以「金融科技」定位的京东金融集团成立于2013年10月，逐渐构建了供给链金融、消费金融、财富管理、众筹、证券、保险、支付、金融科技以及乡村金融九大业务板块。
以身作则」提升、激起技术人员的客观能动性。
同时曹鹏表示，读emba也是为了从创业公司老板身上，看到老板和本人思想形式上的差别。
比拟初在京东做管理主要是接需求、做任务，在原有架构上做大大小小的调整，一个个攻坚开发新系统。
如今更多的是站在老板的角度看问题，将技术目的与公司目的统一，经过技术的打破开展为公司的开展做出更大的奉献。
京东金融ceo陈生强表示，京东金融以数据为根底，以技术为手腕，借力京东的场景和用户资源来做金融业务，这是自营金融业务。
如今乃至将来，京东金融要做的是：服从金融实质，以数据为根底，以技术为手腕，为金融行业效劳，从而协助金融行业提升效率、降低本钱、增加收入。
这个定位就是金融科技。
京东金融这三年多，从无到有，从有到精，一路走来，背后定有许多精彩故事。
本着学习的态度，有幸和京东金融局部技术人停止面对面的交流，过程中触及到京东金融技术的开展进程和应战、技术担任人的管理理念、风控、人脸辨认、资产负债、白条、支付等，干货满满。
我将经过本文，带大家一同走进京东金融，一瞥金融科技公司的幕后战场。
京东金融技术的开展进程&应战京东金融技术体系本源于京东商城技术沉淀，人员由外部引进和京东商城各体系（网站、订单买卖、支付、财务、数据等）研发团队的技术精英组成。
京东金融技术架构起始就有一定前瞻性，主要要素是这些研发团队和京东商城一同快速生长，且屡次阅历过像618和双11等各种技术大考。
基于这些使得支付、白条、风控等大流量业务可以平稳平安渡过，访问量呈现几百上千倍增长的应战，防止了业务高速开展中一些昂扬的试错本钱。
当然，金融业务和商城业务有很大区别，整个金融业务能够看成是一种“虚拟经济”，对数字了解、技术性有特殊的请求。
京东金融这三年的技术生长过程中面临种种应战，这里主要讲述四方面：流量、分歧性、大数据和科技：流量：流量是一切中大型互联网公司都会面临的问题，处理计划相对较成熟，如分库分表、动静别离、冷热别离、（多级）缓存等。
这些处理计划根本存在共同特征，那就是后台计算逻辑并不复杂，系统运算时间在整个周期中简直可疏忽不计。
但京东金融某些业务并不是这样，以风控为例，一笔订单支付，用户感遭到的是霎时（一秒以内）就完成支付过程，但这短短一秒内风控系统要做很多事，如判别用户的设备信息、登录行为、访问特征、信誉情况、商品信息、商家特征、配送区域、银行卡状态等。
如树立信誉、反狡诈、伪冒买卖等一系列模型，其中多达近百项的模型需实时计算。
这样庞大的运算量在一秒内，以至几十毫秒内完成，不是易事。
况且在618和双11等大促中，为了用户的账户和资金平安，不能随便去降级，这自身就是一个宏大的应战。
分歧性：金融业务特征决议数据分歧性差别的容忍度很低。
以白条业务为例，角色有消费者、商户、小贷公司、京东商城、第三方支付、银行等，角色之间会有费用往来，如账务呈现细微差别就会招致工作阻塞。
系统是分模块设计的，看似打了个简单白条，却要经过买卖、计息、分期、账务、资金、资管（abs）等一系列模块，为统筹性能，架构设计时对轻事务模型计划做了一定的妥协，这样也是为扩展前端收单才能。
这样一来，如何让数据在多个模块中坚持分歧性就成了应战。
所以当数据快速进来，后端要有精细的核验机制来谐和数据的分歧性。
大数据：对大数据的了解各有不同，以点带面，京东金融是从数据效劳于应用的角度来思索他的应战性。
