數字風控

出自 MBA智库百科(https://wiki.mbalib.com/)

　　數字風控又稱“數字化風控”指金融機構利用監管科技，將數字合規工具嵌入交易行為監測、業務數據報送、風險事件報告等業務環節中，以高效滿足監管要求^[1]。

　　隨著金融機構持續深化科技應用，基於雲架構和中台的理念，監管科技應用將藉助大數據、OCR、NLP等科技手段逐步從場景化向平臺化發展^[1]。

　　一是市場變化，金融體系規模持續增長，金融體繫結構日益複雜；

　　二是技術變化，人工智慧、大數據、互聯網、分散式技術和安全技術等關鍵軟硬體推動著金融行業的變革，金融風險傳導突破時空限制，對監管科技需求持續擴大；

　　三是監管變化，當前監管更加強調穿透監管，現場檢查與非現場監管的邊界日益模糊。

　　因此，為了充分發揮監管科技實際應用效果，更好地識別、防範和管理金融領域的系統性風險，需要參與各方持續加大金融科技研發和應用投入，尤其在數據收集和數據分析應用兩大方面，即金融機構監管數據報送全鏈條管理以及利用監管數據開展合規分析和管理、風險識別、風險控制和預警等業務。

• 個人業務中的反欺詐

　　關係人圖譜是現代反欺詐應用場景中最重要的手段。根據團體欺詐會共用部分信息的特點，利用圖挖掘發現不同用戶之間的信息關聯性，從而識別欺詐團體。這些關係很容易在關係人圖譜中被髮現。通過對風險暴露人的N層圖挖掘，來篩選出有任意層數關聯的疑似欺詐人員進行攔截。

• 識別企業關係圖譜

　　目前銀行對於影子集團、集團客戶多層交叉持股、股權層層嵌套複雜關係的識別手段相對較為落後。隨著企業集團化、家族化、多元化發展，單一企業通過資本運作組建成商業帝國；各類資本系內部股權不透明，隱形股東和股權代持現象頻繁發生，主要股東、控股股東、實際控制人、一致行動人、最終受益人不明晰；企業與股東個人、企業與企業之間的關係與交互影響愈加複雜，單個客戶信用風險的爆發有可能引發整個關聯客群的風險。

　　企業、高管及關聯公司構成一個複雜的關係網路，利用圖計算引擎搜索國家企業信用信息公示系統，遍歷集團成員及關聯企業之間的股東及股權結構情況，判斷是否存在交叉持股、受同一股東控制和高管任職關係，識別出隱蔽關聯關係，有助於發現關聯交易非關聯化、關聯交易利益輸送等違法、違規線索。

• 企業擔保圈貸款風險識別、防範

　　中小企業為了滿足銀行授信要求、提高其信用等級，通過關聯企業、產業鏈上下游客戶、關係人等相互擔保，形成擔保圈（鏈）乃至關係更為複雜的“擔保網”。擔保鏈中的企業普遍存在超出自身實力對外融資和擔保的現象，擔保鏈整體凈資產無法覆蓋銀行信貸風險，容易爆發風險連鎖反應。特別是在經濟下行周期，當擔保圈中個別企業發生經營問題和財務危機時，往往產生多米諾骨牌效應，風險很快傳染整個擔保圈，導致圈內企業整體陷入困境，從單個企業經營風險轉到擔保圈客群流動性風險，進而引發區域性風險。

　　採用知識圖譜、圖計算引擎為核心技術，深度圖挖掘銀行授信客戶信貸信息，揭示出客戶複雜擔保網路，最終形成可視化銀行擔保圈風險圖譜，直觀、高效地識別出客戶是否存在聯保、互保、迴圈擔保情況，在此基礎上構建貸後違約風險預警模型，為防範、化解企業擔保圈貸款風險提供條件。

