证券行业风险管理智能化转型路径探索编者语：金融的核心和前提在于风险管理，伴随着证券行业从电子化、互联网金融到智能化的金融科技演进历程，传统风控也逐步衍生出更多科技化、数据化的模块和应用，机器学习、知识图谱、区块链等众多前沿金融科技手段也开始渗透到风险管理领域，逐步成为金融科技领域最主要的应用场景之一。近年来，频繁出台的行业监管政策更是对金融机构的风险管理能力形成严峻考验，布局智能风险管理技术体系几乎成为金融机构的“标配”。敬请阅读。一、智能风控的涵义最初，业界普遍将“智能风控”定义为“大数据风控”，而如今随着金融科技发展的进一步深化，“智能风控”已不局限于大数据技术的应用。广义的智能风控是将生物识别、大数据、云计算、区块链等手段融入风险管理全链条，打造整体智能风险管理体系，实现风险的精益化管理。智能风控通过融合金融科技手段，突破了传统风险管理模式在效率与空间上的局限性，其与传统风控的差异具体体现在如表1所示几个方面。表1：传统风控与智能风控差异对比数据方面，区别于传统风控，智能风控不仅可以处理结构化标准数据，还可通过自然语言处理、语音识别、图计算、生物特征识别等技术完成非结构化、多模态数据的处理与应用，突破传统风控信息不足的瓶颈，提高可用数据的广度与深度，最大化地挖掘海量数据的隐藏价值。技术方面，智能风控嵌入多元技术手段、措施和方法，达到风险管理流程的事前、事中、事后全链条自动化，完善业务流程、降低风控成本的同时，化业务驱动为数据驱动，化被动管理为主动管理。二、国内外证券行业智能风控发展现状国外投资银行起步较早，基础相对扎实，对数字化的探索已进入比较领先的阶段，而其金融科技手段的应用场景聚焦在智能投资顾问领域，由于市场、监管环境的差异，国外存在的诸如对隐私保护、对数据安全的限制等因素一定程度上制约了其智能风险管理的发展。在智能风控领域，国内拥有更多的实践，尤其是智能风控在消费金融风险管理的应用，已经走在美国乃至世界的前列。近年来，券商对于智能风险管理体系的建设需求愈加迫切，市场集中度也逐渐提升。目前，大多券商建设的风险管理信息系统，具备了风险计量与监控、市场资讯获取、风险展示、报表生成等功能，且其对业务的覆盖面越来越广；部分头部券商已建立了风险管理领导驾驶舱，其风险管理领导驾驶舱的各类展示内容专注于全面风险管理工作需求，指标数据界面简洁清晰，利于快速获取机构总体风险状况分析情况。而驾驶舱等数据展示类项目对公司数据治理及公司层面整体数据运营机制高度依赖，在系统建设及上线运行过程中外围系统数据源对驾驶舱系统能否正常提供服务具有“牵一发而动全身”的影响作用。在此基础上，部分券商对知识图谱、自然语言处理、生物识别等前沿技术进行了进一步探索应用。中泰证券基于大知识图谱、自然语言处理、深度学习等技术，结合商业智能等理论方法，探索包括风险管理领导驾驶舱、系统性风险预警系统等在内的智能风险管理体系，总体框架如图1所示。海通证券的智慧运维平台，应用语音识别、自然语言处理、生物识别、智能调度算法等关键技术，实现了“智能监控、智能审核、智能分析、智能操作”的核心目标。图1：中泰证券风险管理驾驶舱逻辑框架三、风险管理智能化转型痛点分析然而证券行业风控系统离真正意义的“智能”尚存不小的差距，大部分风险管理系统仍是基于条件筛选、规则设计实现风险的半自动化预警，脱离不开人的经验判断，且行业没有统一的标准，不乏有夸大的现象。就前期调研结果来看，证券行业智能风险管理应用的挑战和困难可归结于以下几点：数据、系统、机制、场景，而这四点也恰恰是其智能化转型的核心竞争力，具体见图2。图2：券商智能风险管理发展痛点（一）数据目前证券行业已具备一定的数据规模，但其在数据获取的广度，利用的深度，整合的程度等方面仍有提升空间。其一，数据碎片化严重，“数据孤岛”现象凸显。大多券商受系统外购、部门系统自建等原因，“数据孤岛”问题严重，部分系统连通性不足，导致数据碎片化，对于从中提取有价值的信息难度较大，影响风控效率和质量。其二，内部数据有限，外部数据可用性较差。券商由于业务有限，数据体量不够，信息维度不全，仍需借助于外部数据弥补自有数据的不足。再者，数据价值挖掘不充分，数据分析浮于表层，浅尝辄止，未对数据进行深入挖掘，数据价值尚未得到充分利用。（二）场景风控系统全面自动化尚未实现，人工依赖较大，金融科技渗透率还不高，应用场景有待进一步挖掘。目前券商管理中有较多可自动化环节仍依赖人工进行处理，诸多环节均存在重复性较高的手工劳作，不但加大了出错的概率，在执行效率上也深受影响，且员工的精力大多被浪费在低附加值的劳动中，不利于整体的管理和发展。通过技术的赋能，员工的工作结构也可由原先的以基础核算工作为主转变为以决策为主，大大提升风控效率（如下图3所示）。图3：科技赋能下的员工工作结构转变（三）机制智能风控不单单是科技层面的转型，更需要有配套的机制加以保障，才能更顺利地推动转型。