試析證券公司風險管理商務智能系統建設

摘要：文章著眼于研究如何借助商務智能(BI)系統為風險管理技術方法的計算與形象化展現提供幫助。通過對我國證券公司風險管理的業務、技術問題分析，文章給出了風險管理技術方法的雷達網狀圖，提出了我國證券公司風險管理BI系統設計框架，并對系統建設中數據格式的標準化、邏輯模型設計、自適應性等關鍵問題進行了探討。

關鍵詞：證券公司；風險管理；商務智能；系統建設；自適應性

一、我國證券公司風險管理的業務問題

我國證券公司的主營業務主要有證券經紀、證券承銷、證券自營、資產管理、兼并收購、基金代銷和投資咨詢等，其經營風險也主要來自于這些業務。如經紀業務風險、承銷業務風險、自營業務風險和資產管理風險等。根據國際證券管理組織(IOSCO)1998年的風險分類方式。證券公司各業務中產生的風險都可分為市場風險、流動性風險、信用風險、營運風險和法律風險與系統風險。為了有效地管理各類風險，根據國資委2006年印發的《中央企業全面風險管理指引》，證券公司有必要在管理各環節和經營過程中執行風險管理的基本流程，培育良好的風險管理文化。建立全面風險管理體系。我們可以從108號文中抽取三個方面十個要素來構建證券公司全面風險管理體系。三個方面包括風險管理實施環境、風險管理過程、風險監管。具體而言，風險管理實施環境包括外部環境、內部環境、內部控制、信息溝通四個要素；風險管理過程包括目標設定、風險識別、風險評估和風險控制四個要素：風險監管包括內部監督和外部約束兩個要素。風險管理實施環境是風險管理策略制定、風險管理組織職能設計和風險管理信息系統設計的基礎。風險管理過程是核心。證券公司風險管理工作必須遵循一定的流程，才能有的放矢地進行實施。風險監管是為了更好地監督風險管理業務的執行，并做出合理地事后評價，構建良好地反饋機制，確保全面風險管理體系的有效運行。因此，證券公司風險管理的商務智能系統建設必須考慮到證券公司的主營業務、風險因素及其管理規制。

二、我國證券公司風險管理的技術問題

文獻2、文獻3、文獻4、文獻5提出風險管理的技術分析方法有VaR、CVaR、DVaR、ES、Credit Metrics模型、Credit Risk⁺模型、巴塞爾委員會的標準模型等，國資委《中央企業全面風險管理指引》中也附錄了風險管理常用技術方法。如風險坐標圖、蒙特卡羅方法、關鍵風險指標管理、壓力測試等。這些技術模型、分析方法對于有效地控制與防范證券公司風險具有重要的意義。我們在此不討論各風險管理技術方法的理論來源。而是著眼于如何借助BI系統為這些技術方法的計算與形象化展現提供幫助。對上述方法進行抽象，可提取兩個重要值：指標變量與閥值。所謂指標變量，指一組影響組織(或企業)經營目標實現的不確定性因素。這些因素常常產生負面影響，給組織(或企業)帶來損失。而閥值，簡單的說就是“度”。當這些指標變量達到一個什么樣的程度(或數值)，就會引起對應的損失。即不確定性的程度可以按照閥值劃分為不同的等級。這些指標變量、閥值與風險程度可通過雷達網狀圖簡單表述為圖1。文章內容：

設由n個指標變量X_i(i為大于零的整數)組成的指標體系X={X₁，X₂，…，X_n}，則風險閥值可通過由眾指標變量組成的多邊形及其面積表述，S_j=f(x₁，x₂，…，x_n)，其中x_i∈X_i，j∈[1，m]，m＞1，風險管理體系S={S₁，S₂，…，S_m}；實際風險損失(圖中粗線部分)可通過雷達網狀圖中各指標變量的取值組成的多邊形及其面積表述，s=Ф(x₁，x₂，…，x_n)。通過判定s位于S的哪一個范圍。可確定實際風險損失程度。

通常情況下，變量是不穩定的，多變的，而閥值是可以根據專家知識或經驗數據進行設置的。穩定性相對較好。如果使用手工方法來計算這些風險指標變量與閥值的關系，那將是非常繁重的工作。處理海量數據是BI的強項。應用BI工具可解決證券公司風險管理中的以下問題：(1)快速計算現有風險管理技術方法涉及到的指標變量，加快指標變量與閥值比較的速度；(2)可根據應用需要，使用報表、儀表盤等方式形象地展現指標變量與閥值間的關系；(3)提供靈活的數據分析功能?？筛鶕嶋H數據情況。建立動態的證券公司風險管理綜合指標體系和風險控制體系，合理地變動指標變量與閥值；(4)提供多樣化的、友好的用戶界面，支持多渠道的風險監控模式。

