商业银行智能风控体系建设的挑战与对策

刘吕科 中国民生银行风险管理部高级经理

 

一、风险管理能力是商业银行的核心竞争力

商业银行是经营风险的企业，风险管理能力是商业银行的核心竞争力，在很大程度上决定了银行业务的发展边界。有些银行在当前的金融风险形势下，在各类创新经营中能够“游刃有余”，而有些银行只能按照“当铺”模式去经营，这种模式的差异体现了银行风险管理能力的高低。展望未来十年，对风险管理能力较强的银行，可能仍然是较好的十年。相对而言，对于风险管理能力低的银行，未来十年确实会是最差的十年。就如一句谚语所说，“这是最好的时代，也是最差的时代”。

以往风险管理的关键词可能是评审授信、尽调评级等，而展望未来十年甚至更长远的时间，我认为未来风险管理的关键词绕不开“信息”、“数据”和“智能”。未来的智能风控，也即风险管理的智能化体系建设是银行业风险管理发展的一个趋势，也是未来区分卓越银行和平庸银行的主要区别。如果传统银行不主动拥抱智能风控的趋势，永远躲在舒适区，这些银行就只能越来越平庸。反之，勇于变革，尽早启动智能风控体系建设，通过智能风控来感知风险，来更好地经营风险，这些银行才有可能在未来的市场竞争中脱颖而出，重新定义卓越银行。

 

二、商业银行风险管理智能化趋势

商业银行的风险管理本质上是管理“信息”，即最大程度降低银行与企业之间的信息不对称程度。伴随着社会信息化、数字化体系建设，商业银行风险管理也必将迎来“智能化”时代。展望未来，风险管理的智能化可能仅仅是整个社会数字化、智能化发展趋势的一个缩影，或者说只有智能化的风险管理，才能适应未来的数字化社会的发展趋势。商业银行智能化是有一定基础的，尤其是在当前的形势下。

一是银行客户经营透明度的提高，为风险管理的智能化奠定了一个比较好的基础。因为在信息化时代，银行与客户之间的信息不对称程度将大大降低，客户的基本信息以及围绕客户的产供销，包括客户的征信、交易、财务、工商等信息，其可得性比以往更高，尤其是在社会征信体系愈加完善以后。商业银行对客户的长期画像、智能动态决策，其可行性和有效性更强。因此，未来的风险管理可能就是围绕着这些综合信息，对客户进行综合评价，并且进行持续监控的过程。但是对于信息的整合，它是远远超出人力所能及的，专家经验也可能逐步被机器或是智能系统取代。或者专家决策只能出现在特定的情况下，作为智能风控决策的有益补充，而不是像现在模型结果是专家决策的参考。

二是大数据、人工智能等新兴技术的发展为风险管理智能化提供了必要的条件。一方面，大数据建模技术使得机器学习、深度学习这类智能化的算法有了可能，这些算法已经在一些互联网金融机构得到了很好地应用。另一方面，分布式架构、流式计算使得平台的运营效率大大提高，能够支持各种复杂的机器学习模型的建模部署和监控，这些都为风险管理智能化提供了必要的技术和平台支撑。

三是银行在更复杂的经营环境下，智能风控建设是其稳健发展和市场竞争的客观需要。只有构建完善的智能风控体系，才能让银行在业务发展过程能够轻装上阵，能够带来更好的客户体验。

 

三、良好实践银行智能风控建设的关键要素

在推进智能风控体系建设的过程当中，我们也调研了一些国际国内领先银行的实践。从实践来看，很多银行确实起步早，取得的成效比较高，比如有些银行已经采用了机器学习模型，实现了模型的自动迭代，并且部分业务能够实现自动放款，其监测体系也能够真正实现看得广、看得深、看得远。虽然每家银行的特点不一，但从整体上来看，具有良好实践的银行普遍存在以下四个共同点。

第一个共同点是自上而下地推进。在具有良好实践银行内，从董事长到行长都非常重视智能风控体系建设，高层主导自上而下，然后集团共享并且充分协同。在高层领导的直接督导下，风险板块其他部门分工明确，全行在人力、科技、费用等方面的配置上投入充足的资源，以确保智能风控体系建设的稳步推进。

第二个共同点就是夯实管理基础，智能风控的建设离不开“数据”、“模型”和“系统”这三类关键要素。其中数据是基础，也是社会生产要素之一，模型是灵魂，系统是必要的支撑。良好实践银行均对数据、模型以及系统这三要素实现了统一、集中的管理，夯实了管理基础。首先在数据层面上，实现了风险数据的统一管理。其一，数据基础决定了商业银行智能风控体系的建设质量，良好实践银行的数据质量普遍较高，数据的完备性、全面性、完整性、可靠性都较强。其二，这些银行也统一了数据质量的标准和管理机制，有效地避免了“数出多门”或者“数据孤岛”的现象，打通了底层风险系统的架构，真正实现了企业级的风险数据管理。其三，实现了算法及资源的集中管理，集中专业资源优势，为全行提供一揽子的一致性较强、专业深度较高的解决方案。

