【51CTO.com原創稿件】以「金融科技」定位的京東金融集團成立于2013年10月，逐步構建了供應鏈金融、消費金融、財富管理、眾籌、證券、保險、支付、金融科技以及農村金融九大業務板塊。

京東金融CEO陳生強表示，京東金融以數據為基礎，以技術為手段，借力京東的場景和用戶資源來做金融業務，這是自營金融業務。現在乃至未來，京東金融要做的是：遵從金融本質，以數據為基礎，以技術為手段，為金融行業服務，從而幫助金融行業提升效率、降低成本、增加收入。這個定位就是金融科技。

京東金融這三年多，從無到有，從有到精，一路走來，背后定有許多精彩故事。本著學習的態度，有幸和京東金融部分技術人進行面對面的交流，過程中涉及到京東金融技術的發展歷程和挑戰、技術負責人的管理理念、風控、人臉識別、資產負債、白條、支付等，干貨滿滿。我將通過本文，帶大家一起走進京東金融，一瞥金融科技公司的幕后戰場。

京東金融技術的發展歷程&挑戰

京東金融技術體系根源于京東商城技術沉淀，人員由外部引進和京東商城各體系（網站、訂單交易、支付、財務、數據等）研發團隊的技術精英組成。京東金融技術架構起始就有一定前瞻性，主要因素是這些研發團隊和京東商城一起快速成長，且多次經歷過像618和雙11等各種技術大考。基于這些使得支付、白條、風控等大流量業務能夠平穩安全度過，訪問量呈現幾百上千倍增長的挑戰，避免了業務高速發展中一些高昂的試錯成本。

當然，金融業務和商城業務有很大區別，整個金融業務可以看成是一種“虛擬經濟”，對數字理解、技術領先性有特殊的要求。京東金融這三年的技術成長過程中面臨種種挑戰，這里主要講述四方面：流量、一致性、大數據和科技：

流量：流量是所有中大型互聯網公司都會面臨的問題，解決方案相對較成熟，如分庫分表、動靜分離、冷熱分離、（多級）緩存等。這些解決方案基本存在共同特征，那就是后臺計算邏輯并不復雜，系統運算時間在整個周期中幾乎可忽略不計。但京東金融某些業務并不是這樣，以風控為例，一筆訂單支付，用戶感受到的是瞬間（一秒以內）就完成支付過程，但這短短一秒內風控系統要做很多事，如判斷用戶的設備信息、登錄行為、訪問特征、信用狀況、商品信息、商家特征、配送區域、銀行卡狀態等。如建立信用、反欺詐、偽冒交易等一系列模型，其中多達近百項的模型需實時計算。這樣龐大的運算量在一秒內，甚至幾十毫秒內完成，不是易事。況且在618和雙11等大促中，為了用戶的賬戶和資金安全，不能輕易去降級，這本身就是一個巨大的挑戰。

一致性：金融業務特征決定數據一致性差異的容忍度很低。以白條業務為例，角色有消費者、商戶、小貸公司、京東商城、第三方支付、銀行等，角色之間會有費用往來，如賬務出現細微差異就會導致工作阻塞。系統是分模塊設計的，看似打了個簡單白條，卻要經過交易、計息、分期、賬務、資金、資管（ABS）等一系列模塊，為兼顧性能，架構設計時對輕事務模型方案做了一定的妥協，這樣也是為擴大前端收單能力。這樣一來，如何讓數據在多個模塊中保持一致性就成了挑戰。所以當數據快速進來，后端要有精密的核驗機制來協調數據的一致性。

大數據：對大數據的理解各有不同，以點帶面，京東金融是從數據服務于應用的角度來考慮他的挑戰性。以白條授信為例，白條是國內第一家無紙化授信的互聯網消費金融產品，那么用戶授信、授信額度是首要面臨的問題。白條初期，大家一起商討如何搭建授信模型,業務說條件，技術做翻譯，通過數據集市篩選出來合格的用戶，額度也是人為定的簡單規則，這導致白條上線初期，僅有特邀用戶才能開通白條。隨著業務發展，市場表現超出預期，逼迫技術必須革新。京東金融不斷研究新技術解決方案的同時還引進更多更專業型的技術人才（模型、算法、分析以及大數據開發等）。目前，整個授信過程實現全自動，人的經驗明顯落后于海量維度精細化測算的評分結果。分析人員也在不斷訓練和調校模型的準確性，進行系統快速迭代。評分模型已覆蓋全部京東用戶，大半活躍用戶均在授信范圍。

