防范化解风险是金融业永恒的主题。随着时代发展和科技进步，大数据、云计算等先进技术为银行智慧风控赋能。农业银行湖南省分行因地制宜推进科技与金融融合，通过数据、模型“双轮驱动”，探索信用风险、操作风险、员工行为风险等智慧化管控，提升风险控制的质量和效率。

(相关资料图)

中国农业银行湖南省分行行长 陶伟梁

银行智慧风控面临的主要问题

1.数据支撑方面。银行智慧风控体系的搭建，信息数据的利用是基础，而银行往往面临数据信息庞杂、整体质量不优的问题。主要体现在：一是数据体量不足。由于内部数据较为单一、外部数据引入有待丰富以及“部门银行”带来的“数据孤岛”等问题，商业银行可以用来进行智慧风控的数据整体有限。二是数据真实性校验困难。因数据来源不一、数据采集人员素质不齐、缺乏数据准入评估标准等问题，即便是商业银行现有的数据，其真实性和可靠性难以准确判断，数据可靠性有待商榷。三是数据有效性问题。商业银行现有数据中，有一部分为外来数据，如外部监管数据（征信、失信被执行、法院判决等）、同业信贷数据等，这部分数据由于为外部引入，数据更新受制于外部因素，难以做到即时更新，数据时效性制约数据本身的有效性。

2.模型效能方面。智慧风控的实现，既要充分收集、挖掘数据，也要针对性建立技术模型，实现系统风控功能，最终才能达成风险控制的目的。模型搭建方面，银行面临多方面困难：一是旧技术模型满足不了新型风险的防控需要。面对黑灰产、电信诈骗、跨境洗钱、贷款欺诈等严峻犯罪形势及狡诈多变的犯罪手段，传统风控模型已经难以满足业务发展需要，商业银行必须不断探索引入新兴技术，提升技术模型对新型风险的识别能力。二是单一模型逐渐满足不了全流程风控需要。由于算法性质、模型框架等因素，单一模型往往难以兼顾可解释性与系统性能，需要探索多框架、多算法的融合模型。农业银行湖南省分行正探索集成决策树、机器学习及专家规则等技术于一体的融合模型可行性。

3.模型应用方面。技术模型的应用效果，80%来自于数据的提升，20%来自于算法的提升，其中数据起着决定性作用，要实现模型的有效应用，引入更丰富、更多维度的优质数据加入到模型中，实现快速迭代尤其重要。而优质数据的采集需要提前规划和埋点，银行风控工作贯穿于前中后台各条线、省市县级各机构，要想切实将数据模型应用到风控的每一道流程、贯穿到业务流程全周期，应当在产品创新阶段充分考量，从立项阶段便开始考虑每个阶段的风控模型所需要的数据怎么采集、怎么确保质量，实现业务数据化与业务流程有机融合。而实际上，银行许多信息系统建设时间都比较早，在系统建设之初并没有考虑到当下大数据和模型应用如此广泛，银行更多的是保留了客户金融性交易数据，而忽略了客户行为等非金融性数据的合法采集。若对老系统的改造和升级，一方面改造本身存在风险，尤其是核心交易系统风险更大，另一方面改造成本高，这些在某种程度也限制了数据和模型的迭代。因此，由于商业银行数据规范和治理体系不健全、数据质量差且缺失率高、复合型科技人才匮乏，银行难以实现技术模型大规模应用。

推进智慧风控的探索与实践

智慧风险控制需要实现对风险的精准识别、计量、监测和最终控制。农业银行湖南省分行聚焦信用风险、操作风险等重点领域，运用大数据，搭建智慧风控模型，为风险全流程管控提供支撑。

1.信用风险领域。一是搭建网捷贷风险预警模型。近年来，以网捷贷为代表的线上信贷蓬勃发展，强化线上信贷风险管理迫在眉睫。湖南省分行跨部门协作构建网捷贷风控模型，基于客户基本信息、金融交易行为、用信等数据，通过机器学习算法对网捷贷历史违约数据进行学习，结合概率统计对各项观测指标进行评分，实现贷款逾期测算。借助该模型进行个贷客户管理，管户经理不仅能对已逾期贷款催收，而且能对可能产生违约风险的贷款提前管控。二是研发个人资产业务管户系统。2021年，农业银行湖南省分行开发个人资产业务管户系统，实现客户风险预警、线上首贷风险预警、客户风险管理等功能。系统通过抓取客户逾期及不良贷款数据，与农行内部运营数据进行整合，实现客户风险交叉预警。特别是，该系统引入移动外呼和LBS地理位置定位技术，在贷款出现风险信号后，能对客户经理电话和上门催收等履职过程数据进行采集，一方面历史性解决了客户经理管户过程难以监控的问题；另一方面通过分析电话录音，还可以掌握客户还款意愿、客户经理催收技能情况，为清收提供决策参考。三是开展微银行线上业务欺诈风险监控。以农业银行反欺诈平台为基础，对接农业银行湖南省分行微银行，实现对中联重科工程设备按揭贷款、到家集团等特色业务的欺诈风险监控；通过建立43万余人的涉案人员名单，实现系统名单准入控制，有效防范重复涉案风险。

