对知乎问题《互联网支付对信用卡支付有多大影响？》的回答。

我理解提问者是要问：网络支付对信用卡支付的影响。由于第三方支付的银行卡收单（线下收单）、移动支付、互联网支付、跨境支付等支付服务对信用卡支付都有影响，因此以下将内容扩展为：第三方支付对信用卡支付的影响。

这里只谈自己的直观感受，数据控可以参考央行、银监会以及艾瑞、易观的相关数据考证一下具体情况。

1、第三方支付推动了信用卡支付的普及和发展

第三方支付对信用卡支付的普及影响主要有几方面

a、第三方支付推动了电商、外卖、打车等行业繁荣，尤其是快捷支付的出现，极大程度提升了支付体验，从而拓展了信用卡支付的场景，提高了使用频次。

b、第三方支付极大程度上推动了信用卡支付的交易量，尤其是类似套现这样的灰色交易。可以说第三方支付，包括银联收单业务，有很大程度的交易量都来自于这些灰色业务，主要包括线下POS、手刷、线上套现等。

c、第三方支付推动了跨境支付蓬勃发展，也带动了信用卡支付发展

d、支付宝/微信扫码支付等移动支付手段的兴起，降低了普通消费者在线下POS刷信用卡正常消费的频次，带动了信用卡网络支付交易量。

2、第三方支付对信用卡支付生态不同角色影响不同

对发卡行没有大的影响，发卡行的信用卡发卡量还持续上升，交易量也持续增加。

对收单行影响也不大，第三方支付兴起后，很少有银行自己去做直接做收单，除了一些优质的商家。

对银联这样的清算影响较大，虽然银联的交易量还在稳步增加，但走银行卡收单的很多信用卡交易是套现交易，银联丧失掉了很多优质商户。

3、第三方支付推动了“网络信用卡”类的兴起，也变相推动了信用卡支付发展

第三方支付的普及，让淘宝、京东、京东这样拥有闭环交易场景的互联网巨头对客户的画像更为全面、细致、精准，相对于传统银行信用卡审批在额度授信、个性化定价、风险控制等方面更灵活，效率更高。因此像蚂蚁花呗、京东白条这样2C的网络信用卡以及2B的商家授信类产品迅速崛起。

这些产品用户与信用卡持卡人有一定的重叠，但由于国内金融体系的不完善，包括信用卡或网络信用卡都未完全满足目标用户需求，两者不构成真正意义上的竞争关系。相反，个人认为对信用卡支付有推动作用，网络信用卡培育了90后，00后透支消费习惯，相对于网络信用卡，银行信用卡成本更低，门槛更高，这些网络信用卡的用户可以说也是信用卡的潜在目标客户。

题外话，关于网络支付，互联网支付等的的分类可以参考《非金融机构支付服务管理办法》中的划分方法：

非金融机构支付服务，是指非金融机构在收付款人之间作为中介机构提供下列部分或全部货币资金转移服务：

（一）网络支付

（二）预付卡的发行与受理；

（三）银行卡收单；

（四）中国人民银行确定的其他支付服务。

本办法所称网络支付，是指依托公共网络或专用网络在收付款人之间转移货币资金的行为，包括货币汇兑、互联网支付、移动电话支付、固定电话支付、数字电视支付等。

在这里不讨论区块链支付有没有未来、加密币是不是庞氏骗局、是不是割韭菜这样形而上的问题，只从技术角度探讨区块链支付相对与传统第三方支付的一些差异。

按照以上对比，似乎区块链支付从各方面都碾压传统第三方支付平台。

其实不然，相对于成熟的基于法币支付体系的第三方支付，区块链支付在实际应用中还存在诸多致命性问题，例如：

1、法币-加密币出金、入金难题

区块链支付只是解决了区块链及加密币体系内的支付问题，但没有解决“用户持有的加密币从什么地方来？用户持有的加密币怎样变现为法币？”。

可以说：没有通畅的法币-加密币的出金、入金解决方案，极大程度制约了区块链及加密币的发展。

受制于各国政府KYC、AML合规性要求，目前市场上的OTC在用户体验、市场流动性、交易速度、交易成本等方面都存在较大问题。

2、币价波动导致的资金安全风险

现实消费场景大部分商家只愿意接受法币结算，因此目前大部分应用场景下，都由支付服务商帮助商家收取加密币，然后以法币形式结算给商户。虽然可以通过币币交易、OTC交易等方式将收取的加密币通过量化交易算法转为稳定币或法币，但市场流动性、币价波动性、交易成本等因素导致支付服务商仍存在较大资金安全风险。

