大数据在银行风险管理中的应用

1、大数据在银行风险管理中的应用随着经济转型加速、金融市场深化体制改革的推进，以及互联网金融的强势崛起，我国银行业发展的内外部环境发生了猛烈的变化，面临多重挑战。金融脱媒和利率市场化已是大势所趋，外部宏观环境的变化使得银行的业务发展愈加困难；以电子商务为代表的互联网企业正发展得热火朝天，对传统银行业务造成强有力的冲击。在这种背景下，如何通过大数据的应用，精确定位市场机会和挖掘新的业务增长点并量化掌握风险，成为银行业实现战略转型必需要面临和考虑的问题。 数据和风险历来就是支撑银行业务持续发展的两大关键要素。数据是银行最有价值的资产之一，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

2、价值的关键。银行过去的风险管理与决策，以主观经验推断为主，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，进而提升银行整体实力，显得极为重要。海量数据快速增长和大数据技术的日益成熟使得基于大数据分析的银行业全面风险管理成为可能，构建先进的风险管理体系成为银行核心竞争力之一。 一、大数据分析技术将助力银行的风险管理 商业银行资产质量有周期波动的特点，并且与宏观经济周期具有较强正相关性。经济上行周期，信贷规模顺周期扩张形成“涨潮效应”，一旦经济进入下行周期，“落潮效应”显现，资产价格回落导致贷款质量恶化，信

3、贷风险管理难度增大。目前，我国经济处于经济减速的下行周期，行业产能过剩现象凸显，小企业经营风险较高，银行风险管理难度较大。因此利用大数据技术深化和完善风险监控体系，建立事前预警、事中掌握、事后监督的监控流程是应对系统性风险的必要举措。同时，由于交叉风险日益加剧，需要建设信息共享平台实现风险联动掌握。金融全球化不断推进的背景下，从行业来看，通过供应链关系，上下游行业之间风险传导的可能性加大。从公司来看，经营多元化、区域分散化趋势明显，风险关联关系复杂，风险联动掌握困难。因此整合日益互联互通的数据平台，基于广泛的数据获取方式，完善大容量、多类型的数据存取功能，实现准时在银行间系统共享数据是新形势下

4、风险管理的必要路径。大数据也将为银行风险管理能力的整体提升带来可能： 1、大数据将促进银行数据挖掘能力的提升 在传统数据时代，商业银行了解客户的渠道特别有限，信息量低，时效性差，又缺乏对客户信息的有效整合，银行很难对客户的风险和潜在风险识别，甚至有可能误导银行对客户风险的推断。在大数据时代，由于追求全体和在线特点，客户数据规模不断扩大，同时拥有了大量的非量化、非结构化的数据。因此，在信息高度混杂的状态下，商业银行可以运用大数据分析技术来削减信息不对称状况的发生，简化信息复杂程度，强化商业银行抵挡风险的能力。商业银行可以通过广泛收集客户各渠道、各类型的信息，从数据的深度和广度两方面对客户的各种行

5、为数据进行采集和分析，还原客户真实面貌，提升客户信息透明度。 2、大数据将推动银行风险决策模式的创新 前商业银行在进行风险决策时主要依靠具有审批权限的工作人员作出的职业推断，但是具有审批权限的工作人员作出的职业推断往往具有一定程度上的主观性，缺少客观因素的支撑，使得由于进行风险决策推断存在信息不对称状况的发生。同时由于风险决策的标准存在不全都性，直接降低了整体业务流程的效率并提高了其复杂程度。另外，我国商业银行在进行风险决策时往往依据以往的数据信息，缺乏对于实施信息数据的获取与分析，降低了信息数据的准时性以及牢靠性，这也进一步增大了我国商业银行进行风险掌握的难度。通过运用大数据技术能够对于所要