以白条授信为例，白条是国内第一家无纸化授信的互联网消费金融产品，那么用户授信、授信额度是首要面临的问题。
白条初期，大家一同商榷如何搭建授信模型,业务说条件，技术做翻译，经过数据集市挑选出来合格的用户，额度也是人为定的简单规则，这招致白条上线初期，仅有特邀用户才干开通白条。
随着业务开展，市场表现超出预期，逼迫技术必需改造。
京东金融不时研讨新技术处理计划的同时还引进更多更专业型的技术人才（模型、算法、剖析以及大数据开发等）。
目前，整个授信过程完成全自动，人的经历明显落后于海量维度精密化测算的评分结果。
剖析人员也在不时锻炼和调校模型的精确性，停止系统快速迭代。
评分模型已掩盖全部京东用户，大半活泼用户均在授信范围。
科技：这是京东金融不断在探究创新的范畴，如人脸辨认、语音辨认、区块链等。
人脸辨认在各大金融场景较常见，但各个产品的体验也不尽相同，思索到人脸特征背后需求精密数据支撑，出于对数据平安的思索，技术在市场上并没有公共的效劳，一些实力公司投入重金停止自研。
人脸辨认比拟大的应战是精确性，实验室环境简单，数据样本较少，真实的环境中人物有表情、年龄、背景、角度以至是伪造视频等不同要素的应战，会让整体精确性大打折扣。
精确性没有到达市场请求时却推行，对用户来说是一种负体验。
在金融行业，有这样需求的产品越来越多，实名、开户、平安买卖以至登陆等都是十分不错的应用场景。
市场是技术生长比拟大的推进力，摆在京东金融面前的压力是如何让自研技术可以赶上和超越市场上人脸辨认的精确度。
京东金融技术体系担任人曹鹏谈管理曹鹏·京东集团副总裁、京东金融技术体系担任人曹鹏，现任京东集团副总裁、京东金融技术体系担任人。
毕业于北京交通大学，获得人民大学emba，目前在读清华五道口emba；历任京东商城研发总监、产品总监、职能研发副总裁，现任京东金融副总裁。
很荣幸成为第一个给曹鹏做专访的媒体人，他02年认识刘强东，07年受邀参加京东，13年请缨来到京东金融。
京东金融是京东内部孵化的公司，在比拟初期紧贴业务、快速响应，很好的活下来才是技术首要。
随着业务的爆棚，作为技术担任人，只埋头做技术是远远不够的，而是要分明「公司目的是什么？从众多业务中做出抉择，哪些做哪些不做？」。
同时在考虑，不能把精神四处散落，什么都想干，要集中技术力气一直坚持和业务的步伐相契合，把产品、研发、运维、测试等技术和业务绑在一同，打造业务上的闭环，业务开展才会更繁茂。
技术人做管理，比拟重要的是考虑方式的转换。
关于技术人来说，一方面是很难量化考核，另一方面业务技术互驱动，如业务很牛，阐明技术很到位；业务开展好，快速扩张，技术人就会有上升的空间。
所以与其制定条条框框，方方面面都管，不如「将心比心以身作则」提升、激起技术人员的客观能动性。
同时曹鹏表示，读emba也是为了从创业公司老板身上，看到老板和本人思想形式上的差别。
比拟初在京东做管理主要是接需求、做任务，在原有架构上做大大小小的调整，一个个攻坚开发新系统。
如今更多的是站在老板的角度看问题，将技术目的与公司目的统一，经过技术的打破开展为公司的开展做出更大的奉献。
京东的下一个12年战略规划是全面走向技术化，京东金融技术体系目前也在不时吸纳更多的人才参加，提升金融科技实力，停止技术输出。
比拟理想的状态是团队三分之一的人完成业务的支撑，其别人应用京东集团本身和外部的大数据资源、用户和流量等优势，分离当下人工智能、人脸辨认、深度学习等比拟新技术，研发创新产品，一方面运用到合适的场景中，步步迭代，力争把用户体验做到比拟；一方面为金融行业提供的技术输出效劳。
