智慧风控体系建设研究与实践

■中国农业银行风险管理部 石智勇

当前，金融科技不断冲击、市场竞争持续深化，经济金融形式变革与新冠肺炎疫情影响交织叠加，商业银行面临的经营环境和风险形势更为复杂。“在危机中育新机，于变局中开新局”，商业银行应把握转型创新主动权，积极建设全面覆盖、全局防御的智慧风控体系，守住不发生系统性金融风险的底线，为提升服务实体经济水平提供有力支撑。

一、智慧风控是适应新业态新模式的必然选择

随着金融科技时代到来，传统风控体系在应对新业态新模式时问题凸显：风险数据有限，难以全面覆盖和描述目标对象的风险特征；风险模型简单，易造成关键风险信号失真，且缺乏自适应和自学习能力；风险管控缺乏前瞻性且过度依赖人工，难以满足线上产品的需求。以突破传统风控瓶颈为目标，智慧风控综合运用金融科技新技术，在积极适应新业态新模式的过程中实现了诸多创新和突破。

一是提升风险数据质效。整合内外部数据、构建风险全景视图，依托数据中心、智能计算的强大算力，深度挖掘海量数据中暗藏的风险信息，穿透式识别客户真实性和资产结构，有效解决了大数据中信息隐藏层次深的问题。

二是增强风控模型效能。新技术提升了风控模型精度和效率：挖掘算法抽取海量数据中的风险特征，通过机器学习、神经网络构建高维非线性风险模型，并通过人工智能强化模型的自适应、自学习能力；进一步拓展模型应用的深度和广度，将其嵌入业务流程和应用场景中，实现了各环节全覆盖、各渠道全接入、各场景全监控。

三是优化风控管理流程。智慧风控不再是独立的体系，而是业务流程中不可分割的一部分，可以根据不同应用场景制定风控策略、构建风控模型，嵌入业务流程中成为贯穿其整个生命周期的风控手段。风控流程全面重塑，与金融产品及服务模式创新深度融合、协同发展。

四是助力商业银行更好地服务客户和实体经济。智慧风控提升了商业银行主动获客的能力，银行可以根据客户画像为客户提供合适的产品和服务，提升客户体验；风控流程与业务流程有效融合，助力了产品的快速迭代，加快了产品的创新速度。商业银行风险经营能力增强，资本配置更为合理、资金运用更为高效，进而更好地践行服务实体经济的使命。

智慧风控起步于互联网金融新业态，伴随着金融产品和服务模式的创新持续发展。以大数据为基础，以金融科技技术为支撑，强化风险管控能力，重塑风险管控流程，降低业务成本，提高业务效率，是适应新客群、新模式、新业态的产物，是商业银行提高自身核心竞争力的必然选择。

二、智慧风控体系建设的关键点

商业银行建设智慧风控体系，应依托金融科技新技术，以“数据”和“模型”为驱动，重塑制度流程与管理机制，加强人才队伍建设，打造全方位、立体化的智慧风控体系，以实现风险管控能力的全面升级。

风险数据方面，要夯实智慧风控体系的数据基础，提高数据价值，合理使用数据，避免数据滥用。一是建立企业级风险数据标准。从企业级视角统筹整合内外部数据，统一数据标准和规范，建立企业级数据的贯通与共享机制，规范风险数据的全生命周期管理，深入挖掘风险数据的价值。二是打造支撑智慧风控的数据中台。将共性的、基础的风险数据元素提炼、封装为服务和组件，实现风险数据产品的标准化、组件化，变“数据”为“资产”，持续沉淀风险数据资产，为智慧风控提供灵活高效的数据支撑。

风控模型方面，模型是智慧风控的核心，要以风控模型为抓手，提升智慧风控体系核心能力。一是加强风控模型的迭代能力。强化模型的数据基础和技术支持，持续监控评估模型的运行情况，依托金融科技技术加强模型的自学习和自适应能力，根据内外部环境和数据变化自动迭代。二是提升风控模型的验证能力。建立健全风控模型验证的数据、方法、管理机制和流程，持续验证模型的缺陷和不足，及时优化改进模型效能。三是强化对模型风险的管理能力。将模型风险纳入全面风险管理体系，明确模型风险管理的组织架构、职责分工及责任机制。按照风险管理的逻辑，持续对模型风险进行识别、监测、评估、控制和缓释。

制度流程方面，要适配智慧风控体系的要求，优化再造风控制度和流程。一是风控制度再造。优化完善适应智慧风控的数据模型管理机制，对风险管理“三道防线”部门的相关制度进行适应性改造，适应业务线上化、自动化和智能化发展的要求。二是风控流程再造。根据业务线上化运作的特点，将风险管理政策、风控策略和措施等通过智慧风控工具、系统嵌入到业务流程和应用场景中，实现风险识别、评估、监测报告和计量的全面再造。

