大数据时代下,金融企业风险管理

摘  要

随着信息科学的发展和科技的爆发，世界开始进入“大数据”时代，通过数据分析创造价值已经成为大势所趋。对于很多金融企业来说，爆炸式增长的客户数据是一个亟待开发的资源。数据中所蕴藏的无限信息金矿若以先进的分析技术加以利用，将转化为极具价值的洞察力，能够帮助金融企业执行实时风险管理，成为金融企业的强大保护盾，保证金融企业的正常运营。

关键词：大数据；风险分析；风险管理；金融欺诈

一、大数据时代到来

（一）何为大数据

继物联网、云计算、移动互联网之后，大数据（Big Data）有望开拓一个新的黄金时代，引起金融行业的高度关注。

作为特指的大数据，按EMC的界定，其中的“大”是指大型数据，一般在10TB规模左右；多用户把多个数据集放在一起，形成PB级的数据量；同时这些数据来自多种数据源，以实时、迭代的方式来实现。IBM把大数据概况成了三个V，既大量化（Volume）、多样化（Variety）、和快速化（Velocity）。大数据通常与Hadoop、NoSQL、数据分析与挖掘、数据仓库、商业职能以及开源云计算架构等诸多热点话题联系在一起。

（二）大数据创造新价值

麦肯锡在研究报告中指出，数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素。人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。大数据技术将通过多种方式来为我们这个世界创造价值。首先，大数据技术能够增加企业和价格的透明度，降低社会管理成本和交易摩擦成本。其次，大数据技术能够提高企业数据的准确性和及时性，使得企业可以更好地控制自己的设备与制造流程。另外，庞大的消费者数据将有利于企业进一步挖掘细分市场机会，提高产品的消费者满意程度。同时，大数据的智能分析还将提高企业的决策水平，进一步降低企业经营的风险。最后，大数据分析研发过程中的应用，还能够缩短产品研发时间，提高企业在商业模式、产品和服务上的创新能力。

大数据对中国产业的影响主要在于两根主线：数据分析与存储设备。前者一方面将加快中国企业信息化建设的进程，另一方面会刺激企业在数据分析相关产品上的支出；后者则会推动企业在硬件设备上的支出和数据中心的建设。娱乐、媒体、医疗保健和视频监控则是新的数据增长源最明显的例子。如Twitter、 和Youtube 等社交媒体解决方案是最新的新数据源。麦肯锡报告的发布也引起了金融界对大数据的高度关注。包括国金证券研究所、国泰君安证券研究所、银河证券在内的多家卖方研究机构在对大数据进行深入调研后，认为这或将会成为贯穿2012 年的一条全新投资主线，并开始向买方机构大力推荐。

二、大数据：金融企业所面临的风险与挑战

大数据是推动企业数据分析投资的一个重要驱动力，优秀的数据分析能力恰恰是当今金融市场最需要的创新关键所在。”客户关系定价、资本管理、公司财务表现、交易执行、安全和反欺诈等管理所需的业务分析是完善决策制定的核心基础。在目前动荡的金融环境中，是否拥有有效大数据及相关先进模型能力，对不同渠道和业务进行实时和历史分析与决策，将成为成功和失败企业的分水岭。

大数据涉及数据库技术从底层到顶层的一系列变革，这也可能是一个比较长期的过程，其所带来的成长有可能在短期难以兑现。目前欧债危机、美国经济低迷、国内通货膨胀使全球经济形势不甚明朗，未来也充满了不确定性。在世界经济与社会发展不平衡性并存的背景下，通过创新和变革来增强应对能力，成为全球企业的共同选择。在围绕大数据生态系统的商业模式正在形成的同时，这一系统在安全领域同样也引发了广泛的注意。在2012 年的RSA 大会上对大数据分析是否能给予安全引发了激烈的讨论。有的分析机构和分析师认为大数据将催生新的安全算法市场，为安全分析提供新的可能性。与此同时，虽然面临的问题和障碍还有很多，SIEM 安全工具必须要跟上趋势的发展。

图1 是麦肯锡全球研究所针对美国各个行业应用大数据潜在价值提升做的一个评估，可以看到，未来、批发贸易、金融保险、信息技术等诸多行业都将在大数据技术中获得极大的价值提升。

图1 麦肯锡全球研究所针对美国各个行业应用大数据做的一个评估

从麦肯锡的研究报告我们可以看到，仅美国医疗服务业、欧洲公共管理部门和全球定位数据市场三个领域每年就能产生超过7 千亿美元的市场价值。我们有理由相信未来大数据的产业规模将会至少以万亿美元来进行衡量，大数据将有可能给IT 行业开拓一个新的黄金时代。事实上，全球互联网巨头都已意识到了大数据时代数据的重要意义。自2010 年以来各大IT 巨头在大数据领域的产品推出进度，关于大数据主题的并购数量和规模正在逐步上升，包括EMC、惠普、IBM、微软、Oracle、SAP、Teradata在内的全球IT 巨头纷纷通过收购大数据相关厂商来实现技术整合，其中最大的一笔是2011 年8 月惠普宣布的以103 亿美元收购英国非结构化信息处理软件公司Autonomy，亦可见其对大数据的重视。近年IDC 预测2012 年可能会是充满由大数据引发的合并及收购活动的一年。

