admin管理员组文章数量:1530517
2024年6月22日发(作者：)
中国证券期货
证券市场
SECUＲITIES＆FUTUＲESOFCHINA2020
年
8
月
DOI：10.19766/.2020.4.009
证券行业风险管理智能化转型路径探索
王雯
1
*
张敏
2
王健
3
肖晓超
4
（1.
济南大学金融研究院济南
250001；
2.
中泰证券股份有限公司风险管理部济南
250022）
摘要
：
证券行业风险管理已经进入全覆盖
、
信息化
、
智能化的新一轮发展周期
，
以科技赋能风
，
成为整个行业都在探讨和研究的问题
。
本文全面梳理了国内
险管理
，
实现真正意义的
“
智能风控
”
外证券业智能风控历史进程
，
剖析了证券行业风险管理智能化转型现状及诸多挑战
；
在此基础上
，
建
议证券公司打造以
“IT
支撑
”
为基石
，
以
“
底层数据集市
”+“
上层智能应用
”
为驱动
，
以场景化
生态
、
高效运转机制
、
复合型人才为抓手的全方位转型体系
，
以期为证券行业风险管理智能化转型提
供有价值的参考
。
关键词
：
金融科技数字化转型智能风控
一
、
引言
金融的核心和前提在于风险管理
，
伴随着证
券行业从电子化
、
互联网金融到智能化的金融科
技演进历程
，
传统风控也逐步衍生出更多科技
化
、
数据化的模块和应用
，
机器学习
、
知识图
谱
、
区块链等众多前沿金融科技手段也开始渗透
到风险管理领域
，
尤其自
2012
年消费金融爆发
式增长以来
，
智能风控被广泛提及
，
成为金融科
技领域较为主要的应用场景之一
。
近年来
，
频繁
出台的行业监管政策更是对金融机构的风险管理
能力的严峻考验
，
布局智能风险管理技术体系几
。
然而
，
如何以科技
乎成为金融机构的
“
标配
”
，
赋能风险管理
，
实现真正意义的
“
智能风控
”
已经成为整个行业都在探讨和研究的热点问题
。
*
二
、
智能风控内涵界定
最初
，
业界普遍将
“
智能风控
”
定义为
“
大数据风控
”，
如今随着金融科技发展的进一
步深化
，“
智能风控
”
已不局限于大数据技术
的应用
。
狭义的智能风控是指通过大数据手段
进行风险的智能识别
、
分析及预警
；
广义的智
能风控则是将生物识别
、
大数据
、
云计算
、
区
块链等手段融入风险管理全链条
，
打造整体智
能风险管理体系
，
实现风险的精益化管理
。
万
变不离其宗
，
智能风控并没有改变核心业务逻
辑
，“
智能
”
作为辅助手段
，
无论技术如何迭
代更新
，
始终是为了更好地实现风险管理这一
核心目标
。
智能风控通过融合金融科技手段
，
突破了传
基金项目
：
国家社会科学基金青年项目
“
关联图谱视角下资本市场系统性风险传导及预警研究
”（
编号
：19CJL041）。
1.
王雯
，
博士
，
中泰证券股份有限公司风险管理部高级经理
、
济南大学金融研究院兼职研究员
。
2.
张敏
，
中泰证券股份有限公司风险管理部总经理助理
。
3.
王健
，
中泰证券股份有限公司风险管理部高级经理
。
4.