3、持有加密币、加密币钱包的受众人群及范围还是太少太少，还局限在小众圈子里，尤其是2017、2018火热的ICO割了一大堆韭菜后。

4、实际落地应用场景极少

这些致命问题什么时候能够解决，有什么好的解决办法呢？业内也在探索中。

一点体会：

最近一段时间，由于行业监管趋严，市场上出现了诸多新玩法，核心思路与区块链“去中心化”的核心理念不谋而合，还有一些创新玩法也尝试借鉴“去信任化”的思路，利用智能合约解决保证金缴纳去中心化担保问题。市场刚性需求倒逼金融服务“创新”，在此大变革进程中，丢掉各种噱头，回归到区块链最核心的理念和价值，与互联网成熟的应用场景结合，或许是寒冬中区块链项目最好的出路。

Ethereum中涉及各种类型的方法调用。一个编程中常用的call概念，可能为Ethereum Vitrual Machine（EVM）内的call，又可能为EVM外的call，又涉及诸如Message/Transaction等基本概念；同时还包括call/delegatecall/callcode/send/transfer/sendTransaction等等方法。

对这些调用机制及基本概念的说明散落在 solidity文档 、黄皮书、白皮书 中，初学者容易搞晕。这里对这些基本概念、调用机制及用法做一下整体梳理。

PDF版本：Ethereum调用机制总结

PNG版本：Ethereum调用机制总结

示例代码：测试代码下载

pragma solidity ^ 0.4.18;

contract A {
uint public var2;
uint public var1;
B b1;
address addrB;

function A() public {
b1 = new B();
addrB=address(b1);
}

function callSet(address addr, uint param) public returns(uint) {
//addr.call(bytes4(keccak256(“set(uint)”)), param); //使用了uint，调用不生效。应当使用uint256; uint是uint256的昵称，但在ABI调用时候，只能使用长类型。

//使用address.call
addr.call(bytes4(keccak256(“set(uint256)”)), param); //call 使用的是被调用者的存储，因此改变的是B.var1值

//使用实例方式，可以直接采用callee.method形式调用，从而直接获取函数返回值
/*
B b2 = B(addr);
uint result = b2.set(param);
return result;
*/

//使用 new B()方式方式调用
// uint  b1=b1.set(param);
// addrB.call(bytes4(keccak256(“set(uint256)”)), param);

return 1;
}

function delegatecallSet(address addr, uint param) {
//addr.delegatecall(bytes4(keccak256(“set(uint)”)), param); //使用了uint，调用不生效。应当使用uint256; uint是uint256的昵称，但在ABI调用时候，只能使用长类型。
addr.delegatecall(bytes4(keccak256(“set(uint256)”)), param); //delegatecall和callcode都是使用调用者的存储，特别要注意调用者和被调用者合约变量定义顺序，目前改变的是A.var2的值。
B b2 = B(addr);  //使用实例方式，可以直接采用callee.method形式调用，从而直接获取函数返回值
uint result = b2.set(param);
// uint  b1=b1.set(param);
// addrB.call(bytes4(keccak256(“set(uint256)”)), param);
}

function callcodeSet(address addr, uint param) {
addr.callcode(bytes4(keccak256(“set(uint256)”)), param);
}

function getVar1() public view returns(uint) {
return var1;
}

function getVar2() public view returns(uint) {
return var2;
}

function getAddr() public view returns(address) {
return addrB;
}
}

contract B {
uint public var1;
event MyEvent(uint param, uint result);

function set(uint param) public returns(uint) {
var1 = param;
MyEvent(param, 1);
return param;
}
}

