联系我们
返回上一页
胡本立

胡本立

曾任世界银行首席技术官,继后任香港证券及期货事务监察委员会首席信息官、顾问,中国证监会战略及规划委员会委员,中国社保基金理事会高级顾问,惠普中国总咨询顾问等职。胡先生近年来主要关注人、数据和计算机之间在认知和管理上的互动。

      胡本立,中国人民大学苏州国际学院兼职教授、金融风险管理全球顾问委员会委员,清华大学大数据产业联合会专家理事。曾任世界银行首席技术官,全面负责世行信息系统与技术方案的设计、架构、开发和运行,支持世界银行的战略和业务。继任香港证券及期货事务监察委员会首席信息官、顾问,中国证监会战略及规划委员会委员,中国社保基金理事会高级顾问,HP中国总咨询顾问等职,和担任过中国和印度几个上市公司的独立董事。

      加入国际数据管理协会以后,曾担任协会的董事会顾问委员会委员,并于2012年选为该协会的副主席,负责数据标准方面的工作。胡本立先生拥有物理学学士以及计算机科学硕士学位,并在哈佛商学院完成企业高级主管关于战略、变革管理、金融和财务的培训,近年来主要关注人、数据和计算机之间在认知和管理上的互动。

论文
 
 

2020,《DAMA数据管理知识体系指南(原书第2版)》新书征订预告,《项目管理技术》第08期。

 

2019,下一代的数据管理——以人为本,《张江科技评论》第04期。

 

2015,数据驱动与以人为本的统一——关于质量管理上的几点思考,《上海质量》第01期。

交流成果
2020年
数据究竟是什么?——为什么这是个带有根本重要性的概念和问题
精选视频
来源:2020(第十六届)中国金融风险经理年度总论坛 专题四 大数据及其应用
2019年
数据管理走进金融高管视野
精选视频
本成果共享主题频道
来源:2019TGES 高级研讨会一 金融AI、数据管理与风险管理
2015年
人与数据如何互动和循环——以金融风险数据管理为例
精选视频
本成果共享主题频道
来源:2015(第十一届)中国金融风险经理年度总论坛 专题六 数据、科技、互联网与风险管理论坛
2012年
人、机和风险——语义互联网、云计算和大数据对金融机构IT风险管理的冲击
精选视频
本成果共享主题频道
来源:2012(第二届)中国金融IT与风险管理论坛 总论坛

一、对人工智能的看法

      人工智能的发展解决了许多实际问题,如深度学习、机器学习等算法已广泛应用在计算机视觉、语音识别,生物医学影像分析等领域。但这些应用主要还是集中关注于模式识别的问题,还未能涉及概念和语义层的问题。金融风险理论、实践以及金融语言体系中的各种概念,主要还是人的智能的结果,包括金融风险模型的设计,金融风险的管理和治理等。

      人工智能一方面希望用算法和机器来模拟人的智能,另一方面仍需要人对所用来训练它的数据、算法等进行处理。人工智能近年来正朝着与认知科学融合的方向发展。认知科学是一门研究信息如何在大脑中形成以及表达的跨领域学科,也是研究人与数据不断互动的全过程。

      金融风险本身与人和人群的行为密切相关,而认知科学就是研究人的行为。对金融风险的管理需要对认知科学有一定基本的理解。目前,从业者很少会从人认知的角度去分析和阐述金融风险形成的机制和过程,以及所需要的管理方法。

 

二、数字化问题的看法

      数字化主要是将模拟信号转换成数字信号,通过编码、纠错、加密等方法处理,以解决信号或数据可远距离、无失真传输的问题。数字化技术在解决了远距离通信问题的同时,也解决了计算机高速和精确计算的问题,使人类社会进入了一个全新的数字化时代。

      如今的“数字化改造”“数字化转型”“数字化重组”指的是技术数字化后给业务和管理带来的各种改造、转型以及重组的机会和可能。这些努力的成功不直接或不只与技术的数字化有关,它们的成功更主要与人的因素,和人对大量数据要素的理解、管理和运用有关。

 

三、关于金融数据收集与管理的框架问题

      随着金融业的发展与深化,各领域、各行业、各部门所产生的数据量越来越大,数据的复杂性和交叉程度越来越高。不管对监管方,被监管方还是市场,都需要,但尚未形成,一个统一的有效和高效的数据收集与管理框架。对此英国央行最近为金融数据收集改革提出的综合性讨论框架会是个很好借鉴。