6、分析的数据的各个变量之间的数据关系进行更加深入的分析，从而确立各个变量的关联度，找寻出各个变量之间新的内在联系，进而建立起更加精确的决策分析模型，并借助决策分析模型提升我国商业银行进行风险决策时的精确性。同时，各商业银行也可借此机会，吸引更多客户，从而提升自身的获利能力。 3、大数据将促进银行风险量化管理技术的发展 当前各家商业银行进行风险管理决策的核心技术已由原来传统的风险管理决策技术过渡到风险计量技术，而风险计量技术的发展得益于统计、金融与信息技术理论的飞速发展与融合。因此商业银行应不断提升自身对于风险计量技术的运用能力，尽快摆脱原有的简洁而粗放的传统风险管理决策技术的束缚，提升自身对于风

7、险程度进行量化的能力。大数据为实现这个目标供应了全新的可能性，借助大数据技术将辅助银行建立更加精确的风险管理决策模型，强化银行对于风险程度进行量化的能力，从而做出更精确的风险应对方案。 二、大数据背景下银行风险管理如何应对信息时代的挑战 大数据时代的到来要求商业银行在提升自身的客户分析能力、营销能力从而赚取更多利润的同时，也对利用数据进行内部管理从而节省成本、降低风险提出了更高的要求。商业银行在经营过程中已经积累了大量的数据，但是这些数据被埋藏在计算机系统中，无法为经营决策供应帮助。其原因中技术的制约是一个方面，但最重要的是缺少用数据说话的理念。这一理念的差异使得中国的银行业同西方发达国家相比

8、有一定程度的落后。大数据时代的到来，应当颠覆银行传统观念和经营模式，强化“数据治行”的理念，建立分析数据的习惯，重视大数据开发利用，提升全行的质量管理、数据管理，倡导用数据说话，精确描述事实，反映规律理性，将现有数据转化为信息资源，为高层管理和决策供应强有力依据，让决策更加有的放矢，让发展更加贴近真实市场。大数据背景下银行的风险管理需通过以下几方面来应对信息时代的挑战： 1、加强数据积累，建立的统一的风险数据集市 运用大数据对商业银行风险进行管理，第一个挑战是大数据的核心问题集成与整合，数据类型、形态、来源与传统的数据形式相比是前所未有的多样化。只有有效地集成与整合来自各个渠道的各种类型的，甚

9、至异构的数据，打破传统数据化与非结构化数据间的壁垒，才能构建完整、全面的企业大数据信息视图。同时，除内生数据以外，大部分商业银行已不同程度引入了各种不同类型的外部数据，由于各部门数据使用需求的不同，许多状况下存在多头选购的状况，并且数据或不落地或存储形式不一，造成的结果就是复用率不高。与此同时，往往不同业务条线有各自不同的业务系统，条线间对风险数据主动共享考虑不足，不同部门选购的数据及其本身的业务数据独立存储，供单一部门使用，对公对私的风险数据往往也互不推送。 大数据时代的风险管理对于数据的要求，应使得外部数据与行内数据进行关联和整合，以建立面向客户的统一化存储方案。该要求需要通过建立的统一的

10、风险数据集市来解决。依据一定的模型设计，风险领域数据需根据一定的主题模型进行整合存储，融合对公对私业务条线之间的风险信息，打通条线和部门间的信息壁垒，为各类风险应用供应统一的风险信息支撑，并将数据渗透各类风险场景，掩盖贷前、贷中、贷后全流程环节的管理需求。 2、加强数据治理，提升风险数据质量 数据质量问题是各个银行共同面临的数据问题，数据质量的差异直接影响着大数据的分析结果，影响着经营决策的精确性。近年来各银行均开头启动了数据的治理工程，治理的过程特别繁复，困难重重，但是却是数据应用的基础工程。风险数据质量管理流程，需包括治理计划制定、数据质量持续评估和问题管理、数据质量被动清洗等重要环节。