　　基於擔保圈風險圖譜客戶貸後違約風險模型，進行自動預警，提早行動，及時切斷了風險傳導路徑，防範信貸交叉違約風險，減少了銀行風險運營成本。

• 識別風險客群

　　在外部監管以及銀行內部管理的要求下，銀行風險管理關註的焦點從單一客戶到客戶群體。為了避免風險在地區、產品、行業和客戶群過度集中，商業銀行傳統方式是採取信貸總體組合限額、授信集中度限額等風險管理方法，防範和轉移種類風險。這種風險管理技術在大數據時代，存在滯後性，不能滿足現代銀行業的及時性需求。如何及早發現風險客群，切實防範化解突出風險，嚴守不發生區域性、系統性風險底線，是銀行亟須解決的難題。

　　圖計算和圖資料庫可以基於客戶全網關係圖譜，通過各類圖路徑計算來完成風險客群識別，提前主動化解風險，做到洞悉全局、防患未然。

• 洞察行業風險客群

　　基於多維數據，從行業關聯的維度預測風險客群。通過建立行業知識圖譜，展示每個行業及與其關聯度最高的多個行業，當某一行業發生了行業風險或高風險事件，銀行可以及時預測存在潛在風險的關聯行業，對相關行業風險做出預判，調整貸款投放行業，及時規避風險，避免銀行貸款投放到風險集中突出的領域。

• 洞察供應鏈金融風險客群

　　產業鏈價值面臨收縮風險客群。供應鏈金融業務依賴於產業鏈，一旦行業處於產能過剩狀態，產品最終銷售將面臨壓力，產業鏈的價值無法實現會帶來信用風險。對於限制性的行業或者夕陽型行業，供應鏈金融授信客群會具有較大的風險，通過知識圖譜可以分析出受產業鏈影響的各個成員企業，從而識別風險客群。

　　核心企業的信用資質惡化風險客群。以核心企業為主導的供應鏈金融模式最為常見，銀行出於對核心企業資信的認可向供應鏈上下游提供資金支持。此類供應鏈一般適用於重資產行業，核心企業對產業鏈上下游往往有較強的控制力度，呈現“M+1+N”運作模式，例如汽車、工程機械等。一旦核心企業信用出現問題，必然會隨著供應鏈條擴散到上下游企業。知識圖譜可以精準識別出受核心企業影響的所有授信企業，阻斷風險傳導途徑。

• 洞察客群風險，構建風險圖譜

　　一隻南美洲熱帶雨林中的蝴蝶扇動翅膀，可以引起美國得克薩斯州的一場龍卷風，這就是自然界的“蝴蝶效應”。現實中一個小事件卻能引起一連串的巨大反應。當某一授信客戶發生風險時，信用風險以多大概率傳導到多少授信客戶？銀行如何精準識別出風險客群，計量出客群風險，對於銀行風險管理提出了新的挑戰。

　　風險傳播演算法依據“近朱者赤，近墨者黑“的原理，從已知風險節點角度評估整個網路節點的風險程度。利用網路結構進行風險傳播，進而提高風險節點的覆蓋度。

　　圖計算技術從招股說明書、年報、公司公告、券商研究報告、新聞等半結構化和非結構化數據中實時搜索借款企業的股東、子公司、供應商、客戶、合作伙伴、競爭對手等信息，構建出授信客戶的企業風險圖譜。在某個巨集觀經濟事件或者企業黑天鵝事件發生時，銀行通過企業風險圖譜做更深層次的分析和更好的風險決策。例如，深交所決定自2019年5月13日起暫停樂視網股票上市。如果銀行建立起樂視網的客戶供應商、合作伙伴以及競爭對手的關係圖譜，就能快速地篩選出受樂視網退市影響的銀行授信客群從而做出風險預判。

