一、银行风险管理体系建设思路的转变

       2004年左右，我国银行开始接触巴塞尔协议，光大银行也在这个时候开始建立全面风险管理体系，实施新的巴塞尔协议框架。我国从业人员从“不知”到“知”经历了漫长的过程，在不断的实践探索后，到目前为止所有大的银行基本上都有了自己的高级计量法，但这个过程是由监管推动形成的，在真实的风控决策当中其应用还不够充分。在测定银行的风险资产时，银行追求使风险资产测度具有更高敏感性的方法，高级计量法即可解决这个问题，在这个背景下，大行以及所有股份制银行都希望通过实施高级法来进行资本博弈，以求尽量少地占用资本，这是当初这一体系受到热衷的一个原因。然而到现在的阶段，随着大数据和人工智能的发展，对风控智能需要重新认知，从过去的“强前台，弱中台或者后台”过渡到现在的“强中台”，或者叫“大中台”。这可以分为几个步骤：第一，主导的目标是要建大的数据中台；第二，要建大的智能中台。这融合了现在主流的观点和技术，即大数据和人工智能。

二、金融科技给银行风控同时带来挑战和机遇

       光大银行在2018年建立了智能风控中心，主要的驱动因素包括：第一，零售与小微的推动和创设资产的能力降低。随着金融风险的爆发，以及去杠杆的宏观政策转向，光大银行零售资产在房贷、信用卡消费贷款方面形成了聚集，在其它领域的推进则非常缓慢。第二，在普惠金融方面，尽管国家强力要求银行进到实体经济，但是由于信息不对称，银行即使有这个意愿也没有这个能力，所以银行若想既落实国家的政策，支持小微金融发展，又很好地控制风险，就必须要改变作业模式，改变手段，这就是光大银行推进智能风控建设的核心主导。

       类似业务在阿里巴巴、京东以及腾讯中存在很好的范例，阿里巴巴提供的助贷服务收取高达200-300bp的收益，并且不提供资金，不存在风险，该项下的资本收益率达到300%以上，这是任何一家金融机构都做不到的。阿里巴巴自主建立的大数据平台，在存储以及计算等各方面都具有强大的能力，在金融界尚没有一家公司在IT支持服务体系方面能达到阿里巴巴的水平，这是硬核科技产生价值的体现。虽然如此，诸如BAT公司所做的金融实践仍可以被我国银行很好地接纳与学习。

三、智能中台建设

（一）底层支持

       光大银行智能风控中心的建设规划着重考虑了数据问题，刚开始的时候计划布置200台服务器，后来发现要扩散到1000台服务器才能满足一年的运维需求。光大银行所需要处理的是1亿以上人群的数据，这个基础上存在两大挑战，一是存储资源的问题，二是算力的问题。银行需要大量的资金投入用来建底层、建技术，尤其是相关人才。光大银行在经过一年多的努力后，建立起了基础的数据服务平台、特征和模型平台以及支持对外提供服务的微服务平台，这三大平台支撑了普惠金融、消费贷和个贷业务，以及正在拓展中的to B业务。

       在整个机制和体制建设过程中，光大银行采取的原则是需求驱动，当需要解决模型的效率问题时，就会去驱动模型的构造。举个例子，以前常用的平衡卡、logit回归方法在面临大数据时都会慢慢失效，因为这些模型都基于很强的稀疏假设，而现在需要建立高维的分析框架才能够支持现实的应用，比如高速捕捉高维的相关性场景数据的方法。此外，光大银行会在客户进入体系的时候进行实时的反欺诈，这促使银行解决诸如流式聚类算法的生成问题，还有一些共贷的问题、社区发现的问题等都会促使银行在技术上实现储备和更新。

（二）运作范式

        在完成底层支持后，银行在“数据+算力+算法”的框架下，通过数据赋能风险管理，推动控的管理工具创新和决策机制创新，实现“智能+风控”。

        消费端的个性化消费、智能化生活、数字化娱乐需求如何做到与供给端的新品牌、新产品、新零售、新制造、新金融、新物流、新组织进行高效协同、精准匹配、产销合一是智能中台建设关注的重点。在商业模式方面，智能中台有助于网络协同，它利用数据智能推进C2B模式；在工作模式方面，智能中台有助于帮助产销两端自由连接、快速聚散与促进就业；在组织模式方面，智能中台的自驱动、自适应、液态化特征逐渐发挥着重要作用。同时，治理层面的协同化、自动化、全球化也是前进的方向。智能中台推动了高质量的发展，起到了优化资源配置效率的作用。

