论文部分内容阅读
摘 要：证券行业风险管理已进入全覆盖、信息化、智能化的新一轮发展周期，以科技赋能风管理，实现真正意义的“智能风控”，成为整个行业都在探讨和研究的问题。本文全面梳理了国内外证券业智能风控历史进程，剖析了证券行业风险管理智能化转型现状及诸多挑战;在此基础上，建议证券公司打造以“IT支撑”为基石，以“底层数据集市”+“上层智能应用”为驱动，以场景化生态、高效运转机制、复合型人才为抓手的全方位转型体系，以期为证券行业风险管理智能化转型提供有价值的参考。
关键词：金融科技 数字化转型 智能风控
一、引言
金融的核心和前提在于风险管理，伴随着证券行业从电子化、互联网金融到智能化的金融科技演进历程，传统风控也逐步衍生出更多科技化、数据化的模块和应用，机器学习、知识图谱、区块链等众多前沿金融科技手段也开始渗透到风险管理領域，尤其自2012年消费金融爆发式增长以来，智能风控被广泛提及，成为金融科技领域较为主要的应用场景之一。近年来，频繁出台的行业监管政策更是对金融机构的风险管理能力的严峻考验，布局智能风险管理技术体系几乎成为金融机构的“标配”。然而，如何以科技赋能风险管理，实现真正意义的“智能风控”，已经成为整个行业都在探讨和研究的热点问题。
二、智能风控内涵界定
最初，业界普遍将“智能风控”定义为“大数据风控”，如今随着金融科技发展的进一步深化，“智能风控”已不局限于大数据技术的应用。狭义的智能风控是指通过大数据手段进行风险的智能识别、分析及预警;广义的智能风控则是将生物识别、大数据、云计算、区块链等手段融入风险管理全链条，打造整体智能风险管理体系，实现风险的精益化管理。万变不离其宗，智能风控并没有改变核心业务逻辑，“智能”作为辅助手段，无论技术如何迭代更新， 其目的始终是更好地实现风险管理这一核心目标。
智能风控通过融合金融科技手段，突破了传统风险管理模式在效率与空间上的局限性，智能风控与传统风控的差异具体体现在数据来源、操作模式、风控目标、技术及技术应用场景等多个方面，如表1所示。
数据方面，区别于传统风控，智能风控不仅可以处理结构化标准数据，还可通过自然语言处理、语音识别、图计算、生物特征识别等技术完成非结构化、多模态数据的处理与应用，突破传统风控信息不足的瓶颈，提高可用数据的广度与深度，最大化地挖掘海量数据的隐藏价值。技术方面，智能风控嵌入多元技术手段、措施和方法，达到风险管理流程的事前、事中、事后全链条自动化，完善业务流程、降低风控成本的同时，化业务驱动为数据驱动，化被动管理为主动管理。
总体来看，智能风控应用可贯穿于风险管理流程始末。目前，其在证券行业的应用场景主要分布情况：事前环节，主要包括大数据授信、自动化审批、风险画像等;事中环节，包括智能舆情分析、异常交易监控、反欺诈等;事后环节，包括存续期项目风险管理、催收等，如图1所示。
图1 金融科技在风控全流程中的应用场景
三、国内外证券行业智能风控发展现状
（一）国外投行智能风控发展现状
国外投资银行起步较早，基础相对扎实，对数字化的探索已进入比较领先的阶段，而其金融科技手段最早的应用场景聚焦在智能投资顾问领域，由于市场、监管环境的差异，国外存在的诸如对隐私保护、对数据安全的限制等因素一定程度上制约了其智能风险管理的发展。
高盛是国际投行领先实践的代表，其通过科技手段，实现了交易的电子化、自动化，并通过打造数据湖，整合有关客户、交易、市场和投资研究等即时数据，为风险分析提供了多维度的数据支撑。另外，高盛自主研发了SecDB，将其作为内部风险管理的主要工具。依托SecDB，高盛自主研发打造了Marquee平台，允许客户通过API或Web访问，帮助机构用户预测和了解风险，如图2所示。
