基于大数据的智能投后管理机制研究

李金金 雷凌

摘要：近年来，证券公司信用风险管理的重要性凸显。同时，大数据等技术逐渐从萌芽走向成熟，投后管理理念和路径随之改变。基于此，文章从国内外理论研究分析、可行性分析、国内外实践案例分析的角度，探索证券公司基于大数据的智能投后管理机制，并提出相应的管理建议，投后管理智能化转型要着眼全局合理规划，正视转型过程中面临的诸多挑战，持续提升管理机制效率。

关键词：证券公司；大数据；智能；投后管理

中图分类号：F832   文献标识码：A   文章编号：1674-0688（2023）06-0122-04

0 引言

近年来，随着证券公司信用债投资、融资融券等信用类业务规模快速增长、金融市场信用风险逐渐暴露、资本市场违约事件频发、信用资质逐步分层分化，给证券公司信用风险管理带来了挑战。同时，证券公司参与互换、远期、信用衍生品等场外衍生品交易业务的程度持续加深，客户投融资模式逐步多元化、复杂化、交织化，不同风险类型相互传导，信用风险复杂度不断提升，信用风险已成为券商切实面临的主要风险之一，而投后管理是信用风险全流程管理中重要且不可或缺的环节，体现的是信用风险管理的最终成果。有效的投后管理，是证券公司建立长效发展机制的基石。与此同时，金融科技浪潮蓬勃发展，“金融+科技”以加快公司数字化转型逐步成为证券行业内的共识。以大数据为例，大数据技术应用已逐步全面渗入金融业各领域，投后管理理念和路径随之发生改变，大数据资源及建立其基础上的分析和应用，已成为重要的生产要素和竞争优势。如何将按现代信息技术引入风险管理投后管理环节，助力搭建高效、智能的投后管理体系，实现有效的资产质量管理，已成为一项重要的研究课题。

近年来，国外学者对大数据在风险管理层面应用更多地关注系统性风险层面，Paola等［1］提出了新增非结构化数据入模，基于内外部大数据构建系统性风险模型；Lining等［2］详细介绍了一种基于人工智能的模型用于测量系统性风险的新方法。但是，对风险管理细分领域与大数据相结合的研究，尤其是在信用風险方面的投后管理的研究文献较少，主要集中在违约概率预测方面，Khandani等［3］运用机器学习技术构建了一个非线性、非参数的客户信用风险预测模型，显著提高了客户违约识别率；SYOUNGDOO等［4］就4个非参数机器学习模型和2个参数模型对信用风险违约预测准确度进行比较分析，认为人工神经网络非参数模型的表现最好；SILVIA等［5］则认为集成模型对违约概率预测效果会比单个模型好，而集成模型中，BGEV模型会好于传统逻辑回归模型；Saqib等［6］对当前人工智能和机器学习在风险管理领域应用进行了总结和分类，包括信用风险、市场风险、操作风险等层面。

国内较多学者也探索了商业银行大数据智能化风险体系，认为商业银行已进入智能银行时代，肖馨等［7］、张左敏等［8］、李小庆［9］等对商业银行智能风控体系构建提出了建设性意见，基于民生银行、工商银行等银行实践案例，探讨多模块借助金融科技赋能风险管理，以此优化信贷生命周期中的风险管控能力。部分学者则探索大数据模型在信用风险管理方面应用，刘祥东等［10］就传统统计模型和大数据模型在信用风险识别分析层面应用进行对比；赵先信［11］借助大数据让信用风险管理从估计到看见，使风险可视化、信贷过程透明化、授信场景化等；王裕粟［12］、蔡皎洁等［13］利用大数据技术在信用评级方面进行了广泛的研究，丁爽斯［14］等利用大数据技术进行反欺诈研究及预测。但在信用风险投后模块大数据应用的探索中，国内学者大部分集中在风险预警方面，江训艳［15］基于BP神经网络搭建信用风险预警模型；方匡南等［16］基于逻辑回归构建信用风险预警模型；蒋子雷［17］通过支持向量机（SVM）等模型构建针对中国上市公司债券违约的预警模型；陈毓敏等［18］指出，构建债券违约预警立体防范体系，使用树状分支模型，搭建了4种预警方法，通过对比发现，可将财务预警作为核心，高度警惕“大而不倒”的高评级企业；俞宁子等［19］通过量化手段搭建基于宏观、行业、财务、舆情等因素的预警系统；陈潇澜［20］设计信用风险预警模型并进行实证检验，认为随机森林预警模型更适合于中国上市公司信用风险预警。