11、首先，基于银行年度风险管理目标与信息系统建设需求，并充分考虑外部监管要求及行内业务及技术发展状况，应制定风险数据治理工作计划。其次，风险数据质量应持续评估并进行数据质量问题跟踪管理，主要包括数据质量规则制定、数据质量评估方案制订、数据质量评估方案执行、数据质量评估报告制定、数据质量问题收集、数据质量问题分析、整理、登记、数据质量问题状态变更等各项内容。再次，风险数据质量应被动清洗，包括被动清洗发起、被动清洗方案制订、被动清洗方案执行三项工作内容。风险数据质量主管部门负责牵头开展被动清洗工作，对存量数据进行临时性的清洗，以在短期内快速地解决存量数据的数据质量问题。最终，风险数据质量治理的效果应定

12、期予以评估，确保数据质量管理能够适时反应业务需求的发展变化，并形成评估报告，全面地、精确地、客观地反映商业银行数据质量工作的当前状况。 数据质量的提升只有被应用到日常工作中，才能体现其价值并不断保持生命力。数据的治理，是一个全员参与、长期、坚持不懈的过程，需要风险板块各业务部门及科技将其当成一项日常工作，持续不断地坚持下去，循序渐进地为银行逐步提升数据质量打下坚实的基础。 3、加强人员的技能培育，提高数据分析能力 商业银行传统的数据使用往往以固定报表和简洁查询为主，经营单位数据使用能力待提升。人才是银行将来竞争胜败的关键，只有未雨绸缪，在工作中不断积累和培育具有较高的业务理解能力、数据建模能力

13、和数据分析能力的专家，才能赢得大数据这场战斗。因此，人员技能的培育成果，和对于大数据分析工具的使用程度将打算了商业银行能否在大数据时代立于不败之地。 X市银行大数据在风险管理中的应用举例 大数据应用的前提基础是大量的数据积累，由于早期各家银行更多把数据的重点关注在账务信息上，对于客户的属性信息、行为信息等积累不足，可以做分析的内容特别有限。随着大数据思维的引入，各家银行数据仓库、风险集市的建设完成，越来越多的客户行为数据得到保留，经过一定程度的系统间整合归并，对数据质量进行清洗后，数据所呈现出的风险信息逐步“浮出水面”。X市银行自20XX年开头风险大数据课题的研究，在两年的研究过程中逐步形成一

14、些风险场景的分析，并应用于信贷的流程中，以下为X市银行在大数据风险探索中的三个案例： 1、大数据风险图谱的应用 大数据的风险图谱即通过图形展示的方式揭示客户与客户之间的关联关系。由于传统的数据呈现形式不直观，在数据体量上升后，能捕获的信息量特别有限，而通过图论等数学模型的计量，加以大数据呈现手段，将能把海量信息，通过直观的图形得以呈现，风险信息一目了然。 图1为X市银行风险图谱的真实数据举例，图中呈现的场景为违约客户之间的关联关系。绿色的方框表示已在X市银行违约的客户；红点表示正常的客户；黄色箭头展示了客户与客户之间的担保关系，担保人指向被担保人；红色箭头展示了任职关系，股东和高管指向企业；绿

15、色箭头展示了法代表人信息，法定代表人指向企业。图中不仅展示了企业与企业间，企业与个人间的投资、控股、担保及关联关系，而且通过数据模型计算出风险等级较高和传播度较高的企业，如图中紫色方框标识的客户，其本身虽然为正常客户，但其担当股东的全部客户几乎均已违约，该客户的风险等级和传播度依旧较高。从图中可以看出，该些违约企业之间存在千丝万缕的关联关系，而这些关系是很难用传统的数据呈现形式完整呈现的，通过大数据的分析和呈现形式将客户关系进行梳理，并嵌入贷前准入、贷中的缓释合格性认定和贷后的预警中，将为信贷的审批流程供应有力数据支撑。 2、信贷担保圈的识别 担保圈一般主要是指多家企业通过相互担保或连环担保而