摩根大通近几年将大量资金、人力倾注于新技术的开发及应用，彰显了其对金融科技赋能的决心。持续地巨额投入成就了其数字银行、智能投顾、电子钱包等产品，搭建了全球30多个数据中心、近28000个数据库，在持续投入下，摩根大通在大数据风控方面硕果累累，获得了丰厚的回报，摩根大通使用大数据主要用于信贷审批、风险管理等环节，大大降低了公司不良贷款率，每年可为其创收6亿美元。
数据是智能风控乃至金融科技的关键与前提，其质量与规模直接决定了风控是否有效。对国内金融机构而言，应充分借鉴外国投行的数字化举措，大力推进数字化转型，以突破风控源数据匮乏的瓶颈。此外，国内外证券市场存在较大差异，该差异主要来源于投资者、监管政策及宏观经济形势等。因此，国内券商应在借鉴领先实践的同时，深度结合自身现状，避免因盲目效仿外资投行而导致转型失败。
（二）国内智能风控发展现状
由于历史发展、市场差异等原因，国外的金融科技手段更聚焦于智能投顾等领域，但在智能风控领域，国内拥有更多的实践，尤其是智能风控在消费金融风险管理的应用，已经走在美国乃至世界的前列。总体来看，大数据背景下来自社交网站和电商平台的海量数据都可刻画出更为全面、多元、立体的客户形象，成为传统金融机构风控体系的补充，弥补其应对当前复杂信息环境的不足。
近年来，券商对于智能风险管理体系的建设需求愈加迫切，市场集中度也逐渐提升。目前，大多券商建设的风险管理信息系统，具备了风险计量与监控、市场咨讯获取、风险展示、报表生成等功能，且其对业务的覆盖面越来越广;部分头部券商已建立了风险管理领导驾驶舱，其各类展示内容专注于全面风险管理工作需求，指标数据界面简洁清晰，利于快速获取机构总体风险状况分析情况，基本样例如图3所示。而驾驶舱等数据展示类项目对公司数据治理及公司层面整体数据运营机制高度依赖，在系统建设及上线运行过程中外围系统数据源对驾驶舱系统能否正常提供服务具有“牵一发而动全身”的影响。 在此基础上，部分券商对知识图谱、自然语言处理、生物识别等前沿技术进行了进一步探索应用。中泰证券基于大知识图谱、自然语言处理、深度学习等技术，结合商业智能等理论方法，构建了包括风险管理领导驾驶舱、系统性风险智能预警系统、同一业务同一客户风险信息管理系统、内部评级系统等在内的智能风险管理体系，总体框架如图4所示。海通证券建设的智慧运维平台，利用“智能调度算法、语音识别、自然语言处理、人脸识别、OCR 识别、大数据分析、RPA”等关键技术，配套“任务分发、参数配置、逻辑校验、应急预案”等支撑机制，实现了“智能监控、智能审核、智能分析、智能操作”的核心目标，充分展现风险的主动化、精细化管理水平。
四、证券公司风险管理智能化转型痛点分析
借助金融科技的东风，智能风险管理得以快速发展。然而总体来看，证券行业风控系统离真正意义的“智能”尚存不小的差距，大部分风险管理系統仍是基于条件筛选、规则设计实现风险的半自动化预警，脱离不开人的经验判断，且行业没有统一的标准，不乏有夸大的现象。因此，需客观正视券商智能风控落地应用过程中带来的其他矛盾和问题。就前期调研结果来看，证券行业智能风险管理应用的挑战和困难可归结于以下几点：数据、场景、机制、开放，而这四点也恰恰是其智能化转型的核心竞争力（见图5）。
（一）数据
数据作为证券公司的一项重要资产，已深入到各个业务和管理环节，并逐渐成为驱动各项决策的重要因素之一。目前证券行业已具备一定的数据规模，但其在数据获取的广度、利用的深度、整合的程度等方面仍有提升空间。
首先，数据碎片化严重，“数据孤岛”现象凸显。大多券商受系统外购、部门系统自建等原因，“数据孤岛”问题严重，部分系统连通性不足，导致数据碎片化，对于从中提取有价值的信息难度较大，影响风控效率和质量。其次，内部数据规模有限，外部数据可用性较差。券商由于业务有限，数据体量不够，信息维度不全，仍需借助于外部数据弥补自有数据的不足。最后，数据价值挖掘不充分，数据分析浮于表层，浅尝辄止，未对数据进行深入挖掘，数据价值尚未得到充分利用。
（二）场景
