它是什么
不用原句，先用自己的话给出一句定义。
01
一个术语，至少问四遍
Meaning before memory它解决什么
说明它出现前的困难，以及使用它想改善什么。
例子与反例
给一个符合例子，再说一个看似相近却不属于它的反例。
边界与风险
说明它不能解决什么，以及错误使用会带来什么代价。
术语表是入口，不是标准答案
解释刻意面向大一新生，强调直觉、用途与风险。课堂回答还应结合本周实验、教材上下文和你自己的证据。
02
搜索、筛选、建立连接
Search 119 terms金融科技
FinTech把数据、软件与新型基础设施用于金融服务和金融体系。判断它时不能只问技术是否新，还要问是否创造价值、建立信任并控制风险。
金融中介
Financial Intermediation连接资金供给者与需求者，并处理期限、流动性和风险转换。平台可以改变中介的形态，却不会让信用风险凭空消失。
金融包容
Financial Inclusion让原本难以获得服务的人，以可负担、可理解、可持续的方式接触支付、储蓄、信贷或保险；有手机并不自动等于真正可得。
支付
Payment把价值从付款人转给收款人的完整过程，通常包含身份确认、指令传递、清算和结算；点击「付款」只是用户看到的一小步。
账本
Ledger按顺序记录账户或资产变化的系统。它像一本不能漏页的共同记事本，但记录是否真实仍取决于输入、规则和审核。
清算
Clearing在真正交割前核对交易、计算各方应收应付并处理差错，可理解为先把「谁欠谁多少」算清。
结算
Settlement实际完成资金或资产交割，使交易义务落地；如果清算是算清，结算就是付清。
结算最终性
Settlement Finality一笔结算达到不可随意撤销、法律和账务上都已完成的状态。界面显示成功，不一定等于最终性已经发生。
数字银行
Digital Banking主要通过数字渠道提供账户、支付、信贷等银行服务。渠道变成 App，不代表资本、合规和消费者保护责任随之消失。
开放银行
Open Banking在用户授权和规则约束下，通过 API 让第三方访问特定账户数据或发起服务；授权应可理解、可撤回且有边界。
P2P 借贷
Peer-to-Peer Lending平台撮合借款人与出借人的模式。匹配更高效不等于借款更安全，信用评估、信息披露和违约处置仍是核心。
机器人投顾
Robo-Advisor用问卷、规则或模型自动生成资产配置与投资建议。自动化能降低服务成本，但仍可能受到错误画像、模型假设和市场变化影响。
保险科技
InsurTech用数据和软件改造定价、承保、理赔与客户服务。更精细的定价也可能带来隐私、歧视和难以解释的问题。
价值
Value产品为用户减少成本、时间或风险，或提高可得性、体验与决策质量。功能很多不等于价值更大。
价值主张
Value Proposition一句话说清产品为谁解决什么问题、为什么比现有办法更值得选择。好的价值主张从用户问题开始，不从技术名词开始。
用户需求
User Need用户真正想完成的任务、缓解的痛点或规避的风险。用户说想要某个按钮，背后需求可能是更快确认、更少出错或更安心。
用户旅程
User Journey用户从产生需求、开始操作到完成任务和售后反馈所经历的完整路径，用来发现断点、等待和信任流失。
触点
Touchpoint用户与产品发生接触的具体时刻，如验证码、支付确认页或客服回复。一个小触点也可能决定用户是否继续信任。
用户体验
User Experience用户对整个使用过程的效率、理解、情绪和信任感受，不只等于界面是否好看。
图形用户界面
Graphical User Interface通过按钮、表单、图表等可视元素与系统交互的界面。GUI 是用户看到的表层，背后仍有数据、规则和服务。
最小可行产品
Minimum Viable Product用最少但完整的功能验证关键假设的产品版本。它不是随便做个半成品，而是用最低成本获得最有价值的学习。
平台
Platform让多类参与者交换价值并建立规则的基础环境，如连接商户、消费者和服务商。平台的核心不只是技术，还包括治理。
网络效应
Network Effect参与者越多，产品对其他参与者越有价值的现象；它也可能形成垄断、拥堵或「赢家通吃」风险。
数字化转型
Digital Transformation不只是把纸张搬到屏幕，而是重新设计流程、数据、职责和决策方式。旧流程原样电子化，通常只会把旧问题加速。
构建、购买或合作
Build, Buy, or Partner获取技术能力的三条路径：自己做、采购现成方案或与外部伙伴共同完成。选择取决于核心能力、速度、成本、控制和风险。