肖晓超
，
中泰证券股份有限公司风险管理部助理
。
90
第
4
期证券行业风险管理智能化转型路径探索
统风险管理模式在效率与空间上的局限性
，
智能
风控与传统风控的差异具体体现在数据来源
、
操
表
1
传统风控
作模式
、
风控目标
、
技术及技术应用场景等多个
方面
，
如表
1
所示
。
传统风控与智能风控差异对比
智能风控
第三方数据
、
线上线下多维度
、
多模态数据
，
如第三
方征信数据
、
客户行为
、
社交平台数据等
，
与公司内
部数据形成联动
海量多源异构数据
，
弱变量信息为主
，
数据间存在
关联
，
且可交叉验证
线上
、
自动化
、
数据驱动
风控前置下的主动风险管理
广泛应用多元技术如语音识别
、
区块链
、
云技术
、
图
计算
；
深度学习
、
关联规则等非线性模型
风险分析与决策
、
大数据授信
、
自动化审批
、
反欺
诈
、
异常交易识别
、
风险预警
、
智能催收等
广度
数据
来源
深度
操作模式
风险目标
技术
公司内部结构化数据
，
如客户基本信息
、
业务数据等
数据规模小
，
以基本信息为主的强变量为
主
，
数据相关性较低
线下
、
人工方式
、
流程驱动
迎合监管检查的被动风险管理
线性回归
、
规则引擎等线性模型
、
专家经
验判断
风险分析
、
信用评级
技术应用场景
数据方面
，
区别于传统风控
，
智能风控不仅
可以处理结构化标准数据
，
还可以通过自然语言
处理
、
语音识别
、
图计算
、
生物特征识别等技术
完成非结构化
、
多模态数据的处理与应用
，
突破
传统风控信息不足的瓶颈
，
提高可用数据的广度
与深度
，
最大化地挖掘海量数据的隐藏价值
。
技
术方面
，
智能风控嵌入多元技术手段
、
措施和方
法
，
达到风险管理流程的事前
、
事中
、
事后全链
条自动化
，
完善业务流程
、
降低风控成本的同
时
，
化业务驱动为数据驱动
，
化被动管理为主动
管理
。
总体来看
，
智能风控应用可贯穿于风险管理
流程始末
。
目前
，
其在证券行业的应用场景主要
分布情况如下
。
事前环节
，
主要包括大数据授
信
、
自动化审批
、
风险画像等
；
事中环节
，
包括
智能舆情分析
、
异常交易监控
、
反欺诈等
；
事后
环节
，
包括存续期项目风险管理
、
催收等
，
如图
1
所示
。
图
1
智能风控在证券行业的应用场景
91
中国证券期货
2020
年
8
月
三
、
国内外证券行业智能风控发展现状
（
一
）
国外投行智能风控发展现状
国外投资银行起步较早
，
基础相对扎实
，
对
数字化的探索已进入比较领先的阶段
，
而其金融
科技手段最早的应用场景聚焦在智能投资顾问领
域
，
由于市场
、
监管环境的差异
，
国外存在的诸
如对隐私保护
、
对数据安全的限制等因素一定程
度上制约了其智能风险管理的发展
。
高盛是国际投行领先实践的代表
，
其通过科技
手段
，
实现了交易的电子化
、
自动化
，
并通过打造
数据湖
，
整合有关客户
、
交易
、
市场和投资研究等
即时数据
，
为风险分析提供了多维度的数据支撑
。
另外
，
高盛自主研发了
SecDB，
将其作为内部风险
管理的主要工具
。
依托
SecDB，
高盛自主研发打造
了
Marquee
平台
，
允许客户通过
API
或
Web
访问
，
帮助机构用户预测和了解风险
，
如图
2
所示
。
图
2Marquee
平台五大工具
摩根大通近几年将大量资金
、
人力倾注于新
技术的开发及应用
，
彰显了其对金融科技赋能的
决心
。
持续的巨额投入成就了其数字银行
、
智能
投顾
、
电子钱包等产品
，
搭建了全球
30
多个数
据中心
、
近
28000
个数据库
。
在持续投入下
，
摩