风控系统全面自动化尚未实现，人工依赖较大，金融科技渗透率还不高，应用场景有待进一步挖掘。目前券商管理中有较多可自动化环节仍依赖人工进行处理，诸多环节均存在重复性较高的手工劳作，不但加大了出错的概率，执行效率也深受影响，且员工的精力大多被浪费在低附加值的劳动中，不利于整体的管理和发展。通过技术赋能，员工的工作结构也可由原先的以基础核算工作为主转变为以决策为主，大大提升风控效率（见图6）。对于该类问题，券商需进行全面排查，统计自动化薄弱环节，评估金融科技手段赋能的可行性和必要性，将更多的前沿科技应用于风控领域。
（三）机制
部分机制尚不健全，科技赋能的前提要素尚不具备。智能风控不单单是科技层面的转型，更需要有配套的机制加以保障，才能更顺利地推动转型。目前证券公司部分机制尚未健全，导致执行力不足，影响内部的管理效率，如总体战略及其详细的战略拆解不够明晰，战略落地执行力不足等。同时，监管政策和立法往往滞后于金融科技的发展，现有的监管框架已被突破，不具备适用性。另外，金融科技依赖人才配置，差异化和精细化风控带来的人才需求激增。
（四）开放
目前，大多证券公司在信息整合力、共享力上稍显不足，资源价值尚未得到最大限度地发挥。在生态方面，券商普遍尚未实施清晰的和具有前瞻性的布局，与外部的合作多有局限。而反观国外领先实践，其在信息共享和生态合作领域的作为可圈可点。高盛通过与谷歌的合作，获取并积累了大量数据资产，为未来产品的开发、服务的优化等奠定了基础。通过与谷歌的合作，高盛可以说是毫不费力地与大量优质客户建立了联系，更获取了丰富的数据和算法测试对象，为提升风控效率奠定了基础。而在未来，随着数据保护形势趋严，获取数据的难度和成本加大，通过生态化的合作方式共享数据将成为行业主流。对于大多数券商而言，无论是内部信息共享还是外部生态合作，与当前领先实践均存在一定差距，需在提升资源共享力的同时，着眼前瞻的生态化布局，通过合作共赢的方式提升信息洞察力。
五、证券行业风控智能化转型路径探索
立足证券行业智能风控痛点，结合国内外领先实践的亮点举措，建议券商打造以“IT支撑”为基石，以“底层数据集市”+“上层智能应用”为驱动，以场景化生态、高效运转机制、复合型人才为抓手的全方位转型体系。
（一）以“IT支撑”为基础，重塑、优化全面风险管理系统工具
信息系统是基础，大多数证券公司已构建了包括全面风险管理、集中监控、舆情分析预警等在内的多套成熟、高效的风险管理信息系统，各系统基于自身架构、功能特点满足了对不同风险类型、不同业务风险管理方面的计量、监控、预警、分析、展示等个性化需求，各系统各具所长、互为补充，对全面风险管理工作的高效开展起到关键的支撑保障作用。智能风险管理则需要通过在现有全面风险管理系统功能框架基础上进行分期功能扩展、改造，实现对各风险管理系统数据及主要风险数据的全覆盖;融合前沿技术手段实现数据的系统化采集与处理;支持报告的自动化生成、数据下钻、指定分发及预警联动分析等功能，实现分业务、分风险类型等模式的风险指标数据展示及分析;优化各类风险处理流程，大幅缩减人工参与环节;通过算法植入、功能接入等方式进一步完善事件图谱关联分析、舆情分析等AI特性，形成集数据采集、展示、分析、预警、跟踪等功能为一体的整体风险智能分析、预警平台。
（二） “底层数据集市”+“上层智能应用”双轮驱动，推动 “业务数字化”向“数字业务化”加速转型
现阶段，证券行业智能风险管理尚处于起步阶段，这与当前行业信息基础设施落后、数据治理薄弱、共享机制尚未完善等因素密切相关。针对以上问题，建议券商以数字化转型实施为引领，以内外部的合作共享机制为依托，夯实底层风险数据集市建设基础，提高风险数据挖掘、使用效率。 1应用先行，倒逼券商加速数字化转型