京东金融风控研发部架构师王美青谈风控王美青·京东金融风控研发部架构师风控的灵魂是数据，一切决策都以数据为驱动。
战略和模型是风控做出决策的两大根据，战略倾向有效性、模型倾向预测和度量，两者有十分多的联络和分离，依据业务和场景来选择适宜的计划，并且需求人工与自动化分离来调整。
两者都离不开基于大数据的发掘才能，都需求做特征工程，只要把发掘的成果再次加工和笼统，做成比拟原子的规则，才干构成复杂的战略。
京东金融，有数百个需求风险控制的场景，买卖类占比比拟大，非买卖类有促销优惠、白条激活、信誉评价等，这么多业务都需求风控做出实时决策。
同时保证执行比拟复杂的战略与模型时，在性能上做到毫秒级（几十毫秒）。
实时和准实时决策引擎，所用到的一切输入数据还必需做估计算。
当事情发作时，与之关联的计算项会有几千以至上万项，从storm迁移到自主研发实时计算平台，经过简单配置即可完成支持时间滑动窗口的计算，满足指标与变量多样化复杂化计算并且不需求单独发布，在这一点上要优于storm，在性能上，同样基于akka，丝毫不逊于storm。
另外一局部计算当然就是经过跑批完成，开端在运用mapreduce，热数据全部内存化（redis），之后运用kylin与flink相分离的方式，依据计算项的数据来源和窗口规格来肯定运用哪种计算方式。
这些计算结果会被引擎直接运用，所以决策引擎被内部定义为一个轻量级的战略与模型的计算框架，背后由数个系统组成。
和传统风控相比，互联网+金融是数据风控比拟大的优势。
从维度方面来说，数据风控会触及到社交范畴、画像等互联网要素，所以数据风控更关注的是互联网社会行为数据。
开端以业务系统产生的数据和流作为主要发掘的素材来源，这局部和用户的行为关系比拟大，也能够十分有效的辨认风险，但随时间推移，歹意用户的学问是在积聚的，他们的反侦查才能在不时提升，能够去模仿正常的用户。
这时，就要渗入到用户所在的环境里，把打造设备指纹、生物探针等分别应用于web和挪动设备上，作为挪动平安的一局部。
这为剖析歹意用户提供十分有效的一个途径，用户长时间积聚的数据会构成一个稳定的习气模型，发现异常及时通知。
行为能够模仿但习气被模仿的代价就十分高。
针对数据的管理，京东金融目前用机器学习建立了很多的模型，。
比拟下层的是各种数据进入大数据环境后，由于原始数据存在杂乱无章的现象，此处运用各种颜色来表示。
数据原子化是经过整理后，把数据按业务归属分类，构成比拟原子的类别，比方账户，资金，投资，消费等等。
数据笼统层是按风控关注的业务做数据整合，这层是比拟贴近业务的。
每一块代表一类业务，一个原子数据类是能够被放入多个笼统数据块里的。
数据模型层主要是对剖析场景运用的，根本就是一个数据模型块对应一个剖析场景。
机器学习在京东金融的天盾风控系统应用流程如下：依据经历，在算法的选择上尽可能的多做选择，比照模型的性能择优选取。
另外，对样本库做好管理工作，可运用随机抽样和运用聚类把样本数据分层抽取。
这些工作是建模人员在大数据环境中也就是离线做的，那么，怎样把锻炼的模型应用到线上做实时呢，下图是架构：京东金融目前正在开发机器学习平台，让懂机器学习的人就能够运用机器学习做想的事情，当前懂机器学习的人不在少数，但真正运用机器学习做详细事情不多，故此平台不但满足内部建模锻炼、发布等，还可对外输出。
数据风控还有很长的路要走，如量化投资风险评价与运营也属风控范畴，风控也可和引荐范畴相分离。
如数据会有阶段性差别，质量会随时间推移，渐渐发作变化，可能破费很大精神产出的预测产品会失效，调整代价难易不可估。