结构化数据
Structured Data按固定字段和类型组织的数据，如交易表中的时间、金额和账户。它适合查询，但固定结构也会丢失部分语境。
非结构化数据
Unstructured Data没有固定表格结构的文本、图片、音频和视频。它信息丰富，却更难搜索、比较和治理。
记录
Record表中的一行，通常描述一个对象或一次事件。先明确「一行代表什么」，才能避免把不同粒度的数据混在一起。
字段
Field记录中的一个属性，如交易时间或金额。字段名相同也可能口径不同，因此还要看定义、单位和允许值。
模式
Schema规定数据有哪些字段、类型、关系和约束的结构蓝图，像数据系统的建筑图纸。
主键
Primary Key能唯一识别一条记录的字段或字段组合。没有稳定主键，去重、关联和追踪都会变得危险。
数据质量
Data Quality数据在准确、完整、一致、及时、唯一等方面满足具体用途的程度；「质量好」必须相对于用途来判断。
脏数据
Dirty Data含有缺失、重复、格式混乱、异常或口径冲突的数据。清洗不是把难看的值删掉，而是按规则解释并留下痕迹。
ETL
Extract, Transform, Load抽取、转换、加载：从来源取得数据，按规则清洗整合，再送入目标系统。每一步都应可追踪、可重跑。
数据管道
Data Pipeline让数据从来源持续流向处理和使用端的一连串任务，像带有检查阀和监控器的输送带。
元数据
Metadata描述数据的数据，如字段含义、更新时间、负责人和来源。没有元数据，数据表就像没有标签的药瓶。
数据血缘
Data Lineage记录数据从哪里来、经过哪些变换、最后去了哪里，用于追错、审计和判断一个指标能否相信。
关系型数据库
Relational Database把数据组织成相互关联的表，并通过键和约束保持一致。它强调结构、关系与事务。
SQL
Structured Query Language定义、查询和管理关系型数据库的语言。写 SQL 不只是记语法，更是在准确表达筛选、关联和汇总逻辑。
NoSQL
Not Only SQL一组不以传统关系表为唯一模型的数据库，如文档、键值或图数据库；它是不同取舍，不是对 SQL 的全面替代。
数据仓库
Data Warehouse面向分析、经过整合和治理的历史数据存储，强调统一口径和稳定查询。
数据湖
Data Lake以较原始形式保存多类型数据的存储环境，灵活但需要目录、权限和质量治理，否则容易变成「数据沼泽」。
市场数据
Market Data价格、成交量、报价和公司行动等金融市场信息。实时性、授权、口径和成本都可能影响使用。
替代数据
Alternative Data财务报表和传统行情之外的行为、设备、文本等信息，可能带来新信号，也可能带来偏差、合规与隐私风险。
商业智能
Business Intelligence通过查询、指标、报表和可视化把数据转化为经营判断。图表漂亮不是终点，口径一致和行动价值更重要。
仪表盘
Dashboard把关键指标集中呈现的界面，像驾驶舱。它应帮助发现变化和采取行动，而不是把所有数字堆在一屏。
联机分析处理
Online Analytical Processing从时间、地区、产品等多个维度快速切片、钻取和汇总数据，适合回答「从哪个角度看发生了什么」。
算法
Algorithm解决问题的一组明确步骤。算法可以很简单；关键是输入、规则、输出和边界能否说清。
CPU
Central Processing Unit通用计算的核心处理器，擅长按顺序执行多类任务；可把它理解为电脑里的通用指挥与执行中心。
GPU
Graphics Processing Unit拥有大量并行计算单元的处理器，除图形外也常用于模型训练；快来自并行，不代表适合所有任务。
API
Application Programming Interface软件之间按约定请求数据或调用能力的接口，像有明确菜单和取餐规则的服务窗口。
端点
EndpointAPI 中面向某类资源或操作的具体访问地址。端点告诉你「去哪里」，方法和参数告诉你「怎样请求」。
REST
Representational State Transfer一组常见的 Web API 设计约束，强调资源、统一接口和无状态交互；它是设计风格，不是某种文件格式。
JSON
JavaScript Object Notation由对象、数组和键值组成的轻量文本格式，常用于 API 交换数据；格式正确不等于字段含义正确。
批处理
Batch Processing先积累一批任务或数据，再在计划时间集中处理，适合对实时性要求不高、吞吐量重要的场景。
事件驱动
