经济导刊
分享:

大数据时代银行业风险管理的挑战与展望

施燕 来源: 2019.11.04 13:51:40


 

内容提要:在金融领域,大数据技术已经得到银行业的广泛使用。我国多家银行纷纷开始为进一步收集和分析大数据而建立新的平台,将传统数据仓库与大数据系统有效结合。风险管理是金融业生存发展的核心,运用大数据推动银行业风险管理转型已成为未来发展的趋势。

关键词:大数据 风险管理 数据安全

 

大数据时代已经来临,各种信息化设备和应用系统所产生的数据量的年均增速超过50%,预计到2020年全球产生的数据量将达到44ZB44x1021B),数据量的指数型增长显著改变了当今社会的竞争方式和经营方式。对于银行业来说,大数据时代的核心竞争力就是选择正确的技术,对银行拥有的海量数据进行全方位、系统化地分析与挖掘,参考有价值的结果并做出正确的商业决策,提高风险控制技术和水平,进而在竞争中保持长期优势。

大数据环境下银行业风险管理面临的挑战

大数据技术在银行业风险管理方面具有积极推动作用,在很大程度上变革了整个金融行业的业务模式,创造了新的业务价值,提供了更好的管理工具,将为银行风险管理转型提供良好的战略契机。但是,银行业在推广大数据风险管理时仍然面临着巨大的挑战。

首先,从银行风险管理的公司治理层面来看,传统的风险管理模式无法适应新形势的变化。2014年,以大数据思维为核心的互联网金融使传统商业银行受到极大冲击,商业银行由此迈入转型期。2018年,银保监会已经将银行数据治理作为董事会、高管层的职责之一,提高到公司治理层面进行风险管控。这也对银行大数据风险管理提出了新的要求。

其次,从银行大数据风险管理的有效性来看,商业银行以结构化数据为主的传统风险管理体系无法满足和适应日新月益的数据形式。同时客户群体也发生了很大变化,信用水平参差不齐,仅仅依靠分析传统的客户数据是不够的。金融机构必须过滤更多的数据来识别欺诈行为,需要寻求一个有效的方法来建立动态风险视图,在管理信用风险环节具备实时数据录入和动态信用风险评估的能力,以提高风险控制模型自身的学习能力和内部数据的实效性。

第三,从银行大数据风险管理技术来看,从国外引入的风险控制模型的适用性和实际效果并不理想。中国大多数银行的风控模型主要从国外引入,基于其本身信用风险和操作风险的复杂性,再加上信息不全等诸多因素的困扰,所引进模型的实际运行效果并不理想。目前多数国内银行开始在参考国外信用风险评估模型的基础上制作了“中国版本”。“中国版本”的风控模型也有一些突出缺点:一是中国企业信用贷款过于依赖政府授信和国有企业,这种粗放式信用风险管理在经济结构调整过程中容易出现不良贷款。二是过高的信用审核标准使得大量个人贷款申请人无法通过审核,银行无法为更多人提供服务,特别是在信用消费领域无法实现“普惠金融服务”这一目标。

第四,从银行业大数据风险管理的基本环境来看,由于大数据风控对海量数据的储存与革新优化要求较高,目前我国商业银行传统风险管理主要采用批量处理的形式,与大数据风控要求的高时效性、精确性存在差距,由此带来的信用风险也是银行面临的巨大挑战之一。

世界银行业加强大数据风险管理的现状

2008年国际金融危机之后,世界各地的金融机构越来越多地采用主动风险管理的新模式,在加强信用卡欺诈检测、金融犯罪合规、信用评分、压力测试和网络分析等领域,大数据分析技术在风险管理方面发挥着重要作用。

   美国跨国投资银行和金融服务公司摩根大通通过生成大量有关其美国客户的信用卡信息和其他交易数据,利用大数据分析技术,能够将消费者市场划分为更小的细分市场,并可在几秒钟内生成报告。

    相比于美国,欧洲仍处于大数据技术利用的早期阶段。英国Big Data Finance2015-2019)制定并开展了关于“金融研究与风险管理”的大数据创新培训网络计划,开发和实施大型复杂数据集的实证金融和新的风险管理定量和计量方法,这增强了欧洲银行和其他金融机构的风险防范能力。

在德国,德意志银行利用大数据在各个领域进行了大量投资,该行开发的最新软件系统Hadoop,主要用于大型和半结构化数据的查询和统计分析,且表现良好。欧盟议会通过的《通用数据保护条例》于2018525日正式实施,该条例适用于任何收集、传输、保留或处理涉及到欧盟所有成员国内个人信息的机构组织。

