宏观政策环境，导致信贷业务整体趋严：政策制定者把严控金融风险放在了越发重要的位置，流动性将边际收紧。对于信贷而言，大方向是将信贷结构调整（限制增量，信用贷款收窄），防范金融风险（打破刚兑，限制杠杆，穿透式监管）。网贷监管“1+3”：监管已出现由“底线监管”走向“硬性指标监管”的趋势。行业洗牌加剧，备案或成行业“类牌照”。经济环境：消费占国家GDP的占比大幅提升且仍有较大的成长空间。消费信贷呈现不断上升趋势，消费信贷占贷款总额的比重不断提高，消费信贷占GDP比例不断增长。社会环境：信贷人口成长空间大，意愿强烈科技环境：网络信贷基础设施逐步完善。

本文将选取多个科技赋能信贷典型案例，包括新网银行、网商银行、腾讯云、天冕大数据、重庆农商银行、苏州银行等，场景涉及农村金融、普惠金融、小微企业金融等，来探查在人工智能、大数据、云计算、区块链、卫星遥感等技术助力下，信贷业务的智能化和数字化发展。金融科技通过技术赋能，促进了金融机构信贷业务的数字化和智能化转型，将传统业务模式升级，智能风控、精准营销、智能客服、智能网点、智能运营等多种新型模式不断出现，为金融机构信贷业务解决了人工成本高企、效率低下、业务繁琐等多种痛点。整体来看，在金融科技赋能下，金融机构信贷业务转型，主要应用在风控、催收、客服、营销、网点、运营、质检、投顾等主要业务场景。

受疫情影响，全国复工缓慢推进，市场担忧复工延后可能导致1季度信贷投放和经济均出现明显回落。但也要看到，政策面正转向扩大内需，货币政策和财政政策也已转向宽松，并着力为实体融资“输血”，以延缓经济回落压力。那么这政策对银行的影响如何，1季度信贷投放在此特殊时期有哪些变化，了解这些问题对于判断后续经济走势至关重要。因而我们对位于一线的百位信贷经理进行了全方位调研以期回答上述问题。

我国绿色消费信贷处于刚刚起步的阶段。目前并没有针对全国绿色消费信贷规模数据的统计，金融监管机构也并未出台绿色消费信贷的具体标准，只是有少部分的银行正在从面向企业的绿色金融服务向面向个人的绿色金融业务延伸。目前中国商业银行推出的绿色消费贷产品主要分为以下几类： 绿色建筑按揭贷款、绿色汽车消费贷款、绿色标识产品消费贷款、绿色信用卡、绿色光伏贷、绿色普惠农林贷款、绿色节能贷款。

2020年1月人民币贷款增加3.34万亿元，同比多增1109亿元，天量信贷，结构总量有所改善，2、3月信贷值得关注。

2019年央行通过多种方式降低信贷利率，但贷款平均利率年内仅下行30Bp，信贷增速反弹也不明显。央行降准先于降息、房地产难以放宽、小微企业融资成本高等因素共同作用，导致信贷利率难以下降。但结合上周召开的2020年中国人民银行工作会议纪要，央行大概率继续维持目前降息节奏，通过积极的数量型宽松解决银行负债端难题。若未来信贷利率下行受阻，降息的必要性也会逐渐增强。

本报告揭露了消费金融背后的黑灰产业链，以及黑产背后的神秘技术、信贷反欺诈面临的困境。

历史见证了全球小额信贷机构的惊人增长，有2亿人是小额信贷的受益者。本书采用了孟加拉国1991 / 92-2010 / 11的家庭长期专题调查，解决了一些批评，包括推动小额信贷是否使其成为减少贫困的工具变得多余，同时调查了二十年后对穷人是否仍然有意义广泛的增长。该书的发现证实了从小额信贷计划继续借贷的积极作用。尽管小额信贷借贷大量增加，但贷款回收并未下降，长期借款人也没有陷入贫困或债务中。尽管小额信贷机构有降低利率的余地，但小额信贷机构收取的利率对于实现投资回报并不是太高。

7月生产数据走平，与此同时投资、出口大幅抬升，消费走平，支出法口径下需求出现明显回暖。在经济没有出现普遍存货回补的背景下，这两套数据指示的经济恢复情况存在背离。考虑到数据生成机制以及历史经验，我们倾向于认为经济的恢复在逐步放缓，未来这一趋势将延续。经济的弱复苏使得信贷环境系统性收紧的概率偏低，但随着信贷环境逐步转向中性，权益市场或将步入震荡。

除消费不断增长外，消费者的消费行为正在不断改变。80、90后已逐渐成为主要消费人群，与传统消费群体不同，新兴消费群体的消费观念更加超前，价格已不再是决定消费的唯一因素，借贷观念更易被接受；此外，受消费升级影响，三、四线等小镇城市消费人群的消费水平也在不断提高。报告显示，仅消费金融部分，规模已由2010年1月的6798亿元攀升至2018年10月的8.45万亿元，占境内贷款比重由1.7%上升至6.3%。但我们注意到，对比国际来看，国内消费金融产业2015年消费信贷(除房贷以外)占总消费支出的比例仅为20%，低于韩国的41%和美国的28%，所以相对意义上中国消费金融发展滞后发达国家较多，仍有广阔发展空间。

融资活动的产生是金融机构的供给和实体部门需求共同推进的，单线观测货币供给不仅一手信息较少，也容易忽视实体部门在信贷派生中的作用。相对货币供给，货币的需求更容易从产业部门进行数据跟踪和调研。金融数据基数效应相对较小，2019年初的“天量”融资导致其并非“正常”意义的年份。以分位数法来观测各行业新增中长期贷款，今年一季度服务业信贷扩张相对于工业更明显。考虑到服务业的供给和需求都不算好，服务业信贷的走强可以解释为国外疫情四起和国内部分地区小范围反复下的预防性借款。

近年来，以深度学习为代表的人工智能技术在很多专业领域取得了突破性进展，并且已经开始大规模应用到行业实践当中。特别地，对于知识密集型的金融行业，人工智能技术的深度应用，可以有效提升其信息处理效率和运营管理能力。我们认为，以自然语言处理技术为基础，人工智能在金融业中的工业级应用可以从以下两个切入点入手：第一，金融机构往往需要处理大量的企业客户信息数据，特别是在借贷和投资过程中，针对投融资企业的风险评估，涉及海量非结构化文字和数据信息的处理。这些信息处理工作依赖知识型工作者的大量劳动投入，在人力成本高企的当下，亟需采用强有力的处理工具和高效的自动化处理模式。目前，采用基于自然语言处理的智能投研技术，可以有效赋能金融机构，提升信息处理效率，拓展评估风险的能力，从而提供更有价值的决策支持分析。第二，在开展金融业企业审计的过程中，审计机构同样面临大量非结构化信息获取、整理和分析的工作。而且，审计受工作时间和投入限制，传统模式下只能采用抽样方式管中窥豹，难以覆盖被审企业的全部业务和风险。但是，将智能投研等自动化技术应用于金融业审计时，可以赋能审计人员，大幅度提升其信息处理效率，显著替代信息加工整理等初级劳动，并且更加有针对性的深度挖掘金融企业风险点，提供更具洞察力的分析成果。