Event-Driven Architecture事件一发生就触发订阅者处理，例如交易完成后通知风控和记账。实时性更强，也更考验顺序、重复和失败处理。
单体架构
Monolithic Architecture把多数功能部署在一个整体应用中。早期简单直接，但规模增大后可能难以独立修改和扩展。
微服务
Microservices把系统拆成边界清晰、可独立部署的小服务。拆分增加灵活性，也会增加网络、监控和一致性复杂度。
云计算
Cloud Computing通过网络按需使用计算、存储和软件服务，并可弹性扩缩。上云不是自动安全或自动便宜，仍需设计和治理。
IaaS
Infrastructure as a Service云服务商提供虚拟计算、网络和存储，用户仍负责操作系统、应用和数据。
PaaS
Platform as a Service云服务商提供应用开发和运行平台，让团队更专注代码与业务，但也可能形成平台依赖。
SaaS
Software as a Service用户通过网络直接使用现成软件，运维由服务商承担；便利之外还要关注数据、权限和退出方案。
公有云、私有云与混合云
Public, Private, and Hybrid Cloud三种部署取舍：共享服务、专用环境或两者结合。选择应从数据敏感性、成本、合规和弹性出发。
开源软件
Open Source Software源代码按许可证开放使用、研究或修改的软件。开源不等于零成本，也不等于自动安全。
软件许可证
Software License规定软件能否复制、修改、分发和用于商业场景的法律条件；看得见源码不代表想怎么用都可以。
遗留系统
Legacy System仍承担重要业务但技术陈旧、维护困难或难以集成的系统。它往往不能说换就换，因为业务和数据都在上面。
技术债
Technical Debt为追求短期速度而留下、未来需要付出维护成本的技术取舍，像借款：可以有，但必须知道利息和偿还计划。
可扩展性
Scalability负载增长时，系统通过增加资源或调整架构继续工作的能力；不仅看峰值速度，也看扩展成本。
互操作性
Interoperability不同系统按共同规则交换并正确理解数据的能力。能连上不等于能互操作，语义和流程也要一致。
人工智能
Artificial Intelligence让机器执行通常需要人类智能的感知、推理、生成或决策任务的技术集合；它不是单一算法，也不是天然正确。
机器学习
Machine Learning让系统从数据中学习规律，而不是把每条规则都手工写死。学到的是统计关系，不自动等于因果关系。
监督学习
Supervised Learning从带有正确答案标签的样本中学习输入到输出的关系，如用历史违约标签训练风险模型。
无监督学习
Unsupervised Learning在没有标准答案的情况下发现群组、结构或异常，适合探索，但结果仍需业务解释。
强化学习
Reinforcement Learning智能体通过行动、奖励和反馈学习策略。奖励设计不当，系统可能学会「钻规则空子」。
特征
Feature模型用于判断的输入变量。特征可预测不等于合理使用，还要检查来源、偏差和可解释性。
标签
Label监督学习中希望模型预测的答案。标签如果错误、滞后或带偏见，模型会把问题学进去。
训练
Training用历史样本调整模型参数的过程。训练表现很好，只说明模型熟悉训练材料。
推断
Inference训练后的模型面对新输入给出预测或生成结果的过程，是模型真正进入业务的时刻。
过拟合
Overfitting模型过度记住训练样本，在新数据上表现变差；像只背答案却不会换题。
决策阈值
Decision Threshold把连续分数变成批准、拒绝或复核等动作的分界线。移动阈值会改变两类错误的取舍。
假阳性
False Positive系统误把正常情况判成风险，例如把正常交易拦截；会增加摩擦、投诉和人工复核成本。
假阴性
False Negative系统漏掉真实风险，例如让欺诈交易通过；会带来损失，却可能在短期指标中不显眼。
算法偏差
Algorithmic Bias数据、标签、特征或流程使模型对某些群体产生系统性不利影响，不能只靠删除敏感字段解决。
公平性
Fairness评估不同群体是否获得合理、可解释的待遇。不同公平指标可能互相冲突，需要公开取舍。
可解释性
Explainability让人理解模型为何给出结果以及哪些因素起作用的能力；解释必须对使用者有意义，而不只是技术图表。
模型漂移
Model Drift现实环境变化后，输入分布或规律偏离训练时期，导致模型逐渐失准，因此上线后仍需持续监控。
人在回路