中国银行业不断创新风险管理体系

为了有效防止信用风险的发生,近年来我国多家商业银行依托大数据技术纷纷建立了内部安全机制与信用风险管理体系,不断加强对信用风险、市场风险和操作风险识别和评估技术的研发与创新。

    在防范金融风险、提高反欺诈能力等领域,工商银行2014年自主开发了风险监测大数据服务平台——电子安全智能服务平台,已经累计为150多家银行提供风险相关的大数据服务,对推动银行业加强风险防控发挥了积极作用。

中国农业银行通过运用非结构化MPPMassively Parallel Processing,大规模并行处理)和HDFSHadoop分布式文件系统)之间的融合,对整个系统运行的安全状况做出判断,从而实现了客户的统一视图、产品的统一管理以及客户的精准营销和风险管控等等。

在大数据平台的运营及监管方面,中国建设银行建立了专属“模型试验室”,基于结构化和非结构化的数据支持大数据模型的研发,全面服务于实时数据的提供交付与银行决策的制定。

为实现业务数据的集中整合,提升业务效率,中信银行信用卡中心实施了EMC Greenplum数据仓库解决方案,从而实现了近似实时的商业智能和秒级营销,银行业务运营效率得到全面提升。基于数据仓库,中信银行信用卡中心可以从交易、服务、风险、权益等多个层面分析数据,其营销团队可以对客户按照低、中、高价值进行分类,并且根据银行整体经营策略提供相应的个性化服务。

银行业风险管理变革的几点建议

    大数据背景下,银行业风险管理变革势在必行。要引入大数据思维,通过大数据技术优化风险管理中数据搜集、风险分析、模型应用、管理决策等各个环节,最终构建智慧型全面风险管理体系。为此,银行业应该重点关注如下几个方面:

    第一,强化顶层设计,打造全方位的安全保障体系

大数据风险管理作为人工智能时代的重要内容,政府部门和银行机构都应顺应时代潮流,强化顶层设计,积极应对。政府部门以现行立法为出发点,进一步完善数据权属、数据管理、关键基础设施、稳定性保障、数据安全等相关专门性法律,着力改善数据信息共享的使用环境。银行机构应制定基于大数据的风险管理战略和体系,加强风险限额管理、风险评估、风险奖惩、风险责任约束等。

第二,明确相关部门职责,保障数据信息安全

首先,监管部门要创造良好的监管环境顺应风险管理从静态数据向动态数据转化、从人为判断向模型分析转化、从零散管理向体系管理转化的趋势,加强对云端数据服务商的监管。在出台相应的数据保护机制的同时,积极开展应急处置、风险评估和安全控制的能力建设。

其次,银行要用大数据的思维和理念来构建以客户为中心的全面风险管理体系,理顺部门间的职责分工,淡化部门色彩,彻底打破以往小数据模式下形成的部门、机构、区域、产品间数据信息分隔管理以及由分支机构各自分散识别风险的做法,形成按客户集中统一管理数据信息和高效协调机制。

第三,加强数据安全防护,有效抵御数据安全威胁。

大数据平台作为维护银行业各项业务正常运营以及降低风险事件发生概率的重要工具,有效的技术支撑是保障大数据安全可靠、提升数据治理能力的关键。一是进一步加强数据安全防范技术研究,促进数据安全防范信息和修复举措的收集与共享,健全数据价值流通体系、提升数据开发利用的社会价值和科技价值。二是在数据收集、存储、使用、传输、共享及销毁等关键环节,及时共享技术清单,确保在遭受到潜在的安全威胁时具备解除风险的技术水平及能力。是银行要加强对相关部门数据安全责任人的管理,明确其数据访问权限、异常行为告警处置,制定相应的奖惩措施,加强数据安全日常运营工作,降低数据被外界干预或操纵的风险。

    第四,提高大数据风控模型技术,加强保护公民个人隐私

我国银行业要进一步加强大数据风控研究,提高风险控制模型自身的学习能力和内部数据的实效性。同时加大对个人隐私的保护力度。目前我国尚未建立相对成熟的公民隐私权保护法律体系,应当完善分散在各部门法之中的隐私权保护细则,并在现行法律法规的基础上进一步夯实其薄弱之处。

(编辑 宋斌斌)



* 施燕,中信集团监事会办公室财务监督处处长。

相关阅读

热门话题

关注医改,没有健康哪有小康

2009年启动的新一轮医疗改革,明确医改的目的是维护人民健康权益,要建立覆盖城乡居民的基本医...

查看更多

新常态下装备制造业路在何方

2015年4月22日,由中信改革发展研究基金会牵头,邀请行业内部分重点企业领导人和管理部门&...

查看更多

>

2019年09期

总期号:期

2019年07期

总期号:期

2019年06期

总期号:243期