基于大數據的金融監管研究

摘 要：隨著互聯網、大數據、人工智能等新興信息技術在金融行業的廣泛應用，金融新業態、新模式層出不窮，傳統的金融監管模式已經難以滿足及時性、有效性和穿透性的要求。與此同時，新技術的快速發展也為金融監管發揮更大效能提供了一個良好的契機，信息技術尤其是大數據，將會重塑未來金融監管。為此，本文對大數據原理及其在金融監管領域實踐進行了深入分析，提出了大數據在金融監管中的應用思路。

關鍵詞：大數據；金融；監管

DOI：10.3969/j.issn.1003-9031.2019.3.11

中圖分類號：F83 文獻標識碼：A 文章編號：1003-9031（2019）03-0071-05

一、大數據的概念、主要特征及技術環節

（一）大數據的概念

一般認為，大數據又稱巨量數據或海量數據，是指一種規模大到無法通過傳統數據庫軟件工具在合理時間內獲取、存儲、管理和分析的數據集合，主要涵蓋了三個方面的內容。

1.數據類型。從數據類型來看，大數據包括結構化、半結構化和非結構化數據，其中，音頻、視頻、圖像等非結構化數據已成為大數據的主要部分。

2.技術實現。從技術層面來看，大數據的核心是利用分布式存儲、數據清理、云計算、智能算法等對各種類型的數據進行高效存儲、處理，并從中獲取高價值信息的技術及其集成。

3.分析應用。從應用層面來看，大數據的最終目標是運用數據挖掘、智能分析等手段實現海量數據的深入分析，并基于數據分析結果指導決策管理。

（二）大數據的主要特征

大數據的主要特征可以用“4V”來概括：Volume（量級巨大）、Variety（類型多樣）、Velocity（獲取和處理快速）和Veracity（真實性）。

1.數據量級巨大。海量的數據量是大數據最基本的特征，通常10TB規模以上的數據量才可稱為大數據。近年來，大數據的量級增長迅猛主要得益于兩個方面的因素，一是隨著互聯網、物聯網、移動通信等信息技術應用的發展，數據產生和獲取渠道無限拓寬，使得人類社會活動過程中產生的數據都被記錄下來；二是存儲介質的革命、單位芯片晶體管處理能力的幾何級增加、云計算技術的發展為海量數據的存儲和處理提供了必要條件。

2.數據類型多樣。隨著社交網絡、電子商務、搜索引擎等互聯網應用的日漸普及，由此產生的數據成為大數據的主要來源，其中不僅包括以文本形式為主的傳統的關系型結構化數據，也包括以網頁、圖片、音頻、視頻、網絡日志、文檔、地理位置信息等種類繁多、未加工的半結構化和非結構化的數據，尤以非結構化數據為主。

3.數據獲取和處理快速。在當前信息高速傳播的時代，數據的獲取是隨時隨地進行的，人類在社交網絡、電子商務等活動中產生的數據都被實時存儲在數據庫中。與此同時，數據的處理也在實時和飛速地進行，這也是大數據區別于傳統數據處理的重要特征之一。如金融機構的數據創建、存儲、處理和分析的速度在大數據時代將持續加快，某些數據必須實時地進行分析，才能及時、有效地對業務管理產生價值。

4.數據真實。大數據的真實性被稱為價值密度低，是大數據的重要屬性。在抽樣數據時代，數據量小，每個數據都顯得很重要，存在隨機抽樣帶來的偏態風險；而在大數據時代，樣本即總體，數據的價值密度變低了，但每一個數據都是對真實世界的無偏刻畫。

（三）大數據的技術環節

大數據的技術環節通常包括數據采集、數據存儲、數據處理和數據挖掘。

數據采集是指從多種數據源（包括應用系統、智能設備、網站網頁等）采集數據，是大數據最基礎和最根本的環節。數據采集的目的是把各種小數據先采集起來，積沙成塔，最后成了海量數據。

數據存儲是指利用專業的存儲設備將采集的數據儲存起來。常用的大數據存儲技術包括大規模并行處理系統（MPP）架構的數據庫集群、基于Hadoop技術的擴展和封裝、大數據一體機等。

數據處理主要完成對存儲數據的抽取、清洗和脫敏等操作。首先將不同類型的抽取數據轉換成單一的或便于處理的類型，其次清洗過濾掉大量錯誤的或與需求無關的數據，最后對一些涉及個人隱私的敏感數據進行脫敏處理，達到隱私保護的目的。

數據挖掘是指運用統計分析、機器學習、建模等技術方法從大量的數據中提取出隱藏的有價值的信息，也是最重要和最有技術難度的環節，數據的最終價值直到這里才得以體現。

二、大數據技術在金融監管中的應用優勢

大數據的特征使得其應用于金融監管時的精確性、完整性和時效性遠遠高于傳統的監管手段，為金融監管和風險預警提供了全新的手段。

（一）大數據的數據體量能夠提高金融監管的精確性

傳統的數據分析受數據量較小和處理能力不足的限制，通常只抽取總體數據的一部分（數據樣本）進行分析。由于數據樣本容量與數據總體容量存在差異，必然造成樣本的統計特性與總體的統計特性呈現一定的差異性，通過樣本分析出來的結果未必符合總體的特征，準確度不高，一般需采用多次采樣。在金融行業，上述方法變得不再現實，而金融行業對分析結果的準確度要求極高。相關研究表明，即使數據分析的錯誤率在8%以下，對于投資決策、監管分析而言，該錯誤率仍不可接受。

