺將貸款申請合理甄別打包，批發給機構投資者。

獲客場景嚴重不足

很多美國FinTech公司缺乏必要的“場景”，這明顯提高了企業獲客成本，增加了信用評估的困難。FinTech公司通常都是通過直郵（direct mail）和合作機構獲得潛在的客戶，成本很高，平均300-500美元。

如Circle目前主要通過補貼提供幾乎免費的跨境支付，但其最終目標是提供消費金融服務，也許目前提供免費跨境支付服務的目的就是為了建設“場景”、積累一批目標客戶，以期進一步的發展。

對比中國，其實美國FinTech公司所面臨的場景依然是傳統金融的場景，直郵的效率在傳統領域可以有效發揮作用，而對比于中國一般的獲客途徑，手機號碼，則在數字時代顯得昂貴緩慢。FinTech直接在個人身上開展業務暴露出“水電煤“基礎設施的支持不力，這也可能是導致美國FinTech公司對傳統金融依賴較強的原因之一。

美國監管滯后

美國的監管框架相對成熟，但與英國、新加坡等的監管部門相比也有明顯距離（比如嘗試監管沙盒、創新中心等做法）。

美國實行的雙層（州、聯邦）、多極（許多監管機構）的監管框架，這十分不利于FinTech公司開展業務，因為FinTech本身就是跨區域、跨行業的，一些公司只好到不同的州和不同的監管機構同時申請許多牌照。具體而言，美國現行監管體系主要是其發展未跟上金融科技的發展，這主要體現在三個方面。

首先，雙層監管機制制約跨地區發展。美國州政府有相當大的權力，在傳統銀行時代將資產證券化業務的監管權力下放至州政府并無很大不妥，但對于網絡借貸，同質化的產品卻要在不同州滿足不同的條件，獲得不同的待遇，這顯然是不合理的，聯邦層面的統一協調，或許將大大提高效率。

其次，公平正義原則對數據的限制。印象頗深的一點是，Upstart介紹完自身征信模型之后，美聯儲官員第一個問題便是這個模型是否存在歧視。雖然對性別、種族、地址等變量的保護是公平正義的體現，在如今變量數量多達數百個，這幾個變5量所包含之信息早已在其他幾百個變量中有所體現，對于這幾個變量的限制，實際上有些掩耳盜鈴。

最后，相關法律對于模型方法的隱性限制。之所以銀行仍然在使用更少的變量，采取簡單的評分卡方法，可能部分原因便是公平借貸原則，在拒絕一筆個人貸款申請時，機構必須給出明確的拒絕理由，即風險模型需要很強的可識別性，一般來講，方法越復雜，其可解釋性就越差，決策樹勉強可以按照評分卡的模式進行解釋，更復雜的隨機森林，引導聚集（bagging）則很難給出明確的哪個變量在拒絕中起到了決定作用，而神經網絡則完全是一個黑盒。越復雜的數據往往需要越復雜的模型，過時法規對于模型的無形制約，事實上阻礙了行業發展。

（來源：券商中國微信號ID：quanshangcn 作者：王瑩）