      目前,存在几个现象和挑战。

      一是现在许多概念和它们相关的数据是跨界的,与已有的有些概念交叉甚至矛盾,以致对它们难以界定。概念与数据的碎片化是一个无法避免的现实,因此,需要有个统一的框架它能对这些概念和数据进行清晰而准确的分类、转换和汇总。若各方只依各方自己的某个场景对数据进行分类,很有可能在另外一个场景下就无法应用。一个系统、整体的框架,如欧盟的统一监管框架,可以使得有关各方能更有序、更透明、更有效地讨论,对各方都需要的标准化的部分达成共识,同时也提供了各方、各场景需要的灵活性。

      二是如何平衡创新机会与风险。各方都需要平衡好创新与风险的关系和时间,若监管过早过严介入,创新可能无法发展;若介入太晚,创新孕育的风险可能造成巨大损失。高质量、高水平的平衡决策过程又需要高质量和及时数据的收集和支撑。

      三是重复讨论的问题。目前,很多问题反复提出、反复讨论,新名词不断出现,但是许多问题都没有取得突破性或实质性的进展,如信息孤岛、“打不通”等问题。此外,存在一个误区,即认为共享就是共识,但这是两个含义并不相同。即使数据共享了,不同人或机构或行业对同一数据的认知完全可能并不一致。虽然数据共享本身就是一个难题,但共享之后需要的是对相关数据的理解达成共识。

 

四、关于《英国金融业数据收集改革》的解读

      金融企业对良好信息的依赖性很强。更全面、更快、更准确、更有洞察力的信息可以使企业的竞争力大有不同。监管机构如果没有对经济、金融体系和其所监管企业的准确信息,就无法实现货币和金融稳定的目标。与那些受监管的企业一样,监管部门也应利用新技术改进数据的收集和分析,包括从监管报表中获取的数据。《英国金融业数据收集改革》是对于前述问题系统而全面的讨论报告,有很大的学习与参考价值。它旨在阐述当前金融企业数据收集系统所面临的问题,然后确定并探讨一系列可能的解决方案,以便提供一个结构化的框架,供业界反馈和进一步讨论。其中包括数据收集、报告成本、共同的数据输入、报告指令的现代化、架构和治理的变化等内容的探讨。

      可以改变数据收集的结构和管理,从而提高数据收集的效率和效果。

      从“推送”到“拉取”数据。卢旺达采用的一种模式涉及从公司使用“推送”机制提交数据到主管部门使用“拉动”机制要求公司提供数据。例如,公司可以通过应用程序接口(API)提供数据,银行(央行)和其他相关机构可以连接到API并要求提供数据。API可限制存取数据,将银行(央行)或其他机构可调取的数据限制在其有权存取的数据集内。它还可以对请求设置限制,如数据量和最低聚合水平等。这可能类似于用一个允许银行(央行)直接查询部分共同输入层数据的流程来取代报告编制步骤。以拉动数据取代推送报告,可减少公司签注程序的重复。公司可以只签注一套数据,而不是多份报告。从公司的角度来看,从推送到拉动的方式应该可以将文件的边际成本降低到接近于零,但要确保 API 持续工作,并提供正确的数据,需要一定程度的投资和持续的资源。转向拉动模式还可能需要改变公司的治理方式。

      报告中的中央服务。如果有一个标准化的共同数据输入层,从公司自身数据到报告数据点的映射工作就可以集中进行。在商定了转换规则之后,公司可以自己实施这些转换。另一种选择是由中央服务提供者来执行这些报告程序。中央服务提供者可以发挥各种可能的作用。例如,他们可以将公司的数据转化为报告所需的数据,或者他们可以将数据实际转化为所需的报告。服务提供商的服务对象是整个行业而不是单个公司。服务提供商可以只集中处理部分流程。例如,他们可能只集中解释报告指令。或者,个别公司可以将其源数据映射到中央服务提供商的共同输入层中,然后由服务商转换数据并向银行(央行)提供报告。这种方法也可以与API相结合,使银行(央行)和其他机构能够根据需要从实用工具中提取数据。

      来源:2020TGES系列论坛NO.4:金融人工智能、数字化金融与风险管理—胡本立《综合讨论金融数据收集与管理的一个优秀框架——解读英国央行〈英国金融业数据收集改革〉》演讲文稿整理