根大通在大数据风控方面硕果累累
，
获得了丰厚
的回报
，
摩根大通使用大数据主要用于信贷审
批
、
风险管理等环节
，
大大降低了公司不良贷款
率
，
每年可为其创收约
6
亿美元
。
数据是智能风控乃至金融科技的关键与前
提
，
其质量与规模直接决定了风控是否有效
。
对
国内金融机构而言
，
应充分借鉴外国投行的数字
化举措
，
大力推进数字化转型
，
以突破风控源数
据匮乏的瓶颈
。
此外
，
国内外证券市场存在较大
差异
，
该差异主要来源于投资者
、
监管政策及宏
观经济形势等
。
因此
，
国内证券公司应在借鉴领
先实践的同时
，
深度结合自身现状
，
避免因盲目
92
效仿外资投行而导致转型失败
。
（
二
）
国内智能风控发展现状
由于历史发展
、
市场差异等原因
，
国外的金
融科技手段更聚焦于智能投顾等领域
，
但在智能
风控领域
，
国内拥有更多的实践
，
尤其是智能风
控在消费金融风险管理的应用
，
已经走在美国乃
至世界的前列
。
总体来看
，
大数据背景下来自社
交网站和电商平台的海量数据都可刻画出更为全
面
、
多元
、
立体的客户形象
，
成为传统金融机构
风控体系的补充
，
弥补其应对当前复杂信息环境
的不足
。
近年来
，
证券公司对于智能风险管理体系的
建设需求愈加迫切
，
市场集中度也逐渐提升
。
目
前
，
大多数证券公司建设的风险管理信息系统
，
具备了风险计量与监控
、
市场资讯获取
、
风险展
示
、
报表生成等功能
，
且其对业务的覆盖面越来
越广
；
部分头部证券公司已建立了风险管理领导
第
4
期证券行业风险管理智能化转型路径探索
驾驶舱
，
其各类展示内容专注于全面风险管理工
作需求
，
指标数据界面简洁清晰
，
利于快速获取
机构总体风险状况分析情况
。
而驾驶舱等数据展
示类项目对公司数据治理及公司层面整体数据运
营机制高度依赖
，
在系统建设及上线运行过程中
外围系统数据源对驾驶舱系统能否正常提供服务
具有
“
牵一发而动全身
”
的影响
。
在此基础上
，
部分证券公司对知识图谱
、
自
然语言处理
、
生物识别等前沿技术进行了进一步
探索应用
。
中泰证券基于大知识图谱
、
自然语言
处理
、
深度学习等技术
，
结合商业智能等理论方
法
，
构建了包括风险管理领导驾驶舱
、
系统性风
险智能预警系统
、
同一业务同一客户风险信息管
理系统
、
内部评级系统等在内的智能风险管理体
系
，
总体逻辑框架如图
3
所示
。
海通证券建设的智
慧运维平台
，
利用
“
智能调度算法
、
语音识别
、
自然语言处理
、
人脸识别
、OCＲ
识别
、
大数据分
析
、ＲPA”
等关键技术
，
配套
“
任务分发
、
参数
配置
、
逻辑校验
、
应急预案
”
等支撑机制
，
实现
了
“
智能监控
、
智能审核
、
智能分析
、
智能操作
”
的核心目标
，
充分展现风险的主动化
、
精细化管
理水平
。
图
3
中泰证券智能风险管理体系逻辑框架
四
、
证券公司风险管理智能化转型痛
点分析
借助金融科技的东风
，
智能风险管理得以快
速发展
。
然而总体来看
，
证券行业风控系统离真
正意义的
“
智能
”
尚存不小的差距
，
大部分风险
管理系统仍是基于条件筛选
、
规则设计实现风险
的半自动化预警
，
脱离不开人的经验判断
，
且行
业没有统一的标准
，
不乏夸大的现象
。
因此
，
需
客观正视证券公司智能风控落地应用过程中带来
的其他矛盾和问题
。
就前期调研结果来看
，
证券
行业智能风险管理应用的挑战和困难可归结于以
下四点
：
数据
、
场景
、
机制
、
开放
，
而这四点也
恰恰是其智能化转型的核心竞争力
（
见图
4）。
图
4
证券公司智能风险管理发展痛点
（
一
）