管理机制方面，一是要建立良好的风险偏好传导机制。基于风险偏好，结合风险状况和外部环境，明确风险管理措施，按部门、按条线、按产品分解落实，确保风险管理政策、风控策略与风险管理能力相匹配，并建立监测、报告和纠偏机制。二是建立技术创新管理机制。对成熟应用的新技术要建立技术规范，有序引入，有效管理；对创新应用的新技术，应对创新业务的市场范围等设定限制条件，确定风险限额，以保障创新失败后风险可控。

人才队伍方面，智慧风控体系的建设高度依赖业务和技术的有效结合，亟需“业务+数据+模型”复合型人才。应建立人才的交流和引进机制，培养懂业务、能建模、精通大数据挖掘分析的人才队伍，打破部门壁垒、建立协作机制，推进技术人员与业务人员的跨界联动，打造灵活、敏捷的智慧风控团队。

三、智慧风控体系建设实践

面对日益复杂严峻的风险形势，为主动管理风险、强化风险管控效能，农业银行围绕全行数字化转型发展战略，从企业级视角理顺风控流程，以风险数据为基础，以风控模型为核心，以风险治理体系为顶层设计，规划并逐步建设智慧风控体系（图1）。

图1 智慧风控体系架构

（一）风险数据平台

农业银行风险数据平台主要依托大数据平台，建设风险数据集市和数据中台，为风险管理提供海量的数据资源和高效的数据服务。一是大数据平台。大数据平台支持行内所有源系统数据、行外所有接入数据的统一入库，按统一标准清洗、抽取、转换、建模，建立统一的元数据和数据质量管理机制，为全行各业务领域提供全面、标准化的数据。二是风险数据集市。风险数据集市整合了风险领域的内外部数据，明确了数据规范和统计口径，多维汇总风险数据、风险信号及处置结果，存储公共信息和各风险主题数据，以快速响应各类个性化风控数据需求。三是数据中台。数据中台构建了风险指标库、客户标签库、风险特征库，建立了统一的风险视图，支持对客户信息、经营情况和客户关联的逻辑分析和关系图谱分析，并将其整合封装为轻量级、可复用的数据组件，供风控模型、风险计量、管理决策等场景调用。

（二）风控模型中台

农业银行打造以风控策略中心、模型管控中心、风险计量中心“三大中心”为核心的风控模型中台，持续构建跨领域、全流程、全覆盖的风控模型生态圈。

1. 风控策略中心。风控策略中心（图2）建立统一客户风险评分体系、风险决策大脑、全面风险识别预警、风险水平评价四大功能，以风控模型为抓手，提升了跨领域、跨条线的全面风险管理能力。一是统一客户风险评分体系。通过整合客户信息、授信、评级、表内信贷、表外业务等行内风险信息及政务数据、行为数据等行外风险信息，形成集团统一的全维度、标签化、组件化客户风险评分体系，可支撑营销、准入、授信、贷后等各类风控管理活动。二是风险决策大脑模块。建立集团统一的风险指标库和监控报告机制，对全行各领域风险系统产生的风险信息进行全景扫描，可前瞻性判断风险影响范围和危害，并及时调整更新风险模型及风控策略。三是全面风险识别预警模块。可支持风险规则和风险线索的快速编制和动态更新，能基于最新规则和线索探查实时和历史风险数据中的预警信号；可运用大数据技术进行多维分析，跟踪潜在的风险特征和风险点，快速识别并持续监控各类风险。四是风险水平评价模块。通过设置定量和定性相结合的考评指标，可综合衡量各分行全面风险状况和总体风险水平；总行依据分行风险评价监测和报告结果，能有效分析分行的风险趋势，开展针对性指导，从而形成总分联动的风险管控体系。

图2 风控策略中心架构

2. 模型管控中心。模型管控中心（图3）建立了模型全生命周期、模型资产、模型风险、模型报告与可视化四大功能，实现了对全行风险模型统一监测、评价和报告，及高效、敏捷的全生命周期管理。一是模型全生命周期管理。实现模型开发、模型审批投产、模型验证、模型监控、模型变更和退出等全生命周期管理。二是模型资产管理。通过集中管理全行模型资产，建设风险模型清单库，可存储并能持续更新模型资产基本信息、历史迭代版本、运行效果等信息。三是模型风险管理。通过搭建包括模型风险水平指标、管理能力指标、风险评估结果以及风险控制管理在内的模型风险管控体系，对各类风险模型的运行效果及有效性、适用性、合理性等进行评价和管理。四是模型报告与可视化管理。作为模型管控中心报告功能的统一扎口，记录模型的历史演变情况，形成贯穿全生命周期的模型统一视图，自动化生成模型风险报告、模型验证报告、模型评审报告等管理文档。

