您当前位置:首页 > 专业学习 > 行业实操指导

数据在风险管理中的应用与价值

时间:2016-03-02 13:41:52  来源:  编辑:

 在大数据时代,商业银行多年经营积累的数据已经转变为银行的战略资产。数据是银行的一笔宝贵财富,在银行风险管理、市场营销、经营决策等方面凸显其不可替代的价值。本文聚焦于风险管理领域,对数据在银行风险管理中的应用与价值展开探讨和思考。


一、风险类数据应用模式


商业银行IT 系统正在由“单核心”概念转化为“双核心”概念,“单核心”即早期银行的综合业务系统,它涵盖了传统银行早期前、中、后台所有业务功能,但由于金融业务的快速创新发展,现已经不能快速有力支撑新业务,适应新的经营环境,所以大多数银行探讨核心信息系统改造。

  如下图所示,“双核心”是指,一个“业务核心”、一个“数据核心”,“业务核心”是现在业内常见“小核心、多外围、松耦合”的结构模式。另外一个“数据核心”,就是商业银行大数据平台(系统集合),它从业务系统获取交易级业务数据,在底层打通数据隔阂,数据实现跨渠道、多主题、分层次、全视角、多维度管理与共享,为风险类应用夯实数据基础。风险类分析系统生成的指标及时反馈给业务交易系统,协助业务决策。这样就形成了一个贯穿于完整业务事前、事中和事后流程的风险数据应用闭环。在这个闭环中,“数据核心”如同大脑,“业务核心”如同双手,风险应用系统输出的大脑指令协调双手工作。



基于“数据核心”,便于统一规范风险类数据标准,逐步开展数据合标治理工作,通过将各个业务系统的风险关注信息整合,统一建立、完备和规范化风险管理类视图,实现基于风险管理统一视图进行风险识别、监测、预警、计量、验证、压力测试和风险定价等,全面提升风险精细化管理水平。通过统一标准化风险类指标体系,有效地解决了系统间数据不一致的问题,为高层决策提供支持,满足及时准确的风险监管报送和信息披露需求。还可以集中对数据全生命周期管理,制定数据安全性策略,提升内外部稽核审计响应速度,同时降低生产系统运营负担。


二、风险类数据的应用方向


大数据为商业银行风险管理的深度应用提供了更加广阔的空间和舞台。商业银行通过专用风险数据集市,统一采集风险管理过程中关注信息,实现数据来源统一,发布信息唯一,通过对各业务条线的各类风险数据资源进行整理,并建立起清晰统一风险管理视图,充分挖掘蕴藏于海量数据中的真正价值,不让数据躺在服务器上“睡觉”,系统化地进行数据采集和分析,激发出数据价值活力,切实将从数据中提炼的洞察作为风险管理决策的关键依据。

  结合多数银行现状,数据在风险管理领域的应用,在以下五个方面表现尤为突出。

  1、风险量化。

  巴塞尔协议的每一个版本,均推动着风险量化方法或范围的更新。例如,最具代表性的内部评级体系,以银行内部数据为基础对客户、债项二维度进行内部评级,将内评量化产出的违约概率、违约损失率、违约损失暴露和有效期限等指标,用于预期损失和非预期损失计量,进而量化信用风险监管资本和经济资本。同理,对于市场风险和操作风险的风险类数据进行搜集整合,按照商业银行管理水平的高低,选择合适的方法计量资本。

  由于风险具有不确定性,风险量化模型往往基于历史数据进行数理统计分析,模型对数据的存量和质量要求很高。非零售客户类评级要求5 年历史存量数据,债项评级要求7 年历史存量数据,市场风险内部模型法VaR 要求过去1 年的存量数据,操作风险高级法要求存量数据则更多。

这样目的是确保模型输入端准确的扑捉到敏感性动因,使模型输出真实反应实际变化。另外在返回性验证,再次检验模型合理性的时候,还需要可信度较高且有代表性的数据支撑。必要时,对于有明显偏差的模型,定期对模型进行调整时,需重新选取数据样本,重新建模,还是要依赖高质量的有效数据,在数据库上重新调整ETL(抽取转换加载)逻辑,匹配新的数据规则。

  风险量化输出的结果在风险管理流程、风险限额、风险预警、资本计量等领域均有广泛应用。

  2、多维度风险限额与预警。

  现阶段,我国金融衍生品市场不发达环境下,暂不能通过金融衍生品有效实现风险对冲,所以在实际的风险管理中,规避风险的务实手段主要依赖多维度限额与预警监测。限额管理是建立在风险计量分析基础上的动态化、系统化的风险管理工具。限额管理需要优质的数据支撑,所谓优质数据是指信息丰富、维度全面、覆盖范围广、数据颗粒度细密的业务数据。这样的数据在底层数据库中,按照客户、产品、合同、押品等主题进行管理和存储,同时划分为基础数据层、整合层、

  结果层等层次,这样就可以系统化测定各类风险限额,可以构建分机构、分部门、分产品、分客户、分渠道、分行业、分区域、分币种、分期限等视角的多维度限额管理体系,并对风险限额执行情况持续监测,根据风险新变化及时做出调整。例如,各授信业务规模一旦接近或突破风险限额,马上得到反馈,商业银行立即采取控制措施,可提出警告、上收信贷审批权,或对某一类别客户停止授信,实行严格退出或逐步压缩策略等。在制定限额阈值策略时,可以考虑极端场景,作为参考阈值。

