在资产证券化领域，科技金融的应用主要采用了对大数据风控的把握以及区块链技术的应用。这些技术的应用体现在筛选符合标准的底层资产来进行之后的资产证券化业务。从大数据风控的角度来说，它无法完成筛选评估资产、进行风险评估的任务，因为目前为止还没有出现完全能够替代人脑来完全理解金融的算法，金融是个有人参与的需要理解力的过程。
比如说在消费金融ABS领域通常采用的信用积分方法，它的局限性体现在如下方面。
消费金融贷款是典型的小额贷款。它的违约率特征在一定程度上区别于大额度贷款，例如住房贷款或者车贷，对其违约率的计算方式也有所区别。例如我们上面提及的信用积分方法，它就不是建立在量化的基础上来计算其违约率，而是基于借贷人的行为举止，来进行打分积分。这就相当于给人的行为举止进行评估，所以在严格意义上讲，它只是一个估计方法。举例来说，人们通常采用的用来评判的行为举止指标有：贷款重复申请查询、被信贷机构查询记录、逾期记录查询、个人担任高管情况、银行卡消费分析等行为。
首先，这些指标缺乏统一标准，不同人感受不同，给出的指标高低也有区别，因为它们是人行为的特征，不是能够被准确无误量化的，所以在一定程度上缺乏量化方面的科学性。
此外，在小额度贷款领域，人们的举止同文化以及法治环境严格相关。在欺诈多发、法治环境较差的地区，小额贷款的违约率要相对从程度上更高于法治环境优良的地域。所以，在不同的地区，即便是使用信用积分的方法，也要对积分进行地域与文化相关的调整。而这个调整是建立在一定期限的观察基础上的，不能够被照搬来用，它需要有一定的历史数据做支持。
再者，采用信用积分方法来评估小额贷款，其结果更容易被伪造，因为借款人的行为举止非量化指标，所以更容易被人操纵。
综合来说，影响FICO评分的主要因素有以下几类：偿还历史、信用账户数、使用信用的年限、正在使用的信用类型以及新开立的信用账户。但是在中国，通过区块链技术以及中国现在的网购平台，实际上获得的数据并不一定能够达到模型本身对数据质量的要求。
偿还历史要求有各种信用账户的还款记录。以信用卡为例，目前为止的中国网购平台并不一定有能力拿到这些信用卡信用数据。目前为止的进行消费金融ABS打包的行为主体，大多数获得不了这些模型本身所需求的数据。
从使用信用年限角度来说，在中国信用年限的历史还相对较年轻，尤其是通过网络平台的信用年限。那么较短的信用年限是否有说服力，也是一个不小的问题。
对于那种使用在消费金融领域，又称为小微金融领域的信用评分，还具备其特殊的风险特征。在中国，对于那些发行消费金融的机构，其监管和整治还不完善，这势必影响其发行时的信用评估结果。在这些发行消费金融的机构中，只有很少的机构能够达到所需的对储蓄、支付或保险的要求。
一般来说，申请消费金融的借款人收入水平很普通或者比较低。据统计数据显示，申请消费金融的这些人群的违约率并不是很低。这不但受其收入水平的影响，在某种程度上也同其文化举止和消费观念相关联。
更致命的一点是，消费金融在整个打包成消费金融ABS的时候，是没有担保的——既没有担保物也没有担保机构。这从另一个角度，加大了消费金融ABS的风险程度。对于一般打包的资产抵押债券，即ABS来说，它通常是需要有抵押的，所以它被称为资产支持证券。而消费金融ABS将消费贷款打包成ABS，如果没有额外的抵押过程，在这里唯一能够被当作抵押物的就是买入的消费品。消费品很难被当作抵押物，这就是其中的问题与矛盾所在。
所以说，从各个角度，即便是采用区块链技术结合人工智能，现行的消费金融ABS也是问题重重。一方面，模块中关于得出违约概率的方案设计是值得质疑的；另一方面，由于其证券化过程中整体设计方案的缺陷，造成该资产证券化产品的风险尤其高。外加流程设计存在的一些理论上的不足，使得消费金融ABS不太成熟和具有投资吸引力。所以，那些可复制与可标准化的流程和方案，可以采用人工智能，外加配上可以提高数据质量的区块链技术一起，能够降低人脑工作所容易产生的误差。但是人工智能和区块链技术也只能够作为支持的角色来发挥作用。
（文章转自FT中文网）