商业银行智慧型风险管理的特征及长效机制的构建

gecccn

林德发 刘琳琪（天津商业大学经济学院）

  近年来，大数据、云计算、人工智能等新兴技术的不断发展，引爆了金融行业的智慧革命，尤其在风险管理领域表现得尤为突出。大数据时代的来临，使数据成为商业银行最为重要的生产要素和战略资本，也逐渐成为银行在竞争中制胜的关键因素。通过运用大数据技术，不仅可使金融和科技深度融合，促使银行提高运营效率，同时也推动着银行信用评级与风险控制手段的革新，为更有效地管控风险创造条件。因此，运用现代数据资源和技术条件创造一种全新的风险管控模式——智慧型风险管理，已成为各商业银行积极探索和实践的必然趋势。
  商业银行智慧型风险管理的内涵
  大数据挖掘技术的快速发展和运用，使得海量、实时、动态的大数据得以科学管理、合理利用并创造价值。传统行业为提升智慧、预测未来、提高竞争力，纷纷拥抱大数据，开展了一系列的创新活动。在大数据引爆的这场“智慧革命”中，IBM研究的“智慧地球”最先提到了“智慧型”这一理念。
  “智慧地球”的核心理念是以一种更智慧的方法即利用新一代信息技术来改变政府、企业和人们之间相互交流及互动的方式，以便提高交互的明确性、灵活性、效率和响应速度。智慧地球通过将传感器嵌入到各领域仪器设备的方式，来建立全面感知的“物联网”，进而实现决策管理的智能化。借助大数据技术，地球能够实现更透彻的感知和度量、更广泛的互联互通、更深入的智能洞察。伴随着这一概念的兴起，“智慧城市”“智慧交通”“智慧农业”等概念不断涌现。它们的共同特点都是利用大数据资源，借助大数据挖掘技术，进行某一方面的智能化管理。作为坐拥大数据丰富资源的商业银行，具有得天独厚的数据优势，完全可以通过挖掘和分析客户的交易、消费等全方位信息，掌握客户的信用状况、消费习惯、风险偏好等，准确预测客户的行为倾向，有的放矢地进行精准营销和风险防控。因此，借鉴“智慧地球”“智慧城市”“智慧交通”“智慧农业”等概念提出的背景和内涵，笔者定义智慧型风险管理为：应用先进的大数据、云计算技术以及网络信息技术，将数据挖掘、客户营销、风险计量、管理机制系统整合起来，主动地、全程地、智能化地管控风险，进而实现智能分析风险、智慧管理风险的目标。
  长久以来，商业银行积累了丰富多样的真实客户数据资料，但在大数据技术应用之前，只有为数不多的结构化数据得到了挖掘和利用。大数据技术的运用让商业银行沉积下来的客户资料、交易数据、信用信息等“重见天日”，成为不可或缺的战略资源。在对客户进行识别、营销和维护的管理过程中，运用大数据技术及数理统计方法来研究和分析客户信息，有利于商业银行甄别客户，提前准确评判客户的风险状况，优先选择那些消费能力强、信用等级高、违约概率低的客户，从而为智慧型风险管理创造条件。因此，本文所指的商业银行智慧型风险管理不再是传统的信贷风险管理，而是从客户关系、风险衡量到管理机制的全面的、智能化的风险管理。其具体内容包括四个方面。
  （一）客户画像，精准营销
  所谓客户画像是基于对客户社会属性、交易习惯、信用状况等信息的研究，抽象出一个标签化的用户模型，这个标签是通过分析数据获得的高度精炼的用户特征标识。因此，作为客户画像的“原料”，数据是否充分和全面直接决定着画像的效果。商业银行应当全面采集和充分挖掘客户数据信息，形成一个有效的“原料数据库”。除此之外，商业银行还应主动加强与外部机构的协作以获取更多的外部数据，如网购数据、社交数据等。只有将银行的内部数据和外部社会化数据打通，才能更加清晰地描述客户。商业银行在客户画像的基础上开展精准营销，为客户提供个性化服务，不仅有助于风险的科学识别，进而实现提前防范信用风险，也有利于扩大客户数量，降低银行获客成本，真正实现智慧化风险管理。