　　風險控制的發展趨勢之一，從事後彌補向事前預測和事中管理的全面風險管理發展。企業風險圖譜的全面應用,將提升風險管理效率。例如，一家銀行授信企業1萬戶，全國工商登記企業有1.8億戶，銀行通過企業風險圖譜，就可以提前預判這1.8億戶企業中的任意企業或任意一組企業發生風險事件後，銀行所有授信企業受風險事件傳導的所有路徑和風險暴露概率。

• 貸後實時監控預警

　　2009年以來，銀保監會相繼出台了 “三個辦法，一個指引”。明確要求銀行對其貸後管理給予充分的關註，且採取一系列針對性的貸後檢查措施來有效防範風險的出現。2017年銀監會連續開展“三三四十”， 2018年《關於進一步深化整治銀行業市場亂象的通知》，2019年“鞏固治亂象成果 促進合規建設”等一系列專項檢查，中國銀行業正處於強監管時代。

　　在大數據時代，可以利用銀行結構化數據和銀行外部的工商、海關、司法、環保、輿情等非結構化和半結構化海量數據，建立預警機制，特別是建立起房地產押品動態監測機制，及時發佈內部預警信息，替代大量人工控制，採取有效應對措施。

　　通過風險預警圖譜運用，建立授信客戶實時的風險預警體系，聚焦關鍵環節和重點領域，做到比市場早發現，比同業早行動，實現銀行全流程信用風險管控。

• 貸款資金流向監測

　　信貸資金流向始終是監管關註重點，其中，信貸資金違規進入股市、樓市等領域成為監管嚴查領域，監管部門要求銀行監控信貸資金的真實流向。現實中授信企業違規將流動資金貸款投入固定資產建設，或將貸款資金進行權益性投資、房地產、股市、期市等高風險領域。信貸資金實際用途不真實，被挪用。銀行貸款資金的連續性監測難度大，由於大部分企業資金收付結算量大，貸款資金的支付往往涉及不同客戶、不同賬戶和不同銀行，給監測工作帶來很大困難。

　　建立起銀行賬號、銀行轉賬金額、企業名稱等數據的實體關係，就是 “資金流向知識圖譜”。

　　美國證監會旗下某組織稱，使用“事實型知識圖譜”Palantir軟體，整合了40年的記錄及海量數據，在進行複雜的大數據分析之後，發現了納斯達克前主席麥道夫（Bernie Madoff）的“龐氏騙局”。“事實型知識圖譜”Palantir幫助多家銀行追回了麥道夫精心隱藏起來的數十億美元。

　　資金流向知識圖譜”也可在公司治理方面發揮作用，比如通過逆向查詢股本金來源，判斷股本金是否以自有資金出資，資金來源真實合法性，虛假投資、迴圈註資、委托資金、負債資金、“明股實債”等非自有資金投資情況。

• 失聯修複

　　銀行在貸後管理中如果聯繫不上借款人，即借款人進入了所謂的“失聯”狀態，那麼資產保全團隊之前制定的催收預案大打折扣。知識圖譜可以幫助銀行利用圖挖掘技術，挖掘出新的聯繫人，從而提高催收成功率。

　　綜上，在“數據+模型+場景”的數字化風控模式下，圖計算、圖資料庫在識別隱形集團關聯客戶、擔保圈、關係分析等應用場景上，無論在算力+演算法+實時計算+超深度分析方面，都有明顯勢優勢。縱觀整個大數據與AI的發展歷程，可以看到這樣一個清晰的脈絡：從數據到大數據，從大數據到快數據，從快數據到深數據。而如何能在海量的高速變化的數據中進行深度、實時的挖掘以獲取最大價值，圖計算將以它算得更快、更深、更廣、更準成為優選路徑。

　　基於知識圖譜的AI應用深入，金融領域的AI就從感知智能正式過渡到認知智能階段。目前AI、知識圖譜在銀行信用風險管理領域的應用還處於起步階段，預計未來在風險控制、產品創新、精準營銷、智能客服、運營管理、內部經營管理、數據可視化等領域廣泛、深入應用，賦能銀行數字化轉型。