为加深对各种常用统计分布的理解，更好掌握R语言对应的各类分布的概率函数（d、p、q、r族）以及广义线性模型的使用，研究了一下常用统计分布数据的模拟生成方法，收获颇多。

各类常用统计分布蒙特卡洛模拟数据生成的大致思路：

1、构造自变量x的均匀分布
2、根据对应分布的均值函数，构造x变量对应的均值。（广义线性模型的link 函数参考https://en.wikipedia.org/wiki/Generalized_linear_model#Link_function）
3、将均值代入，R中对应分布的随机变量生成函数，得到因变量y（例如正态分布为rnorm、泊松分布为rpois）

代码：

#norm distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0+beta1*runif(n=num,-1,1)
y=rnorm(num,mean=x,sd=1)
model=glm(y~x,,family=gaussian(link=’identity’))

#possion distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0 + beta1*runif(n=num, min=0, max=5)
lambda=exp(x)
y=rpois(n=num, lambda=lambda)
model = glm(y~x, family=poisson(link = log))

#Exponential/Gamma distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0 + beta1*runif(n=num, min=0, max=5)
y=rexp(num,rate=exp(-x))
model=glm(y~x,,family=Gamma(link=’log’))
#使用nls模拟
df=data.frame(x,y)
model=nls(y~exp(a+b*x),data=df,start = list(a=0,b=0))

#logistic/probit distribution simulation
set.seed(1234)
num=100
beta0=1
beta1=0.2
x=beta0 + beta1*runif(n=num, min=0, max=5)
#logistic distribution logit=log(odds)=log(p/(1-p))
odds=exp(x)
probs=odds/(1+odds)
#probit distribution probit=Cumulative normal pdf
#probs=pnorm(x)

y=rbinom(n=num,size=1,prob=probs)
model=glm(y~x1+x2,family = binomial(link=”logit”))

#bionimal/Categorical/Multinomial distribution simulation
library(nnet)
y=rbinom(n=num,size=3,prob=probs)
model <- multinom(y ~ x1 + x2)

代码下载

参考资料：《 Monte Carlo Simulation and Resampling Methods for Social Science》

https://www.sagepub.com/sites/default/files/upm-binaries/57233_Chapter_6.pdf

R文档对fitted()、predict()函数以及predict函数type参数取值的具体含义说得很不清楚，网上也没有清晰的解释。总结一下。

一、说明

目的一、R中fitted和predict的关系
目的二、以logistic为例，解析predict中type参数不同取值的关系

1、R中fitted和predict的关系
fitted对无link函数模型（例如线性回归），fitted值和predict的值相同
对有link函数的模型（例如logistic、Binomial），
fitted是link函数作用前（或者link逆函数inverse of the link function作用后）的预测值
predict是link函数作用后（或link逆函数inverse of the link function作用前）的预测值
link function  https://en.wikipedia.org/wiki/Generalized_linear_modelLink_function

2、logistic中predict中type参数不同取值的关系
predict中type参数的可选项有：default, type="link",type="response",type="terms"

假设log(odds)=log(p/(1-p))=alpha+beta1*x1+beta2*x2+…+betan*xn
a.、type="link",type为缺省值
  type="link"为缺省值,给出logit线性函数预测值，link=alpha+beta1*x1+beta2*x2+…+betan*xn

b、 type="response"
  type="response" 给出概率预测值。
  response=predict(model,type = "response")，则
  log(response/(1-response))=alpha+beta1*x1+beta2*x2+…+betan*xn=link，或：link=exp(response)/(1+response)

c、type="terms"
  type="terms"表示各个变量的预测值（包括前面参数在模型中的值）。
  terms=predict(model, newdata = traindata,type = "terms")的结果为各个变量term的值
  term1=beta1*x1,term2=beta2*x2, …
  sum(term1,…,termn)+attr(terms,"constant")=log(odds)=log(response/(1-response))
  attr(terms,"constant")的含义 http://blog.minitab.com/blog/adventures-in-statistics-2/regression-analysis-how-to-interpret-the-constant-y-intercept

