京东金融是干什么的app

定位“金融科技”的京东金融集团成立于2013年10月，逐步打造供应链金融、消费金融、财富管理、众筹、证券、保险、支付、金融科技、农村金融九大业务板块。 “以身作则”增强和激发了技术人员的主观能动性。同时，曹鹏表示，自己读MBA就是为了从初创公司的老板身上看到他们老板和自己的思维差异。一开始，京东的管理主要是接收需求、完成任务，对原有的架构进行大大小小的调整，并一一开发新的系统。现在更多的是站在老板的角度看问题，将技术目标与公司目标统一起来，通过技术突破和发展为公司的发展做出更大的贡献。

京东金融CEO陈胜强表示，京东金融以数据为基础，以技术为手段，利用京东的场景和用户资源做金融业务。这是一家自营金融业务。现在乃至未来，京东金融要做的是：遵循金融本质，以数据为基础，以科技为手段，服务金融业，从而帮助金融业提高效率、降低成本、并增加收入。这个定位就是金融科技。

三年多时间，京东金融从无到有、日臻完善。一路走来，背后一定有很多精彩的故事。抱着学习的态度，我有幸与京东金融的一些技术人员进行了面对面的交流。过程涉及京东金融科技的发展历程和挑战、技术负责人的管理理念、风险控制、人脸识别、资产负债、欠条、支付等，信息丰富。通过这篇文章，我将带您走进京东金融，一睹金融科技公司的幕后战场。

京东金融科技的发展历程与挑战

京东的金融科技体系植根于京东的技术积累。人员由外部引进的技术精英和京东各系统（网站、订单交易、支付、财务、数据等）研发团队组成。京东的金融科技架构从一开始就具有前瞻性。主要是这些研发团队与京东一起快速成长，经历了618、双11等各种技术考验，基于这些，支付、借条、风控等大流量业务能够顺利、顺利地落地。安全通过，访问量增加了数百、数千倍，避免了业务快速发展中的一些高昂的试错成本。

当然，金融业务和商城业务有很大的区别。整个金融业务可以看作是一个“虚拟经济”，对数字化理解和技术有特殊要求。京东金融在过去三年的技术发展中面临着各种挑战。这里主要讲流量、一致性、大数据和技术四个方面：

流量：流量是所有中大型互联网公司面临的问题，解决方案也比较成熟，比如分库分表、动静分离、冷热分离、（多级）缓存等这些方案基本上都有一个共同的特点，那就是后台计算逻辑并不复杂，整个周期内系统运行时间几乎可以忽略不计。但京东金融的部分业务并非如此。以风控为例，当订单支付时，用户感觉支付过程是瞬间完成的（一秒之内），但风控系统却要在一秒之内做很多事情。比如确定用户的设备信息、登录行为、访问特征、信用状况、产品信息、商户特征、配送区域、银行卡状态等。比如建立信用、反欺诈、信用等一系列模型假冒交易，其中近百个模型需要实时计算。要在一秒，甚至几十毫秒内完成如此巨量的计算，并不容易。而且，在618、双11等大促期间，用户为了账户和资金的安全，不能轻易降级，这本身就是一个巨大的挑战。

一致性：金融业务特性决定了对数据一致性差异的容忍度很低。以白条业务为例，角色包括消费者、商户、小贷公司、京东、第三方支付、银行等，角色之间会产生费用。如果账户存在轻微差异，工作就会被阻止。该系统采用模块设计。看似简单的语句，却要经过交易、计息、分期、会计、资金、资产管理（abs）等一系列模块。为了兼顾性能，架构设计专注于轻量交易。该模型方案做了一定的妥协，这也是为了扩展前端的获取能力。因此，如何保持多个模块之间的数据一致性成为一个挑战。因此，当数据快速进来时，后端必须有完善的验证机制来协调数据的一致性。