图3 模型管控中心架构

3. 风险计量中心。风险计量中心（图4）基于计量组件工厂，实现三大风险事后计量和事前、事中风险计量功能。打破“竖井式”现状，实现了数据共享与功能复用，提高了风险计量质效。一是计量组件工厂。通过整合风险计量流程，提炼包括基本信息、参数信息、违约概率、违约损失率、VaR等基础组件和公共组件，统一风险计量入口，可快速满足个性化的计量要求。二是三大风险事后计量。以全面落实巴III新标准为导向，持续推进信用风险内部评级法、市场风险内部模型法、操作风险新标准法的实施工作。三是事前、事中风险计量。构建事前事中计量模型、规则或指标，以判别客户、区域、行业、产品潜在的风险，可前瞻性采取管控措施，促使风险管理工作前移。

图4 风险计量中心架构

（三）风险治理体系

农业银行持续建设优化服务于新业态的风险治理体系。一是再造风控制度和流程体系。为适应新业务发展，在对传统业务领域管理流程升级再造的同时，制定适应线上业务发展的制度体系。明确了对产品创新管理的要求，制定了配套管理办法。建立风险偏好传导机制，将风险偏好逐步分解传导到各部门、各条线及业务流程环节中。二是优化风险数据和风控模型管理机制。建立数据治理架构，制定数据治理基本制度、数据标准、指标规范，构建企业级数据资产地图。实现了风控模型统一管理，建立持续监测、反馈评价和主动退出管理机制，设立了模型管理专委会，按“三道防线”原则明确业务部门、风险合规部门、审计部门的模型风险管理职责。三是加强复合型人才队伍建设。加快风控领域业技融合，加强业务与技术人员交流合作，开展智慧风控专题培训。业务部门持续增加技术人才比例，建立轮岗机制，成立模型风险、IT风险和数据分析挖掘专职团队，着力打造智慧风控复合型人才队伍。

四、智慧风控体系建设展望

2021年是我国“十四五”规划开局破题之年，在全面推进乡村振兴、加快推动绿色发展的战略部署下，客户下沉速度将持续加快、业务创新需求将更为旺盛。面对新形势、新挑战，智慧风控体系建设如何谋篇布局，实现更大突破，是当前面临的关键问题。从新的发展趋势来看，商业银行未来的智慧风控体系建设应充分发挥平台和工具的协作效能，持续推动将智慧风控工具、模型、系统与前台部门、业务条线、流程环节等进行深度融合，最终实现开放、共享、协作、融合的智慧风控新格局。

（一）构建多平台多工具协作的智慧风控生态

从企业级视角整体规划和统筹设计智慧风控生态，梳理各领域个性化、差异化的风控要求，识别提炼跨领域的风控组件，建设标准化平台、发挥多平台协作效能。一是持续加强风控平台建设。坚持平台化建设思路，将风险管控能力沉降为标准化平台，以支持风控策略敏捷迭代为导向，建立稳定强大、弹性扩展的风控平台，提供丰富的风控技能“工具箱”，满足各类风控场景服务需求。二是充分发挥风控平台的协作效能。围绕风险管控目标，多平台、多工具交互协作、形成合力，发挥出“1+1>2”的效能。建立跨平台风险数据和风控模型的优势互补和交叉验证机制；加强金融科技技术工具的融合，催生发展新动能。

（二）强化智慧风控与“一道防线”的深度融合

智慧风控体系建设应从“一道防线”的业务需求和应用场景出发，充分运用智慧风控工具加强风控的主动性和前瞻性，既要“护城”，又要“攻城”。一是将智慧风控工具广泛部署到业务流程环节中。从业务需求和产品特征出发，丰富智慧风控工具在商业银行各领域的应用场景，强化全业务、全渠道的覆盖度。探索将气候风险管理纳入智慧风控体系并融入业务流程的机制。二是实现风控角色从“管控”到“引领”的转变。将智慧风控工具深度应用于管控准入策略、引导业务流程方面，前置风险管控措施，牵引业务发展方向，积极做好“业务未动，风控先行”。

（三）打造开放共享的智慧风控体系

持续提升智慧风控体系的核心竞争力，实现数据与技术的共享、平台与工具的复用，同时加强产业联动、资源整合，构建开放、合作、共赢的智慧风控体系。一是建设智慧风控服务开放平台。结合自身业务特点和发展路线，实现风控策略和方法的整合解构和模块封装，打造高效复用的平台和工具，建立资源和服务开放共享机制，提升智慧风控服务对外的输出能力。二是构建共建、共享、共赢的开放化智慧风控体系。运用联邦学习、隐私计算等技术，结合外部数据，在自主创新的基础上，加强同业和第三方合作，借助优质资源强化风险管控能力，实现互相赋能、共建共赢的智慧风控新格局。

道阻且长，行则将至。商业银行在建设智慧风控体系的过程中，应拥抱时代变化、紧跟科技潮流，全面提升风险的智能管控能力、前瞻防范能力和主动化解能力，坚决守住不发生系统性风险的底线，筑牢可持续发展的安全屏障，为商业银行服务实体经济高质量发展保驾护航。

智慧风控 摄影：中国农业银行河南省鹤壁市分行 杭 斌