大数据创新引领风险管理

　　建立风险模型大数据实验平台

　　构建大数据金融计量模型，必须要有足够的数据积累和适合的开发平台。2009年中国建设银行开创性构建风险模型实验室，并在同业中率先投入使用，是当时国内同业唯一的模型实验室平台。风险模型实验室作为支持大数据应用及风险模型管理的基础技术平台，规范了数据挖掘及信用风险模型开发和验证过程，提高了大数据应用及模型研发效率，支持了从设计、开发、验证、监测的模型全生命周期管理。主要实现了以下功能。

　　1.提供了技术平台。通过搭载SAS EG、SAS EM等软件，其封装了最成熟的数据挖掘方法：回归、聚类、决策树、神经网络等。无需编写代码或简单的代码即可实现便利的日常大数据分析，为业务政策制订、风险预警、客户营销等活动提供了有效支持。

　　2.提供了数据平台。模型实验室依托风险数据集市，接入了包括客户信息、对公信贷、个贷、信用卡等1100余张表共14000多个字段，累积数据超过110T。作为企业级数据仓库实验数据区的一部分，如发现仍有部分数据未纳入，可便捷地从企业级数据仓库中扩展补充。

　　3.实现了知识积累。模型实验室运行8年多以来，已开发风险模型约150个，积累了大量知识和经验，并形成了知识库，将高度总结的知识和经验按照卡片式积累，按照统一规范、命名规则存储了原始数据、中间数据以及各类文档，便于后续人员查询、学习。

　　4.实现了数据和信息的安全控制。模型实验室实现了建模平台的“远程开发、集中管理”，实现数据表和文档的精细化、“按需定制”的访问权限控制。

　　模型实验室（如图所示）有力支撑了当前风险计量模型的研发和管理，为未来全行各类大数据模型的设计、开发、验证及其他人工智能模型提供了可靠的操作平台和管理手段。

　　风险模型实验室

　　“大数据驱动的发动机”——中央风险计量引擎

　　中央风险计量引擎（如图所示）以模型为气缸，以数据为燃料，持续为建设银行的风险计量输出动力。中国建设银行在国内大型银行中率先实现了信用风险评级、评分、风险指标计算器等模型的集中统一部署。中央风险计量引擎覆盖全行约14万非零售客户、5900万零售客户，目前已经部署近百个风险计量模型，提供40支联机服务，日均支持信用卡申请评分30多万笔、个贷申请评分12000多笔、各类风险计量器10多万笔、对公评级1000多笔及小微企业申请评分1000多笔。基于大数据风险计量模型和自动审批策略，信用卡发卡自动审批率达到80%，零售贷款业务44%实现自动审批，小微企业业务可实现网上1分钟自助办理。该引擎支撑起了建设银行领先、高效、精准的信用风险管理和信贷政策体系，实现风险边界的准确识别，贯穿信贷业务全流程，全面贯彻企业级风险管理理念，支持资本管理高级方法全面推进实施。

　　中央风险计量引擎

　　基于大数据的组合风险预警机制

　　组合风险预警是通过对客户的各类数据（包括财务数据、行为数据和外部数据）的整合、关联，利用大数据挖掘和分析技术，实现对客户财务数据、信贷合同信息、账户资金往来、企业高管个人行为、外部工商、司法、税务、征信等数据的全面扫描和联动分析。对客户风险事件进行提前预警，提升建行抗风险能力，及时避免和挽回可能发生的损失，该方法具有以下几个特点。

　　1.前瞻性和适用性。“上工治未病,不治已病,此之谓也”，组合风险预警通过对全行客户进行定期扫描，定位了那些预计可能会存在严重或较大风险隐患的客户，从而为风险应对提供了时间和空间，避免了风险暴露后被动处置的局面。

　　2.高效、省时省力。组合风险预警基于最底层的客户信息、账户信息，与自下而上、人工排查的信息基础是一致的。所不同的是采用了数据挖掘的方式，由总行发起，自上而下，不需要分支机构人员介入、不增加一线员工工作量。总行完成全行扫描后，将预警名单交给分行作进一步分析和排查，提高了效率，也降低了分行层层上报过程中因主、客观因素造成疏漏、误判的可能性。

　　3.标准化、全面性和灵活性。组合预警与基于专家经验判断的预警区别在于标准化和定量化，预警结果还可以与专家判断信息交互印证。组合预警实现了对公和零售风险信息、账务和业务管理信息、内部和外部信息等一直以来相互隔离的信息碎片的联接和整合，发现其间的关系与规律，还可根据现实风险形势，开展各种维度的定制分析，灵活性强，预警事项准确性不断提高，为“精确打击”分行客户风险提供了导航（如图所示）。

