已经登顶全球的国内互联网金融行业,一方面搭乘着金融改革的顺风车扶摇之上,另一方面却不断传出跑路、违规、叫停等负面信息。如何看待和监管这一行业,成了全国两会上代表委员热议的话题。
互联网金融行业属于典型的舶来品,它最早出现在欧美国家,然而真正发展壮大却是在中国,尤其是2013年余额宝诞生后,互联网金融在全国掀起了一股浪潮,并在2014年两会上被写入了政府工作报告。
互联网金融登顶全球 提出科学监管新要求
统计显示,过去一年,余额宝的资产规模已经达到5789亿元,在全球来看都属于规模靠前的货币基金。而在余额宝身后,还有它带动的庞大的宝宝军团。另一种互联网金融的形式P2P在国内也是方兴未艾,目前中国已经是世界最大的P2P市场。
全国政协委员、中央财经大学金融学院教授贺强说,十八届三中全会提出深化改革以来,金融领域改革显著提速,金融监管机构也充分认识到市场化思维对于金融监管的重要性,得益于此,国内互联网金融行业获得了井喷式发展。
然而在迅猛长个儿的同时,互联网金融行业也遭遇了成长的烦恼。市场上不时传出P2P等互联网金融公司跑路或是诈骗的丑闻,让众多投资者血本无关。“网贷之家”的研究数据显示,2014年全年出现提现困难或倒闭的P2P平台数量达275家,今年仅1月份,已有至少69家平台关停或跑路。
民建中央向全国政协提交的关于进一步规范与发展我国互联网金融的提案,列数了互联网金融行业存在的六大突出问题,包括金融法律制度缺失、账户管理真实性和安全性存疑等,直指行业存在“野蛮生长”现象。
面对行业迅猛发展对监管机制升级带来的新要求,众多代表委员纷纷就如何规范互联网金融发展建言献策。 致公党中央提议,根据互联网金融不同的产品和业务类型,将其纳入包括‘一行三会’和地方政府金融局(办)在内的金融监管框架内。
政协委员贺强今年提出了《关于完善金融监管机制充分释放市场活力的提案》。他认为,行业监管一般分为行政监管和市场监管,前者主要通过政府行政机构实施监管,后者以法律约束和行业自律为主。我国目前的金融监管机制是以行政监管为主、市场监管为辅。随着近年来互联网金融的高速发展,这一机制已经逐渐难以满足金融行业发展的需求。改革的下一步方向应该是加强市场监管,释放市场活力。
贺强表示,在以往的金融监管过程中,“风险”几乎是监管机构评价金融产品和服务的唯一参考。以“风险高”为理由被叫停的金融业务比比皆是,然而风险的高低目前鲜有清晰明确的量化指标。他认为,在云计算和大数据充分发展的今天,金融监管应该有理有据,“理”是法律法规,“据”则是科学量化的评价依据。建议监管摒弃经验主义和教条主义,建立科学量化的风险评价机制,利用科学模型,得出量化的评价指标作为监管决策的参考和支撑。这也是科学监管的必然趋势。
金融监管“抓大放小”也应“扶优限劣”
与此同时,由于监管存在“抓大放小”的情形,市场一定程度出现了大公司不敢创新,小公司胡乱“创新”的现象。
比如目前备受关注的P2P领域。在清华大学五道口金融学院院长、中国人民银行原副行长吴晓灵看来,P2P和众筹将是新金融未来的发展方向。不过,在千军万马涌入P2P之时,几家大型的互联网金融企业如腾讯、蚂蚁金服等却因此前的行业乱象和监管未落地而一直观望,不仅不利于行业做大做强,也不利于行业自律的开展。
贺强建言,互联网金融的监管应该摒弃一刀切,实行分级监管。针对规模体量较大的创新产品和服务,不能单方面从可能产生的负面影响来定义监管的松紧。金融机构自身的风险控制能力以及风险承受能力也应当作为监管幅度调整的重要参考,进而避免过于从风险控制角度追求“抓大放小”,忽视了从行业发展角度“扶优限劣”。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。