不同于国外“先数据，后应用”的金融科技发展逻辑，国内互联网金融的快速发展带动了智能风控的广泛应用，尤其在消费金融领域，我国智能风控应用场景更为丰富，走在世界前列。在此背景下，证券公司的智能风控发展 “应用先行”，聚焦在对丰富的场景应用的探索。而智能风险管理本质是数据驱动的风险管理决策，其发展对证券公司薄弱的数据治理带来挑战，倒逼证券公司将重心转移到提升数据管理水平上。尤其2020年上半年疫情暴发，传统风控模式难以适应和支撑特殊时期的金融服务需求，且缺乏公司级数据规范管理体系，难以支持快速决策响应，此次疫情也在一定程度上倒逼金融行业进行数字化转型。證券公司可结合创新工具方法的应用，深刻剖析管理支持类流程本质，以风险识别、分析、评估、监测、报告、处置等风险管理基本工作步骤编制风险管理流程框架，深入推进流程梳理优化工作。
2合作共享，构建风险管理“数字、智能生态圈”
“合”是金融科技的大势所趋。在自行研发金融科技应用方面，证券公司在基础数据、技术、人才方面相对于互联网企业或金融科技公司都没有比较优势。合作的根本是优势的互补，不是简单地购买金融科技服务和产品，最重要的是通过合作打通大数据孤岛，提升基础技术水平和金融科技能力输出，实现互惠共赢。对证券公司来说，智能风险管理的关键除了算法和模型外，还有内部核心小数据和外部大数据的有机结合，数据质与量决定了大数据风控的有效性。因此，发展智能风险管理不仅需要证券公司自己的努力，还需要行业、政府推动共性数据的共享，打造全面风险管理“数字、智能生态圈” ，大幅提升对证券公司稳健运营的支撑保障能力。
3深入场景，促进金融科技全方位融合
技术融合是风险管理智能化转型的必经之路，在技术的延伸过程中，各项技术在风控场景下的应用各有不同和侧重，唯有多项技术融合方能使智能风控更成熟与完善。如利用物联网技术采集线下数据，增加可用数据维度;采用深度学习等模型进行信用评级、风险预警等;通过区块链解决数据孤岛难题，实现多方数据共享平台，大幅降低数据获取成本;可利用声纹识别、活体识别、虹膜识别、OCR等技术进行身份识别与核查，完成自动化审批，降低客户违规风险;云计算增强风险计量能力，提高系统响应速度。此外，知识图谱、生物特征识别、图计算等众多前沿技术的应用值得进一步探索。
4建章立制，完善“系统协作”保障机制
风险管理智能化转型是一个持续的系统性工程，需要在管理、沟通协作、跟踪、优化和决策等方面建立稳定的机制，保障转型工作的有序可控。具体来看，为保障智能化转型的顺利实施，证券公司应健全管理协作、议事决策、跟踪推进以及评估优化等机制。其中，管理与协作机制的建立主要为了保障风险管理智能化转型过程中各项工作的协调承接，以及各项资源的管理调用。议事和决策机制的建立主要为了规范风险管理智能化转型过程中遇到各类问题时的决策方式，最大限度地实现高质量、高效率的决策。跟踪和推进机制的建立主要为了保障风险管理智能化转型的实施进度，衡量转型实际情况与计划情况的差距，从整体层面对风险管理智能化转型进度进行跟踪和推进。评估和优化机制的建立主要为了对整体风险管理智能化建设水平进行合理评估，以此反映出转型效果，便于公司进行调整。
5外引内荐，筑牢智能化转型人才基石
在人才建设方面，建议通过“外引内荐”的方式，充分挖掘内部现有人才资源，配合专项招聘，高效组建具备IT、金融知识、法律等知识与技能的复合型人才团队。一方面，应注重内部人才的挖掘和培养，智能化转型团队作为内部人才的资源池和摇篮，其成员可以成为人才骨干和种子选手，带动公司其他人员的发展。另一方面，还可通过引入外部专家和专项人才，在专业领域发挥较大价值。
参考文献
[1]王欣基于人工智能的移动金融风控体系建设中的实践[J].信息安全研究，2017，3（11）：1000-1005
[2]白云飞，边鹏摩根大通，老牌巨头引领华尔街数字化转型[EB/OL]. https：//www cebnetcomcn/20190203/102550104html，2019-02-03