大數據的一個典型特點是樣本即總體，分析基礎即為總體數據，這將大大提高數據分析結果的準確性，提高了依靠數據分析作為投資分析、監督管理的可靠性。

（二）大數據的數據維度能夠提高金融監管的完整性

在傳統的數據時代，數據往往只能刻畫一個主體的某一部分。以監管為例，銀行領域的監管部門只掌握被監管主體在銀行體系中的活動數據，證券領域的監管部門只掌握其在證券體系中的活動數據。傳統的金融監管受制于數據資源有限、信息不對稱等因素，只能依據幾個主要指標對金融行業進行監管，監管措施存在片面性。而大數據提供的高效分析手段及數據整合理念，使跨領域的數據共享常態化，再結合其他諸如互聯網、移動互聯網、物聯網等產生的數據，使金融監管部門能夠刻畫出一個主體完整的金融行為活動圖，進而能夠準確地定位風險。

（三）大數據的處理能力能夠提高金融監管的時效性

當前信息技術廣泛應用于金融行業，金融市場的相關數據無論是產生還是變化都很快速，對金融監管的時效性提出了很高的要求，必須在短時間內完成監測和預判，有些領域甚至要求實時動態監管。受制于監管成本高昂、監管技術有限等因素，傳統的金融監管能夠獲得的數據存在一定的滯后性，導致傳統金融監管難以及時開展監管活動。而借助于大數據，金融監管部門將實現監管渠道電子化，能夠隨時隨地獲取金融數據，及時監測金融行業的經營活動，實時快速地處理分析金融數據信息，大幅提高金融監管的時效性。

三、大數據在國內外金融監管中的應用實踐

目前，美國、中國等國家已經在金融領域積極開展大數據金融監管的應用實踐，并取得了顯著成效。

（一）美國金融市場的大數據監管實踐

美國是最早將大數據應用于金融監管的國家之一。早在2001年，美國國家證券交易商協會（NASD）就邁出了股票市場大數據監管的第一步。該機構開發了名為SONAR的自動化監管系統，對美國多個證券市場的內幕交易及欺詐行為進行監測。從啟用至今，該系統已經向美國證券委員會和司法部提交了將近200個證券市場違規案例。在2008年國際金融危機之后，美國財政部下屬的金融研究辦公室（OFR）開始收集金融機構的微觀交易和頭寸數據；美國證券交易委員會（SEC）也從2010年起要求大型貨幣基金提交月度交易數據。美國金融監管當局從這些微觀和海量的金融數據中抽取出被認為可以引發系統性金融風險的相關信息，再借助大數據的相關技術對其進行量化計算，預測出可能發生的風險，進行金融宏觀審慎監管。

（二）中國金融市場的大數據實踐

近年來，我國國家層面對金融監管提出了更高要求，各金融監管機構紛紛利用大數據等信息技術進一步提升金融監管的有效性、及時性和穿透性。2013年深圳證券交易所自主研發上線了大數據監察系統，全面支持證券交易實時監控、調查分析等核心監察功能，具有海量數據處理、高效實時預警監控、指標體系科學合理、趨勢分析智能化等特點。截至目前，全國多地已經建立或正在建立基于大數據的非法集資監測預警系統，如北京市打擊非法集資監測預警平臺、廈門市金融風險防控預警平臺等。此類平臺重點對交易大數據進行采集，結合網絡輿情大數據、社會舉報信息等，能夠實現對非法集資早發現、早識別、早預警、早核實、早打擊，有利于從源頭上打擊包裝隱蔽、名目繁多、手段翻新的非法集資行為。

四、大數據在金融監管中的應用思路

金融監管部門應用大數據來重塑金融監管方式，既需要監管部門的頂層設計，更需要金融機構、大數據科技公司等各方的積極參與，具體來說可從戰略層面、體制層面、法律層面和技術層面四個方面入手。

（一）戰略層面要重視大數據金融監管產業環境和人才培育

1.加速培育良好的大數據金融監管產業環境。監管部門和政府層面應根據大數據金融監管產業發展趨勢，為產業發展合理規劃布局，并在政策方面為產業發展提供一個良好的環境。一是促進產學研深度融合，推動大數據金融監管創新發展，支持前沿技術創新，加快關鍵產品研發；二是加大財政資金對大數據金融監管的投入力度，設立大數據金融監管技術研發創新的財政專項資金，建立財政投入長效增長機制。