科技：這是京東金融一直在探索創新的領域，如人臉識別、語音識別、區塊鏈等。人臉識別在各大金融場景較常見，但各個產品的體驗也不盡相同，考慮到人臉特征背后需要精細數據支撐，出于對數據安全的考慮，技術在市場上并沒有公共的服務，一些實力公司投入重金進行自研。人臉識別最大的挑戰是準確性，實驗室環境簡單，數據樣本較少，真實的環境中人物有表情、年齡、背景、角度甚至是偽造視頻等不同因素的挑戰，會讓整體準確性大打折扣。準確性沒有達到市場要求時卻推廣，對用戶來說是一種負體驗。在金融行業，有這樣需求的產品越來越多，實名、開戶、安全交易甚至登陸等都是非常不錯的應用場景。市場是技術成長最大的推動力，擺在京東金融面前的壓力是如何讓自研技術能夠趕上和超越市場上人臉識別的準確度。

京東金融技術體系負責人曹鵬談管理 

[[254393]]

曹鵬·京東集團副總裁、京東金融技術體系負責人

曹鵬，現任京東集團副總裁、京東金融技術體系負責人。畢業于北京交通大學，取得人民大學EMBA，目前在讀清華五道口EMBA；歷任京東商城研發總監、產品總監、職能研發副總裁，現任京東金融副總裁。

很榮幸成為第一個給曹鵬做專訪的媒體人，他02年認識劉強東，07年受邀加入京東，13年請纓來到京東金融。

京東金融是京東內部孵化的公司，在最初期緊貼業務、快速響應，很好的活下來才是技術首要。隨著業務的爆棚，作為技術負責人，只埋頭做技術是遠遠不夠的，而是要清楚「公司目標是什么？從眾多業務中做出抉擇，哪些做哪些不做？」。同時在思考，不能把精力四處散落，什么都想干，要集中技術力量始終保持和業務的步調相契合，把產品、研發、運維、測試等技術和業務綁在一起，打造業務上的閉環，業務發展才會更茂盛。

技術人做管理，最重要的是思考方式的轉換。對于技術人來說，一方面是很難量化考核，另一方面業務技術互驅動，如業務很牛，說明技術很到位；業務發展好，快速擴張，技術人就會有上升的空間。所以與其制定條條框框，方方面面都管，不如「將心比心 以身作則」提升、激發技術人員的主觀能動性。同時曹鵬表示，讀EMBA也是為了從創業公司老板身上，看到老板和自己思維模式上的差異。最初在京東做管理主要是接需求、做任務，在原有架構上做大大小小的調整，一個個攻堅開發新系統。現在更多的是站在老板的角度看問題，將技術目標與公司目標統一，通過技術的突破發展為公司的發展做出更大的貢獻。

京東的下一個12年戰略規劃是全面走向技術化，京東金融技術體系目前也在不斷吸納更多優秀的人才加入，提升金融科技實力，進行技術輸出。最理想的狀態是團隊三分之一的人完成業務的支撐，其他人利用京東集團自身和外部的大數據資源、用戶和流量等優勢，結合當下人工智能、人臉識別、深度學習等最新技術，研發創新產品，一方面運用到適合的場景中，步步迭代，力爭把用戶體驗做到最極致；一方面為金融行業提供一流的技術輸出服務。

京東金融風控研發部架構師王美青談風控

[[254394]]

王美青·京東金融風控研發部架構師

風控的靈魂是數據，所有決策都以數據為驅動。策略和模型是風控做出決策的兩大依據，策略偏向有效性、模型偏向預測和度量，兩者有非常多的聯系和結合，根據業務和場景來選擇合適的方案，并且需要人工與自動化結合來調整。兩者都離不開基于大數據的挖掘能力，都需要做特征工程，只有把挖掘的成果再次加工和抽象，做成最原子的規則，才能形成復雜的策略。