1 可行性分析

1.1 海量数据为智能投后转型奠定了基础

从数据覆盖面来看，海量数据打破传统的数据边界，全面整合涉及主体数据来源，涵盖了工商、财务、诉讼、舆情等，具有高数量级、数据更新频次快、能及时捕捉主体风险变化情况的特点，在一定程度上降低信息不对称的风险。从数据类型来看，海量数据不仅包括结构化数据，还包括非结构化数据、半结构化半非结构化数据类型，通过对海量数据的挖掘、清洗和分析，识别有效信息，更全面、清晰地监测和勾勒风险画像，在一定程度上降低投后管理的逆向选择。

1.2 新兴算法提升智能投后量化水平

大数据分析与挖掘技术作为大数据技术体系核心，在其支持下，知识密度低的巨量数据不再视同为数据垃圾或信息过剩，数量容量越大、种类越多、维度越多、形式越多样，意味着可挖掘的知识越多、准确率越高、潜在价值越大。决策树、神经网络、XGBoost（极端梯度增强）、随机森林等算法已成熟并逐步在实践中应用，这些算法为建立大数据模型提供了良好的技术支持，弥补人脑对庞大信息处理和分析能力上的不足，是对传统投后管理模式的重塑和升级。

1.3 大数据存储、处理等技术为投后智能化转型提供技术支持

实现智能化投后管理，会面临数据量庞大、数据源多样、存储负载极高、高访问并发、模型逻辑复杂等问题，传统的数据架构及系统架构很难满足需求。分布式存储技术、Hadoop（一个由Apache基金会开发的分布式系统基础架构，用户可以在不了解分布式底层细节的情况下进行分布式程序开发）分布式系统架构、MapReduce（一种编程模型，用于大于1TB的大规模数据集的并行运算）分布式计算框架、分布式内存计算系统、分布式流计算系统等大数据技术，提高了数据存储、处理和运算等的性能，为大容量、高并发、高效计算的智能投后管理提供技术支持。

2 国内外实践案例分析

2.1 国外投后管理智能化转型案例

（1）高盛（中国）证券有限责任公司（简称高盛）。20世纪90年代，高盛开始使用自创的语言（Slang）构建SecDB（证券数据库），帮助高盛实现跟踪和管理全公司的风险。在导入头寸、客户成本/佣金等业务数据后，SecDB支持证券定价、分析潜在交易并监控风险。2019年，高盛基于SecDB打造综合性平台，并对外开放。客户可通过该平台访问SecDB的数据提取、定价引擎和其他功能等。Marquee内部的GS Markets（全球市场）、SIMON（结构化投资市场和在线网络）、Marquee Trader（交易执行）等多个应用程序覆盖交易周期全阶段，为外部客户赋能。其中，Trade Tracker（交易跟踪）注重交易后管理，为投后管理提供决策支持。

（2）贝莱德集团（简称贝莱德）。贝莱德是世界知名的资产管理公司，公司自主开发了阿拉丁（Aladdin）系统，该系统包括11个数据中心，支持Aladdin运行数十亿个经济场景的预测，并基于预测检查客户投资组合中的每一项资产，对投资组合进行测试。风控模块提供可配置报告、假设分析工具，帮助客户了解投资组合的绩效、风险与敞口，以快速、准确做出投资决策。财富管理平台可通过资产类别、地理位置、风险因素、复杂情景分析等多途径了解投资组合风险敞口；自动识别需要关注的客户和投资账户，并进行警报提醒。贝莱德的阿拉丁系统除了内部使用，从2000年开始已经对外进行输出，阿拉丁系统与第三方IT供应商开发的系统（Dimension）成为IT市场两大巨头，二者合计管理全球超过30万亿美元的资产。

