看不惯中国互联网小贷野蛮生长？到底问题在哪？来看看美国

　　8月份，由上海新金融研究院（SFI）与北京大学数字金融研究中心（IDF）组织的美国金融科技考察团，对多家旧金山金融科技企业展开访问与考察，并与监管机构代表旧金山联储官员及传统金融机构高管座谈交流。

　　券商中国记者将两万余字的研究报告提炼出四大重点。

　　金融科技业务空间有限

　　FINTECH行业在美国起步较晚，主要还是集中在一些零星领域，但还尚未形成规模。美国传统金融部门的服务相对比较充分，对金融科技的需求不如中国强劲。由上海新金融研究院与北京大学数字金融研究中心组织的美国金融科技考察团调研发现，目前，美国FINTECH的发展空间在总体上不如中国。主要原因有二：

　　一是监管部门关的比较严，包括在牌照发放和业务操作方面。在美国，网贷机构需要从不同的州获得不同的执业执照，大幅提高了从业成本。同时，公平信贷（fair lending）条款又极大地限制了金融科技公司利用大数据帮助信贷决策的空间。

　　二是来自传统金融机构的竞争压力非常大，如富国银行同样会通过纯线上的方式给小微企业提供贷款，此外传统金融机构长久的技术积累、信用沉淀与更低的资金成本。此外，信用卡的优惠也显著挤压了新的支付业务的空间。

　　虽然传统金融机构挤压了金融科技的生存空间，但也为其发展提供了良好的发展标杆与平台优势。如Prosper和Sofi都可以通过将其所发放贷款进行资产证券化，公开市场再根据其资产质量进行定价投资，一方面来自资本市场的资金成本大幅低于向散户募资；另一方面，伴随金融机构的监管与评级，提高了网贷平台的透明度。

　　难以做纯粹的信息中介平台

　　据调查，即使在美国，P2P也难以完全做到信息中介平台的定位。投资者在做投资决策时，会同时考虑产品和平台，在一定意义上平台更重要。

　　如Prosper在2013年初全部都是零售投资者，但目前机构投资者占比已达到了90%%，机构投资者有能力做投资决策，但未必认为对每一笔小额贷款做风险评估是一件值得的事情。因此，实际上，网贷平台还是对机构投资者做了批发商的工作，并非单纯的信息中介。

　　根据富国银行经验，贷款金额在百万美元左右，有不动产作为质押的贷款业务难度较低小银行也可以解决。而贷款金额在几万美元的纯信用小微贷款，只有大型银行才有足够的人才技术可以解决。

　　无论Proseper还是Sofi，机构投资者均是评定其资产证券化产品的风险等级，而并非评定逐笔申请的风险值，平台将贷款申请合理甄别打包，批发给机构投资者。

　　获客场景严重不足

　　很多美国 FinTech 公司缺乏必要的“场景”，这明显提高了企业获客成本，增加了信用评估的困难。 FinTech 公司通常都是通过直邮（direct mail）和合作机构获得潜在的客户，成本很高，平均 300-500 美元。

　　如 Circle 目前主要通过补贴提供几乎免费的跨境支付，但其最终目标是提供消费金融服务，也许目前提供免费跨境支付服务的目的就是为了建设“场景”、积累一批目标客户，以期进一步的发展。

　　对比中国，其实美国 FinTech 公司所面临的场景依然是传统金融的场景，直邮的效率在传统领域可以有效发挥作用，而对比于中国一般的获客途径，手机号码，则在数字时代显得昂贵缓慢。FinTech 直接在个人身上开展业务暴露出“水电煤“基础设施的支持不力，这也可能是导致美国 FinTech 公司对传统金融依赖较强的原因之一。

　　美国监管滞后

　　美国的监管框架相对成熟，但与英国、新加坡等的监管部门相比也有明显距离（比如尝试监管沙盒、创新中心等做法）。

　　美国实行的双层（州、联邦）、多极（许多监管机构）的监管框架，这十分不利于 FinTech 公司开展业务，因为 FinTech 本身就是跨区域、跨行业的，一些公司只好到不同的州和不同的监管机构同时申请许多牌照。具体而言，美国现行监管体系主要是其发展未跟上金融科技的发展，这主要体现在三个方面。

　　首先，双层监管机制制约跨地区发展。美国州政府有相当大的权力，在传统银行时代将资产证券化业务的监管权力下放至州政府并无很大不妥，但对于网络借贷，同质化的产品却要在不同州满足不同的条件，获得不同的待遇，这显然是不合理的，联邦层面的统一协调，或许将大大提高效率。

　　其次，公平正义原则对数据的限制。印象颇深的一点是， Upstart 介绍完自身征信模型之后，美联储官员第一个问题便是这个模型是否存在歧视。虽然对性别、种族、地址等变量的保护是公平正义的体现，在如今变量数量多达数百个，这几个变5量所包含之信息早已在其他几百个变量中有所体现，对于这几个变量的限制，实际上有些掩耳盗铃。

　　最后，相关法律对于模型方法的隐性限制。之所以银行仍然在使用更少的变量，采取简单的评分卡方法，可能部分原因便是公平借贷原则，在拒绝一笔个人贷款申请时，机构必须给出明确的拒绝理由，即风险模型需要很强的可识别性，一般来讲，方法越复杂，其可解释性就越差，决策树勉强可以按照评分卡的模式进行解释，更复杂的随机森林，引导聚集（bagging）则很难给出明确的哪个变量在拒绝中起到了决定作用，而神经网络则完全是一个黑盒。越复杂的数据往往需要越复杂的模型，过时法规对于模型的无形制约，事实上阻碍了行业发展。