  （二）完善征信，防止欺诈
   大数据时代的征信报告综合了客户的生活习惯、财务状况、性格特征、兴趣爱好等数据信息，能够对个人信用状况进行整体和全面的判断，其基础数据的丰富性和全面性有助于进一步改善和提升征信质量。大数据分析驱动的征信服务，可以让之前的信用“黑户”回到阳光下，享受与其风险水平相匹配的金融服务。同时，大数据摆脱了抵押和担保的模式，将数据作为提供融资渠道的关键依据，建立的个人征信系统全面采集客户信息，能够有效控制风险。大数据技术的发展也为金融业反欺诈提供了更强大的工具，其中身份评估和信用评估构成了反欺诈的核心。身份评估主要是基于对用户设备异常评估、地理位置评估、行为相似性评估等方面而得出；信用评估则是从对失信信息数据库、欺诈信息数据库、高危账号数据库、欺诈关联图谱的对比分析中获取。商业银行利用大数据技术，实时、动态采集有关数据，完善信用评估体系，对风险进行科学评估和计量，可减少违约风险，防范欺诈行为发生，达到智慧型风险管理的目的。
  （三）分析舆情，优化运营
   舆情分析是指借助大数据分析技术，高效、准确、实时地采集客户在各种社交平台（如微博、知乎、贴吧等）的言论、动态等有关信息，通过挖掘和分析与之关联的数据，对网络舆情进行充分解读，洞悉网络舆情走势，并采取行之有效的对策，从而实现数据信息的有效增值。基于大数据技术的舆情分析能够优化商业银行的运营水平，主要包括产品和服务的优化、市场和渠道分析的优化。商业银行依托大数据分析，在众多社交平台上获取关于自身产品和服务的客户评价信息，然后进行正负面判断，及时发现问题、处理问题，并通过客户行为转化的信息流，预测客户需求，优化自身理财产品和服务。商业银行也可通过大数据技术监控不同市场营销渠道的效果，尤其是网络渠道营销质量，进而不断调整自身资源配置、优化营销策略。商业银行借助大数据进行网络舆情分析，可以发现自己产品、服务及销售渠道的主要问题，及时进行调整和处理，有利于优化运营，提高经营效率，有效防范和控制风险。
  （四）洞察风险，预测未来
  商业银行运用大数据技术能够洞察微小交易中涵盖的综合风险信息，了解衍生产品交易对整体风险的影响，并能对零售客户信用卡和贷款方面的风险进行准确评估。大数据技术使风险更及时、更全面地呈现出来，商业银行完全可在此基础上对其未来发展趋势进行预测，以便有效地应对风险。如商业银行借助海量数据及其获取的便利性、真实性，依据大数定律开展流动性风险管理业务：首先对自身数据进行解读和分析，并结合历史状况判断银行资产和负债情况的整体走势，然后对资产和负债的流动性风险进行客观评估，最后通过资金的合理调配，有效化解潜在的流动性风险。只有准确预测未来的风险，才能有条不紊地及时应对，突显智慧型风险管理的作用。
  商业银行智慧型风险管理的特征
   智慧型风险管理与传统风险管理具有明显的不同，其核心特征体现在基于银行大数据的智能分析和智慧管理上，具体体现在五个方面：
  （一）全面化
   在风险控制方面，商业银行平时多注重信用风险的管理，而对其他风险关注度不够，这与目前激烈的市场竞争形势极不相称。而智慧型风险管理十分注重风险管理的全面性，在风险评判中，利用定量管理与定性管理相结合的方法，加大了定量分析的比重，更多地侧重于数据分析和利用辅助手段控制风险，而非仅依赖于客户的还款意愿、人品等定性分析。智慧型风险管理将大数据技术贯彻于银行风险识别、计量、控制和报告过程的始终，可以更好地管控市场风险、流动性风险、操作风险等，有利于商业银行全面风险管理的实现。例如，在开展信贷业务时，商业银行可以融合大数据分析技术和数据挖掘技术，通过运算规则的设定，在信息核验、黑白名单匹配等方面辅助银行进行信用评判和风险预测。这种融合使银行的风险管理信息系统更加完善，在防范信贷风险的同时，也强化了对操作风险的控制。