[3]周家乐智能风控助力金融风险防控[J].清华金融评论，2019（5）：61-62
[4]2019中国智能风控企业50强[EB/OL]. https：//wwwsohucom/a/331467946_120269520，2019-09-09
关键词：金融科技 数字化转型 智能风控
一、引言
金融的核心和前提在于风险管理，伴随着证券行业从电子化、互联网金融到智能化的金融科技演进历程，传统风控也逐步衍生出更多科技化、数据化的模块和应用，机器学习、知识图谱、区块链等众多前沿金融科技手段也开始渗透到风险管理領域，尤其自2012年消费金融爆发式增长以来，智能风控被广泛提及，成为金融科技领域较为主要的应用场景之一。近年来，频繁出台的行业监管政策更是对金融机构的风险管理能力的严峻考验，布局智能风险管理技术体系几乎成为金融机构的“标配”。然而，如何以科技赋能风险管理，实现真正意义的“智能风控”，已经成为整个行业都在探讨和研究的热点问题。
二、智能风控内涵界定
最初，业界普遍将“智能风控”定义为“大数据风控”，如今随着金融科技发展的进一步深化，“智能风控”已不局限于大数据技术的应用。狭义的智能风控是指通过大数据手段进行风险的智能识别、分析及预警;广义的智能风控则是将生物识别、大数据、云计算、区块链等手段融入风险管理全链条，打造整体智能风险管理体系，实现风险的精益化管理。万变不离其宗，智能风控并没有改变核心业务逻辑，“智能”作为辅助手段，无论技术如何迭代更新， 其目的始终是更好地实现风险管理这一核心目标。
智能风控通过融合金融科技手段，突破了传统风险管理模式在效率与空间上的局限性，智能风控与传统风控的差异具体体现在数据来源、操作模式、风控目标、技术及技术应用场景等多个方面，如表1所示。
数据方面，区别于传统风控，智能风控不仅可以处理结构化标准数据，还可通过自然语言处理、语音识别、图计算、生物特征识别等技术完成非结构化、多模态数据的处理与应用，突破传统风控信息不足的瓶颈，提高可用数据的广度与深度，最大化地挖掘海量数据的隐藏价值。技术方面，智能风控嵌入多元技术手段、措施和方法，达到风险管理流程的事前、事中、事后全链条自动化，完善业务流程、降低风控成本的同时，化业务驱动为数据驱动，化被动管理为主动管理。
总体来看，智能风控应用可贯穿于风险管理流程始末。目前，其在证券行业的应用场景主要分布情况：事前环节，主要包括大数据授信、自动化审批、风险画像等;事中环节，包括智能舆情分析、异常交易监控、反欺诈等;事后环节，包括存续期项目风险管理、催收等，如图1所示。
图1 金融科技在风控全流程中的应用场景
三、国内外证券行业智能风控发展现状
（一）国外投行智能风控发展现状
国外投资银行起步较早，基础相对扎实，对数字化的探索已进入比较领先的阶段，而其金融科技手段最早的应用场景聚焦在智能投资顾问领域，由于市场、监管环境的差异，国外存在的诸如对隐私保护、对数据安全的限制等因素一定程度上制约了其智能风险管理的发展。
高盛是国际投行领先实践的代表，其通过科技手段，实现了交易的电子化、自动化，并通过打造数据湖，整合有关客户、交易、市场和投资研究等即时数据，为风险分析提供了多维度的数据支撑。另外，高盛自主研发了SecDB，将其作为内部风险管理的主要工具。依托SecDB，高盛自主研发打造了Marquee平台，允许客户通过API或Web访问，帮助机构用户预测和了解风险，如图2所示。
摩根大通近几年将大量资金、人力倾注于新技术的开发及应用，彰显了其对金融科技赋能的决心。持续地巨额投入成就了其数字银行、智能投顾、电子钱包等产品，搭建了全球30多个数据中心、近28000个数据库，在持续投入下，摩根大通在大数据风控方面硕果累累，获得了丰厚的回报，摩根大通使用大数据主要用于信贷审批、风险管理等环节，大大降低了公司不良贷款率，每年可为其创收6亿美元。
