数字风控

出自 MBA智库百科(https://wiki.mbalib.com/)

　　数字风控又称“数字化风控”指金融机构利用监管科技，将数字合规工具嵌入交易行为监测、业务数据报送、风险事件报告等业务环节中，以高效满足监管要求^[1]。

　　随着金融机构持续深化科技应用，基于云架构和中台的理念，监管科技应用将借助大数据、OCR、NLP等科技手段逐步从场景化向平台化发展^[1]。

　　一是市场变化，金融体系规模持续增长，金融体系结构日益复杂；

　　二是技术变化，人工智能、大数据、互联网、分布式技术和安全技术等关键软硬件推动着金融行业的变革，金融风险传导突破时空限制，对监管科技需求持续扩大；

　　三是监管变化，当前监管更加强调穿透监管，现场检查与非现场监管的边界日益模糊。

　　因此，为了充分发挥监管科技实际应用效果，更好地识别、防范和管理金融领域的系统性风险，需要参与各方持续加大金融科技研发和应用投入，尤其在数据收集和数据分析应用两大方面，即金融机构监管数据报送全链条管理以及利用监管数据开展合规分析和管理、风险识别、风险控制和预警等业务。

• 个人业务中的反欺诈

　　关系人图谱是现代反欺诈应用场景中最重要的手段。根据团体欺诈会共享部分信息的特点，利用图挖掘发现不同用户之间的信息关联性，从而识别欺诈团体。这些关系很容易在关系人图谱中被发现。通过对风险暴露人的N层图挖掘，来筛选出有任意层数关联的疑似欺诈人员进行拦截。

• 识别企业关系图谱

　　目前银行对于影子集团、集团客户多层交叉持股、股权层层嵌套复杂关系的识别手段相对较为落后。随着企业集团化、家族化、多元化发展，单一企业通过资本运作组建成商业帝国；各类资本系内部股权不透明，隐形股东和股权代持现象频繁发生，主要股东、控股股东、实际控制人、一致行动人、最终受益人不明晰；企业与股东个人、企业与企业之间的关系与交互影响愈加复杂，单个客户信用风险的爆发有可能引发整个关联客群的风险。

　　企业、高管及关联公司构成一个复杂的关系网络，利用图计算引擎搜索国家企业信用信息公示系统，遍历集团成员及关联企业之间的股东及股权结构情况，判断是否存在交叉持股、受同一股东控制和高管任职关系，识别出隐蔽关联关系，有助于发现关联交易非关联化、关联交易利益输送等违法、违规线索。

• 企业担保圈贷款风险识别、防范

　　中小企业为了满足银行授信要求、提高其信用等级，通过关联企业、产业链上下游客户、关系人等相互担保，形成担保圈（链）乃至关系更为复杂的“担保网”。担保链中的企业普遍存在超出自身实力对外融资和担保的现象，担保链整体净资产无法覆盖银行信贷风险，容易爆发风险连锁反应。特别是在经济下行周期，当担保圈中个别企业发生经营问题和财务危机时，往往产生多米诺骨牌效应，风险很快传染整个担保圈，导致圈内企业整体陷入困境，从单个企业经营风险转到担保圈客群流动性风险，进而引发区域性风险。

　　采用知识图谱、图计算引擎为核心技术，深度图挖掘银行授信客户信贷信息，揭示出客户复杂担保网络，最终形成可视化银行担保圈风险图谱，直观、高效地识别出客户是否存在联保、互保、循环担保情况，在此基础上构建贷后违约风险预警模型，为防范、化解企业担保圈贷款风险提供条件。

　　基于担保圈风险图谱客户贷后违约风险模型，进行自动预警，提早行动，及时切断了风险传导路径，防范信贷交叉违约风险，减少了银行风险运营成本。

• 识别风险客群

　　在外部监管以及银行内部管理的要求下，银行风险管理关注的焦点从单一客户到客户群体。为了避免风险在地区、产品、行业和客户群过度集中，商业银行传统方式是采取信贷总体组合限额、授信集中度限额等风险管理方法，防范和转移种类风险。这种风险管理技术在大数据时代，存在滞后性，不能满足现代银行业的及时性需求。如何及早发现风险客群，切实防范化解突出风险，严守不发生区域性、系统性风险底线，是银行亟须解决的难题。

　　图计算和图数据库可以基于客户全网关系图谱，通过各类图路径计算来完成风险客群识别，提前主动化解风险，做到洞悉全局、防患未然。

• 洞察行业风险客群

　　基于多维数据，从行业关联的维度预测风险客群。通过建立行业知识图谱，展示每个行业及与其关联度最高的多个行业，当某一行业发生了行业风险或高风险事件，银行可以及时预测存在潜在风险的关联行业，对相关行业风险做出预判，调整贷款投放行业，及时规避风险，避免银行贷款投放到风险集中突出的领域。

• 洞察供应链金融风险客群

　　产业链价值面临收缩风险客群。供应链金融业务依赖于产业链，一旦行业处于产能过剩状态，产品最终销售将面临压力，产业链的价值无法实现会带来信用风险。对于限制性的行业或者夕阳型行业，供应链金融授信客群会具有较大的风险，通过知识图谱可以分析出受产业链影响的各个成员企业，从而识别风险客群。