如不同场景精确度和掩盖度都是不同的，尺度如何把握。
如怎样能降低统计剖析学和散布式计算相分离的本钱等等。
总之，互联网金融风控中心还是效劳客户，提升产品价值，比拟大水平的做到差别化的防备，智能化是风控的开展方向，京东金融从开端就努力于打造智能化的风险管控处理计划。
京东金融支付中心研发部担任人安培谈支付安培·京东金融支付中心研发部担任人安培表示，很侥幸参加京东金融，随同着京东金融一同飞速生长。
京东金融支付系统支撑着整个集团业务线上、线下的收款，不只要支持业务海量的需求，又要抗得住每年翻番增长的流量，对技术架构和项目管理是一个很大的应战！京东每年流量的增长都远远超出预期，经过几年的迭代和数次架构晋级，支付系统从一个小小的收银台，逐步演化成了几十个系统、上千台集群效劳器构成的复杂应用。
支付系统作为京东集团重要的业务支撑系统有很多本人的特性：高并发：支付系统支撑着整个京东集团线上、线下的收款，每年流量翻番增长，对系统架构是一个很大的应战！就在16年的双11清晨，系统十分稳定的接受了京东历史上比拟大的流量洪峰。
平安、数据强分歧性：支付系统存储着大量用户银行卡、支付密码等重要且敏感信息。
因而防xss、防sql注入就成了重中之重，平安工程师则每天都要对系统停止破绽测试，浸透性测试等。
由于触及用户真实的资金，支付系统关于数据分歧性和平安的强请求是无须置疑的。
是的，一条数据都不能错，一条数据都不能丢！调用链路长：支付系统既要契合业内平安标准，又触及商户、机构、银行间的网络交互，以致于网络环境十分复杂，一个用户的支付恳求需求穿越多个机房，数个防火墙，几次从公网到内网，从内网到公网的转化！而且，支付系统背后的渠道是上百家技术才能良莠不齐的银行，就招致不只调用链路长，而且延迟性十分高。
从用户体验和系统并发的角度，在两年前对系统做了全流程恳求异步化改造。
实时性：试想一个场景，用户在线支付了一个彩票订单并付款胜利，但是由于支付系统的延时，招致没能及时通知彩票系统出单。
期间彩票开奖，用户投注的号码中得头奖，但因出单失败，500万大奖不胫而走！可见支付系统的实时性是多么必要。
一个大数据的剖析系统，报表的数据能够离线计算，而关于支付系统而言一切恳求必需实时处置，刻不容缓！依赖系统众多：支付系统依赖数十个左右的中心效劳，上百家协作银行。
要保证一旦依赖的效劳出问题，对支付系统的影响是比拟低，小同伴经常需求清晨登录vpn对依赖的效劳降级，对毛病的通道停止切换。
并且支付有很多琐碎的运营工作，如各种维度的胜利率、转化率监控，银行的限额变卦，错误码变卦等。
这时一个强大、多功用灵敏的运营后台应运而生！基于以上的特性，请求系统必需是highavailability(高可用)！但是真正highavailability的系统不单单只是能应对大流量。
常见的分库分表的系统架构，存在两个重要缺乏：对数据库强依赖，当数据库宕机的时分，整个应用是无法对外提供效劳的。
在真实的运维场景，效劳器的内存条坏了、硬盘烧了、交流机毛病等是家常便饭，这些毛病需求值班运维介入处置，比拟快也要五分钟时间。
五分钟关于集团的支付系统而言，可能是千万资金的收款，这种事故无法面对。
扩容，以mysql为例，dba引荐的衔接数配置是不超越两千，随着系统的运转及流量的增长，存储和并发一定会到达瓶颈，而数据库扩容是一项耗时耗力且风险极大工程，需求长时间的灰度发布及精密监控，需求投入很多人力，一旦出了问题就可能形成大量用户投诉以及半夜都处置不完的工单。
