2013， 中国光大银行基于新资本协议的监管资本管理系统  科技成果

2009， Novel similarity measures for face representation based on local binary pattern 《Journal of Harbin Institute of Technology》 2009年02期

2006， 自学习智能决策支持系统《系统仿真学报》2006年04期

2006，基于神经网络与专家系统的智能决策支持《系统电光与控制》 2006年01期

银行模型风险管理体系的构建与实践

一、警惕模型的“摇身一变”

      （一）模型应用的“一日千里”。近十年，模型在银行业的应用可以说是一日千里，银行的模型已经由 Basel 模型在资本计量的应用、IFRS9 模型在拨备计提的应用，发展到人工智能和机器学习模型及其在数据分析、信贷审批、决策推断、客户管理等多领域的应用。（二）模型风险管理的“一夜成名”。国际上，美联储发布了《模型风险管理监督指南（SR11-7）》，并与《年度全面资本分析和审查（CCAR）》等严格的监管措施相结合，为美国银行建立了模型风险管理的规范，这个规范后续由美国推广到了欧洲，又推广到了亚洲，并逐步发展成为行业标准。（三）警惕模型的“摇身一变”。模型管理没有集中化，模型资产分散，银行缺乏对全行模型状态的掌握；模型开发、验证流程管理不规范，模型应用监控体系不完善；模型的数据及特征管理缺乏统一性，数据缺少有效整合无法发挥效能，特征无法形成有效共享和复用，数据与模型的交互缺少顶层设计；模型部署敏捷性不足，无法有效应对市场及流量的变化。

二、模型与模型风险

      （一）模型的定义与范围。按照美联储《模型风险管理监督指南（SR11-7）》的定义，模型是“应用统计、经济、金融或数学理论、技术和假设将输入数据处理为定量估计的量化方法、系统或途径”。

      （二）模型风险的定义。按照美联储《模型风险管理监督指南（SR11-7）》的模型风险的标准定义：“模型的使用总是会带来模型风险。模型风险是基于有缺陷或误用的模型输出和报告做出决策的潜在后果。”这一定义后来成为了模型风险的行业标准定义。

三、美国模型风险管理体系

      （一）美国模型风险管理的方法论。美国模型监管体系围绕着“有效挑战（Effective Challenge）”建立了一套行之有效并且可以复制的方法论，挑战者必须具备能动力、胜任力、影响力三大要素。（二）美国模型风险管理的具体要求。美国的模型风险监管体系对模型风险管理的具体要求体现在以下五个方面：模型清单（Model Inventory）、模型开发（Model D e v e l o p m e n t ） 、 模 型 实 施 与 使 用 （ M o d e l Implementation and Model Use）、模型验证（Model Validation）、模型监控（Model Monitoring）。（三）国内模型风险管理的发展现状：1.重科技平台而轻组织架构；2.重效率管理而轻风险管理；3.重个体风险而轻整体规划。

四、模型管理平台的建设

      （一）模型管理平台的四大目标：1.模型和特征的信息化管理；2.模型开发的流程化管理；3.模型验证和监控的自动化；4.依托模型管理平台实现模型人员的“尽职免责”。（二）模型管理平台的十大功能模块：1.模型资产管理模块；2.模型开发流程管理模块；3.自动化模型测试模块；4.自动化模型验证模块；5.模型报告与报表服务模块；6.模型预警模块；7.可视化模块；8.用户角色及权限模块；9.文档管理模块；10.系统管理模块。（三）模型管理平台的逻辑架构：首先，数据工厂统一汇总银行的大数据资源，规范数据来源、数据口径、数据标准和存储架构，并实现内外部数据有效整合；其次，特征工厂从数据层进行特征萃取并形成稳定的特征层；再次，模型工厂从特征层进行模型的开发工作；最后，由模型服务平台向全行提供“模型服务”。