二、代码

代码下载

#fitted和predict的关系演示
#linear regression
#no link function
num=100
x1=rnorm(num)
x2=rnorm(num)
lr=1+2*x1+3*x2
model=lm(y~x+x2)

fit=fitted(model)
pred=predict(model)
print(all.equal(fit, pred))
#对无link函数的模型，fitted值与predict值相同

#possion
#link=log
num=100
x=rnorm(num)
y=rpois(num,lambda = exp(x))
model = glm(y~x, family="poisson")
fit=fitted(model)
pred=predict(model)
print(all.equal(log(fit),pred))
print(all.equal(fit,exp(pred)))
#对有link函数的模型，fitted值为link函数作用前的值，predict为link作用后的值

#logistic
#link=logit=log(p/(1-p))
num=100
x1=rnorm(num)
x2=rnorm(num)
lo=1+2*x1+3*x2
odds=exp(lo)
probs=odds/(1+odds)
y=rbinom(n=num,size=1,prob=probs)
model=glm(y~x1+x2,family = binomial(link="logit"))

fit=fitted(model)
pred=predict(model)
print(all.equal(log(fit/(1-fit)),pred))
print(all.equal(fit,exp(pred)/(1+exp(pred))))
#对有link函数的模型，fitted值为link函数作用前的值，predict为link作用后的值

#以logistic模型为例子，验证predict中type为缺省值，type="link",type="response",type="terms"关系
#predict中type="link"时的fitted及predict
link=predict(model,type="link")
print(link)
print(all.equal(pred,link))
#type=link为缺省值

#predict中type="response"时的fitted及predict
response=predict(model,type="response")
print(response)
print(all.equal(fit,response))
print(all.equal(pred,log(response/(1-response))))

#type="terms"时的fitted及predict
terms<- predict(model,type="terms")
term=terms[,1]+terms[,2]+attr(terms,"constant")
print(term)
print(all.equal(link,term))
print(all.equal(response,exp(term)/(1+exp(term))))

参考资料：

https://stackoverflow.com/questions/12201439/is-there-a-difference-between-the-r-functions-fitted-and-predict

我在知乎关于提问“资产端线上对接资金端系统？” https://www.zhihu.com/question/67426957/answer/277256804  的回答。

虽然最近现金贷整顿，但此问题涉及的内容的应用场景挺多的，简单说一下思路。

资产端平台接入资金端平台时候，需要重点考虑两大部分的内容：

1、交易结构设计

由于合作双方监管合规性问题，交易结构设计主要解决资金端资金怎样以合规、安全的形式流转到资产端。这里的合规性，不单纯只是资产端或资金端，双方都涉及合规性。

在交易结构设计时候，涉及很多因素，例如：

a、资产端的资质，例如是P2P平台、互联网小贷平台、消费金融公司、助贷机构等的资金合规来源渠道并不同。

b、资金端的资质，例如是金融机构（银行、保险公司、融资性担保公司等）、P2P、互联网小贷、消费金融公司、企业、股东等的资金。

c、资产方的资产质量

d、实际放款方，资产最终归属。涉及放款资质，是否需要债权转让、ABS等

e、担保方式

f、资金放款、还款流转流程，支付/代扣渠道

g、资产端的保证金、杠杆、资金成本等

交易结构设计是整个合作最核心的内容，也是最难的地方，需要双方一起就双方实际情况探讨合规的合作模式。

交易结构设计影响了资产端、资金端合作模式、金融产品设计、平台对接的业务流等内容。

2、平台化设计

低成本、稳定、多元化的资金来源是资产端平台的核心竞争力，因此一般情况下，资产端都会尽量接入更多的资金端平台，以保证资金的持续供给。因此从平台建设角度来说，需要在设计时候考虑平台的扩展性、可运营性等因素，以满足多个资金端接入的需求。

在合作之初以验证合作模式为主，因此平台功能平台功能没必要设计得过于复杂。但随着业务规模扩大，低成本的运营能力成为平台的核心能力之一，可以说每一个资产端的资金对接平台最终都会演变成资产端、资金端的撮合路由平台。