  预警监测第一前提是先识别风险,而后才能确保预警监测的有效性。商业银行每一类风险管理工作,每一个工作环节几乎都涉及到预警监测。这就导致了落实预警监测工作的复杂性,例如:信用风险、市场风险、操作风险、流动性风险、银行账户利率风险等管理中,都需要做到预警监测,在组织归集数据时候,要考虑源于信贷业务系统、国际结算系统、评级系统、核心系统、财务系统、管理会计系统等诸多内部系统数据,及外部市场数据。在数据加工过程中,通过统一的数据业务规则引擎去除数据重复,确保数据唯一真实可靠,这样才能使监测结果真实有效。

  3、风险监管。

  银监会2012 年6 月颁布《商业银行资本管理办法( 试行)》,2015 年2 月发布《商业银行杠杆率管理办法》,2015 年9 月22 日银监会公布再次修订后的新版《商业银行流动性风险管理办法(试行)》,自今年10 月1 日起实施,风险监管再次成为舆论焦点。监管政策出台节奏加快,监管内容越来越严格,监管机构可谓是在“显微镜”下监控着银行的风险管理和稳定经营。对银行而言,适应日益复杂的监管环境是一项极为严峻的工作。

  商业银行可采用“统一规划、统一管理、统一标准、资源共享”设计原则,规划和建设监管报送信息系统。通过将原有各零散系统进行归整,建设统一监管报送数据集市,严格按照监管口径设计数据域。例如,合规建设初期,将信用风险权重法在信用风险域落实,后续落实内部评级法;市场风险标准法在市场风险域落实,后续落实内部模型法;操作风险指标法在操作风险域落实,后续落实标准法和高级法。另外,还可以划分银行账户利率风险域、流动性风险域、集中度风险域、ICAAP 资本域等,具体落实相关监管要求。全视角采集风险计量、返回验证、压力测试等指标,通过全面监管报告综合披露资本金充足率、风险加权资产(RWA)、风险价值(VaR)、风险收益(EaR)、杠杆率等风险管理信息。

  采用这种实践方式,将合规部门各项监管规定转化为清晰、可行,且在全行内能够统一执行的具体标准,并进行相应的风险指导与监督。

  4、风险定价。

  基于风险定价的模型较多,实践中的重点难点问题是如何在产品维度上归集定价模型中的成本信息和各类交易属性信息。实践中可以基于银行内部专用数据集市建立产品定价引擎,从管理会计抓取管理成本信息、从内部资金转移定价系统获取资金成本信息、从风险系统获取风险成本和资本成本信息、从其他风险相关系统获取客户、行业、区域等风险敏感信息,抓取交易级信息并尽可能附带更多交易属性类数据,这样就可以捕获到产品、客户、区域、行业、渠道等多维度贡献度信息。这些正是基于风险定价最依赖的数据。

另外,通过引入外部市场数据,纳入定价数据集市中管理,根据市场利率波动传导机制,分析出对敏感型资产与负债利息收支和净市值的影响,可以有效地适时调整产品价格,矫正资源不合理分配,使风险可控范围内,定价合理,收益最大。

  5、全面风险报告。

  全面风险报告是当之无愧的风险类数据统一视图应用。它所抓取和展示的风险信息,从风险的视角出发,打通了业务条线数据隔阂,包括了银行前中后台全部的经营信息,覆盖业务的每一个角落,统一集成了外部披露信息和内部管理决策信息。全面风险报告充分采集业务信息和更高频率分析数据,既可以做到及时风险预警展示,也可以发挥监测作用。多维度展示银行业务的限额、客户、行业、区域、抵押品、集中度等情况,有利于及时监测资产质量,提前发现异常变化,为风险预控提供技术支持。例如,将动态客户评级指标作为授信调整重要标准,对风险较高或呈现上升趋势客户终止授信,并加大本金回收力度,或在新合同中,调整贷款期限和担保条件,而对风险低、盈利潜力大的客户给予更多的授信支持。

  全面风险报告是众多零散系统风险类关注指标的唯一发布出口,保证了数据准确权威。包括信用风险、市场风险、操作风险、银行账户利率风险、流动性风险、集中度风险、ICAAP 资本管理、风险与资本错配、资本充足性等指标类型。从风险管理宏观到微观,360 度全视角、多维度展示风险信息。


三、未来风险数据的深度应用


1、风险前移。

  未来借助大数据分析,从营销阶段就开始对业务风险进行识别与捕获。例如,在发放一笔贷款之前,可以对客户和债项进行预测算,预测出客户违约概率,这笔贷款如果发生违约时候的违约损失率,进而预算出这笔贷款的预期损失,一旦预期损失超过风险偏好底线,就决定不做这笔业务。这依赖培养一支高素质的营销队伍,营销团队应该天生具备风险防范意识。切记,一百个发展抵不上一个风险,不发展是最大风险的道理,做好风险与收益的平衡。

  2、多维度风险洞察。

  产生风险的因素是多元化的,这就造成风险分析的复杂性。未来数据的采集会趋于更加丰富,基于模型量化后的风险指标展示,会趋向于多维度。例如,对一笔金融市场业务分析,会从产品估值定价、收益率、基点价值(PVBP)、久期、凸度、风险价值(VaR)、交易对手、存续期、投资组合、交易策略、风险缓释等多维度对这笔业务进行风险识别、限额、监测、预警和压力测试,实现全方位风险洞察。

  3、风险预算。

  随着商业银行数据的深度应用和内部精细化管理的提升,风险预算将会纳入到全面预算体系。例如,制订流动性风险预算,提前将风险偏好落实为具体流动性缺口、流动性覆盖率(LCR)、净稳定资金比率(NSFR)等预算指标,通过风险预算目标引导,引领业务发展和风险成本控制,为风险管理的事前防范、事后评价和风险调整绩效考核提供参照。

文章来源:《金融电子化》杂志

专业学习

qrcode_for_gh_b21e4e580d56_258.jpg

协会官方微信公众号二维码