  （二）智能化
   传统风险管理数据的获取比较被动且维度较窄，往往过度依赖于信贷管理人员的个人经验。而智慧型风险管理能够借助大数据技术建立科学有效的风控系统，该系统自动接收海量数据，通过对数据的整合和分析，自动检索出最优的信号和模式，及时、主动、智能地将有效信息推送到不同的业务部门和管理岗位，提高风险管理的科学性与可预见性，推动风险管理从被动向主动、从人工向智能转变。这种智能化、动态化的转变，使风险管理更加有效。例如，光大银行制作的“云图”，为银行授信业务提供全面、准确的数据信息，通过对信息流进行智能分析，主动、智能地发现价值客户，并依据客户特点为其提供个性化服务，能够更好地防范风险。
  （三）全程化
   商业银行在传统风险管理中，为了保证贷款的质量往往更注重贷前严格的流程审批，容易忽视贷后的风险监管，一旦资金流向出现问题，很容易形成坏账。而智慧型风险管理更侧重全程化的管理，通过对数据的全方位分析，让系统能够更透彻地感知商业银行当前的风险状况，从信贷客户的挖掘到信贷前、中、后一体化风险管理。这种全程化、一体化的风险管理，能够使风险降到最低，达到有效防控的目的。另外，传统风险管理中各部门各司其职，只关注和管理专属于自己的风险，缺乏风险管理全程化意识。而智慧型风险管理注重部门间的互相交流，各个部门利用大数据技术将汇集的风险管理信息进行智能分析后，及时反馈和推送回相关部门，这种模式使各部门都参与风险管理的全程，实现部门间的互联化，也使信息得到充分有效的利用。例如，中信银行联合九次方大数据运营商推出“风险预警大数据平台”，对银行内外部数据进行有效整合，科学打造预测、预警、决策、智能的全程化服务。此平台的应用，让银行能够实时、动态地获取贷款个人与企业的各种处罚及诉讼等信息，并据此分辨和推断其信用状况与风险托底能力，使贷前、贷中、贷后三个环节环环相扣，实现贷款风险的有效防控。
  （四）精确化
   受限于数据获取和信息处理的能力，商业银行以前不得不利用随时采样的方法，通过样本来推测总体，用有限的数据来获取尽可能多的信息，这种方法容易造成判断失误，导致坏账增加。而智慧型风险管理通过对数据的挖掘和分析，利用社交网络分析技术实现风险预警，使风险管理从“单点”扩展到“网络”，大大减弱了信息的不对称性，风险信号将更为全面和清晰，从而有助于提高风险管理的准确性，更好地预防和控制风险。花旗、富国等银行通过对大数据的挖掘分析处理，整合出客户的资产负债、交易支付、纳税和信用记录等信息，并计算出动态违约概率和损失率，实现对客户的全方位评估，进而提高贷款决策的精确性和可靠性，实现了对信用风险的有效控制。
  （五）效益化
   传统人工风控模式缺乏对信用“白户”的鉴别能力，对相关人员素质的要求较高，需要付出较高的人力成本，且审核流程复杂，放款时间较长。而智慧型风险管理利用各种技术手段提升工作效率，有利于节约风险管理的整体投入成本，使其创造的经济价值最大化。随着芯片技术和人工智能算法的双重爆发，个人信贷进入智能信贷时代，许多无法申请银行传统信贷服务的客户将享受到技术进步带来的便捷信息服务，这将会增加银行信贷量，提高银行的收益。此外，智慧型风险管理利用规则引擎技术在给定的规则下进行处理运算，将人的工作流程化、系统化、自动化，一定程度上提高了放贷效率，此举使风控能力增强的同时，也提高了商业银行的效益。2018年4月11日，上海建设银行九江路支行推出国内首家“无人银行”网点，该网点集合大数据技术和人工智能算法，能够分辨客户的信用状况，可承办90%以上的传统业务，这种利用智慧柜员机、VTM机、VR等设施自助办理业务的模式，在提升客户体验水平的同时，也为银行节省了大量的人工成本。