三、我國證券公司風險管理的商務智能系統設計框架

基于證券公司經營業務的需要。將證券公司風險管理商務智能系統從業務層、數據層、分析層、應用層和界面層(或稱用戶層)五個層次進行分析，建立設計框架。底層是業務層，它是風險管理系統實施的基礎，所有系統分析中的數據都與這些業務緊密相關。將業務層的各種數據進行梳理，建立客戶數據庫、資產數據庫、證券數據庫、基金數據庫、財務數據庫等不同的事務型、關系型數據庫。通過ETCL的方法對各種數據庫中的數據進行抽取、轉換、清洗、裝載，形成一個個有序的、有關聯的事實表(Fact Table)和維表(Dimension Table)。這些事實表、維表構成了數據倉庫(DW)的核心。數據倉庫由數據庫管理系統(DBMS)、元數據(Metadata)、數據(Data)三部分構成。元數據是關于數據、操縱數據的進程和應用程序的結構和意義的描述信息。其主要目標是提供數據資源的全面指南。元數據不僅定義了數據倉庫中數據的模式、來源以及抽取和轉換規則等，而且整個數據倉庫系統的運行都是基于元數據，是元數據把數據倉庫系統中各個松散的組件聯系起來，組成一個有機整體。數據倉庫的建立使得來自于證券業務的各項數據得以序化，為各種數據分析工具的使用奠定了基礎。在應用層?？梢允褂迷诰€分析工具(OLAP)、多維立方體(cube)、報表(Report)、數據挖掘工具(DM)、關鍵業績指標(KPI)以及其他的績效管理(BPM)方法，如平衡積分卡、儀表盤等，對數據倉庫進行挖掘、分析，得到反映證券公司風險問題的各種有用信息。這些有用信息可通過界面層的風險分析系統、風險預警系統、風險監控系統展現。為了形成良好的回饋機制。有必要在界面層建立客戶反饋系統，反映這些風險管理系統的運行狀況、設計的合理性等，便于更好的改進、完善。還需要建立成本分析系統，反映商務智能系統設計、運行的ROI情況。

四、證券公司風險管理商務智能系統建設的關鍵問題

1，數據倉庫中數據格式的標準化是BI系統建設的基礎。證券公司各種業務數據往往分布在不同部門、不同分(子)公司或營業部，甚至不同的地區。更難但又普遍存在的問題是，即便是同一個證券公司的不同部門、不同分(子)公司之間，還可能采用了不同廠家的信息系統，各產品的搭配和組合還不一樣，在這種現狀的基礎上。要實施BI系統進行風險分析，必須讓系統能夠滿足這些錯綜復雜的異構系統，必須從“保證抽取整合之后的數據格式是統一的”這個目標著手建立數據倉庫。并且要做到點對點的分布式的異構到同構處理。一旦在數據倉庫中建立了標準化的數據結構，在此基礎上進行各種風險管理應用開發都比較方便。當然，分析工具和分析引擎并不是越多越好，而是應根據具體問題的研究需要篩選出對證券公司最適用的模塊并加以定制化開發。因此，數據倉庫的建立是證券公司風險管理BI系統建設的前提與基礎，其數據格式的建立是重中之重。

2.邏輯模型設計是數據倉庫建設的關鍵。一般地，數據倉庫結構包括概念模型、邏輯模型和物理模型。概念模型也即業務模型，由企業決策者、商務領域知識專家和IT專家共同協商確定。物理模型是構建數據倉庫的物理分布模型，主要包含數據倉庫的軟硬件配置、資源情況以及數據倉庫模式。邏輯模型用來構建數據倉庫的數據庫邏輯模型，需要根據分析系統的實際需求決策構建數據庫邏輯關系模型，定義數據庫物理結構及其關系。邏輯模型尤為重要，它關聯著數據倉庫的概念模型和物理模型兩頭。在設計數據倉庫邏輯模型時，可重點考慮如下三個方面：

