专题资料（2021-2022年）大数据与风险管理.doc

大数据与风险管理
数据和风险历来就是银行的两大要素。数据是银行最有价值的资产，银行本身从事的是有风险的业务，如何依靠数据，量化风险，是发挥数据价值的关键。银行过去的风险管理与决策，以主观经验判断为主，辅以数据支撑，导致银行风险管理水平较低。而在当前宏观经济调整、利率市场化、外部竞争加剧的大环境中，如何依靠数据，量化风险，提高管理决策水平，进而提升银行竞争力，显得极为重要。本文在大数据不断升温的背景下，就大数据的有效性以及大数据在银行风险管理的应用等相关问题进行分析研究，希望能对有效大数据的建立以及大数据在银行风险管理方面的运用起到一定的借鉴意义。
大数据的有效性
运用大数据对银行风险进行管理，第一步是建立一个安全有效的大数据。大数据服务于银行业务，故有效大数据推进过程中的数据、技术、成本选择方面应于银行业务相融合。在数据选择方面，充分挖掘银行内部沉睡数据（工资代发、年金、基金托管、公司账户等）的同时，注重互联网站、社交媒体、电商等新型数据来源，建立一个覆盖结构化、半结构化、非结构化的360维度的数据库；在技术决策方面，规避选择错误、过于滞后或者超前的风险，大数据是未来总体趋势，然而是分阶段推进的，当前尚处于初级水平。银行切勿急功近利，抱有太高期望，选择不切合实际的软硬件，所有这些都会对银行的发展带来不利影响；在成本投入方面，应综合评估开发管理维护成本，要注重考量银行业务人员使用的难易度。总之一个安全有效的大数据要基于对银行业务的融合，同时要防止数据泄露，保护客户隐私，这是大数据在风险管理应用的前提。
大数据推动风险管理
本文所论述的大数据在风险管理的运用，是银行业务方面，特指信用风险，包括信贷、抵押、信用卡等，而非内部控制风险，也不是银行的操作市场流动性风险。
在信贷领域，由于信息的不对称，将产生道德风险，致使银行遭受损失。银行对客户信息的获取大多源于客户申请贷款所填表格以及银行与客户面对面的交流，信息来源的广度和真实性可见一斑。通过大数据的运用，银行整合更多外部数据，以拓展对客户的了解，降低信用风险。数据收集包括（1）客户在社交媒体上的行为数据（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的数据可以获得更为完整的客户拼图，从而进行更为精准的风险管理（2）客户在电商网站的交易数据，建设银行则将自己的电子商务平台和信贷业务结合起来（3）企业客户的产业链上下游数据。如果银行掌握了企业所在的产业链上下游的数据，可以更好掌握企业的外部环境发展情况，从而可以预测企业未来的状况（4）其他有利于扩展银行对客户兴趣爱好的数据，如网络广告界目前正在兴起的DMP数据平台的互联网用户行为数据。借鉴国外大数据在银行信贷的实践：美国一家名为SCOR的金融信息公司抓取并分析客户的社交网站数据，为银行提供更为准确的信用评估结果，降低银行的信用风险和成本SCOR公司收到银行客户的信用评估申请后，经客户同意，将调取其在facebook、twitter等社交媒体的数据，分析客户的行为特点，兴趣爱好，甚至会根据该客户朋友圈特性来对客户信用风险来进行评估。社交数据真实反映客户行为，能帮助银行更准确地判断客户的违约风险，最终降低银行的信用风险。
大数据促进信贷转型降低银行信用风险。新预算法的通过，地方债务的发行，地方投融资平台以及PPP模式，银行建立基于地方政府的大数据平台，在政府信用的保证下，降低信贷风险。对于贷款需求额度小，无抵押品的小微企业，充分利用大数据的数据挖掘技术，获取企业纳税凭证、交易结算、信用记录等数据，在进一步分析的基础上推出适合企业的信贷产品。国内目前，光大银行推出大数据在信贷方面的实践。围绕着风险管理，光大银行全面打造“风险预警平台”，该平台利用互联网大数据挖掘技术、文本数据分析技术以及风险欺诈数据挖掘模型技术，将网络舆情、监管信息与企业账务流水、财务报表数据进行关联分析，通过事件驱动覆盖客户信用风险、账户风险、财务风险、关联风险、声誉风险、经营风险等风险事前预警。在单一客户预警的基础上，还深度挖掘企业与关联企业、企业与关联个人、个人与关联个人之间的关系，使认定的风险预警信号得以传导给与客户相关联的其他客户，更为高效的发现风险，为银行贷后风险管理构建起一道强有力的大数据信息屏障。
透支额度是信用卡风险管理的重要方面。银行通过运用大数据，结合实时、历史数据进行全局分析，每天评估客户的行为，并对客户风险等级进行动态调整，实现对客户授信的精细化管理。银行信用卡中心借助大数据分析技术每天评估客户的行为，并对客户的信用额度随时进行调整。大数据将帮助金融和银行卡产业提升事后、事中、事前的风险管理和防控能力，减少甚至消除损失机会。
本文也整合了大数据在国内银行风险管理方面的实例：民生银行将数据挖掘技术应用于高端客户流失风险预测研究中，利用逻辑回归与决策树分类技术构建了客户流失预测模型以预测客户流失的可能性，将客户按照流失可能性的从高到低进行排序，从而帮助客户经理把握流失挽回工作的轻重缓急程度。此外，民生银行还按流失客户的分布情况进行多类别细分， 对潜在流失客户制订适当的挽留策略，最终将数据挖掘结果应用于其管理信息体系中。
针对银行信用卡业务无抵押、风险性较其它信贷业务高的特点，广东发展银行采用数据挖掘与分析技术加强风险控制机制。广东发展银行引入申请计分机制，根据客户资料信息，建立数据挖掘模型对信用卡新申请客户或已有客户进行信用评分，根据信用评分结果可以初步对客户信用分析进行评估，识别客户是优质客户还是高风险客户。最终减少了审批人手压力和审核时间，提升了批核新卡的效率。此外，广东发展银行还引入行为计分机制，对每个客户的行为、消费模式和还款数据进行跟踪和监控，根据建立的数据挖掘模型结果，对客户信贷额度进行智能调整，同时还能寻找到高增值客户，对这类客户推广相应的新产品和服务。
招商银行采用SAS 的Enterprise Miner 模块建立个人贷款评分卡模型。在建立模型过程中，建立了统一的评分卡监测报表，并根据评分卡使用情况对评分卡模型进行相应调整，从而实现综合评价客户信用风险。
为实现业务数据的集中整合，提升业务效率，中信银行引入Greenplum 数据仓库解决方案，建立数据库营销平台。结合实时、历史数据，中信银行进行全局数据挖掘分析，建立统一的客户视图，更有针对性地开展营销活动。根据建立的数据挖掘模型，风险管理部门每天评估客户的行为，并对客户的信用额度在同一天进行调整，从而减少了信用卡不良贷款比率。