京東金融，有數百個需要風險控制的場景，交易類占比最大，非交易類有促銷優惠、白條激活、信用評估等，這么多業務都需要風控做出實時決策。同時保證執行最復雜的策略與模型時，在性能上做到毫秒級（幾十毫秒）。實時和準實時決策引擎，所用到的所有輸入數據還必須做預計算。

當事件發生時，與之關聯的計算項會有幾千甚至上萬項，從storm遷移到自主研發實時計算平臺，通過簡單配置即可完成支持時間滑動窗口的計算，滿足指標與變量多樣化復雜化計算并且不需要單獨發布，在這一點上要優于storm，在性能上，同樣基于akka，絲毫不遜于storm。另外一部分計算當然就是通過跑批完成，開始在使用MapReduce，熱數據全部內存化（redis），之后使用kylin與flink相結合的方式，根據計算項的數據來源和窗口規格來確定使用哪種計算方式。這些計算結果會被引擎直接使用，所以決策引擎被內部定義為一個輕量級的策略與模型的計算框架，背后由數個系統組成。

和傳統風控相比，互聯網+金融是數據風控最大的優勢。從維度方面來說，數據風控會涉及到社交領域、畫像等互聯網因素，所以數據風控更關注的是互聯網社會行為數據。

開始以業務系統產生的數據和點擊流作為主要挖掘的素材來源，這部分和用戶的行為關系最大，也可以非常有效的識別風險，但隨時間推移，惡意用戶的知識是在積累的，他們的反偵察能力在不斷提升，可以去模擬正常的用戶。這時，就要滲入到用戶所在的環境里，把打造設備指紋、生物探針等分別應用于Web和移動設備上，作為移動安全的一部分。這為分析惡意用戶提供非常有效的一個途徑，用戶長時間積累的數據會形成一個穩定的習慣模型，發現異常及時通知。行為可以模擬但習慣被模擬的代價就非常高。

針對數據的治理，京東金融目前用機器學習建設了很多的模型，如下圖。

最下層的是各種數據進入大數據環境后，由于原始數據存在雜亂無章的現象，此處使用各種顏色來示意。數據原子化是經過整理后，把數據按業務歸屬分類，形成最原子的類別，比如賬戶，資金，投資，消費等等。數據抽象層是按風控關注的業務做數據整合，這層是最貼近業務的。每一塊代表一類業務，一個原子數據類是可以被放入多個抽象數據塊里的。數據模型層主要是對分析場景使用的，基本就是一個數據模型塊對應一個分析場景。

機器學習在京東金融的天盾風控系統應用流程如下：

根據經驗，在算法的選擇上盡可能的多做選擇，對比模型的性能擇優選取。另外，對樣本庫做好治理工作，可使用隨機抽樣和使用聚類把樣本數據分層抽取。這些工作是建模人員在大數據環境中也就是離線做的，那么，怎么把訓練的模型應用到線上做實時呢，下圖是架構：

京東金融目前正在開發機器學習平臺，讓懂機器學習的人就可以使用機器學習做想的事情，當前懂機器學習的人不在少數，但真正使用機器學習做具體事情不多，故此平臺不但滿足內部建模訓練、發布等，還可對外輸出。

數據風控還有很長的路要走，如量化投資風險評估與運營也屬風控范疇，風控也可和推薦領域相結合。如數據會有階段性差異，質量會隨時間推移，慢慢發生變化，可能花費很大精力產出的預測產品會失效，調整代價難易不可估。如不同場景準確度和覆蓋度都是不同的，尺度如何把握。如怎樣能降低統計分析學和分布式計算相結合的成本等等。

總之，互聯網金融風控核心還是服務客戶，提升產品價值，最大程度的做到差異化的防范，智能化是風控的發展方向，京東金融從開始就致力于打造智能化的風險管控解決方案。

京東金融支付核心研發部負責人安培談支付

[[254396]]