Human in the Loop在关键环节保留人工判断、复核或纠错。它不是把责任甩给人，而是设计清楚何时介入、依据什么。
信任
Trust用户相信系统会正确记录、保护资产、遵守承诺，并在出错时可解释、可纠正、可追责。
认证
Authentication确认「你是谁」，如密码、验证码或生物特征。认证通过不代表拥有所有操作权限。
授权
Authorization确认「你能做什么」，如只读、编辑或审批。先认证身份，再按最小需要授予权限。
加密
Encryption使用密钥把可读信息变成密文，并可由授权者还原，主要保护保密性。
哈希
Hash把任意长度输入映射成固定长度指纹，输入稍变指纹就大变；通常不可逆，常用于完整性检查。
数字签名
Digital Signature用私钥签名、用公钥验证，帮助证明消息来源并发现篡改；它不同于把手写签名图片贴进文档。
分布式账本
Distributed Ledger Technology由多个节点共同保存和同步记录的账本技术。是否需要它，取决于参与方是否缺少共同可信的中心。
区块链
Blockchain把交易分组为区块、按哈希链接，并通过共识更新的分布式账本。它增强链内一致性，却不能保证链外输入真实。
共识
Consensus多个节点对哪一版记录有效达成一致的机制。共识解决共同记账，不会自动解决法律、治理或数据来源问题。
智能合约
Smart Contract部署在区块链上、满足条件时按规则执行的程序。它是代码，不必然构成法律意义上的合同。
不可篡改性
Immutability历史记录一旦确认便很难被悄悄改动的性质。更准确地说是「修改代价高且会留下痕迹」，不是绝对不能变。
公有链
Public Blockchain任何人通常都可读取、提交或参与验证的区块链，开放性强，但性能、隐私和治理取舍明显。
许可链
Permissioned Blockchain只有获准参与者才能读取、写入或验证的区块链，更便于组织治理，但信任模型也更集中。
预言机问题
Oracle Problem区块链需要外部数据时，如何相信提供数据的来源。链能保护记录，却无法凭空判断输入事实是否真实。
网络安全
Cybersecurity保护系统、网络和数据免受未授权访问、破坏与中断的一整套技术和管理实践。
隐私
Privacy个人对信息如何被收集、使用、共享和保留拥有合理控制与知情权；安全保存不等于可以无限收集。
监管
Regulation公共机构为金融活动设定准入、行为、资本和消费者保护等规则，以平衡创新、稳定与公平。
合规
Compliance组织识别适用规则、落实控制并留下证据的持续过程，不只是上线前勾选一次清单。
监管科技
RegTech用数据和软件提高身份识别、监测、报告和审计效率；技术能提速，但规则解释与责任仍需人承担。
监管机构科技
SupTech监管机构用技术收集、分析和监测市场数据，以更早发现风险并提升监管能力。
了解你的客户
Know Your Customer核实客户身份并理解其风险特征的流程，是反洗钱的重要基础，但收集信息也应遵守最小必要原则。
反洗钱
Anti-Money Laundering识别、监测和报告可能掩饰非法资金来源的活动，通常结合客户尽调、交易监测和可疑报告。
消费者保护
Consumer Protection防止误导、不公平条款、数据滥用和不当销售，并提供清晰披露、申诉与补救渠道。
审计
Audit由相对独立的一方检查记录、流程和控制是否可靠并符合规则。审计依赖证据，不等于事后挑错。
审计轨迹
Audit Trail按时间保留谁在何时做了什么以及结果如何的记录，为复盘、问责和取证提供链路。
模型风险
Model Risk模型设计、数据、实现或使用错误导致损失或不当决策的可能性，包括把模型用在超出边界的场景。
供应商风险
Vendor Risk外部技术或数据供应商在安全、稳定、合规、财务和退出方面带来的风险；外包服务不能外包责任。
第三方风险
Third-Party Risk合作伙伴、云服务、API 或外包机构故障和违规对本组织造成的影响，范围比单一供应商更广。
数据主权
Data Sovereignty数据受到其存储或处理所在地法律与管辖要求约束，影响跨境、云部署和访问安排。
司法管辖
Jurisdiction某项活动由哪个国家、地区或机构的法律和权力范围管理。数字服务跨境，不代表规则也没有边界。
运营韧性
Operational Resilience系统在故障、攻击或外部冲击下继续提供关键服务并恢复的能力，关注的不只是防止出事，也包括出事后如何撑住。
职责分离
Segregation of Duties把申请、审批、执行和复核分给不同角色，避免一个人从头到尾控制高风险流程。