数据
数据作为证券公司的一项重要资产
，
已深入
到各个业务和管理环节
，
并逐渐成为驱动各项决
策的重要因素之一
。
目前证券行业已具备一定的
93
中国证券期货
2020
年
8
月
数据规模
，
但其在数据获取的广度
、
利用的深
度
、
整合的程度等方面仍有提升空间
。
首先
，
数据碎片化严重
，“
数据孤岛
”
现象
凸显
。
大多证券公司受系统外购
、
部门系统自建
等原因
，“
数据孤岛
”
问题严重
，
部分系统连通
性不足
，
导致数据碎片化
，
对于从中提取有价值
的信息难度较大
，
影响风控效率和质量
。
其次
，
内部数据规模有限
，
外部数据可用性较差
。
证券
公司由于业务有限
，
数据体量不够
，
信息维度不
全
，
仍需借助于外部数据弥补自有数据的不足
。
最后
，
数据价值挖掘不充分
，
数据分析浮于表
层
，
浅尝辄止
，
未对数据进行深入挖掘
，
数据价
值尚未得到充分利用
。
（
二
）
场景
风控系统全面自动化尚未实现
，
人工依赖
程度较大
，
金融科技渗透率还不高
，
应用场景
有待进一步挖掘
。
目前证券公司管理中有较多
可自动化环节仍依赖人工进行处理
，
诸多环节
均存在重复性较高的手工劳作
，
不但加大了出
错的概率
，
执行效率也深受影响
，
而且员工的
精力大多被浪费在低附加值的劳动中
，
不利于
整体的管理和发展
。
通过技术赋能
，
员工的工
作结构也可由原先的以基础核算工作为主转变
为以决策为主
，
大大提升风控效率
（
见图
5）。
对于该类问题
，
证券公司需进行全面排查
，
统
计自动化薄弱环节
，
评估金融科技手段赋能的
可行性和必要性
，
将更多的前沿科技应用于风
控领域
。
图
5
科技赋能下的员工工作结构转变
（
三
）
机制
部分机制尚不健全
，
科技赋能的前提要素尚
不具备
。
智能风控不单是科技层面的转型
，
更需
要有配套的机制加以保障
，
才能更顺利地推动转
型
。
目前证券公司部分机制尚未健全
，
导致执行
94
力不足
，
影响内部的管理效率
，
如总体战略及其
详细的战略拆解不够明晰
，
战略落地执行力不足
等
。
同时
，
监管政策和立法往往滞后于金融科技
的发展
，
现有的监管框架已不具备适用性
。
另
外
，
金融科技依赖人才配置
，
差异化和精细化风
控带来的人才需求激增
。
（
四
）
开放
目前
，
大多证券公司在信息整合力
、
共享力
上稍显不足
，
资源价值尚未得到最大限度地发
挥
。
在生态方面
，
证券公司普遍尚未实施清晰的
和具有前瞻性的布局
，
与外部的合作多有局限
。
而反观国外领先实践
，
其在信息共享和生态合作
领域的作为可圈可点
。
高盛通过与谷歌的合作
，
获取并积累了大量数据资产
，
为未来产品的开
发
、
服务的优化等奠定了基础
。
通过与谷歌的合
作
，
高盛可以说是毫不费力地与大量优质客户建
立了联系
，
更获取了丰富的数据和算法测试对
象
，
为提升风控效率奠定了基础
。
而在未来
，
随
着数据保护形势趋严
，
获取数据的难度和成本加
大
，
通过生态化的合作方式共享数据将成为行业
主流
。
对于大多数证券公司而言
，
无论是内部信
息共享还是外部生态合作
，
与当前领先实践均存
在一定差距
，
需在提升资源共享力的同时
，
着眼
前瞻的生态化布局
，
通过合作共赢的方式提升信
息洞察力
。
五
、
证券行业风控智能化转型路径探索
立足证券行业智能风控痛点
，
结合国内外领
先实践的亮点举措
，
建议证券公司打造以
“IT
支
撑
”
为基石
，
以
“
底层数据集市
”+“
上层智能
应用
”
为驱动
，
以场景化生态
、
高效运转机制
、
复合型人才为抓手的全方位转型体系
。
（
一
）
以
“IT
支撑
