金融科技与普惠金融|NBER工作论文

近年来，由于技术进步和竞争加剧，金融中介的成本有所下降。《On FinTech and Financial Inclusion》记录了这一事实，并分析了引发争议的金融新技术的两个特征:规模回报、大数据和机器学习的运用。中国人民大学金融科技研究所（微信ID：ruc_fintech）对文章核心内容进行了编译。

作者 | Thomas Philippon

编译 | 贺涵

来源 | NBER

引言

金融科技涵盖金融领域的数字创新和技术支持的商业模式创新。这些创新可以打破现有的行业结构，模糊行业边界，促进战略性的非中介化，改变现有公司创造和提供产品和服务的方式，为创业提供新的途径，并使金融服务的获取民主化。另一方面，它们给隐私、监管和执法带来了重大挑战，并可能扩大某些形式歧视的范围。当今金融科技的核心创新包括区块链技术的各种应用、新的数字咨询和交易系统、人工智能和机器学习、个人对个人(p2p)贷款、股权众筹和移动支付系统。本文对科技进步对金融业的影响进行了初步的实证和理论分析。

第一个问题是，近年来金融中介是否发生了重大变化。我发现，金融中介的单位成本在过去10年里有所下降。然后，我研究了有关金融科技的争论的两个核心问题:融资渠道和歧视。如果我们接受金融科技为金融中介带来效率收益的事实，下一个问题是:这些收益将如何分享?金融科技会使金融服务民主化，还是会加剧不平等?我要强调两种力量，它们将决定这些问题的答案。

首先是技术带来的规模收益。我认为，机器人咨询和相关技术将改变固定成本的性质，从而可能改善金融服务的可及性。然而，它可能不会减少所有群体之间的不平等。

其次是大数据和机器学习（简称BDML）的使用。我认为，这项技术可能会减少人类对少数群体的不合理偏见，但它可能会降低现有法规的有效性。初步结论是，金融科技可以带来广泛共享的福利，但要充分发挥其潜力，就必须改变现有的政策和法规。

一个简单的机器人顾问模型

我考虑了资产管理服务中不完全竞争的一个简单模型。该模型强调技术的作用，特别是固定成本。关键是固定成本有两种类型:建立企业或系统或平台的固定成本(Φ);然后是每个客户的固定成本(φ)。

考虑总量为1的家庭，其家庭财富w服从（累计）分布G (w)。家庭是风险中性的(或者，同样地，回报是风险调整的)，并且可以使用总回报为r的投资技术。因此，家庭的保留效用是rw。为了获得更高的回报，家庭还可以选择聘请资产管理公司，假设有N个资产管理公司可以使用收益为R（R>r）的投资技术。资产管理行业是寡头垄断的，资产管理公司对他们的服务收取f (w)的费用。f (w)= φ+µw。目前，µ只是一个参数，但是，正如后面所讨论的，它可能是活动中介体数量的一个递减函数。µ < R− r。

传统资产管理均衡

当且仅当Rw - f (w) > rw时，家庭w选择聘请资产管理公司,即：

一小部分1 - G(wo)家庭雇佣中介服务，而其余一小部分G(wo)家庭以较低的利率自行投资。考虑到成本结构(Φ,φ)，给出均衡：

我们的福利由下式给出：

让我们简要地讨论一下最佳分配。规划者的解决方案是设置N = 1，以节省固定的进入成本，和µ= 0（对于边际成本价格）。这意味着w0∗=φ/R-r。与所有家庭都获得低利率r的情况相比，资产管理显然改善了福利，但正如预期的那样，分散的均衡并没有达到规划者的方案，因为资产管理公司需要收取一笔加价来弥补他们的进入成本，w0*>w0。

机器人顾问参与的均衡

现在让我们引入一种新的资产管理技术，其特点是更强的规模回报。更准确地说,我们假设机器人顾问拥有投资技术收益r < R′≤R，编写机器人程序的成本很高 (Φ′>Φ),但它可以很容易地管理大量的客户(φ′<φ)。在极限情况下,我们甚至可以想象,φ′= 0。