根据麦肯锡《大数据：创新、竞争和生产力的下一个前沿领域》披露的数据，目前、传媒、银行、证券、公用事业等行业平均每家企业存储数据总量已经超过1PB。最高的证券行业，平均存储数据量已经近4PB。几乎已经到了“数据就是业务本身”的地步。随着互联网技术的不断发展，“数据本身是资产”这一点在业界已经形成共识。如果说云计算为数据资产提供了保管、访问的场所和渠道，那么如何盘活数据资产，使其为国家治理、企业决策乃至个人生活服务则是大数据的核心议题，也是云计算内在的灵魂和必然的升级方向。

数据量的急剧增长不仅要求在带宽和存储设备等基础设施方面增加大量投入，而且使企业处于进退两难的境地。如果采取无所作为、固守原状的鸵鸟，那就可能失去未来发展的机会，失去业内竞争的本钱，早晚会被产业淘汰或者居于下游；如果与时俱进，转型适应大数据时代的到来，那就需要对公司的现有产品和运营体系进行全面的改造，例如网站架构的重建，产品的通用化、标准化、模块化，商业模式的创新等。这对绝大多数金融企业而言，既要维持现有业务，保持业绩的稳定和增长，又要加大投入，迅速转型，处于进退维谷的两难境地。

三、大数据：金融企业的风险管理

（一）实时敏锐的风险管理

在近几年的经济危机中，金融企业风险管理能力的重要性日渐彰显。抵押公司、零售银行、投资银行、保险公司、对冲基金和其他机构对风险管理系统和实践的改进已迫在眉睫。要提高风险管理实践，行业监管机构和金融企业管理人员需要了解最为微小的交易中涵盖的实时综合风险信息；投资银行需要知道每次衍生产品交易对总体风险的影响； 而零售银行需要对信用卡、贷款、抵押等产品的客户级风险进行综合评估。这些细小信息会引发较大的数据量。金融企业可以利用大数据分析平台，实现以下分析，从而进行风险管理。

（1）自下而上的风险分析。分析ACH 交易、信贷支付交易，以获取反映压力、违约或积级发展机会。

（2）业务联系和欺诈分析。为业务交易引入信用卡和借记卡数据，以辨别欺诈交易。

（3）跨帐户参考分析。分析ACH 交易的文本材料（工资存款、资产购买），以发现更多营销机会。

（4）事件式营销。将改变生活的事件（换工作、改变婚姻状况、置房等）视为营销机会。

（5）交易对手网络风险分析。了解证券和交易对手间的风险概况和联系。

（二）技术策略选择

Gartner 对未来五年的预测提醒企业，如果不采取大数据的策略将失去竞争力。谁能提前采用大数据技术，就能在竞争中取得一些先机。

金融企业面临的重要问题是从业务到分析，即通过前端业务系统支持金融企业的运营和业务，通过数据仓库支持基于业务数据的客户价值分析与挖掘，为金融决策提供数据支持与辅助。大数据时代的金融企业数据分析技术选择策略需要考虑以下因素。

（1）金融数据仓库。电子银行业务具有跨地域性、跨金融企业的特征，金融分析与安全防范同样需要将金融企业作为一个分析的整体，需要打破企业之间的垂直壁垒，实现数据的整合，实现我国金融行业的数据仓库，为整体金融行业提供服务。

（2）大数据仓库（Big Data Warehouse）。大数据扩展了数据在“量”和“质”上的内涵和外延，与传统的结构化数据仓库相比，非结构化数据作为新的数据源成为金融分析与挖掘的另一个重要维度，如何对非结构化大数据进行统一而有效的管理，如何将非结构化数据分析纳入结构化数据仓库统一的范畴之内是一个重要的技术发展方向。数据仓库的精髓是面向主题的分析型数据集，大数据仓库技术需要对用户屏蔽底层数据结构性差异和处理性差异，在数据逻辑视图层面为金融企业决策分析提供统一和全面的分析视图，提高金融决策分析的支持度。