大数据：对大数据有不同的理解。从点对点的角度来看，京东金融从数据服务应用的角度来考虑其挑战。以白条信用为例。白条是国内首个提供无纸化信贷的互联网消费金融产品。所以用户信用和信用额度是面临的首要问题。白条早期，大家讨论如何构建信用模型、业务条件、技术翻译等。通过数据集市筛选出符合条件的用户。配额也是一个简单的人为规则。这就导致了白条早期只有特邀用户才能打开。白色条状。随着业务发展，市场表现超出预期，倒逼技术创新。京东金融在不断研究新的技术解决方案的同时，也引进了更多专业的技术人才（模型、算法、分析、大数据开发等）。目前，整个授信流程已经完全自动化，人类经验明显落后于大规模、精细化维度计算的评分结果。分析师也在不断地训练和调整模型的准确性并快速迭代系统。评分模型已覆盖所有京东用户，大部分活跃用户都在信用范围内。

技术：这是京东金融一直在探索创新的领域，比如人脸识别、语音识别、区块链等。人脸识别在各大金融场景中很常见，但每个产品的体验也不同。考虑到面部特征需要精确的数据支持，并且出于数据安全考虑，该技术在市场上没有公共服务。一些有实力的企业在自研方面投入巨资。人脸识别最大的挑战是准确性。实验室环境简单，数据样本较少。在真实环境中，角色有不同的挑战，例如表情、年龄、背景、角度甚至假视频，这将使整体准确率更高。折扣。当准确性达不到市场要求时进行推广对于用户来说是一种负面的体验。在金融行业，有这样需求的产品越来越多。实名、开户、安全交易甚至登录都是非常好的应用场景。市场是技术增长的最大动力。京东金融面临的压力是如何让其自主研发的技术赶上并超越市场上人脸识别的准确率。

京东金融科技系统负责人曹鹏谈管理

曹鹏京东集团副总裁兼京东金融科技体系负责人

曹鹏现任京东副总裁、京东金融科技体系负责人。毕业于北京交通大学，获得中国人民大学MBA，目前在读清华五道口MBA。曾任京东研发总监、产品总监、职能研发副总裁，现任京东财务副总裁。

很荣幸成为第一个对曹鹏进行专访的媒体人。他于2002年认识刘强东，2007年受邀加入京东，2013年邀请应应加入京东金融。

京东金融是京东内部孵化的公司。前期紧跟业务，反应迅速。科技是生存的第一要务。随着业务的蓬勃发展，作为技术领导者，仅仅专注于技术是不够的。相反，你必须清楚“公司的目标是什么？在众多业务中做出选择，哪些该做，哪些不该做？”。同时我也在想，我们不能把精力分散到各处，什么事情都要做。我们要集中技术力量，始终跟上业务节奏，将产品、研发、运维、测试等技术和业务捆绑在一起，打造业务闭环。事业发展将更加繁荣。

对于技术人来说，做管理，更重要的是转变思维方式。对于技术人来说，一方面很难量化评估，另一方面业务和技术是相互驱动的。如果生意很好，说明技术已经到位；如果生意很好，说明技术已经到位。如果业务发展得好，扩张迅速，技术人员就有提升的空间。因此，与其制定规章制度、照顾方方面面，不如通过“换位思考、以身作则”来增强和激发技术人员的主观能动性。同时，曹鹏表示，自己读MBA就是为了从初创公司的老板身上看到他们老板和自己的思维差异。一开始，京东的管理主要是接收需求、完成任务，对原有的架构进行大大小小的调整，并一一开发新的系统。现在更多的是站在老板的角度看问题，将技术目标与公司目标统一起来，通过技术突破和发展为公司的发展做出更大的贡献。

京东下一个12年的战略规划是全面走向科技化。京东的金融科技体系也在不断吸引更多人才加入，增强金融科技实力，输出技术。理想的情况是团队三分之一的人完成业务支撑，其余的团队将利用京东自有和外部的大数据资源、用户、流量，结合目前比较新的技术，如例如人工智能、人脸识别和深度学习。技术、研发创新产品，一方面将其应用到适合的场景，一步步迭代，力求达到最佳的用户体验；另一方面，为金融行业提供技术输出服务。