家庭现在有三个选择。他们可以自己投资赚钱（利率r）,他们可以雇佣一个传统的经理,或者他们可以雇佣一个机器人顾问。现在有两个截断值来计算w1和w2，一个用于参与决策(如前所述)，另一个用于选择资产管理器的类型。我假设这两种类型的资产管理公司收取标记µ ,所以机器人顾问咨询费是φ′+µw而传统资产管理费用为φ+µw。由于R′≤R和φ′<φ我们知道相对贫穷的家庭将自给自足和机器人之间做出选择。因此，参与截断值为：

第二个截断值有关机器人和传统顾问的选择：

为了简单起见，我在这里认为R ' < R，可以捕捉到投资者从与人而不是机器人的互动中感知到的便利收益。这也与一个程式化的事实相一致，即非常高净值的家庭仍然主要使用人力顾问。机器人盈利的条件是w1 < w2。因此，机器人顾问当且仅当φR′>φ′R +(φ−φ′)(R +µ)时活跃。G(w1)贫困家庭自己存钱，G(w2)−G(w1)中产阶级家庭雇佣r机器人顾问，1−G(w2)富裕家庭雇佣传统经理人。机器人顾问的数量为：

现在让我们分析一下机器人顾问的福利：

与在传统的均衡中一样，w1仍然是失真的。然而，w2并没有失真。因此，在机器人/传统顾问边界上没有失真。如果我们看到机器人顾问参与，则在提供咨询服务方面，金融科技均衡中使用资产管理服务的家庭比传统均衡中更多（w1<w0）。

这个分析的关键结论是，通过降低每段关系的固定成本，金融科技允许更多家庭可受惠于顾问服务。此外，固定成本的性质对福利至关重要。固定“编码”成本的福利属性与固定客户成本的福利属性有本质区别。金融科技提高了参与率，但这并不意味着金融科技减少了所有群体之间的不平等。如果我们认为门槛wo过去高于中产阶级，而门槛w1现在低于中产阶级，那么随着中产阶级加入富人行列，获得资产管理服务，穷人和中产阶级之间的不平等就会加剧。如果教育能让家庭更好地理解机器人顾问技术的重要特征，那么教育也可能成为比以前更强的参与决定因素。

大数据与歧视

近年来，信贷公司开始使用手机等有关消费者行为的新数据来源--账单，购物历史，订阅，或浏览历史。这些数据的结构化程度低于传统数据，而新的贷款机构往往依赖机器学习算法来有效利用这些数据。因此，我将整个过程称为大数据和机器学习，简称BDML。BDML是有用的，因为许多潜在的借款人不能通过传统方法正确地评分。人们可以期待BDML将有助于为那些信用分数不可靠的借款人带来信贷。另一方面，监管机构担心，BDML可能会无意中引入新的歧视形式，或重新激活旧的歧视形式。在美国，《平等信贷机会法》(Equal Credit Opportunity Act)和《公平住房法》(Fair Housing Act)规定，债权人基于种族、肤色、宗教或性别的歧视是非法的。因此，我将研究新技术与现有法规之间的相互作用。

就像机器人顾问的例子一样，我先描述一个简单的模型，然后讨论金融科技可能会如何影响这种平衡。基本模型遵循Aigner和Cain(1977)的经典论文。有一个一维变量q描述了个人的信用水平，服从正态分布。分析时采用如下形式较为方便，所以我设定：

我用“bar”表示总体平均值，在理性预期下，也表示无条件信念。所有贷款人都遵循关于借款人信用水平的定量信号y1:

我们可以把y1看作是一个标准的信用评分。现在假设人口包括两个群体，用z表示:多数群体z = A，少数群体z = B。如果借款人可以以群体成员身份为条件，则条件期望为：