安培·京東金融支付核心研發部負責人

安培表示，很幸運加入京東金融，伴隨著京東金融一起飛速成長。京東金融支付系統支撐著整個集團業務線上、線下的收款，不僅要支持業務海量的需求，又要抗得住每年翻番增長的流量，對技術架構和項目管理是一個很大的挑戰！

京東每年流量的增長都遠遠超出預期，經過幾年的迭代和數次架構升級，支付系統從一個小小的收銀臺，逐漸演化成了幾十個系統、上千臺集群服務器構成的復雜應用。支付系統作為京東集團重要的業務支撐系統有很多自己的特點：

高并發：支付系統支撐著整個京東集團線上、線下的收款，每年流量翻番增長，對系統架構是一個很大的挑戰！就在16年的雙11凌晨，系統非常穩定的承受了京東歷史上最大的流量洪峰。

安全、數據強一致性：支付系統存儲著大量用戶銀行卡、支付密碼等重要且敏感信息。因此防XSS、防sql注入就成了重中之重，安全工程師則每天都要對系統進行漏洞測試，滲透性測試等。因為涉及用戶真實的資金，支付系統對于數據一致性和安全的強要求是毋庸置疑的。是的，一條數據都不能錯，一條數據都不能丟！

調用鏈路長：支付系統既要符合業內安全規范，又涉及商戶、機構、銀行間的網絡交互，以至于網絡環境非常復雜，一個用戶的支付請求需要穿越多個機房，數個防火墻，幾次從公網到內網，從內網到公網的轉化！而且，支付系統背后的渠道是上百家技術能力參差不齊的銀行，就導致不僅調用鏈路長，而且延遲性非常高。從用戶體驗和系統并發的角度，在兩年前對系統做了全流程請求異步化改造。

實時性：試想一個場景，用戶在線支付了一個彩票訂單并付款成功，但是由于支付系統的延時，導致沒能及時通知彩票系統出單。期間彩票開獎，用戶投注的號碼中得頭獎，但因出單失敗，500萬大獎不翼而飛！可見支付系統的實時性是多么必要。京東很多業務流程的狀態都依靠支付成功的消息去推動，比如實物訂單要在支付成功后才能推送到庫房生產，手機充值訂單需要支付成功后才能給用戶充值。一個大數據的分析系統，報表的數據可以離線計算，而對于支付系統而言所有請求必須實時處理，刻不容緩！

依賴系統眾多：支付系統依賴數十個左右的核心服務，上百家合作銀行。要保證一旦依賴的服務出問題，對支付系統的影響是最低，小伙伴經常需要凌晨登錄VPN對依賴的服務降級，對故障的通道進行切換。并且支付有很多瑣碎的運營工作，如各種維度的成功率、轉化率監控，銀行的限額變更，錯誤碼變更等。這時一個強大、多功能靈活的運營后臺應運而生！

基于以上的特性，要求系統必須是High Availability(高可用)！然而真正 High Availability的系統不單單只是能應對大流量。

常見的分庫分表的系統架構，存在兩個重要不足：

• 對數據庫強依賴，當數據庫宕機的時候，整個應用是無法對外提供服務的。在真實的運維場景，服務器的內存條壞了、硬盤燒了、交換機故障等是家常便飯，這些故障需要值班運維介入處理，最快也要五分鐘時間。五分鐘對于集團的支付系統而言，可能是千萬資金的收款，這種事故無法面對。
• 擴容，以MySQL為例，DBA推薦的連接數配置是不超過兩千，隨著系統的運行及流量的增長，存儲和并發一定會達到瓶頸，而數據庫擴容是一項耗時耗力且風險極大工程，需要長時間的灰度發布及精細監控，需要投入很多人力，一旦出了問題就可能造成大量用戶投訴以及半夜都處理不完的工單。