（3）汇丰银行。近年来，汇丰银行通过搭建数字化银行平台，运用人工智能、区块链等最新技术，对其产品、服务、流程多个方面进行变革，持续提升其竞争力。在风险管理方面，汇丰银行通过扫描不同来源交易的结构化和非结构化数据，例如电话号码、地址、公司董事和新闻报道等，通过引入大数据、人工智能等技术查找可疑关联，侦察洗钱、欺诈及恐怖主义式融资的行为。

2.2 国内投后管理智能化转型案例

（1）银行业。银行在大数据、人工智能方面做了较多探索性实践。在基础数据方面，各家银行均收集了行业内外数据，包括行内的客户信息、业务信息、交易流水等，行外的工商、司法、征信等信息，并建立相应的风险标签体系；部分银行也积极探索与互联网公司的场景合作，如工商银行与京东实现跨界合作，联合推出“工银小白”业务。在系统方面，各家银行根据自身业务实际及系统架构搭建风险管理系统，实现对信用风险全生命周期管理。在模型方面，各家银行在传统建模方法基础上，尝试以大数据、区块链、机器学习、知识图谱等先进技术进行模型搭建。在管理应用方面，各家银行依托大数据模型、系统自动识别潜在风险企业，自动预警，提高投后（贷后）管理实效性。

（2）证券公司智能化投后管理实践。金融科技转型已在证券行业形成共识，各大券商将金融科技、数字化转型等作为公司战略，持续加大在智能投资、智能投顾、智能客服、智能风控等领域的投入。在金融科技转型方面，各家券商做了诸多尝试，主要包括数据治理、平台搭建、前沿技术运用等，并与实际业务场景结合，推进应用落地。例如，中信证券2017年搭建智能云平台，该平台提供统一的数据、算力和研发运行环境等。在智能风控方面，一些券商建立了统一风险管理系统，结合内外部数据，采用大数据等技术，提升风险管理实效，实现风险流程管控。例如，海通证券在公司层面建立统一风险管理门户，整合风险数据集市，实现客户身份识别、关联关系识别、关系穿透、收益关系、实控关系查询等，进行智能舆情预警，提升了公司的风险防范能力。在智能投后方面，各家券商重点集中在资讯信息挖掘和分析，进行事件分类、主体关联，精准推送相关主体风险信息，为投后提供决策依据。例如，华泰证券基于全网金融网站的实时新闻数据，借助一些模型进行舆情分析，解析新闻关联的公司、行业和事件，给出情绪标签和异动榜单，对特定事件进行回测，挖掘事件与标的涨跌的相关性，为风险管理提供依据。

3 研究结论与建议

从国内外实践案例来看，深化人工科技赋能、加快数字化转型已成为证券行业乃至金融行业发展的共识，顶层设计是前提，有组织、有计划地开展智能化转型；投后管理理念转变是核心，逐步转变为主动、前瞻、职能投后管理；夯实数据基础是重点，数据是数字化、智能化前提；加强队伍建设是保障；完善风控模型是关键。总体而言，大数据技术乃至其他信息技术如何赋能投后管理，本文提出以下几点建议。

3.1 着眼全局，合理规划

千里之行，始于足下，投后管理转型并非千篇一律，证券公司只有與自身的组织架构、战略方向、业务特点、人员配置等相结合，着眼于全局合理规划，设计适合公司业务特色的投后管理体系，才能达到事半而功倍的管控效果。例如系统建设，投入大且不可逆，推动后，一旦止步或者调整，将付出更多的开发成本、维护成本。又如监测指标，必须为一个基础、一套标签、一套规则，从来源处保持统一，应用于各功能模块，避免同一指标在不同系统模块不同计算结果，各模块功能及数据存在断点。

3.2 拥抱科技，提升管控能力

大数据技术的应用为证券公司提供了新的投后管理方案和思路，有效地提升了证券投后管理能力和水平。以风险监测为例，大数据为证券带来更多元的数据信息与更高维度的投后管理，突破时间、空间、人员等限制，支持7×24 h动态实时监控，有效降低信息不对称风险，与传统后知后觉、被动管理、以人为主的投后管理形成鲜明对比，对潜在风险客户做到早识别、早发现、早应对、早回收，有效提升了投后管理能力。