京东金融风控研发部架构师王美庆谈风控

王美庆京东金融风控研发部架构师

风控的灵魂是数据，一切决策都由数据驱动。策略和模型是风险控制决策的两个依据。策略偏重有效性，而模型偏重预测和测量。两者之间有很多联系和结合。根据业务和场景选择合适的解决方案需要手动和自动化。结合调整。两者都离不开基于大数据的挖掘能力，都需要特征工程。只有将挖掘结果重新加工、抽象成相对原子的规则，才能形成复杂的策略。

京东金融有数百种需要风控的场景。交易占比很大，非交易包括促销优惠、借条激活、信用评估等，所以很多业务都需要风控来实时决策。同时保证在执行更复杂的策略和模型时达到毫秒级的性能（几十毫秒）。对于实时和准实时决策引擎，所有使用的输入数据也必须预先计算。

当一个事件发生时，会有数千甚至数万个计算项与之关联。从Storm到自主研发的实时计算平台，通过简单的配置即可完成支持时间滑动窗口的计算，满足指标和变量的多样化和复杂性。它不需要单独发布。在这方面它比Storm要好。从性能上来说，它也是基于Akka的，无论如何都不逊色于Storm。计算的另一部分当然是通过运行批处理来完成的。起初，mapreduce用于将所有热数据存储在内存（redis）中。后来结合了kylin和flink，根据计算项的数据源和窗口规格来决定使用哪种计算方式。这些计算结果会被引擎直接使用，因此决策引擎内部定义为一个轻量级的策略和模型计算框架，由其背后的几个系统组成。

与传统风控相比，互联网+金融最大的优势是数据风控。从维度来看，数据风控会涉及社交领域、画像等互联网因素，因此数据风控更加关注互联网社交行为数据。

我们开始将业务系统产生的数据和流量作为挖掘的主要素材来源。这部分与用户行为关系较大，对于识别风险也能非常有效。但随着时间的推移，恶意用户的知识不断积累，其反侦察能力不断提高，可以模拟正常用户。这时就需要渗透到用户的环境中，将设备指纹、生物识别探针等分别应用到Web和移动设备上，作为移动安全的一部分。这提供了一种非常有效的分析恶意用户的方法。用户长期积累的数据会形成稳定的习惯模型，发现异常时及时通知您。行为可以被模拟，但习惯被模拟的成本非常高。

对于数据治理，京东金融目前使用机器学习来构建许多模型。

在底层，各种数据进入大数据环境后，由于原始数据比较杂乱，这里用各种颜色来表示。数据原子化是指将数据按照业务属性进行排序、分类，形成相对原子的类别，如账户、资金、投资、消费等。数据抽象层按照风控关注的业务对数据进行整合。这一层是比较贴近业务的。每个块代表一种业务，一个原子数据类可以放入多个抽象数据块中。数据模型层主要用于分析场景。基本上，一个数据模型块对应一种分析场景。

机器学习在京东金融天盾风控系统中的应用流程如下：

根据经验，在算法的选择上尽可能多地进行选择，并比较模型的性能以选择最佳的。另外，为了管理好样本数据库，可以采用随机抽样和聚类的方式分层提取样本数据。这些任务由建模者在大数据环境中离线完成。那么，如何将训练好的模型实时在线应用呢？架构如下图所示：

京东金融目前正在开发一个机器学习平台，让懂机器学习的人能够利用机器学习做自己想做的事情。目前了解机器学习的人很多，但真正用机器学习来做具体事情的人并不多。因此，该平台不仅满足内部需求，还可以向外界输出建模培训、发布等。

数据风险控制还有很长的路要走。比如量化投资的风险评估和操作也属于风险控制的范畴，风险控制也可以与推荐领域相结合。例如，数据会存在周期性差异，质量会随着时间的推移慢慢发生变化。需要花费大量精力制作的预测产品可能会失效，调整的成本是困难且不可估量的。如果不同场景的精度和覆盖范围不同，如何把握尺度。比如如何降低统计分析与分布式计算相结合的成本等。