高可用系統的一個重要指標是應對黑天鵝事件，對于服務器硬件概率性故障，值班運維可以介入處理快速恢復，但是有些不可控的因素，比如機房運營商網絡故障，一旦遇到這類突發故障，系統要如何快速應對？很多人都知道，最主流的災備技術是兩地三中心，數據中心A和數據中心B在同城作為生產級的機房，當用戶訪問的時候隨機訪問到數據中心A或B。之所以可以隨機訪問，因為A和B會同步做數據復制，所以兩邊的數據是完全一樣的。但是因為是同步復制的，所以只能在同城去做兩個數據中心，否則太遠的話同步復制的延時會太長。在兩地三中心的概念里，一定會要求這兩個生產級的數據中心是必須在同一個城市，或者在距離很近的另外一個城市也可以，但是對于距離是有要求的。異地備份數據中心通過異步復制去同步數據。兩地三中心對于京東來講有三個重要問題：

• 當一地的數據中心出問題的時候，是不敢流量切往異地的備份數據中心，原因是異地的備份數據中心是冷的，平時是沒有用戶流量進去的。如果要把流量切到那邊起來之后，其實沒有人有很強的信心能夠保證起用以后是可以正常服務的，畢竟平時都是冷的。
• 異地備份中心的機房和服務器基本是完全閑置的，成本非常高。
• 在兩地三中心中，為保證支付數據的強一致性，數據一定是單點去寫！如果遇到“618店慶”并發壓力非常高的情況下，業務系統和數據庫是無法水平伸縮擴容，整體系統的可用性就會受到影響！

所以近一年團隊對系統的維護及應對類似黑天鵝事件做了很多工作：

從系統維護角度，新的系統架構上，實現了數據庫擴容配置化，當系統需要擴容時，把新的集群部署好，只需要簡單的配置即可分擔原有集群的流量，極大的降低了風險及維護成本。

從依賴單點角度，通過緩存和消息的互備，實現了即使數據庫宕機，應用照常提供服務。核心支付的主流程依賴的服務都不能有單點，也就是說不能因為一個服務掛了就導致整個支付不可用，必須預案或者備份！

從機房容災角度，實現了異地多中心，如果光纖被挖斷，或者運營商網絡故障，其他中心都可以分鐘級去接管用戶的讀寫流量。注意，這里說的是異地多中心，讀寫流量，包括寫的流量，也就是每個集群的應用加數據庫完全獨立的存在，并且部署也不受兩地三中心的距離限制。在這里數據一致性中很大的挑戰會出現在流量切換的動作中，比如說A、B兩個數據中心，A開始是承擔20%的流量，B承擔80%的流量。當把流量從一個地方切到另外一個地方的時間，有可能出現切換過程中你還在A數據中心寫，但其實寫完之后到B了，有可能看到出現的數據是不一致的，怎么保證在整個流量切換過程中數據是絕對一致的？這就要在很多細節處做大量的工作。

從監控的角度，加強業務監控和性能監控兩個方向的監控深度，方法的何種性能指標，何種維度的支付成功率、轉化率等等，一旦系統出現任何風吹草動，工程師和運營同學全部了然于心。

從系統降級的維度，深度定制配置管理系統，以及擁有自主知識產權的通道路由管理系統，研發和運營可以快速對非核心依賴的服務進行降級。

等等，做支付業務雖然有時很辛苦，但是它讓參與他的小伙伴快速成長！

京東金融風控研發部算法工程師裴積全談人臉識別

[[254397]]

裴積全·京東金融風控研發部算法工程師

裴積全表示，人臉識別過程中，照片、偷錄視頻、人皮面具等手段不能替代真人，因有活體檢測。活體檢測技術，就是通過分析用戶動作，人臉特征，甚至用戶表情變化來確保驗證用戶確實是一個“活”人，而不是圖片、視頻或者人臉模型。”

人臉識別技術應用于金融領域的優勢

（1）方便、體驗好。如很多人經常會出現忘記密碼的現象，但生物識別技術就會很好避免這樣情況，且操作起來更便捷，只需對著手機做一些小動作。

（2）安全。如身份驗證過程中，傳統的密碼驗證不能保證操作者是其本人，人臉識別就不會出現這種問題。如手機中病毒，密碼泄露等就會出現很大風險，特別是最近出現的專門套現的“羊毛黨”，使得傳統的驗證方式面臨很大的挑戰，而生物識別技術則可很好的解決這些問題。