3.3 辩证使用，持续迭代提升

在风险管理中，无论怎样领先的技术，能够锁定或者探查出的往往只是异常点、疑点。虽然基于大数据的智能风控可以缓解信息不对称的问题，但是不能解决信息不对称的问题，这些异常点、疑点，是否真的是实质风险变化，仍需要风险管理人员进行查证和专家判断，若寄希望于科技能够直接指向问题，其实是不现实也是不可取的。金融科技重要的作用在于敏捷、高效地扩大延伸触角，持续迭代升级风控模型，使其能够及时地、精确地锁定异常点，助力提升风控人员的风险管理质效。同时，证券大数据风控还面临着诸多挑战，大数据风控的效果取决于其源头的数据，但是证券公司本身没有支付数据、网络数据、社交数据、征信数据等，数据往往来源于外部数据采购，数据质量问题、数据孤岛问题是大数据赋能证券投后管理的核心问题。同时，证券大数据风险也存在系统割裂、应用不足、人才不足等问题。总体而言，大数据技术乃至其他信息技术如何赋能投后管理，仍是一个任重而道远的探索过程。

4 参考文献

［1］Paola Cerchiello，Paolo Giudici. Big data analysis for financial risk management［J］. Journal of Big Data，2016，3（1）：1-12.

［2］Lining Yu，Wolfgang Karl HARDLE， WOLFG-ANG KARL，et al. An AI approach to measuring financial risk［J］. The Singapore Economic Review，2019（12）：1-21.

［3］Khandani，Amir E，Adlar J. Kim，and Andrew W. Lo.Consumer credit-risk models via machine-learning algorithms［J］.Journal of Banking and Finance，2010，34（11）： 2767-2787.

［4］SYoungdoo Son，Hyeongmin Byun， Jaewook Lee.Nonparametric machine learning models for predicting the credit default swaps： An empirical study［J］. Expert Systems with Applications，2016（58）：210-220.

［5］Silvia Figini，Federico Bonelli，Emanuele Gi-ovannini.Solvency prediction for small and medium enterprises in banking［J］.Decision Support Systems，2017（102）：91-97.

［6］Saqib Aziz，Michael Dowling.Disrupting Finance-FinTech and Strategy in the 21st Century：Machine Learning and AI for Risk Management［C］.London：Palgrave Macmillan，2019.

［7］肖馨，马远，陈璐.商业银行智能风控探索［J］.中国金融，2019（11）：44-46.

［8］张左敏，李文婷.大数据在商业银行中的应用——基于风险控制的视角［J］.科技与经济，2020，33（4）：61-65.

［9］李小庆.基于“大数据+AI”构建全程智能风控体系［J］.金融科技时代，2021（6）：25-29.

［10］刘祥东，王未卿.我国商业银行信用风险识别的多模型比较研究［J］.经济经纬，2015，32（6）：132-137.

［11］赵先信.信用风险管理：从估计到看见［J］.金融电子化，2019（11）：19-23.

［12］王裕粟.基于數据挖掘的客户信用评级模型的设计与实现［D］.成都：电子科技大学，2010.

［13］蔡皎洁，张玉峰.基于数据挖掘银行客户信用风险评级体系研究［J］.情报杂志，2010，29（2）：47-50.

［14］丁爽斯.基于大数据的互联网金融欺诈行为识别研究［D］.北京：首都经济贸易大学，2016.

［15］江训艳.基于BP神经网络的商业银行信用风险预警研究［J］.财经问题研究，2014（27）：117-119.

［16］方匡南，范新妍，马双鸽.基于网络结构Logistic模型的企业信用风险预警［J］.统计研究，2016，33（4）：50-55.

［17］蒋子雷.基于SVM算法的上市公司信用风险预警模型［J］.现代商贸工业，2020，41（27）：117-119.

［18］陈毓敏，林日裕.不同债券违约预警信号对比与解析［J］.债券，2020（3）：22-27.

［19］俞宁子，刘斯峰，欧阳炎力，等.债券违约风险预警模型探究［J］.中国市场，2016，906（39）：18-29.

［20］陈潇澜.基于机器学习的上市公司信用风险预警研究［D］.长沙：湖南师范大学，2018.