大数据在银行风险管理中的应用（二）

上海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，可以做分析的内容非常有限。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”。上海银行自2015年开始风险大数据课题的研究，在两年的研究过程中逐步形成一些风险场景的分析，并应用于信贷的流程中，以下为上海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。由于传统的数据展现形式不直观，在数据体量上升后，能捕获的信息量非常有限，而通过图论等数学模型的计量，加以大数据展现手段，将能把海量信息，通过直观的图形得以展现，风险信息一目了然。

图1为上海银行风险图谱的真实数据举例，图中展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上海银行违约的客户；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，但其担任股东的所有客户几乎均已违约，该客户的风险等级和传播度依然较高。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展现形式完整呈现的，通过大数据的分析和展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提供有力数据支撑。

2、信贷担保圈的识别

担保圈一般主要是指多家企业通过互相担保或连环担保而形成的以担保关系为链条的特殊利益体。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蔽，其范围也在不断发生变化,具有“隐蔽性、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、亲密度、影响程度，分别定义如下：

⑴点中心度：网络图中与某一节点相关联的边的数量；⑵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；⑶亲密度：某一节点与社交网络图中所有其他可达节点之间的最短路径的均值；⑷影响程度：某一节点的“重要性分值”等于所有指向它的节点的“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。

根据该四项指标的划分担保形式有图2显示的九种：

而根据上海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单互保、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殊的一种，通过对公与对私客户的联动关系，并配合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是上海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，当把细线慢慢隐退后（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，为监测和预测客户的违约情况提供数据参考。

如果再配合客户的代发工资等历史行为情况参考，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，对出现异常情况的客户及时进行监控和预警。

大数据时代风险管理的思考

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控制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测时，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，关注与风险预测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机上的存取款情况、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，用数据说话，从而提高不确定风险的预测水平。

大数据风险管理需要注重人员的培养。大数据与来源于企业信息系统的传统数据不同，因而大数据人才与传统的数据分析人才也不同。数据分析在国内是一项新兴的工作，数据分析人员不但要了解数据分析的技术，还要有很强的数据建模能力，同时还要懂得银行业务，并对数据有敏锐的洞察力，能够及时分析潜在的内外部风险的主要来源及影响渠道。我国商业银行对此类复合型人才的储备相当不足，因此要高度重视数据分析的人力储备，为他们创造良好的环境，有意识地培养人才，为自己的大数据人才提供成长空间。

大数据风险管理需依托于银行风险管理体制的改革。商业银行需用大数据的思维和理念来构建以客户为中心的风险管理体系，在建立健全数据信息应用授权和安全管理制度的基础上，应同步完善按部门、机构分类分级授权共享数据信息的整体运行机制。

大数据时代给银行业带来了无限的机遇，同时也带来了挑战。通过大数据的分析银行可以充分利用自身存储的巨大体量的数据信息进行风险管控转型，将大数据技术应用于信贷的各个环节中，有效提高风险感知水平；也可以积极整合互联网、电子商务等媒介的外部数据，通过打通客户线上线下行为的结构化、非结构化信息，打破数据边界，有效降低信息不对称风险，提升业务效率。同时，对于大数据带来的变革，商业银行要以思维变革为着力点、以战略变革为落脚点，积极推进服务的改革创新和转型发展，开辟崭新的增长空间。大数据的有效应用，将为银行创造出竞争优势，使银行的风险决策从“经验依赖”向“数据依据”转化，打造不可复制的核心竞争力。