数据是智能风控乃至金融科技的关键与前提，其质量与规模直接决定了风控是否有效。对国内金融机构而言，应充分借鉴外国投行的数字化举措，大力推进数字化转型，以突破风控源数据匮乏的瓶颈。此外，国内外证券市场存在较大差异，该差异主要来源于投资者、监管政策及宏观经济形势等。因此，国内券商应在借鉴领先实践的同时，深度结合自身现状，避免因盲目效仿外资投行而导致转型失败。
（二）国内智能风控发展现状
由于历史发展、市场差异等原因，国外的金融科技手段更聚焦于智能投顾等领域，但在智能风控领域，国内拥有更多的实践，尤其是智能风控在消费金融风险管理的应用，已经走在美国乃至世界的前列。总体来看，大数据背景下来自社交网站和电商平台的海量数据都可刻画出更为全面、多元、立体的客户形象，成为传统金融机构风控体系的补充，弥补其应对当前复杂信息环境的不足。
近年来，券商对于智能风险管理体系的建设需求愈加迫切，市场集中度也逐渐提升。目前，大多券商建设的风险管理信息系统，具备了风险计量与监控、市场咨讯获取、风险展示、报表生成等功能，且其对业务的覆盖面越来越广;部分头部券商已建立了风险管理领导驾驶舱，其各类展示内容专注于全面风险管理工作需求，指标数据界面简洁清晰，利于快速获取机构总体风险状况分析情况，基本样例如图3所示。而驾驶舱等数据展示类项目对公司数据治理及公司层面整体数据运营机制高度依赖，在系统建设及上线运行过程中外围系统数据源对驾驶舱系统能否正常提供服务具有“牵一发而动全身”的影响。 在此基础上，部分券商对知识图谱、自然语言处理、生物识别等前沿技术进行了进一步探索应用。中泰证券基于大知识图谱、自然语言处理、深度学习等技术，结合商业智能等理论方法，构建了包括风险管理领导驾驶舱、系统性风险智能预警系统、同一业务同一客户风险信息管理系统、内部评级系统等在内的智能风险管理体系，总体框架如图4所示。海通证券建设的智慧运维平台，利用“智能调度算法、语音识别、自然语言处理、人脸识别、OCR 识别、大数据分析、RPA”等关键技术，配套“任务分发、参数配置、逻辑校验、应急预案”等支撑机制，实现了“智能监控、智能审核、智能分析、智能操作”的核心目标，充分展现风险的主动化、精细化管理水平。
四、证券公司风险管理智能化转型痛点分析
借助金融科技的东风，智能风险管理得以快速发展。然而总体来看，证券行业风控系统离真正意义的“智能”尚存不小的差距，大部分风险管理系統仍是基于条件筛选、规则设计实现风险的半自动化预警，脱离不开人的经验判断，且行业没有统一的标准，不乏有夸大的现象。因此，需客观正视券商智能风控落地应用过程中带来的其他矛盾和问题。就前期调研结果来看，证券行业智能风险管理应用的挑战和困难可归结于以下几点：数据、场景、机制、开放，而这四点也恰恰是其智能化转型的核心竞争力（见图5）。
（一）数据
数据作为证券公司的一项重要资产，已深入到各个业务和管理环节，并逐渐成为驱动各项决策的重要因素之一。目前证券行业已具备一定的数据规模，但其在数据获取的广度、利用的深度、整合的程度等方面仍有提升空间。
首先，数据碎片化严重，“数据孤岛”现象凸显。大多券商受系统外购、部门系统自建等原因，“数据孤岛”问题严重，部分系统连通性不足，导致数据碎片化，对于从中提取有价值的信息难度较大，影响风控效率和质量。其次，内部数据规模有限，外部数据可用性较差。券商由于业务有限，数据体量不够，信息维度不全，仍需借助于外部数据弥补自有数据的不足。最后，数据价值挖掘不充分，数据分析浮于表层，浅尝辄止，未对数据进行深入挖掘，数据价值尚未得到充分利用。
（二）场景