2.高度重視大數據金融監管人才的培育。金融監管部門使用大數據進行金融監管必須建立在擁有專業人才的基礎之上，因此，大數據金融監管更需要專業的人才和完善的人才培養機制。金融監管部門應有針對性地制定大數據人才培養規劃，吸引、留住、培養懂技術、懂數據、懂業務的復合型大數據人才，組建大數據金融監管專業團隊，為實現大數據在金融監管方面的應用做好人才儲備。

（二）體制層面要做到思維、標準、機制并重

1.形成“用數據說話，讓數據做主”數據驅動決策思維模式。傳統的金融監管主要依賴于經驗和直覺進行監管，缺乏數據驅動思維，監管過程粗放，難以實施有效的監督管理。在大數據時代，金融監管應做到凡事心中有“數”，形成用數據說話、用數據管理、用數據決策、用數據創新的數據驅動決策思維模式，尊重數據事實，讓大數據發聲，使數據手段成為提高金融監管工作效率的有力工具。

2.推進金融大數據標準體系建設。金融監管部門應牽頭開展金融大數據標準體系建設，完善數據治理機制，確保數據管理規范、使用安全、利用充分，為大數據金融監管平臺建設保駕護航。金融大數據標準體系可分為基礎標準、管理標準、技術標準、平臺和工具標準、安全及隱私標準、行業應用標準等六大類。各類標準之間相互聯系、相互約束、相互補充，共同構成完整的統一體。

3.建立大數據開放與共享機制。大數據的開放與共享是大數據行業發展的趨勢，也是大數據金融監管應用的關鍵環節。通過建立大數據開發與共享機制，打破體制機制障礙，促進金融監管部門、金融機構、大數據科技企業間的數據流通，推動數據開放共享，培育交叉融合的大數據金融監管應用。

（三）法律層面要體現國家治理的法治精神

大數據從本質上要求數據開放共享，但數據的開放共享就會涉及到企業的商業機密、個人的隱私等，因此，大數據應用在金融監管的過程中，監管部門一定要制定保護數據隱私安全的法律法規，如對不同類型數據的采集、分析、傳播、存儲、交易、使用、共享及法律責任等方面制定專業的、清晰的法律法規，協調大數據領域創新與監管的關系，樹立大數據法律行為的指路標，鋪設大數據環境的安全網，備好大數據應急事件的降落傘，進而保證我國大數據應用生態良好，體現國家治理的法治精神。

（四）技術層面要依托云計算技術建立一個多方聯網的大數據金融監管平臺

1.運用云計算技術構建分布式架構的大數據基礎平臺。大數據具有海量數據的特點，僅靠傳統的技術手段已無法對大數據進行分析和處理，只有依托云計算平臺，通過云存儲系統來儲存海量數據、高并發處理系統來處理海量請求、分布式計算平臺深入挖掘大數據。在云計算平臺的IaaS（基礎設施即服務）層提供底層計算資源、存儲資源和網絡資源，構建分布式集群計算環境，既提供快速的橫向擴展能力，也能提供高可用的服務能力；PaaS（平臺即服務）層提供大數據金融監管平臺的基礎服務和工具，包括數據質量控制、存取、加密、共享等一系列服務，以及固定報表開發工具、多維分析工具、專題分析工具等一系列數據基礎功能工具；SaaS（軟件即服務）層基于PaaS層的服務構建面向特定業務、部門、人員的大數據分析應用，如面向管理層的領導決策視圖，以服務的形式提供給最終用戶。

2.建立可支撐多方接入的數據通信網絡平臺。穩定、可靠的數據通信網絡平臺是高效地進行數據采集和傳輸的重要保障。金融監管部門應建立一個跨系統、跨平臺、跨數據結構的數據通信網絡平臺，實現監管內部部門、外部機構之間的互聯互通，縮短數據的獲取、處理及分析時間，提高發現問題、處理問題的速度，提升數據共享效率。

3.制定數據接口規范以整合多方數據資源。大數據基礎平臺和網絡平臺建設完成后，即可將分散在各部門、外部機構的數據資源逐步整合至基礎平臺上，實現數據的整合與共享，構建統一的金融大數據視圖，為數據綜合利用奠定基礎。一方面，要全面地梳理分散在各部門、各機構不同金融業務系統的數據資源，掌握各類業務數據之間的邏輯關系和層次結構，為數據整合做好準備；另一方面，制定統一的數據接口規范，通過數據清理、轉換和標準化等手段，將各類業務系統的數據資源逐步整合至基礎平臺上。

4.設計開發大數據應用場景。在掌握全量金融數據的基礎上，結合金融監管業務需求，充分利用數據建模和挖掘技術，構建一整套科學合理的大數據金融監管模型，設計和開發相應的大數據應用場景，通過機器學習等技術從海量數據中分析和洞察經濟、金融運行規律，為各監管部門提供差異化的數據分析服務，為數據共享、綜合分析以及宏觀決策做好支撐，利用大數據提升金融監管和宏觀決策的精準性、時效性。

（特約編輯：何志強）

參考文獻：

[1]白碩，熊昊.大數據時代的金融監管創新[J].中國金融，2014（15）.

[2]李勇.大數據金融[M].北京：電子工業出版社，2019（12）.