专题资料（2021-2022年）大数据与风险管理.doc

大数据与风险管理 大数据与风险管理是银行业的两大要素。银行过去的风险管理与决策，以主观经验判断为主，辅以数据支撑，导致银行风险管理水平较低。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，进而提升银行竞争力，显得极为重要。 大数据的有效性运用是大数据在银行风险管理的前提。第一步是建立一个安全有效的大数据。大数据服务于银行业务，故有效大数据推进过程中的数据、技术、成本选择方面应于银行业务相融合。在数据选择方面，充分挖掘银行内部沉睡数据的同时，注重互联网站、社交媒体、电商等新型数据来源，建立一个覆盖结构化、半结构化、非结构化的 360 维度的数据库。 大数据推动风险管理是银行业务方面，特指信用风险，包括信贷、抵押、信用卡等。在信贷领域，由于信息的不对称，将产生道德风险，致使银行遭受损失。银行对客户信息的获取大多源于客户申请贷款所填表格以及银行与客户面对面的交流，信息来源的广度和真实性可见一斑。通过大数据的运用，银行整合更多外部数据，以拓展对客户的了解，降低信用风险。 大数据在银行风险管理的应用包括：通过社交媒体上的行为数据、电商网站的交易数据、企业客户的产业链上下游数据等，银行可以获得更为完整的客户拼图，从而进行更为精准的风险管理。借鉴国外大数据在银行信贷的实践，美国的一家名为 SCOR 的金融信息公司抓取并分析客户的社交网站数据，为银行提供更为准确的信用评估结果，降低银行的信用风险和成本。 大数据促进信贷转型降低银行信用风险。新预算法的通过，地方债务的发行，地方投融资平台以及 PPP 模式，银行建立基于地方政府的大数据平台，在政府信用的保证下，降低信贷风险。对于贷款需求额度小，无抵押品的小微企业，充分利用大数据的数据挖掘技术，获取企业纳税凭证、交易结算、信用记录等数据，在进一步分析的基础上推出适合企业的信贷产品。 国内目前，光大银行推出大数据在信贷方面的实践。围绕着风险管理，光大银行全面打造“风险预警平台”，该平台利用互联网大数据挖掘技术、文本数据分析技术以及风险欺诈数据挖掘模型技术，将网络舆情、监管信息与企业账务流水、财务报表数据进行关联分析，通过事件驱动覆盖客户信用风险、账户风险、财务风险、关联风险、声誉风险、经营风险等风险事前预警。 大数据将帮助金融和银行卡产业提升事后、事中、事前的风险管理和防控能力，减少甚至消除损失机会。本文也整合了大数据在国内银行风险管理方面的实例：民生银行将数据挖掘技术应用于高端客户流失风险预测研究中。