16、形成的以担保关系为链条的特别利益体。由于担保圈涉及的债权债务及或有债权债务关系相当复杂和隐藏，其范围也在不断发生变化,具有“隐藏性、累积性、不确定性、传染性”，是银行信贷管理的痼疾，也是通过传统的数据分析方法很难识别的信息。 分析担保关系，使用了与分析社交网络方法相同的分析手段，其原因是担保圈与社交网络具有一定的相似性，因为担保圈可以被认为是社交关系中基于担保关系的一种。同时，担保关系也像社交网络一样，存在有向性和波及性的特征。分析社交网络中很重要的一点就是找到具有影响力的个体，而担保圈也是同样的道理。在分析的过程中，一般以四个方面综合评价一个个体的重要程度。包括：点中心度、中介度、亲热度、影

17、响程度，分别定义如下： 点中心度：网络图中与某一节点相关联的边的数量；中介度：经过某一节点最短路径的数量，即连接不同社群的中介程度；亲热度：某一节点与社交网络图中全部其他可达节点之间的最短路径的均值；影响程度：某一节点的“重要性分值”等于全部指向它的节点的“重要性分值”加总，影响程度高的节点也可被认为是社群的领导人。 依据该四项指标的划分担保形式有图2显示的九种： 而依据X市银行的实际业务数据，所呈现的实际担保圈和担保链形态包括简洁互保、平台型担保、担保链和复杂担保圈。担保圈和担保链的识别将被应用于信贷的贷中审查时缓释品合格性认定的阶段，尤其一旦担保网络中如有客户发生违约或存在重大信息变更，将

18、对担保网络中的其他企业进行风险提示和预警。 3、小企业违约客户风险特征的探查 小微企业客户是信贷群体中比较特别的一种，通过对公与对私客户的联动关系，并协作外部数据及客户在银行的资产负债信息能有效反映一家小微企业经营状况。 图4是X市银行小微企业违约前6个月的整体负债余额的分阶波动图，每一个分阶（每一组的a、b、c代表不同分阶）是其负债余额和其自身相比由算法自动计算的，图中的曲线代表由一个分阶跳转到另外一个分阶的客户数量，线越粗代表客户数越多，当把细线渐渐隐退后（由组1隐退成组4），留下的规律就是客户违约之前的负责波动规律，为监测和预估客户的违约状况供应数据参考。 假如再协作客户的代发工资等历史

19、行为状况参考，以及企业主外部投资状况等辅佐信息，就更加能使银行利用大数据的分析手段侧面了解客户的实际运营状况，对出现异常状况的客户准时进行监控和预警。 大数据时代风险管理的思索 随着国内经济向“新常态”的逐步转型、金融市场改革的持续深化、以及现代化信息技术的快速渗透，银行传统的信贷风险管控体系面临严峻挑战。经济增长换档回落以及经济结构深入调整带来资产质量下行压力；企业跨地域、集团化经营业态的发展，风险传导机制复杂，增加风险管理难度；银行信贷规模增长以及客户结构深刻变化，传统信贷业务模式下的信贷风险掌握方法存在较高的优化需求，基于大数据新型信息化风险监控模式成为大势所趋。因此通过大数据技术实现跨

20、平台、跨业务条线、跨区域的数据整合和风险信息挖掘，建立新型风险监控体系具有重要的战略意义。 大数据的风险管理需要有开放的思维。商业银行在进行风险预估时，需要综合考量政策、人为的操作风险、市场环境等等众多因素，但现有的技术水平难以支撑挖掘大数据的商业价值。因此，商业银行需要具备一种像互联网一样的开放式思维，建立分析数据的习惯，重视“大数据”开发利用，关注与风险预估高度相关的大数据信息，如客户的基础信息（如客户开立账户时留存的住址、年龄、从事行业、性别等等）、客户交易信息（如客户在ATM机上的存取款状况、使用银行卡、购买理财、使用其他业务的记录等等）、外部的信息（从互联网、电信运营商、证券交易所等处挖掘来的有关信息） 等