中行邢桂伟:依托大数据技术构建商业银行智能风控体系
中国金融电脑 | 邢桂伟 | 2018-08-14 10:27

大数据、云计算、人工智能、区块链等新技术推动了科技与金融相互融合、相互渗透,开启了波澜壮阔的商业变革和金融创新。日益丰富的场景生态服务,改变了人们的生活方式,大幅提高了社会的生产生活效率,也深刻影响了商业模式,既为传统银行业带来了机遇,也对银行的经营管理模式和新技术应用能力提出了前所未有的挑战。

为了更好地应对未来挑战,中国银行提出了科技引领数字化发展战略,明确了银行数字化转型的目标要求,即以体验为核心、以数据为基础、以技术为驱动,在客户、场景、产品、服务转化为数字形态的基础上,用数字思维和技术手段重塑银行业务和服务流程,实现内在价值的提升。数字化银行的建设,需要发挥数据资产核心竞争力的作用,利用大数据技术开展深度挖掘与智能分析,充分发掘数据价值,以数据驱动风险决策,提升风险管理的前瞻性与专业服务能力。

一、大数据风险管控的机遇和挑战

“十三五”期间,商业银行已普遍搭建起全面支持风险管理的信息系统,既包括利用传统工作流技术贯穿贷前、贷中、贷后的全流程风险管理审批系统和集中管控额度与风险缓释的应用系统,也包括依托传统数据分析技术构建的对公及零售信用风险、市场风险、操作风险数据集市,以及支持风险评级模型管理、风险加权资产计量和评分卡部署的规则引擎和计算组件,满足了银行巴塞尔新协议实施与全面风险管理对风险识别、计量、加总和报告等各方面的需要,为银行风险管理奠定了良好的系统基础。

1.大数据时代商业银行风险管理的机遇

大数据时代,商业银行风险管理迎来了新的发展机遇。

(1)大数据技术带来分析能力提升

采用X86平台、Hadoop框架和NoSQL数据库等技术的开源分布式大数据技术体系,引入实时分布式计算框架和流计算体系,使得商业银行有条件突破传统数据分析技术在小型机处理能力及IO吞吐量等方面的性能瓶颈,具备海量吞吐、流式处理以及实时分析等技术能力,能够以相对低廉的成本开展深入挖掘和分析,将“沉睡”数据转化为有价值的信息资源,也使得商业银行有可能将风险管控数据分析对象从“样本数据”上升为“全部数据”,从而发现海量数据背后之间的关联关系和潜藏规律。

(2)大数据推动风控模式创新

大数据技术使得商业银行可突破传统风控模式,创新风险管控手段。第一,因为可被分析的数据的维度和密度将极大丰富,风险模型的可信度也将相应提升;第二,流式计算和实时分析等大数据技术的引入,将显著提升风控模型的数据时效性,并较好地支持实时反馈和对未来变化趋势的预测;第三,利用大数据和知识图谱对风险管理信息进行知识管理,可将知识转化为业务规则和模型;第四,利用大数据技术可以实现多因素、多维度数据的综合分析,降低全面风险管理的技术门槛。

2.商业银行应用大数据技术面临的挑战

虽然大数据为商业银行带来了新的发展契机,但也应该看到,商业银行应用大数据技术也将面临一些挑战:

(1)数据收集能力的挑战

大数据时代,商业银行除了收集自身传统数据,还需收集来自互联网和第三方机构等多种来源的多种格式数据,数据的丰富程度和复杂性将大大提高。商业银行在数据收集中要充分考虑低成本、低能耗、高可靠性以及数据质量要求等因素,这对商业银行的数据收集能力提出了更高的要求。

(2)大数据技能储备的挑战

大数据技术分支众多,更新换代频繁,商业银行也面临技术转型挑战,因此需开展技能培训,配备相应技术工具,建立敏捷交付流程和保障措施,才能适应技术发展和演进的速度,提升银行的快速响应能力。同时,分析师队伍建设是大数据战略实施的关键,商业银行需要建立起自己的专业化分析师队伍,持续提升大数据分析和挖掘能力,才能够为大数据风控发展提供源源不断的创新动力。

(3)大数据安全的挑战

一方面,商业银行在大数据的收集、存储、管理和使用等方面需要制定统一的、标准的指导和规范,需要根据数据敏感程度、数据脱敏与否、数据授权级别、数据的格式和内容等对大数据资产进行分类分级,采取不同的安全防护策略;另一方面,来自互联网和第三方的外部数据,在数据资产确权方面可能存在争议,同时缺乏合规、安全和规范的获取方式和手段,因而难以被银行充分利用。

