3I指數通過對海量個人投資者真實投資交易信息的深入挖掘分析，了解交易個人投資者交易行為的變化、投資信心的狀態與發展趨勢、對市場的預期以及當前的風險偏好等信息。在樣本選擇上，選擇資金100萬元以下、投資年限5年以上的中小投資者，樣本規模高達10萬，覆蓋全國不同地區，所以，這個指數較為有代表性。在參數方面，主要根據中小投資者持倉率的高低、是否追加資金、是否盈利這幾個指標，來看投資者對市場是樂觀還是悲觀。“3I指數”每月發布一次，以100為中間值，100—120屬于正常區間，120以上表示趨熱，100以下則是趨冷。從實驗數據看，從2007年至今，“3I指數”的漲跌波動與上證指數走勢擬合度相當高。
大數據技術在金融行業中有著廣泛的應用， 下面將介紹大數據技術在銀行、證券、保險等金融細分領域中的應用。
大數據的特點可歸納為“4V”。
(1)客戶細分和差異化服務。風險偏好是確定保險需求的關鍵。風險喜好者、風險中立者和風險厭惡者對于保險需求有不同的態度。一般來講，風險厭惡者有更大的保險需求。在客戶細分的時候，除了風險偏好數據外，要結合客戶職業、愛好、習慣、家庭結構、消費方式偏好數據，利用機器學習算法來對客戶進行分類，并針對分類后的客戶提供不同的產品和服務策略。
在客戶畫像的基礎上銀行可以有效的開展精準營銷，包括：
2.3.1 股價預測
總的來看，大數據在金融行業的應用起步比互聯網行業稍晚，其應用深度和廣度還有很大的擴展空間。金融行業的大數據應用依然有很多的問題需要克服，同時需要國家出臺促進金融大數據發展的產業規劃和扶持政策，也需要行業分階段推動金融數據開放、共享和統一平臺建設，強化行業標準和安全規范。只有這樣，大數據技術才能在金融行業中穩步應用發展，不斷推動金融行業的發展提升。
(2)實時欺詐交易識別和反洗錢分析。銀行可以利用持卡人基本信息、卡基本信息、交易歷史、客戶歷史行為模式、正在發生行為模式(如轉賬)等，結合智能規則引擎(如從一個不經常出現的國家為一個特有用戶轉賬或從一個不熟悉的位置進行在線交易)進行實時的交易反欺詐分析。如IBM金融犯罪管理解決方案幫助銀行利用大數據有效地預防與管理金融犯罪，摩根大通銀行則利用大數據技術追蹤盜取客戶賬號或侵入自動柜員機(ATM)系統的罪犯。
(1)醫療保險欺詐與濫用分析。醫療保險欺詐與濫用通常可分為兩種，一是非法騙取保險金，即保險欺詐;另一類則是在保額限度內重復就醫、浮報理賠金額等，即醫療保險濫用。保險公司能夠利用過去數據，尋找影響保險欺詐最為顯著的因素及這些因素的取值區間，建立預測模型，并通過自動化計分功能，快速將理賠案件依照濫用欺詐可能性進行分類處理。
(1)中小企業貸款風險評估。銀行可通過企業的產、流通、銷售、財務等相關信息結合大數據挖掘方法進行貸款風險分析，量化企業的信用額度，更有效的開展中小企業貸款。
精準營銷 2.2.2 欺詐行為分析
麻省理工學院的學者，根據情緒詞將twitter內容標定為正面或負面情緒。結果發現，無論是如“希望”的正面情緒，或是“害怕”、“擔心”的負面情緒，其占總twitter內容數的比例，都預示著道瓊斯指數、標準普爾500指數、納斯達克指數的下跌;美國佩斯大學的一位博士則采用了另外一種思路，他追蹤了星巴克、可口可樂和耐克三家公司在社交媒體上的受歡迎程度，同時比較它們的股價。他們發現，Facebook上的粉絲數、Twitter 上的聽眾數和 Youtude 上的觀看人數都和股價密切相關。另外，品牌的受歡迎程度，還能預測股價在10天、30天之后的上漲情況。但是，Twitter 情緒指標，仍然不可能預測出會沖擊金融市場的突發事件。例如，在2008年10月13號，美國聯邦儲備委員會突然啟動一項銀行紓困計劃，令道瓊斯指數反彈，而3天前的Twitter相關情緒指數毫無征兆。而且，研究者自己也意識到，Twitter 用戶與股市投資者并不完全重合，這樣的樣本代表性有待商榷，但仍無法阻止投資者對于新興的社交網絡傾注更多的熱情。