(1)確定分析主題。根據風險來源的分析，證券公司風險管理BI系統數據倉庫可分為客戶、資產、資金、金融行情、風險閥值五個基本主題。主題的劃分保證了每個主題的獨立性，即每一個主題都有自己的特有信息。同時各個主題在邏輯上都有一定的關系。如，當證券(或基金)客戶通過證券公司買賣金融產品。證券公司的資金(保證金)上下波動。一般情況下。金融行情越好，經紀業務越活躍。多方多于空方，同時證券公司的承銷業務、自營業務等也相對活躍，金融資產市值高漲，自留資金偏低，風險閥值可以設置得偏高一些；若金融行情出現劇烈下挫，出現大量賣盤，空方多于多方，交易出現疲軟，金融資產市值下滑，自留資金缺口明顯，證券公司風險提高，風險閥值必須下調。

(2)劃分數據粒度。粒度在數據倉庫生命周期是重要的考慮因素，它用來指數據倉庫中數據單元的詳細程度和級別，由業務問題所驅動，受技術制約。如果粒度太大，就會丟失個別細節。需要花更多時間來解開聚合；若粒度太小。很容易因小失大，可能會浪費大量時間來建立聚合。因此粒度劃分時需要權衡粒度級別。若業務量大，分析要求比較高。最佳解決辦法是采用多重粒度的形式。如證券公司風險管理中涉及到的客戶主題非常重要，也很復雜，適合采用詳細數據的粒度劃分方法，將粒度劃分得盡量小一些。對于資金主題，可采用綜合數據的粒度劃分方法，粒度劃分不必那么細，中度綜合即可。對于具體的某個事實的粒度，應當采用“最小粒度原則”，即將量度的粒度設置到最小。如，假設目前行情交易數據最小記錄單位為“秒”。如果將來的分析需求對時間的要求是精確到“天”，則在ETL處理過程中，按“天”來匯算，此時，數據倉庫中量度的粒度就是“天”；反過來，如果將來的分析需求對時間的要求還不確定，那么，就需要遵循“最小粒度原則”，以“秒”為單位進行查詢和分析。

(3)選擇數據模型。選擇數據模型時。首先要選擇適當的數據分割標準，然后確定關系模式。一般考慮以下數據分割因素：數據量、數據分析處理要求、簡單易行以及粒度劃分策略等。數據量的大小是決定是否進行數據分割和如何分割的主要因素；數據分析處理要求是選擇數據分割標準的主要依據，因為數據分割跟數據分析處理的對象緊密聯系；所選擇的數據分割標準應是易于實施的，同時也要考慮數據分割的標準與粒度劃分層次是否相適應。由于主題設計的結果是形成一個個的事實表與維表，而這些表間通過主題的公共碼鍵聯系，形成一個完整的主題。因此，常采用星型模式的數據模型。星型數據模型顯示了一種多維分析的結構。星型的中心是分析的內容，對應事實表；四周是訪問角度，對應維表；每一維又可劃分不同的粒度。例如：針對金融行情主題中的風險預警，若想了解某個時間段內、某種金融產品的風險情況，其星型數據模型可按如下思路建立：時間維包括時間代碼、年、月、日、小時、分、秒等粒度：金融行情維包括金融產品代碼、金融產品名稱、金融產品類別等粒度：風險閥值維包括風險閥值代碼、風險閥值名稱等粒度；風險圖示維包括風險圖示代碼、風險圖示名稱等粒度：星型中心是風險預警事實表，包括時間代碼、金融產品代碼、風險閥值代碼和風險圖示代碼等維度。

3.自適應性是BI系統建設的重要特色。自然和人工智能的重要概念都包含了自適應特征。自適應是任何智能系統非常重要的因素，系統如果沒有自適應能力就談不上智能。在假想或者靜態情況下，沒有人懷疑專家系統的有效性，若專家系統不能進行自學習或者根據環境變化調整到新的環境，那也就不能稱之為“智能”。在建立證券公司風險管理BI系統時，必須考慮其自適應性。要建立自適應的BI系統結構。該結構的核心是風險預測模型、風險管理最優化模型和風險管理自適應模型。各種數據按照一定的規則，如指標變量。輸入給風險預測模型。預測結果輸出后，又反饋給風險管理最優化模型。經過最優化模型運算，運算結果一方面按照一定的圖形格式通過用戶界面反饋，另一方面又作為輸入數據，重新輸入給風險預測模型。但今日準確的風險預測模型不一定能夠滿足明天風險管理的需要。因此，在風險預測這一端，需將最新輸入、最新輸出的信息反饋給風險管理自適應模型，通過自適應模型的自學習運算來適時調節風險預測模型。這種自適應學習能力能夠根據變化的數據靈活調節系統參數，動態優化風險管理系統，使之實時變動以適應突如其來的風險危機，體現了BI系統建設的靈活性、強壯性與可擴展性。這也是證券公司風險管理商務智能系統建設的重要特色。