  商业银行智慧型风险管理长效机制的构建
   伴随着大数据、云计算等技术的发展，商业银行通过技术吸取、手段更新，风险控制工作取得了一定成效，但由于环境、制度和技术等多种原因，其风险控制的效果依然不太理想。在大数据的背景下，商业银行只有根据智慧型风险管理的特点和要求，积极构建长效机制，才能真正降低风险，提升自身的核心竞争力。
  （一）建立数据共享机制
   智慧型风险管理需要有大量的数据做基础，而大数据驱动金融创新又要求数据的充分交流和整合，并创造出更有价值的信息。我国商业银行目前虽然拥有海量的客户交易数据，但存在静态化和碎片化的局限，金融企业间也存在数据孤岛现象，数据的共享严重不足，对外部数据的整合利用依然存在很多障碍。因此，建议银行一是倡导主动收集、信息共享的数据管理文化。主动拥抱互联网，建立内部信息共享机制，在银行内部建立统一的数据处理标准，统一数据接口和数据加工，定期将数据分类整合，构建客户在银行的信息全视图。二是加强和其他金融机构及非金融机构的合作、交流，借助其优势来实现精确的数据分析。通过合作全面掌握客户群体信息，再通过多维度交叉分析技术，提取更具使用价值的大数据分析结论，从而制定出更为精确的信贷管理策略，强化协同效应。只有在更详尽的数据基础上进行授信，才能减少特殊因素对授信判断的影响。
  （二）创建风险预警机制
   风险预警机制的建立，实质上就是风险的识别过程。激烈的金融竞争使得及时、准确预警风险显得格外重要。传统的风险管理更多注重风险流程化审批和风险事后的管理，不能对贷后的潜在风险及时预警，这往往加重了银行的风险承担。智慧型风险管理体制要求建设风险流程内嵌的前中后一体化业务管理系统，推进市场风险的全流程监控，重点加强事前和事中监控力度，而强大的信息管理系统将是防控转换、风险管控关口前移的重要支持。利用以大数据为支撑的信息管理系统，可从三个层面来创建风险预警机制：在宏观层面，智慧型风险管理需要建立一个预警指标体系，并对单个预警指标进行持续的观测，通过模型测算出综合风险分值，获得对应预警信号，然后再利用风险转换矩阵，自动综合判别宏观层面风险，及时提供风险预警；在特定领域层面，要智能组合各项风险因子，测算出该领域的风险等级，一旦触及预警红线，就要审慎贷款，防控风险；在微观个体层面，智慧型风险管理利用大数据对单一客户进行追踪，形成画像，准确、及时地预警潜在风险。光大银行通过对风险管理领域的预警分析研究，在大数据实验室生产出数据产品“滤镜”。该产品通过数据分析对企业客户进行过滤，得到高信用违约倾向的企业名单，为银行风险管理者提供更具科学性和精准性的决策支持。同时，该产品使用的“复杂循环担保圈”模型能够发现担保网络中的隐蔽性风险，有利于防范群体性违约风险的发生。
  （三）完善风险决策机制