总之，互联网金融风控的核心是服务客户，提升产品价值，在较大程度上实现差异化防范。智能化是风控的发展方向。京东金融从一开始就致力于打造智能风险管控解决方案。

京东金融支付核心研发部负责人Ampere谈支付

安培京东金融支付核心研发部负责人

安培表示，很幸运能够加入京东金融，并与京东金融一起快速成长。京东金融支付系统支持整个集团业务的线上线下收款。不仅要支撑海量的业务需求，还要承受每年翻倍的流量。对技术架构和项目管理都是一个很大的挑战！

京东每年的流量增长远超预期。经过几年的迭代和多次架构升级，支付系统逐渐从一个小型收银台发展成为由数十个系统、数千台集群服务器组成的复杂应用。支付系统作为京东集团重要的业务支撑系统，具有诸多特点：

高并发：支付系统支持整个京东集团线上线下收款。流量每年翻倍，对系统架构是一个很大的挑战！ 2016年双11凌晨，系统非常稳定地承受了京东历史上最大的流量高峰。

安全性和数据一致性强：支付系统存储了大量用户银行卡、支付密码等重要敏感信息。因此，防止XSS和SQL注入成为重中之重，安全工程师每天都要对系统进行漏洞测试和渗透测试。由于涉及到用户的真实资金，毫无疑问支付系统对数据的一致性和安全性有很强的要求。是的，任何数据都不会出错或丢失！

长调用环节：支付系统必须符合行业安全标准，同时还涉及商户、机构、银行之间的网络交互，网络环境非常复杂。用户的支付请求需要经过多个机房、多个防火墙、多次。公网到内网、内网到公网的转换！而且支付系统背后的渠道是上百家银行，技术能力参差不齐，这不仅导致呼叫链路长，而且延迟非常高。从用户体验和系统并发的角度考虑，系统在两年前就转型为异步全流程请求。

实时性：想象这样一个场景：用户在线支付彩票订单，支付成功，但由于支付系统的延迟，导致没有及时通知彩票系统下单。抽奖时，用户所下的号码中了头奖，但由于下单失败，500万大奖消失了！可见支付系统的实时性是多么必要。京东上很多业务流程的状态都依赖于支付成功的消息。例如，实物订单只有支付成功后才能推送到仓库进行生产，手机充值订单只有支付成功后才能给用户充值。在大数据分析系统中，报表数据可以离线计算，但对于支付系统来说，所有请求都必须实时处理，不能有延迟！

依赖众多系统：支付系统依赖数十个核心服务和数百家合作银行。确保一旦依赖的服务出现问题，对支付系统的影响比较小。朋友们经常需要一大早登录VPN来降级依赖的服务并切换失败的通道。而支付涉及到很多琐碎的操作工作，比如各个维度的成功率和转化率监控、银行限额变更、错误码变更等，此时，一个强大、多功能、灵活的操作后台应运而生！

基于以上特点，系统必须是高可用的！然而，真正的高可用性系统不仅仅能够处理高流量。

分库分表的通用系统架构有两个重要的缺点：

对数据库有很强的依赖性。当数据库宕机时，整个应用程序无法对外提供服务。在实际运维场景中，服务器内存条损坏、硬盘烧毁、交换机故障等情况屡见不鲜。这些故障需要值班运维干预，这可能需要长达五分钟的时间。对于集团的支付系统来说，五分钟可能就是数千万资金的归集。这种意外是不能面对的。

扩展，以mysql为例，建议DBA配置的连接数不超过两千。随着系统的运行和流量的增加，存储和并发肯定会达到瓶颈，数据库扩容耗时耗力，风险极大。大型项目需要长期的灰度发布和详细的监控，需要大量的人力。一旦出现问题，可能会导致大量的用户投诉和半夜无法完成的工单。