风控系统全面自动化尚未实现，人工依赖较大，金融科技渗透率还不高，应用场景有待进一步挖掘。目前券商管理中有较多可自动化环节仍依赖人工进行处理，诸多环节均存在重复性较高的手工劳作，不但加大了出错的概率，执行效率也深受影响，且员工的精力大多被浪费在低附加值的劳动中，不利于整体的管理和发展。通过技术赋能，员工的工作结构也可由原先的以基础核算工作为主转变为以决策为主，大大提升风控效率（见图6）。对于该类问题，券商需进行全面排查，统计自动化薄弱环节，评估金融科技手段赋能的可行性和必要性，将更多的前沿科技应用于风控领域。
（三）机制
部分机制尚不健全，科技赋能的前提要素尚不具备。智能风控不单单是科技层面的转型，更需要有配套的机制加以保障，才能更顺利地推动转型。目前证券公司部分机制尚未健全，导致执行力不足，影响内部的管理效率，如总体战略及其详细的战略拆解不够明晰，战略落地执行力不足等。同时，监管政策和立法往往滞后于金融科技的发展，现有的监管框架已被突破，不具备适用性。另外，金融科技依赖人才配置，差异化和精细化风控带来的人才需求激增。
（四）开放
目前，大多证券公司在信息整合力、共享力上稍显不足，资源价值尚未得到最大限度地发挥。在生态方面，券商普遍尚未实施清晰的和具有前瞻性的布局，与外部的合作多有局限。而反观国外领先实践，其在信息共享和生态合作领域的作为可圈可点。高盛通过与谷歌的合作，获取并积累了大量数据资产，为未来产品的开发、服务的优化等奠定了基础。通过与谷歌的合作，高盛可以说是毫不费力地与大量优质客户建立了联系，更获取了丰富的数据和算法测试对象，为提升风控效率奠定了基础。而在未来，随着数据保护形势趋严，获取数据的难度和成本加大，通过生态化的合作方式共享数据将成为行业主流。对于大多数券商而言，无论是内部信息共享还是外部生态合作，与当前领先实践均存在一定差距，需在提升资源共享力的同时，着眼前瞻的生态化布局，通过合作共赢的方式提升信息洞察力。
五、证券行业风控智能化转型路径探索
立足证券行业智能风控痛点，结合国内外领先实践的亮点举措，建议券商打造以“IT支撑”为基石，以“底层数据集市”+“上层智能应用”为驱动，以场景化生态、高效运转机制、复合型人才为抓手的全方位转型体系。
（一）以“IT支撑”为基础，重塑、优化全面风险管理系统工具
信息系统是基础，大多数证券公司已构建了包括全面风险管理、集中监控、舆情分析预警等在内的多套成熟、高效的风险管理信息系统，各系统基于自身架构、功能特点满足了对不同风险类型、不同业务风险管理方面的计量、监控、预警、分析、展示等个性化需求，各系统各具所长、互为补充，对全面风险管理工作的高效开展起到关键的支撑保障作用。智能风险管理则需要通过在现有全面风险管理系统功能框架基础上进行分期功能扩展、改造，实现对各风险管理系统数据及主要风险数据的全覆盖;融合前沿技术手段实现数据的系统化采集与处理;支持报告的自动化生成、数据下钻、指定分发及预警联动分析等功能，实现分业务、分风险类型等模式的风险指标数据展示及分析;优化各类风险处理流程，大幅缩减人工参与环节;通过算法植入、功能接入等方式进一步完善事件图谱关联分析、舆情分析等AI特性，形成集数据采集、展示、分析、预警、跟踪等功能为一体的整体风险智能分析、预警平台。
（二） “底层数据集市”+“上层智能应用”双轮驱动，推动 “业务数字化”向“数字业务化”加速转型
现阶段，证券行业智能风险管理尚处于起步阶段，这与当前行业信息基础设施落后、数据治理薄弱、共享机制尚未完善等因素密切相关。针对以上问题，建议券商以数字化转型实施为引领，以内外部的合作共享机制为依托，夯实底层风险数据集市建设基础，提高风险数据挖掘、使用效率。 1应用先行，倒逼券商加速数字化转型