五、构筑模型风险管理体系

      （一）模型风险管理的组织架构：第一道防线——模型的开发和使用部门；第二道防线——模型的验证部门；第三道防线——内部审计部门。（二）模型风险管理的政策体系：1.设计良好的风险传导机制，将模型风险有效整合进银行的风险偏好，纳入银行全面风险管理体系；2.模型技术部门需从以技术为主的职能定位过渡到模型风险管理的管理定位；3.需要建立一套模型风险管理团队与高级管理层合适的沟通方式，以便与高级管理人员交流技术话题。

六、银行面临的挑战：人才

      人才的严重短缺是一大挑战，因为该领域的人员不仅需要数据科学和高级分析技术方面的专业知识，还需要风险管理和业务经验。在金融生态系统中，科技公司、金融公司、互联网公司、银行都在争夺这一类技术人才。所以，如何在激烈的竞争中吸引和留住人才，是银行面临的主要挑战。

      来源：《风险管理》杂志2020年第6期

智能风控助力客户营销

一、银行智能风控概述

      （一）智能风控三条军规：第一，智能风控必须是一个全周期的管理，智能风控涉及贷前、贷中、贷后，永远不要认为只用一个准入模型就能管住一个贷款产品和客户；第二，风险就是要找到机会和损失的黄金分割点。不良是一定会发生的，没有收益才是银行最大的风险。风险和收益必须要兼顾；第三，智能风控需要上升到银行的战略层面，无论是智能风控的工具，还是智能风控的手段，无论是客户还是银行的收益，一定是为银行的战略去服务。（二）智能风控模型。风控与三个指标相关，一个是客户，一个是利润，一个是风控。也就是说我们的模型要在满足这三个风控指标的基础上，还要满足监管。风控模型要找到4个指标的黄金分割点，或者说是在满足监管指标的情况下，找到其他三个指标的黄金分割点。

二、对客户的触达优先于客户白名单

      客户营销最忌讳的就是项目化。项目推荐一个上百万人的白名单交给银行让其触达毫无用处。首先，白名单存在有效区；其次，做出白名单之后交给银行，银行触达结果没有反馈，导致白名单的模型无法更新。所以，我认为银行最大的问题不在于出白名单，也不在于做白名单。做一个良好的客户营销需要贷前、贷中、贷后三个模型。第一个模型是白名单模型，第二个模型是产品模型。第三个是渠道模型，或者说叫做触达模型。

三、智能风控贷前、贷中、贷后模型

      （一）贷前模型，既是银行风险和客户的入口，又是银行利润的入口，要找到这三者之间的一个黄金分割点。第二个关键问题是贷前模型包含什么？贷前模型分成两个维度，一个是风险维度，一个是客户维度。风险维度对应的是标准化模型。（二）贷中模型，在贷中最适合做客户挖掘。第一点，贷中之后，客户在银行就有几个月的表现期，也就有数据，这就使得做客户营销的时候不完全依赖于外部数据，第二点，有收益时，成本就不是成本，若没有收益，成本完全是成本。贷中的收益有两个，第一个降低了不良，如果贷中做客户挖掘出来上百亿的贷款，就有了价值，成本就不再是成本了。

四、智能风控助力客户营销具体流程

      触达能力最关键。首先需要导数据，把银行的所有行为数据全导完。做客户画像要用行为数据，只有行为数据才能支撑更好的触达模型。同时构建一个特征库，叫做客户触达或者客户营销或者产品特征库，三个特征库整合在一起。客户、产品和营销特征库整合在一块，形成一个特征体系之后，把这个特征体系带入贷中模型。

      实际中，我们在三家分行做了实验性的试点，第一家分行实验白名单是否可行，结果我们的白名单是传统的客户经理选客户数量的30倍。我们在第二家分行实现闭环销售，即在第二家分行按照白名单，打每个电话，发每个短信，都要取得监控结果，结果效果更好。同时我们还知道了哪些客户可以触达，哪些客户不能触达了，这些结果返回去迭代了我们的白名单模型，形成了反馈。在第三家分行，我们扩展了触达方式，借鉴了信用卡的这种权益触达，也通过客户画像，找到一些适合权益触达的客户，直接触达600万以上的私行客户。 

      来源：2020（第十六届）中国金融风险经理年度总论坛系列11：智能风控——祝世虎《智能风控助力客户营销》