”
为基础
，
重塑
、
优化全
面风险管理系统工具
信息系统是基础
，
大多数证券公司已构建了
包括全面风险管理
、
集中监控
、
舆情分析预警等
在内的多套成熟
、
高效的风险管理信息系统
，
各
系统基于自身架构
、
功能特点满足了对不同风险
类型
、
不同业务风险管理方面的计量
、
监控
、
预
警
、
分析
、
展示等个性化需求
，
各系统各具所
长
、
互为补充
，
对全面风险管理工作的高效开展
第
4
期证券行业风险管理智能化转型路径探索
起到关键的支撑保障作用
。
智能风险管理则需要
通过在现有全面风险管理系统功能框架基础上进
行分期功能扩展
、
改造
，
实现对各风险管理系统
数据及主要风险数据的全覆盖
；
融合前沿技术手
段实现数据的系统化采集与处理
；
支持报告的自
动化生成
、
数据下钻
、
指定分发及预警联动分析
等功能
，
实现分业务
、
分风险类型等模式的风险
指标数据展示及分析
；
优化各类风险处理流程
，
大幅缩减人工参与环节
；
通过算法植入
、
功能接
入等方式进一步完善事件图谱关联分析
、
舆情分
析等
AI
特性
，
形成集数据采集
、
展示
、
分析
、
预警
、
跟踪等功能为一体的整体风险智能分析
、
预警平台
。
（
二
）“
底层数据集市
”+“
上层智能应用
”
双轮驱动
，
推动
“
业务数字化
”
向
“
数字业务
化
”
加速转型
现阶段
，
证券行业智能风险管理尚处于起步
阶段
，
这与当前行业信息基础设施落后
、
数据治
理薄弱
、
共享机制尚未完善等因素密切相关
。
针
对以上问题
，
建议证券公司以数字化转型实施为
引领
，
以内外部的合作共享机制为依托
，
夯实底
层风险数据集市建设基础
，
提高风险数据挖掘
、
使用效率
。
1.
应用先行
，
倒逼证券公司加速数字化转型
不同于国外
“
先数据
，
后应用
”
的金融科技
发展逻辑
，
国内互联网金融的快速发展带动了智
能风控的广泛应用
，
尤其在消费金融领域
，
我国
智能风控应用场景更为丰富
，
走在世界前列
。
在
此背景下
，
证券公司的智能风控发展
“
应用先
行
”，
聚焦在对丰富的场景应用的探索
。
而智能
风险管理本质是数据驱动的风险管理决策
，
其发
展对证券公司薄弱的数据治理带来挑战
，
倒逼证
券公司将重心转移到提升数据管理水平上
。
尤其
2020
年上半年疫情爆发
，
传统风控模式难以适应
和支撑特殊时期的金融服务需求
，
且缺乏公司级
数据规范管理体系
，
难以支持快速决策响应
，
此
次疫情也在一定程度上倒逼金融行业进行数字化
转型
。
证券公司可结合创新工具方法的应用
，
深
刻剖析管理支持类流程本质
，
以风险识别
、
分
析
、
评估
、
监测
、
报告
、
处置等风险管理基本工
作步骤编制风险管理流程框架
，
深入推进流程梳
理优化工作
。
2.
合作共享
，
构建风险管理
“
数字
、
智能生
态圈
”
“
合
”
是金融科技的大势所趋
。
在自行研发
金融科技应用方面
，
证券公司在基础数据
、
技
术
、
人才方面相对于互联网企业或金融科技公司
都没有比较优势
。
合作的根本是优势的互补
，
不
是简单地购买金融科技服务和产品
，
最重要的是
通过合作打通大数据孤岛
，
提升基础技术水平和
金融科技能力输出
，
实现互惠共赢
。
对证券公司
来说
，
智能风险管理的关键除了算法和模型外
，
还有内部核心小数据和外部大数据的有机结合
，
数据质与量决定了大数据风控的有效性
。
因此
，
发展智能风险管理不仅需要证券公司自己的努
力
，
还需要行业
、
政府推动共性数据的共享
，
打
造全面风险管理
“
数字
、
智能生态圈
”，
大幅提
升对证券公司稳健运营的支撑保障能力
。
3.