系统高可用的一个重要指标是对黑天鹅事件的响应能力。对于概率性的服务器硬件故障，值班运维可以介入，快速恢复。但也存在一些不可控因素，如机房运营商网络故障等。一旦遇到此类紧急情况，系统如何快速响应故障？很多人都知道现在比较主流的容灾技术是两地三中心。 A数据中心和B数据中心作为同城生产级机房。用户访问时，随机访问数据中心a或b。之所以可以随机访问，是因为a和b会同步复制数据，所以两边的数据是一模一样的。但由于是同步复制，我们只能在同一个城市建设两个数据中心。否则，如果距离太远，同步复制的延迟就会太长。在两地三中心的概念中，两个生产级数据中心必须在同一个城市，也可以在距离很近的另一个城市，但对距离有要求。异地备份数据中心采用异步复制来同步数据。两地三中心给京东带来了三个重要问题：

当一地的数据中心出现问题时，流量不敢转移到另一地的备份数据中心。原因是异地备份数据中心温度较低，通常没有用户流量。如果你想把那里的流量切掉再启动，没有人很有信心启动后能保证正常服务。毕竟平时都是冷的。

异地备份中心的机房和服务器基本完全闲置，成本非常高。

两地三中心，为了保证支付数据的强一致性，数据必须单点写入！如果“618店庆”并发压力很大，业务系统和数据库将无法横向扩展，整个系统的可用性会受到影响！

因此，在过去的一年里，团队在系统维护以及类似黑天鹅事件的应对方面做了大量的工作：

从系统维护的角度来看，新的系统架构实现了数据库的扩展和配置。当系统需要扩容时，部署新的集群，只需要简单的配置即可分担原有集群的流量，大大降低了成本。风险和维护成本。

从单点依赖的角度来看，通过缓存和消息的相互备份，即使数据库宕机，应用程序也可以继续提供服务。核心支付的主要流程不能依赖于单一服务。也就是说，不能因为一项服务失败而导致整个支付不可用。必须对其进行计划或备份！

从机房容灾的角度来说，实现了远程多中心。如果光纤被切断或者运营商网络出现故障，其他中心可以在几分钟内接管用户的读写流量。注意这里说的是远程多中心，读写流量包括写流量，即每个集群的应用和数据库完全独立存在，部署不受三个中心距离的限制在两个地方。这里数据一致性的一大挑战会出现在流量切换的动作上。例如，对于两个数据中心a和b，a初始将承担20%的流量，b将承担80%的流量。当流量从一地切换到另一地时，可能会出现切换过程中你还在数据中心A写入，但实际上写入后已经到了数据中心B。你可能会看到出现的数据不一致。如何保证整个流量切换过程中数据一致？这需要在很多细节上做大量的工作。

从监控的角度，加强业务监控和绩效监控两个方向的深度监控，采用什么样的绩效指标，支付成功率、转化率等维度有哪些。一旦系统出现问题，工程师和运维同学都会心里有数。

从系统降级的角度来看，深度定制的配置管理系统和具有自主知识产权的通道路由管理系统，可以让研发和运营快速降级非核心依赖的业务。

等等，虽然做支付业务有时很辛苦，但是却让参与其中的合作伙伴快速成长！

京东金融风控研发部算法工程师裴继权谈人脸识别

裴继全京东金融风控研发部算法工程师

裴继权表示，在人脸识别过程中，照片、偷录视频、人皮面具等方法无法取代真人，因为是活体检测。活体检测技术分析用户的动作、面部特征，甚至用户表情的变化，以确保用户确实是一个“活”人，而不是图片、视频或面部模型。 ”

人脸识别技术应用于金融领域的优势

（一）便捷、体验好。比如很多人经常忘记密码，但是生物识别技术可以很好的避免这种情况，而且操作起来也更加方便。您只需要在手机上做一些小动作即可。

(2)安全。比如，在身份验证过程中，传统的密码验证无法保证操作者就是本人，而人脸识别则不会出现这个问题。比如手机病毒、密码泄露等都会造成很大的风险，尤其是最近出现的专门套现的“羊毛帮”，使得传统的验证方式面临很大的挑战，而生物识别技术可以很好的解决。这些问题。