我假设这个少数群体的平均信用质量稍低，即¯qB≤¯qA。为简单起见我假设τ¯A =¯τB。文献中有关歧视的一个典型的观点是标准数据支持多数群体，在某种意义上，τ1B <τ1A。传统信号精度较低的原因可能是数据丢失在少数群体中更为普遍。例如，如果他们不太可能被雇佣，少数群体的工资表就会少一些。如果他们不太可能获得贷款，他们的还款历史就会更短。歧视有几种形式。统计歧视指的是，只要信号y1有噪声时，后验对前验有正的评价。因此，对于给定的信号y1，多数群体成员将比少数群体成员获得更好的分数。然而，在统计歧视下，没有平均偏差，因为条件期望的平均值是正确的，等于真实的总体平均值:E [E [q | y1, z]] =¯qz。Aigner和Cain(1977)和其他人都认为统计上的歧视不太可能解释我们从经验上观察到的所有—甚至大部分—歧视。Dobbie等人(2018)认为，企业内部激励的不一致也会导致偏见。他们发现，给予信贷员的短期激励会造成对移民的长期偏见。因此，我认为在贷款决策中存在更严重的偏见问题。

传统贷款人

传统的贷款人与借款人面对面直接接触。这有两个后果：他们直接观察z类型，生成另一个精度τu的信号：

我假定信贷员对少数群体有偏见。他们认为的信用水平ˆqB =¯qB−δ。我们可以认为δ产生自偏见或消极的刻板印象。贷款人的条件期望是：

平均统计偏差是：

如果偏见δ很大,存在信号噪声(τ1B很小)，对少数群体的潜在伤害更大。

监管机构经常在贷款决策中对组成员资格的使用施加限制。例如，在美国，根据种族或性别做出贷款决定是非法的。我们可以通过假设规则阻止贷款人明确地在z上设定条件来抓住这个想法。然后传统贷款人的分数变为：

并不明确地依赖于z = B。主观偏见仍然存在，平均而言我们有：

反映了防止基于群体状态的统计歧视的监管约束。与实证文献相一致，我假设负面偏见并没有被法规完全消除，即：

单变量无偏金融科技贷款

金融科技贷款机构不会与客户面对面，但它们可以获得另一个量化信号：

我们可以认为这个信号来自非标准数据源，比如社交媒体足迹或互联网浏览历史。关键是新的数据源不太可能对多数群体有利，所以我将假设τ2B =τ2A。

我将基于y2的贷款称为单变量无偏金融技术贷款。我说的无偏是指算法不会有面对面的交流中人类的偏见。因此y2是单变量q的一个无偏估计，特别是它包含没有直接关于z的信息。

我们可以从一般少数群体借款人的角度来比较金融科技贷款和传统贷款:

代表避免因面对面贷款而产生的偏见所带来的收益，这毫无疑问是正的，直接从算法不遭受偏见的假设。第二项可以是积极的，也可以是消极的，这取决于大数据分析的质量。因为有证据表明,替代数据来源改善信号质量，我们可以假设τ2 >τu,在这种情况下,这项是负的。请注意这两个效应的总和：

总是正的，从而有：无偏的单变量金融科技贷款减少了对少数群体的偏见。尽管它会削弱现有政策的有效性，但其净效应对少数群体来说总是正的。

该命题强调了新贷款技术的基本益处，这些益处来自两个方面：没有偏见和更精确的信号。请注意，信号的更高精度在任何情况下都是有帮助的，即使在没有金融科技贷款机构的情况下，让传统贷款机构获得y2信号，也会减少对少数群体的偏见。

多元无偏金融科技贷款

上面的模型没有捕捉到政策制定者对大数据的普遍担忧，即它可能在不经意间发现群体成员的代理。Barocas和Selbst(2016)写道:“如果不小心对待，数据挖掘可以重现现有的歧视模式，继承之前决策者的偏见，或者只是反映社会中普遍存在的偏见。”它甚至可能产生一种反常的结果，即通过暗示历史上处于不利地位的群体实际上应该得到较少的优惠待遇来加剧现有的不平等。

那么让我们假设，除了y2作为q的代理，大数据分析也会产生z的代理。这里的重点是，第二个信号是机器学习方法的副产品。BDML系统正在寻找信息，只要z是信息性的，并且可以在数据中构造z的代理，那么系统就会找到并使用它。我假设信息是以关于z的信号s的形式出现的。对一个不完美的信号进行建模很容易，但如果这个信号是完美的，而且推导更简单，那么直觉是一样的。因此，我假定ML系统为z构建了一个完美的(尽管是间接的)代理。这家金融科技贷款机构的条件期望是：