   传统的风险管理依赖于审批人员的经验，可能导致判断错误，且审批流程复杂，不能及时有效处理数据，作出最佳决策。智慧型风险管理可以利用数据搜索和挖掘技术，掌握海量的客户信息数据，建立强大的管理信息系统，清洗、整合及传递来自不同市场、不同业务的交易数据和风险数据，最终形成银行所需要的决策信息。具体可从以下两方面来落实：一是加强对人工智能技术的运用，促使风险决策更智能。商业银行可在大数据分析的基础上，将制定的审核标准输入机器，然后将需要审批的贷款申请提交机器，让机器对若干强特征和少量弱特征数据进行分析，检索出大量的弱特征数据，建立自主评判模型，最后利用多维数据对用户的真实性和可靠性进行检验，促进模型快速迭代优化，不断提高其决策的精确度，使风险决策更加智能。二是借助数据挖掘和云计算技术，促进风险决策更高效。商业银行应构建支撑内部评级体系的信息技术平台，通过对Web页挖掘、关联分析和决策树分析等先进技术的应用，实时、动态地获取所关注的信息，再通过云计算技术对数据进行加工、整合和分析，增强数据信息的时效性，最大化地利用信息资源，并从中取得洞察风险的能力，从而更快、更好地作出风险管理决策，进而提高风控能力。
  （四）建立快速反应和超强纠错机制
   互联网背景下金融服务的开放性加剧了银行市场风险和声誉风险的管理难度，银行的流动性风险也因此更具传染性，这对商业银行危机处理能力和应急能力提出了更高要求。因此，智慧型风险管理需要在风险预警之后，对决策作出快速反应，不但要在管理方面做好信贷政策和业务流程的及时调整优化，更要在系统的开发和完善方面快速跟上。商业银行可利用云计算技术构建先进的风控模型，然后通过不断向算法“喂数据”（训练模型）的方式，提高模型的精度和适用性，从而使商业银行风险快速反应能力得到提升。另外，大数据技术本身存在着不足，不确定事件也经常出现，致使智慧型风险管理机制有时不能有效运行，因此需要建立超强纠错机制，通过对关联数据的排查，发现可能存在的漏洞或不合理之处，及时整改，保证决策的执行到位。比如，目前大数据技术无法解决数据质量参差不齐的问题，这将会直接影响商业银行经营决策的准确性与有效性，商业银行应不断改进数据挖掘技术，通过升级数据信息采集系统，自动筛选和分类数据信息，统一金融数据来源，整合底层数据，提高数据标准化程度，加大风险管理数据一致性比重，从而提升数据质量。针对影响银行风险的不确定事件，商业银行可以运用各种模型和业务规则自动扫描数据集市，强化非现场检查，从大数据中主动挖掘各类风险隐患，通过升级大数据技术，完善评价标准和作业流程，提高内部风险控制的有效性，确保银行风险管理绩效目标的实现。
  （五）健全人才培养机制
   随着大数据技术的应用，庞大的数据量、多元的数据种类、复杂的数据库关系对银行风险管理人员提出更高要求，不仅要求风险管理人员熟知银行业务领域方面的知识和技能，而且要求他们拥有完备的数据挖掘、解读和分析能力，并能将两者融合于日常工作中。因此，商业银行应建立风险防控复合型人才的培育机制，形成内部人才资源池。一方面，建立一支高水准的数据分析和模型开发团队，并不断强化团队人员的培训和考核机制，使其拥有过硬的业务能力，更好满足风险管理的要求；另一方面，培养一批独立的数据审查人员，对企业和数据服务商提供的数据和算法进行合规性检查，规范大数据在金融领域的运用，更好地实现风险管控。
  （六）完善相关法律法规
   实现智慧型风险管理，离不开合规的数据。虽然商业银行和各类机构拥有大量数据，但相当多的数据因为产权等原因无法为外界获得，同时存在数据滥用、侵犯个人隐私的现象，这都导致数据的割裂和短缺，致使大量的数据无法高效地转化为现实的经济价值和社会财富，无法有效地运用于风险管理，发挥自身的效用。因此，应完善大数据获取和共享等方面的法律法规，将大数据确认为重要的财产，并明确界定大数据产权产生、转移和终结的范围。另外，对侵害大数据财产权的相关行为，应该明确相应的裁量和处罚，做到有法可依、有法必依。只有这样才能获得高质量和高水平的数据，更好地为银行实现智慧型风险管理创造条件。