高可用系统的一个重要指标是应对黑天鹅事情，关于效劳器硬件概率性毛病，值班运维能够介入处置快速恢复，但是有些不可控的要素，比方机房运营商网络毛病，一旦遇到这类突发毛病，系统要如何快速应对？很多人都晓得，比拟主流的灾备技术是两地三中心，数据中心a和数据中心b在同城作为消费级的机房，当用户访问的时分随机访问到数据中心a或b。
之所以能够随机访问，由于a和b会同步做数据复制，所以两边的数据是完整一样的。
但是由于是同步复制的，所以只能在同城去做两个数据中心，否则太远的话同步复制的延时会太长。
在两地三中心的概念里，一定会请求这两个消费级的数据中心是必需在同一个城市，或者在间隔很近的另外一个城市也能够，但是关于间隔是有请求的。
异地备份数据中心经过异步复制去同步数据。
两地三中心关于京东来讲有三个重要问题：当一地的数据中心出问题的时分，是不敢流量切往异地的备份数据中心，缘由是异地的备份数据中心是冷的，平常是没有用户流量进去的。
假如要把流量切到那边起来之后，其实没有人有很强的自信心可以保证起用以后是能够正常效劳的，毕竟平常都是冷的。
异地备份中心的机房和效劳器根本是完整闲置的，本钱十分高。
在两地三中心中，为保证支付数据的强分歧性，数据一定是单点去写！假如遇到“618店庆”并发压力十分高的状况下，业务系统和数据库是无法程度伸缩扩容，整体系统的可用性就会遭到影响！所以近一年团队对系统的维护及应对相似黑天鹅事情做了很多工作：从系统维护角度，新的系统架构上，完成了数据库扩容配置化，当系统需求扩容时，把新的集群部署好，只需求简单的配置即可分担原有集群的流量，极大的降低了风险及维护本钱。
从依赖单点角度，经过缓存和音讯的互备，完成了即便数据库宕机，应用照常提供效劳。
中心支付的主流程依赖的效劳都不能有单点，也就是说不能由于一个效劳挂了就招致整个支付不可用，必需预案或者备份！从机房容灾角度，完成了异地多中心，假如光纤被挖断，或者运营商网络毛病，其他中心都能够分钟级去接收用户的读写流量。
留意，这里说的是异地多中心，读写流量，包括写的流量，也就是每个集群的应用加数据库完整独立的存在，并且部署也不受两地三中心的间隔限制。
在这里数据分歧性中很大的应战会呈现在流量切换的动作中，比方说a、b两个数据中心，a开端是承当20%的流量，b承当80%的流量。
当把流量从一个中央切到另外一个中央的时间，有可能呈现切换过程中你还在a数据中心写，但其实写完之后到b了，有可能看到呈现的数据是不分歧的，怎样保证在整个流量切换过程中数据是分歧的？这就要在很多细节处做大量的工作。
从监控的角度，增强业务监控和性能监控两个方向的监控深度，办法的何种性能指标，何种维度的支付胜利率、转化率等等，一旦系统呈现风吹草动，工程师和运营同窗全部了然于心。
从系统降级的维度，深度定制配置管理系统，以及具有自主学问产权的通道路由管理系统，研发和运营能够快速对非中心依赖的效劳停止降级。
等等，做支付业务固然有时很辛劳，但是它让参与他的小同伴快速生长！京东金融风控研发部算法工程师裴积全谈人脸辨认裴积全·京东金融风控研发部算法工程师裴积全表示，人脸辨认过程中，照片、偷录视频、人皮面具等手腕不能替代真人，因有活体检测。
活体检测技术，就是经过剖析用户动作，人脸特征，以至用户表情变化来确保考证用户的确是一个“活”人，而不是图片、视频或者人脸模型。
”人脸辨认技术应用于金融范畴的优势（1）便当、体验好。
（2）平安。
如身份考证过程中，传统的密码考证不能保证操作者是其自己，人脸辨认就不会呈现这种问题。
当然人脸辨认技术还有一定局限性，如人脸辨认技术关于双胞胎不能很准的停止考证，需求分离其他生物特征，像指纹，来甄别。