目前券商部分机制尚未健全，导致执行力欠足，影响内部的管理效率，如总体战略及其详细的战略拆解不够明晰，战略落地执行力不足等等。再者，金融科技已突破原有监管框架的约束，不具备适用性。另外，金融科技依赖人才配置，差异化和精细化风控带来的人才需求激增。（四）开放目前，大多券商在信息整合力、共享力上稍显不足，资源价值尚未得到最大程度的发挥。在生态方面，券商普遍尚未实施清晰和前瞻的布局，与外部的合作较为局限。而反观国外领先实践，其在信息共享和生态合作领域的作为可圈可点。高盛通过与谷歌的合作，获取并积累了大量数据资产，为未来产品的开发，服务的优化等奠定了基础。通过与谷歌的合作，高盛可以说是毫不费力地与大量优质客户建立了联系，更获取了丰富的数据和算法测试对象，为提升风控效率奠定了基础。而在未来，随着数据保护趋严，获取数据的难度和成本加大，通过生态化的合作方式共享数据将成为行业主流。对于大多券商而言，无论是内部信息共享还是外部生态合作，与当前领先实践均存在一定差距，需在提升资源共享力的同时，着眼前瞻的生态化布局，通过合作共赢的方式提升信息洞察力。四、证券行业风控智能化转型路径探索立足证券行业智能风控痛点，结合国内外领先实践的亮点举措，建议券商打造以“IT支撑”为基石，以“底层数据集市”+“上层智能应用”为驱动，以场景化生态、高效运转机制为抓手的全方位转型体系。（一）以“IT支撑”为基础，重塑、优化全面风险管理系统工具信息系统是基础，大多证券公司已构建了包括全面风险管理、集中监控、舆情分析预警等在内的多套成熟、高效的风险管理信息系统，各系统基于自身架构、功能特点满足了对不同风险类型、不同业务风险管理方面的计量、预警、分析、展示等个性化需求，各系统各具所长、互为补充，对全面风险管理工作的高效开展起到关键的支撑保障作用。智能风险管理则需要在现有全面风险管理系统功能框架基础上进行分期功能扩展、改造，实现对各风险管理系统数据及主要风险数据的全覆盖；融合前沿技术手段实现数据的系统化采集与处理；优化各类风险处理流程，大幅缩减人工参与环节；通过算法植入、功能接入等方式进一步完善事件图谱关联分析、舆情分析等AI特性，形成集数据采集、展示、分析、预警、跟踪等功能为一体的整体风险智能分析、预警平台。（二）“底层数据集市”+“上层智能应用”双轮驱动，推动“业务数字化”向“数字业务化”加速转型1、应用先行，倒逼券商加速数字化转型不同于国外“先数据，后应用”的金融科技发展逻辑，国内互联网金融的快速发展带动了智能风控的广泛应用，尤其在消费金融领域，我国智能风控应用场景更为丰富，走在世界前列。在此背景下，券商的智能风控发展“应用先行”，聚焦在对丰富的场景应用的探索。而智能风险管理本质是数据驱动的风险管理决策，其发展对券商薄弱的数据治理带来挑战，倒逼券商将重心转移到提升数据管理水平上。券商可结合创新工具方法的应用，深刻剖析管理支持类流程本质，以风险识别、分析、监测、报告、处置等风险管理基本工作步骤编制风险管理流程框架，深入推进流程梳理优化工作。2、合作共享，构建风险管理“数字、智能生态圈”相对于互金企业或科技公司，证券行业在金融科技研发与应用方面，无论是基础数据、技术还是人才都没有可比优势。数据质量决定了智能风控的准确性与及时性。对证券公司来说，智能风险管理的关键除了风控模型及算法，还需要公司内部小数据和外部大数据的有机结合。因此，智能风险管理的发展不仅需要证券公司自身的努力，还需要行业、政府联合推动数据、信息的共享，打造全面风险管理“数字、智能生态圈”，为智能风控发展提供强有力的数据支撑。3、深入场景,促进金融科技全方位融合技术融合是风险管理智能化转型的必经之路,在技术的延伸过程中，各项技术在风控场景下的应用各有不同和侧重，唯有多项技术融合方能使智能风控更成熟与完善。如探索利用物联网技术采集线下数据，增加可用数据维度；采用深度学习等模型进行风险分类及预警等；通过区块链实现多方数据共享平台，大幅降低数据获取成本；利用声纹识别、虹膜识别、OCR等技术完成自动化审批，降低操作风险。此外，知识图谱、生物特征识别、图计算等众多前沿技术的应用值得进一步探索。4、建章立制，完善“系统协作”保障机制风险管理智能化转型是一个持续的系统性工程，需要在决策、管理、协作和执行等方面建立稳定的机制，保障转型工作的有序可控。具体来看，为保障智能化转型的顺利实施，需健全管理协作、议事决策、跟踪推进以及评估优化等机制。其中，管理与协作机制的建立主要为了保障风险管理智能化转型过程中各项工作的协调承接，以及各项资源的管理调用。议事和决策机制的建立主要为了规范风险管理智能化转型过程中遇到各类问题时的决策方式，最大程度地实现高质量、高效率的决策。跟踪和推进机制的建立主要为了保障风险管理智能化转型的实施进度，衡量转型实际情况与计划情况的差距，从整体层面对风险管理智能化转型进度进行跟踪和推进。评估和优化机制的建立主要为了对整体风险管理智能化建设水平进行合理评估，以此反映出转型效果，便于公司进行调整。