深入场景
，
促进金融科技全方位融合
技术融合是风险管理智能化转型的必由之
路
，
在技术的延伸过程中
，
各项技术在风控场景
下的应用各有不同和侧重
，
唯有多项技术融合方
能使智能风控更加成熟与完善
。
例如
，
利用物联
网技术采集线下数据
，
增加可用数据维度
；
采用
深度学习等模型进行信用评级
、
风险预警等
；
通过区块链解决数据孤岛难题
，
实现多方数据
共享平台
，
大幅降低数据获取成本
；
可利用声
纹识别
、
活体识别
、
虹膜识别
、OCＲ
等技术进
行身份识别与核查
，
完成自动化审批
，
降低客
户违规风险
；
云计算增强风险计量能力
，
提高
系统响应速度
。
此外
，
知识图谱
、
生物特征识
别
、
图计算等众多前沿技术的应用值得进一步
探索
。
4.
建章立制
，
完善
“
系统协作
”
保障机制
风险管理智能化转型是一个持续的系统性工
程
，
需要在管理
、
沟通协作
、
跟踪
、
优化和决策
等方面建立稳定的机制
，
保障转型工作的有序可
控
。
具体来看
，
为保障智能化转型的顺利实施
，
证券公司应健全管理协作
、
议事决策
、
跟踪推进
以及评估优化等机制
。
其中
，
管理与协作机制的
建立主要为了保障风险管理智能化转型过程中各
项工作的协调承接
，
以及各项资源的管理调用
。
议事和决策机制的建立主要为了规范风险管理智
能化转型过程中遇到各类问题时的决策方式
，
最
95
中国证券期货
2020
年
8
月
大限度地实现高质量
、
高效率的决策
。
跟踪和
推进机制的建立主要为了保障风险管理智能化
转型的实施进度
，
衡量转型实际情况与计划情
况的差距
，
从整体层面对风险管理智能化转型
进度进行跟踪和推进
。
评估和优化机制的建立
主要为了对整体风险管理智能化建设水平进行
合理评估
，
以此反映出转型效果
，
便于公司进
行调整
。
5.
外引内荐
，
筑牢智能化转型人才基石
在人才建设方面
，
建议通过
“
外引内荐
”
的
方式
，
充分挖掘内部现有人才资源
，
配合专项招
聘
，
高效组建具备
IT、
金融知识
、
法律等知识与
技能的复合型人才团队
。
一方面
，
应注重内部人
才的挖掘和培养
，
智能化转型团队作为内部人才
的资源池和摇篮
，
其成员可以成为人才骨干和种
96
子选手
，
带动公司其他人员的发展
。
另一方面
，
还可通过引入外部专家和专项人才
，
在专业领域
发挥较大价值
。
参考文献
［1］
王欣
.
基于人工智能的移动金融风控体系建设中的实践
［J］．
信息安全研究
，2017，3（11）：1000－1005.
［2］
白云飞
，
边鹏
.
摩根大通
，
老牌巨头引领华尔街数
字化转型
［EB/OL］．（2019－02－03）https：//
/20190203/.
［3］
周家乐
.
智能风控助力金融风险防控
［J］．
清华金
融评论
，2019（5）：61－62.
［4］2019
中国智能风控企业
50
强
［EB/OL］．（2019－
09－09
）https：///a/331467946_120269
520.
版权声明：本文标题：证券行业风险管理智能化转型路径探索 内容由热心网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：https://m.elefans.com/dongtai/1719021660a749157.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论