當然人臉識別技術還有一定局限性，如人臉識別技術對于雙胞胎不能很準的進行驗證，需要結合其他生物特征，像指紋，來甄別。如目前人臉識別技術的“遷移性”不是很理想，對于不同的應用場景需要分別進行訓練優化。

人臉識別技術應用于金融領域的特殊性

相比于其它行業，金融領域的人臉識別技術在數據、算法和安全方面面臨很多新的挑戰。

首先，金融領域人臉識別技術的應用場景和一般的應用場景有很大差別，很多時候需要識別的照片是有網紋的，而這種類型的數據搜集和標注相對困難。

其次，是算法方面，金融領域的人臉訓練數據非常特殊，每個人只有2、3張照片，常規人臉識別系統的訓練算法不適用于這種類型的數據，必須根據數據的特點發展新的訓練算法，這對人臉識別算法提出新的挑戰。

最后，在金融領域人臉識別技術不僅僅要做人臉驗證，還需要防范各種攻擊，包括圖片攻擊（盜用別人圖片做人臉驗證），視頻攻擊（偷錄別人的視頻做人臉驗證），人皮面具攻擊等等，為了防范這些攻擊，必須加入活體檢測技術，通過分析用戶的動作，人臉的特征，甚至用戶的表情變化來確保驗證的用戶確實是一個“活”的人，而不是圖片，視頻或者人臉模型。

人臉識別技術在金融領域的場景

人臉識別的應用場景需要同時考慮技術可行性和用戶的體驗，目前在金融領域最佳的應用場景包括需要人工審核的實人認證業務，例如借貸業務，信息修改，以及大額交易，這些場景不僅可以為公司節約成本，還可以提高用戶體驗，降低交易風險。但是對于一些小額度的高頻交易會對用戶產生很大的打擾，可能不太適用。

京東金融消費金融研發部白條業務研發組，高級軟件開發工程師馮成談白條

[[254398]]

馮成·京東金融消費金融研發部白條業務研發組，高級軟件開發工程師

馮成表示，白條貸后階段，如何將部分還款表現差的用戶轉化為優質用戶，是努力的一個方向…

白條，不僅僅簡單地作為一種支付工具，而是一個消費生態體系，從而構建了白條的三大業務板塊：貸前、貸中、貸后。

針對不同消費者人群或業務場景，并根據用戶特征、風險識別和差異化定價進行精準授信。隨著業務場景和用戶數據特征的不斷豐富，路由系統也由最初的串行優化成了并行，提高了系統響應速度，同時增加了回撈功能，對未能滿足當前通道激活風險策略的用戶，還進行二次的路由。

作為一個生態，當然不能缺少營銷，從最初的有券到后來的無券，還款券，激活券等各種形式的優惠方式，引導用戶更多的參與到白條的生態體系中。其中系統復雜度最高的也是無券營銷，限制規則從最初的幾個到目前的幾十個，活動從最初的幾個，到目前并存幾百個，每一個訂單的優惠券匹配，都要進行規則和活動的雙重疊加匹配，從而對系統的響應速度有了更高的要求。不僅從系統結構、邏輯處理上做了優化，而且開發了數據預熱中心，作為整個系統的加速器，極大的縮短了系統的響應速度，降低了數據庫的負載。

白條同樣也要解決數據問題，當前白條用戶規模和每日產生的數據非常龐大。白條數據都是圍繞用戶為中心，目前通過用戶Id作為切分鍵進行了分庫分表數據存儲，當需要數據庫擴容時，必須進行數據遷移重新路由落庫，帶來很大的開發成本，所以也在通過其他的切分鍵進行數據存儲的開發，達到可配置化的橫向擴展，不需要遷移數據等額外的開發工作。由于分散的數據存儲，在運營、財務、客服等方面無法滿足多維度的數據查詢應用，從而打造了Solr+Hbase、Mongo和ES三個數據平臺。