现在是¯qB的无偏估计值。因此：

即使大数据和机器学习导致了群体成员的间接代理，金融科技贷款仍然减少了对少数群体的偏见。从广义上讲，分析表明，只要算法本身不存在偏见，金融科技贷款就可能减少歧视。因此，让我们下一个考虑偏见算法的情况。

有偏的多元金融科技贷款

假设金融科技工程师和信贷员有着同样的偏见，并将这种偏见输出到他们的算法中。一旦BDML体系构建了一个z的代理，它就会像面对面的官员那样，对少数群体借款者的真实素质施加惩罚。这可以说是一个极端和不现实的假设，因为在算法中诱导偏见比在面对面中更难，但这种极端的假设有助于说明问题，并突出关键问题。有偏见的期望变成了：

在这个例子中，金融科技贷款机构也受到偏见的困扰。如果我们和传统的贷款人比较，我们得到：

如果τ2很小，金融科技贷款有可能损害少数群体的利益。另一方面,如果τ2明显大于τu ，尽管有偏见，金融科技贷款有益于少数群体。和以前一样，金融科技贷款提高了准确性。这种偏见的影响取决于信用评分信号y2的精度。即使有偏见,其影响很小--如果τ2很大，因为这个机制的贝叶斯部分权重更大。从而有如下命题：带有偏见的多元金融科技贷款可能会降低少数人的福利，但随着金融科技算法变得更加精确，这种可能性越来越小。

这里有两个关键的结论：.第一个是，金融科技要想伤害少数群体则两个因素必须作用:(i) BDML需要为群体成员建立一个直接代理；(ii)算法本身必须包含偏见。如果只有一个因素存在，金融科技将改善少数群体的福利。只有在有偏差的多元案例中，金融科技才可能是有害的。第二个结论是，即使是在悲观的情况下，当金融科技贷款变得足够精确时，它总是会提高少数群体的福利。即使当工程师受到偏见的困扰，并以某种方式将这种偏见嵌入到他们的算法中，这种偏见也会随着信用评分模型的精度提高而减少。

结论

金融科技可能会降低金融中介的成本，但也会产生新的监管问题。在这篇短文中，我强调了两种相关的力量，它们将塑造金融科技对不平等的影响。就机器人顾问而言，我认为，固定成本的新模式可能会提高相对不那么富裕的家庭的参与度。然而，这并不能降低所有群体的不平等。在信贷市场，我认为替代数据来源可能会减少非统计歧视。如果少数群体受到偏见或负面刻板印象的伤害，替代数据来源将产生积极影响。另一方面，新的数据会降低现有法规的有效性。

以下为部分论文截图

……

获取完整报告

请后台回复“金融科技与普惠金融”

获取下载链接

END

编辑/贺涵

责编/袁阳

【延伸阅读】

关于我们

中国人民大学金融科技研究所（以下简称 “研究所”），英文名“FinTech Institute of Renmin University of China”，简称“RUC FinTech Institute” ，是专注于金融科技理论、应用与政策的新型智库和研究机构，也是人民大学金融科技学科“双一流”建设的延伸科研平台。研究所充分利用中国人民大学在金融、经济、管理、统计、法律以及计算机科学等方面的跨学科优势，打破学科壁垒，加强交叉融合，不断推进金融科技的前沿研究。研究所坚持理论联系实际，注重应用成果转化，不断加强学界、业界和政策部门的良性互动，重点打造一个“产学研政”四位一体的多元化平台，为推动金融科技行业健康可持续发展提供决策参考。

加入群聊

为了增进与粉丝们的互动，研究所建立了金融科技微信交流群，欢迎大家进群参与。

入群方法：后台回复“加群”，加小助手为微信好友,添加时备注个人姓名（实名认证）、单位、职务等信息，经群主审核后，即可被拉进群。

中国人民大学金融科技研究所

扫码关注我们

Research portal for all FinTech trends and policies.