FinTech时代大数据在商业银行全面风险管理中应用探索.docVIP

FinTech时代大数据在商业银行全面风险管理中的应用探索 　　近年来，互联网信息技术变革将金融业务发展带进了一个全新的时代，各类互联网金融及移动支付业务加快了“金融脱媒”，给商业银行带来了严峻的挑战，同时也带来了广阔的发展机遇。在互联网信息技术时代，数据已经成为金融机构重要的生产要素，商业银行对数据的治理能力、分析能力、洞察能力已然成为其核心竞争力。而风险管理作为商业银行经营成败的关键因素，如何能让数据有效服务于商业银行的全面风险管理已经成为一项重要的研究课题。 　　当前商业银行风险管理中存在的难题 　　20世纪60年代以后，商业银行由被动负债方式向主动负债方式转变，负债规模的扩大加大了商业银行经营的不确定性，尤其是近年来商业银行的不良贷款出现了持续上升的态势，打破了近十年不良贷款和不良率的“双降”趋势。按现行的利差水平来计算，1亿元信贷资产的损失需要50余亿元正常贷款一年的净收益来弥补，可见风险管理对商业银行的经营与发展影响之大。 　　当前商业银行风险管理中依然存在一些管理难题：一是集团客户管理中，客户的控股企业或关联企业在不同地域多处注册，分头授信情况普遍，银行对其大量跨区域、跨银行、跨市场的业务经营以及其中的关联交易风险、交叉违约风险、互联互保风险难以识别。二是以市场或行业等专业条线划分、各自经营与管理的体制掣肘了银行对客户整体风险的识别。如对于钢贸企业授信，有的机构已经集中爆发了风险，而有的机构还在“高歌猛进”，有时公司业务条线已经逐步压缩退出了某些企业，而小微金融和信用卡业务还将其作为重点战略客户积极介入，致使银行整体信用风险扩大。三是相关系统的开发与自动化、流程化应用滞后于业务发展需要，业务量快速增长，但系统开发跟不上业务发展节奏，以致很多业务仍按传统的手工作业模式，造成工作效率低、风险管理人员普遍存在工作满负荷、超负荷的状态，很难将工作做深做细。 　　此外，信息不对称是商业银行风险产生的主要根源，因此数据是商业银行风险管理的基础，而商业银行对数据的采集、整合、分析、挖掘及智能化应用能力决定了其全面风险管理能力。 　　商业银行面向风险管理的大数据战略布局 　　认识到数据的重要性，国内各商业银行在数据应用方面也在不断探索研究并尝试相关应用。如：工商银行与第三方核心企业数据对接，对相关物流与现金流实施封闭管理，为供应商提供采购、生产、销售流程的融资支持，实现物流、信息流、资金流的全流程跟踪，有效解决信息不对称问题;光大银行建立了社交网络信息数据库，通过打通银行内部数据和外部社会化数据以期获得更完整的客户视图，从而进行更为精准的风险管理;建设银行将本行的电子商务平台和信贷业务相结合，通过分析客户在电商平台的交易行为数据，掌握客户的消费习惯、经济实力，从而衍生到客户的风险偏好;民生银行开发的“指南针”风险预警系统将网络舆情、司法、监管等信息与本行授信客户信息进行关联分析，实现授信客户异常信息的自动抓取、监测和预警。 　　 　　此外，各大商?I银行加快互联网、大数据、人工智能等技术应用布局，工、农、中、建四大行分别与互联网巨头结对战略合作：工商银行+京东、农业银行+百度、中国银行+腾讯、建设银行+阿里。而后，腾讯又与华夏银行联合宣布在云平台、大数据智能精准营销、金融反欺诈实验室等方面展开合作。 　　当前商业银行风险管理中数据应用存在的不足 　　诚然，国内各商业银行已在大数据风险管理方面进行了尝试性研究，但仍局限于利用数据在风险控制的部分环节开展应用， 距离有效利用大数据服务于商业银行整体风险控制流程、进行全面风险管理的目标尚存差距。主要表现在以下方面： 　　基础数据采撷仍需依赖手工录入。当前国内商业银行客户信息的获取、采集仍需依赖基层机构对客户的现场调查和客户提供。从客户信息建立、账户开立，到授信业务基础资料的整理、授信审批、发放、贷后管理的各个操作流程中，仍需操作人员手工录入相关数据。因各业务操作系统（或同一系统的前、中、后端）对接程度低，很多数据仍需依靠业务发起端操作人员手工反复录入，不仅效率低，而且信息质量难以保证。 　　数据模型应用技术相对落后。在模型建设方面，目前国内商业银行普遍尚未进入大规模运用数据挖掘和机器学习模型进行量化管理与风险决策的阶段，在用模型数量相对较少，且不成体系，并且当前很多模型设置的指标维度相对单一，部分关键数据维度（如行业、区域、产品等个性化因素）可能未纳入考虑;此外，模型应用技术也未能与时俱进，未能及时更新提升。在模型应用方面，已开发的模型大多基于监管所要求的基础监控指标， 模型的设计由于与实际业务融合性较低，不少模型处于被搁置或空转状态，加上未能有效建立模型的使用、验证、反馈、再修正等“模型全生命周期”良性循环机制，致使已有模型愈发与实际业务相脱节，形成恶性循