（3）突破数据仓库的性能和扩展性瓶颈。传统的数据仓库最大的瓶颈是性能，随着大数据的出现，传统基于数据库的解决方案又面临着扩展性瓶颈问题。因此，大数据时代的数据仓库技术必须把性能和扩展性作为最重要的指标：在体系结构上以无共享（shared nothing, SN）、弱耦合架构为基础；在分析处理模型上结合先进的列存储数据技术、内存数据库技术、多核并行处理技术、SSD 固态硬盘存储技术等先进的软件、硬件技术来从存储模型优化、存储访问优化、分析处理优化等多个方面来提高数据仓库的性能。

（4）大数据仓库的成本与节能减耗需求。随着计算硬件成本的降低，大型数据中心制冷成本所占的比例逐渐上升，并成为现代数据中心首要考虑的成本因素。当前主流的Hadoop 技术使用简单的平面文件存储，存储效率较差。为保证容错采用的多复本机制进一步提高了存储开销，从而提高了集群规模，导致在集群管理、维护、散热等诸多方面的连锁效应，难以有效地降低成本。Google 将大型数据中心建立在北欧国家以降低系统散热成本的作法并不适用于高安全性要求的金融企业的大型数据中心，因此需要从提高大数据仓库存储效率的方向着手来控制数据中心的成本与节能减耗需求，通过综合的成本评估模型决策大数据中心的建设与技术方案。

（5）降低大数据仓库管理成本。当数据在“量”的积累上达到一定的程度，必将使其在复杂度的“质”上产生飞跃，大幅度增加其管理成本。Hadoop 技术在分布式存储和容错处理方面提供了一个简单高效的模型，在MapReduce 任务调度上实现了自管理。与此相对，并行数据库技术在扩展性上存在很大不足，系统扩张时需要复杂的配置和数据迁移工作。因此，大数据仓库需要在系统架构上吸收Hadoop灵活和高可扩展的技术优势，在存储和复杂分析处理上吸收数据库的高性能和高存储效率的技术优势，提高系统综合性能，减少系统管理复杂度，降低大数据仓库管理成本。

（三）用大数据防金融欺诈

通过在银行反欺诈系统中增加对大数据的处理能力，让决策更为科学和精准，从而帮助银行控制风险、提高业务收益。

为了防范风险，银行在信用卡业务及各种贷款业务中都会用到各种反欺诈解决方案。本质上，反欺诈就是根据数学模型对所获取的各种数据进行分析，从而判断某笔交易可能存在的风险。反欺诈解决方度取决于数据模式是否科学，同时也取决于获取的数据是否全面、准确，由于数据模型是否科学也是建立在事先对大量的数据进行分析的基础上，因此，数据反欺诈解决方案中的根本，这其中也包括大数据。相对于车贷、房贷等零售信贷业务，信用卡业务利润更高，同时风险也更大，反欺诈系统显得尤其重要。反欺诈需要对用户身份、过往费行为以及消费发生的时间、地点等要素进行关联分析，资料越详尽，结果就越准确。另一方面，随着信用卡发行量的迅速攀升(目前，全国信用卡的发卡量已经超过2 亿张)，新的数据几乎每时每刻都在生成，这些因素都在挑战反欺诈系统的执行效率。从某种程度上说，反欺诈系统已经是一种大数据的处理系统。因为在大数据的“3V”特征中，目前的反欺诈系统处理的数据至少已经具备两个特征:海量数据、数据生成速度非常快。而未来肯定还会在数据类型方面进一步丰富，不仅能分析和处理结构化数据，还能分析和处理邮件、语音、视频等非结构化数据。

对于大数据的跟踪和研究，关注在其影响下的金融市场，以此解释快速发展变化的新技术，洞察信息产业发展规律。才能发现真正具备长期投资价值的公司。要相信，更宽广的视野、更频繁的交流、更深入的思考，将对金融企业的发展更有价值。

参考文献

[1] 徐赐发. 大数据时代金融企业面临的挑战[J]. 2012中国国际信息通信展专刊，2012（17）

[2] 刘静如. 大数据：金融企业的盾与剑[J].科学技术与工程，2011（12）.

[3] 陈航．   后危机时代金融创新与风险管理的协调发展 [J] ．财经研究，2011（12）：27-31

[4] 林兰钧．金融创新与金融风险管理措施的初探 [J]. 金融经济，2012（3）：21-25

[5] 何弟. 金融风险管理的VAR方法及其应用 [J]. 时代金融，2012（27）：87-88. 

[6] Chen R D, Song Y S, Zhou H Y. Convergence theorems for implicit iteration process for a finite family for implicit iteration process for afinit family of continuous peudocotacitive mappings[J].2009,312(2):701-709

[7]李润春. 金融创新与金融风险管理刍议 [J].华东理工大学学报（社会科学版）2010（1）：41-46.

[8]刘晓婧，杜文意. 我国金融风险管理研究综述 [J].预测，2011（2）：6-9

[9]冯桂宾.我国当前金融风险管理存在的问题及策略研究保 [J].财政金融，2012（10）：72-76