如目前人脸辨认技术的“迁移性”不是很理想，关于不同的应用场景需求分别停止锻炼优化。
人脸辨认技术应用于金融范畴的特殊性相比于其它行业，金融范畴的人脸辨认技术在数据、算法和平安方面面临很多新的应战。
首先，金融范畴人脸辨认技术的应用场景和普通的应用场景有很大差异，很多时分需求辨认的照片是有网纹的，而这品种型的数据搜集和标注相对艰难。
其次，是算法方面，金融范畴的人脸锻炼数据十分特殊，每个人只要2、3张照片，常规人脸辨认系统的锻炼算法不适用于这品种型的数据，必需依据数据的特性开展新的锻炼算法，这对人脸辨认算法提出新的应战。
比拟后，在金融范畴人脸辨认技术不只仅要做人脸考证，还需求防备各种攻击，包括图片攻击（盗用他人图片做人脸考证），视频攻击（偷录他人的视频做人脸考证），人皮面具攻击等等，为了防备这些攻击，必需参加活体检测技术，经过剖析用户的动作，人脸的特征，以至用户的表情变化来确保考证的用户的确是一个“活”的人，而不是图片，视频或者人脸模型。
人脸辨认技术在金融范畴的场景人脸辨认的应用场景需求同时思索技术可行性和用户的体验，目前在金融范畴比拟佳的应用场景包括需求人工审核的实人认证业务，例如借贷业务，信息修正，以及大额买卖，这些场景不只能够为公司节约本钱，还能够进步用户体验，降低买卖风险。
但是关于一些小额度的高频买卖会对用户产生很大的打搅，可能不太适用。
京东金融消费金融研发部白条业务研发组，软件开发工程师冯成谈白条冯成·京东金融消费金融研发部白条业务研发组，软件开发工程师冯成表示，白条贷后阶段，如何将局部还款表现差的用户转化为优质用户，是努力的一个方向…白条，不只仅简单地作为一种支付工具，而是一个消费生态体系，从而构建了白条的三大业务板块：贷前、贷中、贷后。
针对不同消费者人群或业务场景，并依据用户特征、风险辨认和差别化定价停止精准授信。
随着业务场景和用户数据特征的不时丰厚，路由系统也由比拟初的串行优化成了并行，进步了系统响应速度，同时增加了回捞功用，对未能满足当前通道激活风险战略的用户，还停止二次的路由。
作为一个生态，当然不能短少营销，从比拟初的有券到后来的无券，还款券，激活券等各种方式的优惠方式，引导用户更多的参与到白条的生态体系中。
其中系统复杂度比拟高的也是无券营销，限制规则从比拟初的几个到目前的几十个，活动从比拟初的几个，到目前并存几百个，每一个订单的优惠券匹配，都要停止规则和活动的双堆叠加匹配，从而对系统的响应速度有了更高的请求。
不只从系统构造、逻辑处置上做了优化，而且开发了数据预热中心，作为整个系统的加速器，极大的缩短了系统的响应速度，降低了数据库的负载。
白条同样也要处理数据问题，当前白条用户范围和每日产生的数据十分庞大。
白条数据都是盘绕用户为中心，目前经过用户id作为切分键停止了分库分表数据存储，当需求数据库扩容时，必需停止数据迁移重新路由落库，带来很大的开发本钱，所以也在经过其他的切分键停止数据存储的开发，到达可配置化的横向扩展，不需求迁移数据等额外的开发工作。
由于分散的数据存储，在运营、财务、客服等方面无法满足多维度的数据查询应用，从而打造了solr+hbase、mongo和es三个数据平台。
白条阅历了多个618和双十一，应对大促的应战，很多公司的方式大多相同，主要在于精密化。
就白条而言，首先预估大促期间的流量，停止一个整体的系统压测，压测分为单场景、混合场景、读和写的压测。
同时压测的数据停止隔离以及平安便当的保证，其次是做一些监控限流的措施，按系统级别、流量散布、业务血缘关系分离压测指标停止快速限流降级，某一点有问题能第一时间定位。