　　组合风险预警

　　多维度预警客户名单及预警事项在各分行中应用效果良好，目前一级、二级预警客户一年后不良下迁率分别达到40%和20%，为总、分行实施积极主动的风险管理、稳定资产质量提供有力支持，发挥了“晴雨表”的天气预报功能。

　　基于神经网络的深度学习模型，助力企业级交易反欺诈

　　新一代企业级反欺诈系统以国际一流为标杆，在业内率先搭建了覆盖侦测策略、交易预警、事件调查等全流程企业级反欺诈管理平台，具有“速度更快、策略更准、范围更广”的优势。通过研发先进的神经网络深度机器学习模型，综合分析卡片历史交易行为等特征，通过机器学习的深度探索，将机器学习算法与客户行为结合，构建行为模型，提高风险感知能力，侦测已知和未知的欺诈行为，实现智能风险监测。该系统每月对全行信用卡近4亿笔、借记卡近9亿笔金融类交易进行风险过滤，扫描不留死角。

　　将研发的神经网络模型部署在反欺诈交易事中实时侦测中，通过对每一笔交易的实时评分，评分结果结合侦测规则组合预警，达到了如下目标：

　　速度更“快”。首次实现全渠道可疑欺诈交易完成前的实时侦测拦截，变事后防范为事中拦截，前移防线。

　　策略更“准”。研发先进的神经网络机器学习评分模型，通过欺诈卡片历史交易特征、余额查询非金融交易等组合交易特征分析，精准预警。

　　范围更“广”。对每月近4亿笔全部信用卡金融类交易进行风险过滤，扫描不留死角。

　　操作更“简”。实现在统一平台内冻卡、换卡、短信等一键快速管控作业，解决了多平台、跨系统的繁琐操作。

　　截至2017年10月末，信用卡中心本年累计堵截交易欺诈事件1.63万起，防范欺诈金额4亿余元，建设银行信用卡交易风险管理水平持续保持同业领先。欺诈拦截数量持续提升，每月拦截欺诈金额1200万元，欺诈发生金额同比减少30%；运营效能持续提升，每月人均防范欺诈损失超过百万元，同比提升10%。该平台持续提升了交易欺诈风险管理平台化、数据化、智能化水平。

　　精准高效的“智能化”大数据市场风险计量引擎

　　市场风险计量引擎以约6千万个风险因子为依托，同时通过智能化的指标分割计算、自动调度次序，完成每日批量1亿次的海量运算。实现了监管口径下所有交易产品VaR值、现值、久期等指标的准确计量，具备根据前端报表配置自动生成情景，调用估值生成原始报表的全流程、自动化处理能力。同时根据业务需要，支持用户进行自定义风险测算，满足个性化的计量需求。该引擎具有以下几个特点。

　　1.先进性。中国建设银行是国内第二家实现市场风险计量引擎自主研发的商业银行，计量功能的完备程度及计量结果的准确性达到国内领先水平。首先运算能力强。支持每日对近6万笔头寸进行超过1亿次的系统估值。其次准确性高。根据实际交易优化计量模型，提升计量结果的准确性。如针对利率掉期交易的合约信息，对估值模型的残段规则进行调整，计量结果的准确性进一步提高。第三计量范围广、指标全。计量范围覆盖全行监管口径下外汇类、利率类、商品类等全部产品类别，可以实现VaR、ES、久期、Greeks等40余个风险指标的计量。

　　2.前瞻性。在满足现行监管规定的基础上，计量引擎自主研发过程中充分考虑国际监管机构对于市场风险的最新监管规定（FRTB），有针对性地开发了预期损失（EL）、基于风险因子的损益归因等相应功能模块以满足新的监管要求，为2019年新的市场风险资本计量标准法、内部模型法计量准则的实施提供系统支持。

　　3.时效性。计量引擎解除了外购系统在上传市场数据方面的时间窗口限制，在满足市场风险需要T+1完成计量和监控报告的前提下，将日常管理报表的产出时间进一步提前，提升了市场风险管理的时效性。

　　4.安全性。市场风险计量引擎彻底改变了我行长期依赖外购系统的现状，解决了交易数据传入境外软件供应商服务器可能造成的数据安全隐患，数据安全性大幅提高。

　　5.共享性。市场风险计量引擎依托新一代企业级的系统架构，与新一代金融市场、估值引擎等组件有机交互。作为企业级的风险引擎，支持多用户对系统的调用，未来随着新一代系统海外推广的不断深入可实现风险引擎在全行范围内的共享。

免责声明：

本文来自源互联网，仅供阅读，如有侵犯了您的权益请立即与我们联系！我们将及时删除。