2012年，國泰君安推出了“個人投資者投資景氣指數”(簡稱3I指數)，通過一個獨特的視角傳遞個人投資者對市場的預期、當期的風險偏好等信息。國泰君安研究所對海量個人投資者樣本進行持續性跟蹤監測，對賬本投資收益率、持倉率、資金流動情況等一系列指標進行統計、加權匯總后得到的綜合性投資景氣指數。
(2)交叉營銷。即不同業務或產品的交叉推薦，如招商銀行可以根據客戶交易記錄分析，有效地識別小微企業客戶，然后用遠程銀行來實施交叉銷售;
國內不少銀行已經開始嘗試通過大數據來驅動業務運營，如中信銀行信用卡中心使用大數據技術實現了實時營銷，光大銀行建立了社交網絡信息數據庫，招商銀行則利用大數據發展小微貸款。總的來看銀行大數據應用可以分為四大方面：
大數據涉及的行業過于廣泛，除金融外，還包括政治、教育、傳媒、醫學、商業、工業、農業、互聯網等多個方面。根據國際知名咨詢公司麥肯錫的報告顯示：在大數據應用綜合價值潛力方面，信息技術、金融保險、政府及批發貿易四大行業潛力最高高。具體到行業內每家公司的數據量來看，信息、金融保險、計算機及電子設備、公用事業四類的數據量最大。可以看出，無論是投資規模和應用潛力，信息行業(互聯網和電信)和金融行業都是大數據應用的重點行業。
(2)運營分析。基于企業內外部運營、管理和交互數據分析，借助大數據臺，全方位統計和預測企業經營和管理績效。基于保險保單和客戶交互數據進行建模，借助大數據平臺快速分析和預測再次發生或者新的市場風險、操作風險等。
大數據技術為金融行業帶來了裂變式的創新活力，其應用潛力有目共睹，但在數據應用管理、業務場景融合、標準統一、頂層設計等方面存在的瓶頸也有待突破。
客戶畫像應用主要分為個人客戶畫像和企業客戶畫像。個人客戶畫像包括人口統計學特征、消費能力數據、興趣數據、風險偏好等;企業客戶畫像包括企業的生產、流通、運營、財務、銷售和客戶數據、相關產業鏈上下游等數據。值得注意的是，銀行擁有的客戶信息并不全面，基于銀行自身擁有的數據有時候難以得出理想的結果甚至可能得出錯誤的結論。比如，如果某位信用卡客戶月均刷卡8次，平均每次刷卡金額800元，平均每年打4次客服電話，從未有過投訴，按照傳統的數據分析，該客戶是一位滿意度較高流失風險較低的客戶。但如果看到該客戶的微博，得到的真實情況是：工資卡和信用卡不在同一家銀行，還款不方便，好幾次打客服電話沒接通，客戶多次在微博上抱怨，該客戶流失風險較高。所以銀行不僅僅要考慮銀行自身業務所采集到的數據，更應考慮整合外部更多的數據，以擴展對客戶的了解。包括：
關注健康醫療大數據應用發展的全國首部地方性法規《貴陽市健康醫療大數據應用發展條例》
數據資產管理水平仍待提高。主要體現在數據質量不高、獲取方式單一、數據系統分散等方面。 應用技術和業務探索仍需突破。主要體現在金融機構原有的數據系統架構相對復雜，涉及的系統平臺和供應商較多，實現大數據應用的技術改造難度很大。同時，云主機租用，金融行業的大數據分析應用模型仍處于起步階段，成熟案例和解決方案仍相對較少，需要投入大量的時間和成本進行調研和試錯。系統誤判率相對較高。 行業標準和安全規范仍待完善。金融大數據缺乏統一的存儲管理標準和互通共享平臺，對個人隱私的保護上還未形成可信的安全機制。 頂層設計和扶持政策還需強化。體現在金融機構間的數據壁壘較為明顯，歐洲服務器租用 云服務器，各自為戰問題突出，缺乏有效的整合協同。同時，行業應用缺乏整體性規劃，分散、臨時、應激等特點突出，信息價值開發仍有較大潛力。
2011年5月英國對沖基金Derwent Capital Markets建立了規模為4000 萬美金的對沖基金，該基金是首家基于社交網絡的對沖基金，該基金通過分析Twitter 的數據內容來感知市場情緒，從而指導進行投資。利用 Twitter 的對沖基金 Derwent Capital Markets 在首月的交易中確實盈利了，其以1.85%的收益率，讓平均數只有0.76%的其他對沖基金相形見絀。