不同于国外“先数据，后应用”的金融科技发展逻辑，国内互联网金融的快速发展带动了智能风控的广泛应用，尤其在消费金融领域，我国智能风控应用场景更为丰富，走在世界前列。在此背景下，证券公司的智能风控发展 “应用先行”，聚焦在对丰富的场景应用的探索。而智能风险管理本质是数据驱动的风险管理决策，其发展对证券公司薄弱的数据治理带来挑战，倒逼证券公司将重心转移到提升数据管理水平上。尤其2020年上半年疫情暴发，传统风控模式难以适应和支撑特殊时期的金融服务需求，且缺乏公司级数据规范管理体系，难以支持快速决策响应，此次疫情也在一定程度上倒逼金融行业进行数字化转型。證券公司可结合创新工具方法的应用，深刻剖析管理支持类流程本质，以风险识别、分析、评估、监测、报告、处置等风险管理基本工作步骤编制风险管理流程框架，深入推进流程梳理优化工作。
2合作共享，构建风险管理“数字、智能生态圈”
“合”是金融科技的大势所趋。在自行研发金融科技应用方面，证券公司在基础数据、技术、人才方面相对于互联网企业或金融科技公司都没有比较优势。合作的根本是优势的互补，不是简单地购买金融科技服务和产品，最重要的是通过合作打通大数据孤岛，提升基础技术水平和金融科技能力输出，实现互惠共赢。对证券公司来说，智能风险管理的关键除了算法和模型外，还有内部核心小数据和外部大数据的有机结合，数据质与量决定了大数据风控的有效性。因此，发展智能风险管理不仅需要证券公司自己的努力，还需要行业、政府推动共性数据的共享，打造全面风险管理“数字、智能生态圈” ，大幅提升对证券公司稳健运营的支撑保障能力。
3深入场景，促进金融科技全方位融合
技术融合是风险管理智能化转型的必经之路，在技术的延伸过程中，各项技术在风控场景下的应用各有不同和侧重，唯有多项技术融合方能使智能风控更成熟与完善。如利用物联网技术采集线下数据，增加可用数据维度;采用深度学习等模型进行信用评级、风险预警等;通过区块链解决数据孤岛难题，实现多方数据共享平台，大幅降低数据获取成本;可利用声纹识别、活体识别、虹膜识别、OCR等技术进行身份识别与核查，完成自动化审批，降低客户违规风险;云计算增强风险计量能力，提高系统响应速度。此外，知识图谱、生物特征识别、图计算等众多前沿技术的应用值得进一步探索。
4建章立制，完善“系统协作”保障机制
风险管理智能化转型是一个持续的系统性工程，需要在管理、沟通协作、跟踪、优化和决策等方面建立稳定的机制，保障转型工作的有序可控。具体来看，为保障智能化转型的顺利实施，证券公司应健全管理协作、议事决策、跟踪推进以及评估优化等机制。其中，管理与协作机制的建立主要为了保障风险管理智能化转型过程中各项工作的协调承接，以及各项资源的管理调用。议事和决策机制的建立主要为了规范风险管理智能化转型过程中遇到各类问题时的决策方式，最大限度地实现高质量、高效率的决策。跟踪和推进机制的建立主要为了保障风险管理智能化转型的实施进度，衡量转型实际情况与计划情况的差距，从整体层面对风险管理智能化转型进度进行跟踪和推进。评估和优化机制的建立主要为了对整体风险管理智能化建设水平进行合理评估，以此反映出转型效果，便于公司进行调整。
5外引内荐，筑牢智能化转型人才基石
在人才建设方面，建议通过“外引内荐”的方式，充分挖掘内部现有人才资源，配合专项招聘，高效组建具备IT、金融知识、法律等知识与技能的复合型人才团队。一方面，应注重内部人才的挖掘和培养，智能化转型团队作为内部人才的资源池和摇篮，其成员可以成为人才骨干和种子选手，带动公司其他人员的发展。另一方面，还可通过引入外部专家和专项人才，在专业领域发挥较大价值。
参考文献
[1]王欣基于人工智能的移动金融风控体系建设中的实践[J].信息安全研究，2017，3（11）：1000-1005
[2]白云飞，边鹏摩根大通，老牌巨头引领华尔街数字化转型[EB/OL]. https：//www cebnetcomcn/20190203/102550104html，2019-02-03
[3]周家乐智能风控助力金融风险防控[J].清华金融评论，2019（5）：61-62
[4]2019中国智能风控企业50强[EB/OL]. https：//wwwsohucom/a/331467946_120269520，2019-09-09