二、大数据风险管控能力建设

商业银行经过长期的持续经营及信息化建设,在风险管理领域具有一定的比较优势:一是在金融领域的专业优势和经验积累;二是具备全渠道、立体化、跨地域协同的服务渠道,覆盖线上线下和境内境外;三是具有长期基于广泛金融场景的技术研发实践经验,并形成了一支专业稳定的技术队伍;四是商业银行长期稳健经营,适应严格金融监管要求,可确保连续经营稳定性和长期信用承诺;五是商业银行具有稳健可靠的品牌信用。上述优势使得商业银行具备利用大数据技术开展风险管控工作的基础,而商业银行依托大数据构建智能风控体系,仍需要着力推进以下方面的能力建设。

1.夯实数据基础,提升数据的维度和密度

商业银行传统风控主要依赖自身掌握的客户信息、金融资产和交易信息等可信度极高的数据,这类数据被称作“强数据”。而在大数据时代,银行则有条件利用“弱数据”开展风险管控,这类数据包括来自互联网及第三方机构的信用数据、消费数据和人脉关系等数据。为此,商业银行必须推进数据平台建设和企业级数据模型落地,全维度、全视角地收集全集团经营活动数据,夯实内部数据基础,同时整合行业内外、线上线下、跨界生态的各类数据,丰富数据的维度和密度。

2.构建技术平台,提升实时分析和决策能力

大数据的风险决策分析在信息完备性、时效性和真实性等方面具有优势,可使风险决策更加智能,更具主动性。商业银行应依托大数据平台构建海量数据离线处理和流式计算能力,建设数据应用云服务平台,支持可视化分析展现,具备将数据服务实时嵌入业务流程和场景应用的能力,引入机器学习、深度学习的模型和算法等人工智能技术,提升风险决策的实时性和智能化水平。

3.完善管理体系,构建“数据+决策+监控”的动态闭环

商业银行可运用风险管理知识库中的业务规则和风险模型进行风险识别,从“全体数据”而非“样本数据”中直接提炼风险特征模型,将模型应用于业务流程并开展持续的评估监控,同时在大数据“沙箱环境”训练并改进模型表现,形成动态闭环,从而推动风控体系走向健壮成熟。

4.加强业务科技融合,建立复合型人才队伍

既掌握大数据分析技术,又谙熟银行业务的复合型人才,是银行推进大数据风控体系建设最迫切需要的人才。通过多岗位定向培养、多专业培训、引进核心人才等方式,逐步建立起高水准的数据分析师和业务建模专家等专业队伍,是商业银行提升大数据风险管控能力的关键。

三、中国银行智能风控体系建设

中国银行在科技引领数字化发展战略中提出了“构建智能风控体系”的战略任务,即利用实时分析、大数据及人工智能技术,结合内外部数据,通过对客户、账户和渠道的综合分析,进行客户资金流监控、优化信用风险评价体系、识别潜在违规客户,构建覆盖实时反欺诈、智能反洗钱、信用风险、市场风险和操作风险等领域的全方位、立体化智能风控体系。

1.实时反欺诈

随着互联网的快速发展,电子银行、网络支付、网络贷款等网络金融业务为客户带来了便捷的服务与体验,但与此同时,网络金融业务发展也面临种类繁多的欺诈风险。

为有效识别、实时监控、及时处置欺诈风险,中国银行网络金融事中风控系统以建立覆盖全流程、全业务和全渠道的智能风控体系为目标,充分利用大数据、云计算、人工智能等新技术,以风险规则和模型为核心,根据数百个规则因子、37个风险特征模型和十大类机器学习算法,主动实时监控异常设备、用户、账户、操作、交易等信息,根据监控结果采取放行、拦截、增强验证、账户冻结等不同处置措施,采用“预交易采集分析,确认交易风险评估”的两阶段处理的业务流程设计,支持“实时生产、灰度测试、离线训练”三套环境协作,可持续开展模拟验证、A/B测试和灰度发布,从而不断优化模型。

该系统目前日均接入交易超过千万笔,拦截欺诈交易数万笔,避免客户损失上亿元。未来,系统还将不断拓展业务和渠道范围,实现客户风险分级管理和自适应的安全认证,以及规则、静态学习模型和机器学习模型的高效配合和应用,支持完备的案件管理、事中外呼处置和规则管理功能,全面提升智能化水平。