2.账户风险领域。在反电信网络诈骗形势日益严峻、优化服务监管日趋严格的“双严”背景下，农业银行湖南省分行着眼于事前开户尽职调查、事中准实时交易监测、事后存量账户分析三个环节，实施全流程账户风险智慧管控。一是研发开户尽职调查系统。依托内外部现有涉诈“黑名单”和优质客户白名单数据库，通过系统实现客户涉诈风险快速“画像”，将客户尽职调查结果共享给系统所有使用人，大大提高对新开户客户尽职调查效率，实现涉诈风险前端防控。二是研发准实时总线管控系统。该系统针对账户风险事中控制，通过对账户交易行为进行风险判断，及时进行风险账户预警，将风险账户信息同步至管理端，以便管理人员积极应对。三是研发账户风险排查管理系统。该系统针对账户风险事后控制，通过搭建存量账户风险分析模型，对银行存量账户从涉诈风险层面进行分层分级管理，实现了可疑、涉案账户的线索下发、核查反馈、汇总统计全流程线上化，有效支撑了涉诈账户管控。2022年以来，系统已助力数十批次十余万可疑账户的排查。存量账户风险分析模型同时荣获中国农业银行2021年度反欺诈模型设计一等奖。

3.其他风险领域。一是研发反洗钱预警处理RPA，提升反洗钱预警信息处理效率。通过RPA机器人实现系统内部自动分析客户身份信息、预警信息、历史预警记录、账户资金交易明细并对账户资金交易明细进行初步整理筛查等功能，减少需用户自行录入的字段，降低因人工采集操作产生的误差，提高预警分析处理效率。二是运用科技手段进行员工异常行为检测。对不良信贷资产处置等关键业务，编制“法人客户与员工存在非正常资金往来”等15个监测模型，通过模型监测，揭示员工参与资金过桥、民间借贷以及企业经营等异常行为风险。

提速银行智慧风控进程的思考

守住不发生系统性金融风险底线，科技赋能金融风险控制依旧任重道远。为更好推进银行智慧风险控制，可以重点从四个方面发力。

1.推进数据治理，全面优化数据质量。一是加快整合商业银行内外部数据，主动挖掘银行内部各业务条线、各现有系统的存量数据价值，积极对接工商、司法、供应链等外部数据，加大数据引入力度。二是做实内部数据清理。依托RPA、人工智能等自动化工具，批量开展商业银行内部数据清洗，切实提高数据可用性。三是探索数据共享模式。测试联邦学习等技术，解决跨机构监督数据融合问题。

2.引入新兴技术，全面提升模型效能。一是利用大数据、云计算、数据模型等技术打造标准化、精准化、可泛用的风控模型，做精做细客群分类，助力客户分层管控。二是探索知识图谱、深度学习等技术，充分挖掘客户内外部数据价值，全方位展现客户风险特征，预防外源性风险传导。

3.打通流程堵点，全面推进成果落地。一是做实项目全流程管理，将智慧风控融入商业银行科技产品研发全生命周期，将风险管控与业务发展有机融合起来，重塑智慧风控体系。二是打造跨条线、跨机构柔性产研团队，结合业、技、数三重视角梳理风险特征，围绕渠道建设、产品服务和数据应用等多维度布局反欺诈技术，提升智慧风控全面性。

4.强化队伍建设，全面更新人才结构。在优化数据质量、迭代模型效能之外，专业的反欺诈人才队伍建设对推动成果落地的作用也必不可少。商业银行应着力打造一支跨条线、跨层级的专业风控柔性项目组，发挥银行内部各层级、各部门独有的数据、技术、业务优势，打破“部门银行”壁垒，有效增强整体风险管控能力。

（栏目编辑： 韩维蜜）

责任编辑：