一张图供参考

在消费金融中，风险模型组（申请评分卡、行为评分卡、催收评分卡、失联概率、违约概率PD模型等）、营销模型组（客户分层模型、客户响应模型、客户流失模型）、反欺诈模型组等都涉及了信用评分卡模型的应用。关于信用评分卡模型的使用及代码实现，网上公开的完整资料较少，且大都写得语焉不详。基于R语言做了一个完整例子，算是对最近一段时间工作总结。

分为两部分：

1、评分卡模型使用总结脑图

2、评分卡模型R语言代码

1、评分卡模型使用总结脑图（完整脑图点击下载）

《评分卡模型使用总结脑图》下载

2、R语言代码

scorecard.r

由于libreoffice的soffice不支持多进程，只允许同时有一个进程来转换docx文件为pdf文件，因此无法多线程并发执行转换操作。

为实现并发转换操作，有两种方案：

方案一：将转换代码部署到不同的服务器上，此种方案需要单独服务器，对资源要求较高，部署也麻烦；

方案二：利用docker对资源的隔离特性，把libreoffice 放到docker中，然后启用多个libreoffice容器，java代码调用不同容器的soffice命令来并发转换docx文件。

1、安装docker相关程序

CentOS7已经缺省支持docker

yum install docker

service docker start

chkconfig docker on

简单的安装使用可以参考 https://linux.cn/article-4340-1.html

2、把缺省的docker镜像仓库换成国内的网易镜像

echo "DOCKER_OPTS=\"\$DOCKER_OPTS –registry-mirror=http://hub-mirror.c.163.com\"" >> /etc/default/docker

service docker restart

3、下载centos docker镜像

docker pull centos

4、启动centos的docker镜像

docker run -it centos /bin/bash

5、进入docker容器

docker run -it centos -v /root/install:/root/install  /bin/bash

由于生产镜像时候，可能需要与宿主主机共享一些文件，例如中文ttf文件，因此在run 时候使用了-v参数，用于宿主主机与docker container之间的共享目录。

假设docker 容器与宿主机的共享目录为/root/install 。

Docker容器和主机之间共享数据，可以参考 https://www.howtoing.com/how-to-share-data-between-the-docker-container-and-the-host/

6、安装libreoffice、中文字体库等所需的软件

yum install libreoffice-writer.x86_64

yum groupinstall "Fonts"

yum groupinstall "Input Methods"

7、生成安装了libreoffice、中文字体等软件的docker 镜像

docker commit CONTAINER_ID liang/libreoffice1

其中：

CONTAINER_ID是docker ps -a得到了容器id docker ps -a|grep "centos"|awk ‘{print $1}’

liang/libreoffice1 是我们生成的docker镜像

8、停掉刚才启动的centos容器

docker stop CONTAINER_ID

9、启动我们新生成的docker 镜像

根据并发转换docx为pdf文件的需要，基于我们自己生成的docker镜像，启动多个docker的容器，利用docker容器对资源的隔离，调用不同容器中的soffice来并发处理不同的pdf文件

docker run –name office1 -it -d -v /root/pdf1:/root/pdf1  liang/libreoffice1

docker run –name office2 -it -d -v /root/pdf1:/root/pdf1  liang/libreoffice1

镜像文件与宿主机的共享目录为/root/pdf1和/root/pdf2，在共享目录中放入要转换的docx文件

docker exec -it office1 /bin/bash

10、调用soffice命令行，将docx转为pdf

docker exec -it office1 /bin/soffice –headless  –invisible –norestore –nodefault –nolockcheck  –nofirststartwizard –convert-to pdf:writer_pdf_Export –outdir /root/pdf1 /root/pdf1/liang1.docx

docker exec -it office2 /bin/soffice –headless  –invisible –norestore –nodefault –nolockcheck  –nofirststartwizard –convert-to pdf:writer_pdf_Export –outdir /root/pdf2 /root/pdf2/liang2.docx

以上命令行放到java代码中，同时可以在多个线程中并发调用。