（三）应用机理

       在实践中，AI可能并不能很好地解决问题。由于AI的神经网络结构太过复杂，如果需要在毫秒级进行反应的话，AI并不能提供足够的支持，除非有更庞大的并行计算，而这基本上很难做到，所以AI只可能在线下的无监督或半监督学习中使用。而在实时的计量过程中，光大银行发展的是高维的logit技术，在以前的模型中，最多可输入18个变量，再多就会产生共线性问题，泛化能力不好，但在面临大数据的时候，维度达到10万至20万维，在这种情况下现有的方法都解决不了问题，这也是发展新的技术的原因。

       与此同时，光大银行还在发展图技术。研究发现在一个人的表达当中很重要的一个属性就是社会关系属性，光大银行构造了银行内部客户的一个大的图谱，包括资金划转的联系、家庭住址的联系、关联关系（如朋友、家人等）等，进而对这个图进行解构。如果在这个图的聚集当中，某一类聚集是我们不希望的高危人群，只要侦测到这个行为，客户进入系统的时候就会被拒掉，这也是在实操过程中银行需要去发展的技术。

       除却实际要用的技术外，另一方面，银行需要的是并行和分布式计算的技术。这个时候可以体会到云是多么的重要，当大数据处理的时候，如果没有云的支持，几乎是不可能的。当真正进入到大数据这个赛道的时候，人员、存储、计算资源、算法等种种挑战都亟待银行进行应对。

（四）管理形态

       在建设智能中台时，在线化、智能化、网络化是追求的目标。具体来说，智能中台旨在满足操作的精准匹配（快速迭代）、服务的高效协同，同时深化大数据、人工智能等研发应用，为传统风控的转型升级赋能。

       在智能中台建设的管理形态方面，存在智能风控大脑这一中心枢纽，它包括风险感知、风险识别、智能进化与自动驾驶。其中，风险感知指的是7*24的实时监测预警，对风险攻击与黑产可以全网感知；风险识别则包括8个评分模块，具有毫秒级精准风控能力；智能进化指的是风控引擎的自我学习，可以当日自动更新风控模型；自动驾驶指的是风险感知自适应切换策略。在智能风控大脑的存在下，交易资损率低于1%，账户安全险平均1.6元，最高保障100万元。

（五）组织形态

       智能中台采用平台+个人的模式，形成开放、自主协同的组织形态，产生高度敏捷的风险管理服务。它的建设以提升效率、效能为目标，同时推动传统金融机构云化，培育大数据+AI的人才生态。

       在智能中台建设的人才需求方面，有着技术化、复合化、非结构化、市场化、国际化的特点。技术化指的是，随着互联网技术、AI、区块链技术发展的普遍应用，技术成为金融最大驱动力，未来金融行业技术人才至少占一半以上。复合化指的是，金融人才越来越呈现复合特征，懂技术又懂金融业务，将是人才培养的方向。非结构化指的是，重复的劳动大多将被机器所取代，越是带有艺术性、非结构化的工作越有价值。市场化指的是，未来金融需求会集中在资产端定价分析和配置、金融风险分析管理、金融科技以及金融产品运营上，这是金融市场市场化运行的结果。国际化指的是，金融科技第一次让中国公司有金融行业的领先地位，同时，全球化注定是未来的浪潮，对国际化人才将会有着巨大的需求。

四、人工智能在金融中的应用

       在人工智能应用于实际的金融业时，一般包括如下几个方面：第一，反欺诈以及反洗钱，这是非常核心的实时应用，对技术有着最高的要求；第二，信息推断验证技术，比如银行利用客户的旅游信息、餐馆订立的信息、住址信息等等进行信息的交叉验证，来确定信息的有效性；第三，评估信用状况；第四，信用变化预警，包括个案上的预警以及组合层面的预警。

       总的来说，大数据带来的是风险管理的前瞻性和信息的有效性和充分性，光大银行在今年下半年可能会推出专门针对B端的供应链产品，在基于区块链的分布式账本记账和电子合约驱动的情况下，提供有效的数据来支持银行进行风控，增强银行进入到普惠领域以及小微领域的信心。