当然，面部识别技术仍然存在一定的局限性。例如，面部识别技术无法准确验证双胞胎，需要结合指纹等其他生物特征来识别双胞胎。比如，目前人脸识别技术的“可移植性”还不是很理想，不同的应用场景需要单独训练和优化。

人脸识别技术应用于金融领域的特殊性

与其他行业相比，金融领域的人脸识别技术在数据、算法和安全方面面临许多新的挑战。

首先，人脸识别技术在金融领域的应用场景与一般应用场景有很大不同。很多情况下，需要识别的照片都是有纹理的，这种数据采集和标注是比较困难的。

其次，在算法方面，金融领域的人脸训练数据非常特殊。每个人只有2或3张照片。传统人脸识别系统的训练算法不适合此类数据。必须根据数据的特点开发新的。训练算法，这对人脸识别算法提出了新的挑战。

经过比较，金融领域的人脸识别技术不仅需要用于人脸验证，还需要防范各种攻击，包括图片攻击（盗取别人的图片进行人脸验证）、视频攻击（偷偷录制别人的视频）为了防止这些攻击，必须加入活体检测技术，通过分析用户的动作、面部表情，确保验证的用户确实是“活人”，而不是图片。功能，甚至用户表情的变化。视频或面部模型。

人脸识别技术在金融领域的应用场景

人脸识别的应用场景需要同时考虑技术可行性和用户体验。目前金融领域比较好的应用场景包括需要人工审核的实人认证服务，比如借贷服务、信息修改、大额交易等。这些场景不仅可以为企业节省成本，还可以提高用户体验，降低交易风险。但对于一些高频、小金额的交易可能不太适合，会给用户带来很大的干扰。

京东金融消费金融研发部白条业务研发组软件开发工程师冯程谈白条

冯程白条业务研发组，京东金融消费金融研发部，软件开发工程师

冯程表示，在贷后阶段，如何将一些还款表现较差的用户转化为优质用户是努力的方向之一……

白条不仅仅是一个支付工具，而是一个消费生态系统，从而构建了白条的贷前、贷中、贷后三大业务板块。

针对不同消费群体或业务场景，根据用户特征、风险识别和差异化定价提供精准授信。随着业务场景和用户数据特征的不断丰富，路由系统也从原来的串行优化为并行，提高了系统响应速度，并为不满足当前通道激活风险策略的用户增加了恢复功能。并且还执行二次路由。

作为一个生态系统，营销当然是不可或缺的。各种形式的折扣，从最初的优惠券到后来的无优惠券、还款券、激活券等，引导用户更多地参与白条的生态。其中，复杂度相对较高的系统也是免优惠券营销。限制规则从最初的几条增加到现在的几十条。活动由最初的几个增加到现在的数百个。每个订单的优惠券都是匹配的。必须进行规则和活动的双重叠加匹配，这对系统的响应速度提出了更高的要求。我们不仅优化了系统结构和逻辑处理，还开发了数据预热中心，作为整个系统的加速器，大大缩短了系统的响应速度，减轻了数据库的负载。

白条还需要解决数据问题。目前白条的用户规模以及每天产生的数据都非常大。白条数据一切以用户为中心。目前，用户ID作为分段键将数据存储在单独的数据库和表中。当数据库需要扩展时，必须进行数据迁移、重新路由、数据库，这带来了大量的开发成本。因此，我们也在开发通过其他分段键来实现数据存储，以实现可配置的水平扩展，而不需要进行数据迁移等额外的开发工作。由于数据存储分散，无法满足运营、财务、客服等多维度的数据查询应用，因此创建了solr+hbase、mongo、es三个数据平台。