第三个共同点是体系化地实施。体系化实施可以从两个层面来理解，一个层面是从良好实践银行来看，只有数字化转型比较成功的银行，其智能风控建设取得的成效才能更显著，智能风控是其数字化转型的核心组成部分之一。另一个层面是智能风控体系建设是一个系统工程，而不仅仅是风险管理一个领域的事情，它取决于前端营销、数据、智慧运营等一整套体系的支持。只有全行数字化转型效果好，数据标签化、运营智能化、系统模块化，智能风控在一个比较牢固的地基上，才能取得较好的成效。反过来，如果一家银行仅是在智能风控建设这一方面突破，而不同时发展在运营、数据等其他方面，则智能风控工作是难以推进的。

第四个共同点是注重体验和应用。从良好实践银行来看，其智能风控体系建设普遍从一线业务人员、评审人员和各层级管理人员对风控工具的使用感受出发，将解决风险管理痛点放在第一优先的位置，在逐一梳理并解决痛点的过程中逐步完善体系建设。同时，在建设过程中，也普遍强调用户导向思维，项目建设的范围主要围绕一线单位的用户体验。此外，对风控对象逐步做到“无感风控”，确保不因强化风控而降低授信客户对银行产品的使用体验。

 

四、智能风控实施面临的主要挑战

从商业银行的普遍实践来看，在智能风控实施过程当中可能面临着很多挑战，我总结了以下四个主要的挑战。

第一是对理念文化的挑战。传统银行普遍依赖业务评审，在准入、定价、额度、监测等方面，习惯于分级授权和分层决策，较难适应对量化理念要求较高的智能风控决策体系。同时，智能风控技术的采用，不仅仅是引入量化模型的问题，在模型管理、绩效考核、资源配置等诸多方面均要做出调整。

第二是对战略定力的挑战。从同业实践来看，智能风控体系的建设普遍需要3-5年的时间，需要有计划、有步骤地落实。智能风控是战略投入，当年投入当年不产“粮食”，还需要大量的科技、人力、费用等资源的投入，并且这种投入是不能看出即时产出的，这会给商业银行实施智能风控的战略定力带来很大的挑战。

第三是对容错机制的挑战。不同于传统风控体系建设，智能风控体系建设可能需要不断地试错。智能风控没有成熟的经验可以完全套用，在推进过程中难免会遇到各种问题。但在试错的过程中不一定是“百折不回”，有的是“一折就回、点到为止”，这对商业银行的容错机制或容错态度是很大的挑战。

第四是对部门协作的挑战。智能风控体系建设涉及业务前中后台的方方面面，几乎涉及全行所有的风险条线部门、科技部门和业务管理部门。因此，在这个过程当中，部门之间的协同支持非常重要，只有全行上下一心、充分协同，智能风控体系才能做得实、做得细、做得深，这对商业银行的部门协作或者磨合机制会有较大的挑战。

 

五、智能风控体系建设的相关建议

首先，需要将智能风控体系建设与银行整体的数字化转型充分结合起来。如前所述，智能风控建设不是单靠风险管理条线部门能够解决的，它依赖完备的数据基础、智能化运营体系、规范的业务流程等要素。如果全行层面数字化转型基础不具备，风险条线的智能化体系建设就相当于“无源之水，无本之木”，很难取得很好的成效。因此，要体系化地推进智能风控建设，必须以全行的数字化转型为前提，只有全行层面数字化转型启动，智能风控的“轮子”才能“转得快”、“转得好”。

第二，进一步集中算法资源，发挥专业优势。与领先实践相比，商业银行尤其是中小银行，其算法资源本身就较为分散，相关部门比如说风险管理条线部门、信息科技部门、业务管理部门等均具有计量人员，但是普遍存在人员流失、算法深度低、计量结果应用不深不透、缺乏模型全流程统一管理机制等问题。这些问题的根源在于算法资源分散，正所谓“十手难敌一拳”。

第三，打通风险数据、系统，真正地实现企业级“一体化”风控。在一定程度上，如果数据、系统没有集中统一管理，存在“数据孤岛”、系统严重割裂的情况，智能风控就都是浮在表面的形式化推进，难以真正有效地体系化开展，相关工作可能只是涂上了智能风控的“唇膏”。以风险预警为例，如果数据标签标准不统一，系统相互割裂，各业务部门以各自梳理的标准开展风险预警，相互之间也没有衔接，实际上就相当于各家自扫门前雪，在重复工作的同时，工作效率也难以提高。我们看到的表象是良好实践银行真正实现了一体化全流程的智能风控，看不到的是它们普遍统一了底层的数据架构、数据标签和标准等，其底层的风险管理系统规范支撑了企业级统一的管理机制。在智能风控体系建设过程当中，商业银行尤其是中小银行，可以借鉴这种良好实践。

最后，坚持战略定力，持续投入资源。对智能风控的投入不像是对业务拓展的投入，业务拓展的效应是立竿见影的，但是智能风控的投入可能要持续3-5年，且每年都是成本，看不到即时效果。因此，智能风控体系最终要能建设成功取得成效，是需要银行坚定地、持续地投入资源，构建与银行自身业务规模和复杂程度相匹配的智能风控体系。

演讲文稿整理：冉鑫

责任编辑：傅泽天

来源：TGES2021（第十七届）中国金融风险经理年度总论坛：风险分析、量化和压力测试（一）（12月）