白條經歷了多個618和雙十一，應對大促的挑戰，很多公司的方式大多雷同，主要在于精細化。就白條而言，首先預估大促期間的流量，進行一個整體的系統壓測，壓測分為單場景、混合場景、讀和寫的壓測。同時壓測的數據進行隔離以及安全方便的保證，其次是做一些監控限流的措施，按系統級別、流量分布、業務血緣關系結合壓測指標進行快速限流降級，某一點有問題能第一時間定位。最后就是所有依賴服務的災備，進行全鏈路的梳理。大促備戰檢驗的是系統各方面的配合，融合在一起才能達到最終的效果。

京東金融固收理財研發部架構師鄒保威談資產負債

[[254400]]

鄒保威·京東金融固收理財研發部架構師

鄒保威表示，資產負債和生活息息相關，看起來高大上，但每天都會在我們生活中反復實踐…

最初接觸資產負債管理的時候，我就在想，這有什么好管理的呢，不就是把資產信息和負債信息一個一個記錄下來嗎？做著做著才發現其實遠不是這么簡單，因為個人在生活中的資產和負債的管理雖然和機構的資產負債管理是相通的，但是它們之間的差別又是巨大的。

第一個迎面而來的棘手問題就是資產的合理分配問題，往簡單說就是，如何在考慮不同金融資產期限的前提下合理分配金額，使得在流動性風險能夠控制的前提下保持整體投資的最高收益，就有點像怎么用七個蓋子把八個杯子盡可能的蓋住的問題，而且這些蓋子大小還不一樣。好在數學上的線性規劃給出了解決這個問題的一個思路，但是這個模型實在不好建立，因為約束條件來源于很多個已知和未知的方面，這些約束大部分都直接來源于金融的本質特性，這就迫使團隊不僅要深入了解金融產品的本質，還要知道如何使用標準的會計方式來進行準確的度量。

挑戰遠不止于此，隨著項目的進行，決定需要對資金流動性進行合理的管理，從而防止出現流動性風險，而做到這一點其實是非常困難的，迄今為止還沒有完美的模型，但是有相對次優的模型，該模型要求對負債端的情況作出相對準確的預測，這個可是一個大難題，好在后期又打通了負債端的相關系統并從中獲取了很多關鍵數據，從而能夠使用一定的模型較為準確的計算出流動性，并且使用十分直觀的圖表進行展現，并在后期使用中對模型進行不斷的回歸校正，這個特性可是幫了業務很大的忙。

長遠來看將要在這個系統中加入更加多的特性，例如需要考慮資產的信用風險，市場的利率風險等等，而每個特性的加入都將是對這個系統的一次提升和改造，使其成為一個較為完善的資產負債管理平臺。

金融資產管理系統向來是金融機構的核心平臺，但是因為它往往并不直接面向最終用戶，所以通常不為人知，但是它又非常重要，京東金融固定收益類理財業務也正在構造類似的系統，用來提升資產管理水平以及效率，并致力于將其打造成一個支持京東金融各種金融理財產品業務的特有行業系統，并使之符合行業監管要求。它的主要功能是管理負債端面向最終用戶理財產品的發行以及其銷售情況，在資產端管理資產的生命周期以及最優組合，能夠在最大程度上優化投資負債行為，從而擴大業務盈利。并打通內部外部系統間交互，提升業務管理水平以及效率。這個系統定位為固收理財業務的投資管理分析決策系統，以該業務下的資產、負債、投資信息管理為出發點，通過對各類資金軌跡的記錄，資產價值的估算，未來幾日資產到期和用戶贖回情況的實時監控和分析，及時反應出賬戶下的資金水位，計算賬戶當前價值，為決策者提供準確的投資數據和投資方案，在為用戶提供平滑、簡潔、直觀的使用體驗前提下，最終實現有效降低流動性兌付風險和運營成本的最小化以及投資利潤最大化的目標。

寫在最后：

以上所述僅是京東金融技術的部分內容，其中有些取自「京東TALK：專注技術·自我迭代——金融技術交流系列分享活動」。當下，金融領域錯綜復雜，京東金融從「自營金融業務」逐步兼顧「為金融行業服務」的做法足以證明，其是一個領先的金融科技公司。相信在未來，金融科技公司會驅動金融領域發生很大的變革和進步，也會為傳統金融業賦能，提升或改進行業中歷史留存的成本、效率等問題。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】