　　核心企业的信用资质恶化风险客群。以核心企业为主导的供应链金融模式最为常见，银行出于对核心企业资信的认可向供应链上下游提供资金支持。此类供应链一般适用于重资产行业，核心企业对产业链上下游往往有较强的控制力度，呈现“M+1+N”运作模式，例如汽车、工程机械等。一旦核心企业信用出现问题，必然会随着供应链条扩散到上下游企业。知识图谱可以精准识别出受核心企业影响的所有授信企业，阻断风险传导途径。

• 洞察客群风险，构建风险图谱

　　一只南美洲热带雨林中的蝴蝶扇动翅膀，可以引起美国得克萨斯州的一场龙卷风，这就是自然界的“蝴蝶效应”。现实中一个小事件却能引起一连串的巨大反应。当某一授信客户发生风险时，信用风险以多大概率传导到多少授信客户？银行如何精准识别出风险客群，计量出客群风险，对于银行风险管理提出了新的挑战。

　　风险传播算法依据“近朱者赤，近墨者黑“的原理，从已知风险节点角度评估整个网络节点的风险程度。利用网络结构进行风险传播，进而提高风险节点的覆盖度。

　　图计算技术从招股说明书、年报、公司公告、券商研究报告、新闻等半结构化和非结构化数据中实时搜索借款企业的股东、子公司、供应商、客户、合作伙伴、竞争对手等信息，构建出授信客户的企业风险图谱。在某个宏观经济事件或者企业黑天鹅事件发生时，银行通过企业风险图谱做更深层次的分析和更好的风险决策。例如，深交所决定自2019年5月13日起暂停乐视网股票上市。如果银行建立起乐视网的客户供应商、合作伙伴以及竞争对手的关系图谱，就能快速地筛选出受乐视网退市影响的银行授信客群从而做出风险预判。

　　风险控制的发展趋势之一，从事后弥补向事前预测和事中管理的全面风险管理发展。企业风险图谱的全面应用,将提升风险管理效率。例如，一家银行授信企业1万户，全国工商登记企业有1.8亿户，银行通过企业风险图谱，就可以提前预判这1.8亿户企业中的任意企业或任意一组企业发生风险事件后，银行所有授信企业受风险事件传导的所有路径和风险暴露概率。

• 贷后实时监控预警

　　2009年以来，银保监会相继出台了 “三个办法，一个指引”。明确要求银行对其贷后管理给予充分的关注，且采取一系列针对性的贷后检查措施来有效防范风险的出现。2017年银监会连续开展“三三四十”， 2018年《关于进一步深化整治银行业市场乱象的通知》，2019年“巩固治乱象成果 促进合规建设”等一系列专项检查，中国银行业正处于强监管时代。

　　在大数据时代，可以利用银行结构化数据和银行外部的工商、海关、司法、环保、舆情等非结构化和半结构化海量数据，建立预警机制，特别是建立起房地产押品动态监测机制，及时发布内部预警信息，替代大量人工控制，采取有效应对措施。

　　通过风险预警图谱运用，建立授信客户实时的风险预警体系，聚焦关键环节和重点领域，做到比市场早发现，比同业早行动，实现银行全流程信用风险管控。

• 贷款资金流向监测

　　信贷资金流向始终是监管关注重点，其中，信贷资金违规进入股市、楼市等领域成为监管严查领域，监管部门要求银行监控信贷资金的真实流向。现实中授信企业违规将流动资金贷款投入固定资产建设，或将贷款资金进行权益性投资、房地产、股市、期市等高风险领域。信贷资金实际用途不真实，被挪用。银行贷款资金的连续性监测难度大，由于大部分企业资金收付结算量大，贷款资金的支付往往涉及不同客户、不同账户和不同银行，给监测工作带来很大困难。

　　建立起银行账号、银行转账金额、企业名称等数据的实体关系，就是 “资金流向知识图谱”。

　　美国证监会旗下某组织称，使用“事实型知识图谱”Palantir软件，整合了40年的记录及海量数据，在进行复杂的大数据分析之后，发现了纳斯达克前主席麦道夫（Bernie Madoff）的“庞氏骗局”。“事实型知识图谱”Palantir帮助多家银行追回了麦道夫精心隐藏起来的数十亿美元。

　　资金流向知识图谱”也可在公司治理方面发挥作用，比如通过逆向查询股本金来源，判断股本金是否以自有资金出资，资金来源真实合法性，虚假投资、循环注资、委托资金、负债资金、“明股实债”等非自有资金投资情况。

• 失联修复

　　银行在贷后管理中如果联系不上借款人，即借款人进入了所谓的“失联”状态，那么资产保全团队之前制定的催收预案大打折扣。知识图谱可以帮助银行利用图挖掘技术，挖掘出新的联系人，从而提高催收成功率。

　　综上，在“数据+模型+场景”的数字化风控模式下，图计算、图数据库在识别隐形集团关联客户、担保圈、关系分析等应用场景上，无论在算力+算法+实时计算+超深度分析方面，都有明显势优势。纵观整个大数据与AI的发展历程，可以看到这样一个清晰的脉络：从数据到大数据，从大数据到快数据，从快数据到深数据。而如何能在海量的高速变化的数据中进行深度、实时的挖掘以获取最大价值，图计算将以它算得更快、更深、更广、更准成为优选路径。

　　基于知识图谱的AI应用深入，金融领域的AI就从感知智能正式过渡到认知智能阶段。目前AI、知识图谱在银行信用风险管理领域的应用还处于起步阶段，预计未来在风险控制、产品创新、精准营销、智能客服、运营管理、内部经营管理、数据可视化等领域广泛、深入应用，赋能银行数字化转型。