白条经历了多次618和双11活动，应对大促销的挑战。很多公司都有类似的方法，主要是注重精细化。就白条而言，我们首先对促销期间的流量进行估算，并对系统进行整体压力测试。压测分为单一场景、混合场景、读写压测。同时压测数据隔离，保证安全便捷。其次，采取一些监控和限流措施。根据系统级别、流量分布、业务关系、压测指标，进行快速限流和降级。如果在某个时刻出现问题，可以采取第一步。时间定位。经过比对，整理出全链路所有依赖服务的容灾情况。准备大促，考验的是系统各方面的配合。只有将它们融为一体，才能达到最终的效果。

京东金融固定收益金融管理研发部架构师邹保伟谈资产负债

邹保伟京东金融固定收益金融管理研发部架构师

邹保伟表示，资产和负债与生活息息相关。它们看似崇高，却在我们每天的生活中反复践行……

当我第一次接触资产负债管理的时候，我就在想，有什么好管理的呢？不就是把资产信息和负债信息一一记录下来吗？当我实践时，我发现事情远没有那么简单，因为生活中个人的资产和负债的管理虽然与机构的资产和负债的管理类似，但两者之间的区别却是巨大的。

第一个棘手的问题就是资产的合理配置问题。简单来说，就是如何根据不同金融资产的期限合理分配金额，使整体投资具有可比性，同时控制流动性风险。高产率有点像如何用七个盖子尽可能盖住八个杯子的问题，而且盖子的大小不同。幸运的是，数学线性规划给出了解决这个问题的思路，但这个模型确实很难建立，因为约束来自许多已知和未知的方面，而这些约束大多数直接来自金融的本质。特点，这迫使团队不仅要深入了解金融产品的本质，还要懂得如何使用标准的会计方法进行准确的计量。

挑战远不止于此。随着项目的进展，决定需要合理管理资金流动性，防范流动性风险。做到这一点其实是非常困难的。目前还没有一个完美的模型，但有一个相对次优的模型，这需要对责任方的情况有一个相对准确的预测。这是个大问题。幸运的是，后来责任方的相关系统开放了，从中得到了很多关键数据，从而可以使用某些模型。流动性计算更加准确，并使用非常直观的图表显示，并且模型在后期使用中不断修正回归。这个功能对于业务来说有很大的帮助。

从长远来看，这个系统会加入更多的功能，比如需要考虑资产的信用风险、市场的利率风险等，每一个功能的加入都会是对系统的一个改进。

提升和改造，使其成为一个较为完善的资产负债管理平台。 金融资产管理系统向来是金融机构的核心平台，但是因为它往往并不直接面向比较终用户，所以通常不为人知，但是它又非常重要，京东金融固定收益类理财业务也正在构造类似的系统，用来提升资产管理水平以及效率，并致力于将其打造成一个支持京东金融各种金融理财产品业务的特有行业系统，并使之符合行业监管要求。它的主要功能是管理负债端面向比较终用户理财产品的发行以及其销售情况，在资产端管理资产的生命周期以及比较优组合，能够在比较大程度上优化投资负债行为，从而扩大业务盈利。并打通内部外部系统间交互，提升业务管理水平以及效率。这个系统定位为固收理财业务的投资管理分析决策系统，以该业务下的资产、负债、投资信息管理为出发点，通过对各类资金轨迹的记录，资产价值的估算，未来几日资产到期和用户赎回情况的实时监控和分析，及时反应出账户下的资金水位，计算账户当前价值，为决策者提供准确的投资数据和投资方案，在为用户提供平滑、简洁、直观的使用体验前提下，比较终实现有效降低流动性兑付风险和运营成本的比较小化以及投资利润比较大化的目标。 写在比较后： 以上所述仅是京东金融技术的部分内容，其中有些取自「京东talk：专注技术·自我迭代——金融技术交流系列分享活动」。当下，金融领域错综复杂，京东金融从「自营金融业务」逐步兼顾「为金融行业服务」的做法足以证明，其是一个的金融科技公司。相信在未来，金融科技公司会驱动金融领域发生很大的变革和进步，也会为传统金融业赋能，提升或改进行业中历史留存的成本、效率等问题。