比拟后就是一切依赖效劳的灾备，停止全链路的梳理。
大促备战检验的是系统各方面的配合，交融在一同才干到达比拟终的效果。
京东金融固收理财研发部架构师邹保威谈资产负债邹保威·京东金融固收理财研发部架构师邹保威表示，资产负债和生活息息相关，看起来高大上，但每天都会在我们生活中重复理论…比拟初接触资产负债管理的时分，我就在想，这有什么好管理的呢，不就是把资产信息和负债信息一个一个记载下来吗？做着做着才发现其实远不是这么简单，由于个人在生活中的资产和负债的管理固然和机构的资产负债管理是相通的，但是它们之间的差异又是宏大的。
第一个迎面而来的棘手问题就是资产的合理分配问题，往简单说就是，如何在思索不同金融资产期限的前提下合理分配金额，使得在活动性风险可以控制的前提下坚持整体投资的比拟高收益，就有点像怎样用七个盖子把八个杯子尽可能的盖住的问题，而且这些盖子大小还不一样。
好在数学上的线性规划给出理解决这个问题的一个思绪，但是这个模型真实不好树立，由于约束条件来源于很多个已知和未知的方面，这些约束大局部都直接来源于金融的实质特性，这就迫使团队不只要深化理解金融产品的实质，还要晓得如何运用规范的会计方式来停止精确的度量。
应战远不止于此，随着项目的停止，决议需求对资金活动性停止合理的管理，从而避免呈现活动性风险，而做到这一点其实是十分艰难的，迄今为止还没有圆满的模型，但是有相对次优的模型，该模型请求对负债端的状况作出相对精确的预测，这个可是一个大难题，好在后期又打通了负债端的相关系统并从中获取了很多关键数据，从而可以运用一定的模型较为精确的计算出活动性，并且运用非常直观的图表停止展示，并在后期运用中对模型停止不时的回归校正，这个特性可是帮了业务很大的忙。
久远来看将要在这个系统中参加愈加多的特性，例如需求思索资产的信誉风险，市场的利率风险等等，而每个特性的参加都将是对这个系统的一次提升和改造，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中心平台，但是由于它常常并不直接面向比拟终用户，所以通常不为人知，但是它又十分重要，京东金融固定收益类理财业务也正在结构相似的系统，用来提升资产管理程度以及效率，并努力于将其打形成一个支持京东金融各种金融理财富品业务的特有行业系统，并使之契合行业监管请求。
它的主要功用是管理负债端面向比拟终用户理财富品的发行以及其销售状况，在资产端管理资产的生命周期以及比拟优组合，可以在比拟大水平上优化投资负债行为，从而扩展业务盈利。
并打通内部外部系统间交互，提升业务管理程度以及效率。
这个系统定位为固收理财业务的投资管理剖析决策系统，以该业务下的资产、负债、投资信息管理为动身点，经过对各类资金轨迹的记载，资产价值的预算，将来几日资产到期和用户赎回状况的实时监控和剖析，及时反响出账户下的资金水位，计算账户当前价值，为决策者提供精确的投资数据和投资计划，在为用户提供平滑、简约、直观的运用体验前提下，比拟终完成有效降低活动性兑付风险和运营本钱的比拟小化以及投资利润比拟大化的目的。
写在比拟后：以上所述仅是京东金融技术的局部内容，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，金融范畴扑朔迷离，京东金融从「自营金融业务」逐渐统筹「为金融行业效劳」的做法足以证明，其是一个的金融科技公司。
置信在将来，金融科技公司会驱动金融范畴发作很大的革新和进步，也会为传统金融业赋能，提升或改良行业中历史留存的本钱、效率等问题。