2.信用风险

中国银行依托风险数据集市及相关系统,支持了单一和组合层面的风险监控和预警、风险计量和报告、风险模型训练等应用功能,同时利用大数据和人工智能语义分析技术搭建了“艾达”系统,整合行内信息与外部互联网数据,通过企业画像和关联关系挖掘,为企业信用风险管理提供支撑,已累计获取553万余条互联网舆情信息,形成了18000家企业的大数据风险画像,绘制了股权、管理、担保和投融资维度的3个层次关联图谱,监测145项动态预警指标,并定制开发了5个业务场景嵌入风险管理流程环节。

在此基础上,中国银行还将探索利用人工智能技术进一步挖掘客户与客户间的隐性关系,由“面”成“体”,识别显性集团和隐性集团,绘制“担保圈”并构建“担保球”,从而发掘出多样化、深层次的关联关系,同时不断完善大数据风控预警指标体系并嵌入风险管理流程系统,开展行业景气指数等外部信息采集与分析,进一步提升信用风险主动防控水平。

3.市场风险和操作风险

中国银行已将大数据技术应用于市场风险的评估、计量和监控过程,在资金业务系统中引入网格计算技术,支撑多并发金融计算引擎,实现对复杂金融模型的高效估值计量,同时嵌入风险限额指标实时监控和检查交易,对超出限额和区间等异常情况进行风险提示和预警,实现风险管理关口前移,在风险价值测算中采用历史模拟法对银行交易账户100余种资金业务产品及市场历史数据进行模拟和回归计算,每日对二十余万笔头寸数据进行超过500次/笔的模拟运算。

在内控与操作风险数据集市和审计数据分析系统中,中国银行积累起覆盖海内外全部业务条线约200TB的海量长周期数据,依赖统计建模工具进行数据训练和分析模型构建,支持了228个内控模型和300余项审计报表及筛查脚本的自动化监控,按月生成内控及操作风险预警案例,较好地支持了内控管理和内部审计工作开展。同时,中国银行正在上述领域推进MPP数据库应用,探索构建依托大数据技术的数据沙箱,以进一步提升数据分析和建模支持能力。

4.智能反洗钱

为了更好地在全球日趋复杂和严格的反洗钱监管环境下安全合规地开展经营,中国银行积极运用大数据技术谋求反洗钱应用场景创新:

一是中国银行已搭建起涵盖客户尽职调查、可疑交易监控、制裁名单筛查等功能的全球反洗钱系统,形成了综合事中反洗钱规则检索与事后可疑交易报送的解决方案。该系统依托高效名单检索算法提升名单检索精准度,运用图形计算和神经网络技术实现客户群视图的建立和客户群中风险利益共同体的智能提示,基于可视化技术和地理信息支持图形化的洗钱模式识别和模型设置,采用构建智能索引方案、时分系统资源平衡分配、基于缓冲的数据更新架构等机制,保证了系统运行的高性能。

中国银行还在探索运用机器学习算法提高名单检索和模型命中率,基于流式计算技术提高名单检索和控制模型筛查的速度,并在构建交易链路、追踪资金流向、分析客户交易偏离度、挖掘实际受益人等多个业务场景继续深入应用大数据技术。

二是商业银行通常需要进行贸易融资交易背景调查,通过综合校验业务相关的物流、信息流、资金流信息,判断交易背景的合理性和真实性,从而识别出虚假交易背景和来路不明的资金。中国银行已在贸易融资业务的交易背景核查过程中,探索应用人工智能技术,基于非标准化单据影像、物流货船航行情况等数据,结合行内数据生成贸易融资背景核查报告,以提高交易背景调查效率和准确性,降低合规风险。

智能风控体系的建设,需要整合客户的交易行为、个人资产、身份特征画像、履约历史、行为偏好、关系网络等多个维度的数据,在业务的事前、事中、事后进行综合分析和判断,开展全方位的风险预测和管控。风险识别是智能风控的核心,数据的维度和密度是智能风控的基础,数据分析与建模能力是智能风控的关键。在上述领域,商业银行有条件依托大数据技术深耕风险管控应用场景,打造主动、立体、实时、智能的大数据风控体系,构建起数字化时代的核心竞争力。

(本文作者系中国银行信息科技部总工程师邢桂伟)

相关阅读
PC版  |  关于我们  |  联系我们
Copyright © 2011-2018 移动支付网
粤ICP备11061396号-5