大數據背景下的區域性金融風險預警系統研究

宋偉飛 盛京銀行

引言

區域性金融風險危害性較強[1-2]，如果在區域性金融風險爆發的初期及時加以監控，避免風險的加大，尤其根據金融活動異常數據在其未爆發前及時地進行預警，那么一場金融危機便可以“銷惡于未萌，彌禍于未形”。現階段區域性金融風險的預警難度極大，其主要原因在于金融活動一直伴隨著海量的數據信息。現階段，網絡飛速發展、公眾輿論都可能引發一場小型的金融風險，這些巨量的信息、實時變化的不確定性因素都對金融風險的預警提出了極大的挑戰。如果單純地依靠普通的計算機程序進行數據統計，通過人力對金融活動進行監管預測，是低效與不現實的。

而大數據時代正好彌補了這一缺點，大數據的優勢在于通過數據互聯，可以更加高效快速地收集數據，不僅僅可以收集單一來源的數據，對于多方面來源、不同類型的數據依然可以進行整合，并通過模型算法等手段迅速進行歸納分類，從中發現規律快速分析，即時性的輸出結論[3]。與此同時，大數據還兼具預測性，這使其具備了預測金融風險的基本條件。大數據時代的來臨，將對整個金融活動帶來巨大的變革，現階段，大數據已經廣泛應用于客戶畫像、金融自動交易、運營流程精細化管理等諸多方向，將大數據引入到金融業中已然是眾望所歸，但是由于其算法制約、數據質量等問題，對于風險的預警能力亟待提高。

一、設計原則

前文所述的現階段區域性金融安全面臨的挑戰，對于大數據背景下的區域性金融預警系統提出了一定的設計原則。

覆蓋范圍廣。數據收集作為大數據的核心要素，最先要做好的就是數據整合工作，考慮到引發區域性金融風險的因素眾多，其預警系統必須盡量做到涵蓋所在區域內的所有金融活動，包括債券的發行，客戶的存款、借貸、消費，證券理財保險產品的發售，甚至是貨幣結算等金融活動不一而足[4]。預警系統的另外一個原則是監視監管，區域內的金融活動參與者，銀行、證券公司、企業客戶、自然人客戶都應當納入預警系統的監管體系中來，甚至監管機構本身也應當納入該體系中來。其監管內容不僅僅包括金融往來，還應當涵蓋輿論輿情、國家法規政策、大環境經濟發展等。總之，就是盡量地擴展數據來源，全方位立體化的將金融活動及其活動對象納入監管中來，其過程中產生的一系列數據都應當被大數據歸納整合，以便于進一步分析預測。

即時反饋預測。大數據與金融活動具有較高的匹配性，除了需處理的數據量巨大，來源廣外，金融活動的另一特點便是變化極快，瞬息萬變。因此，依托大數據支撐的區域性金融風險預警預測系統必然要發揮大數據的優勢，即時有效的整合數據，分析其中的風險因素，及時判別風險，并分析出最佳的處理手段，將損失降至最低。

自我調整修復。隨著時間的流逝，金融活動是不斷迭代發展的，為了使預警系統越來越完善，該系統要不斷地更新迭代。可以對其進行模塊化設計，保證其能跟上時代的發展，確保系統穩定平穩運行。模塊化設計的優點在于，對于一部分量化指標，例如居民的存取款、借貸行為，可單獨作為一個模塊，僅需日常維護即可。而對于社會輿論輿情、突發性不穩定因素等定性指標，亦可單獨作為一個模塊，有時甚至需要專人進行維護，將定性的指標進行篩選判別，杜絕假消息、假新聞等對系統的影響，保證系統的可靠穩定。

二、模型搭建

金融活動的參與者與影響者大多為人，人的思維情感較為復雜，在金融風險中屬于不可控因素。一些影響金融體系的大事件往往都是由人引起的，面對利益、風險等因素，人往往有趨利避害的心態[5]。現階段，隨著網絡的不斷發展，人獲取信息的渠道也更加的方便，一些利好利空消息經過網絡層面的放大，極容易失控，造成不可估量的影響。

因此，區域性金融風險預警預測系統的關鍵在于對金融活動參與者的分析，以股票市場為例，參與用戶的年齡結構、學歷結構、家庭收入、消費水平及其偏好、獲取信息的來源、交易偏好與交易量等。這些數據需要建立起一個完整的評價指標才能夠使用，用戶的數量、交易量可以作為一個定量指標進行統計，然而一些定性的指標如用戶行為，這些行為數據可以通過微博微信公眾號等社交平臺、搜索引擎、新聞門戶網站等途徑獲取，但是其數據來源錯綜復雜，需要建立起相應的評估評價體系。經過分析，初步建立起了區域性金融風險預警系統的用戶評價體系指標，如表1所示。

表1 區域性金融風險預警系統用戶評價體系指標

評價體系指標建立之后，需要對各項數據進行統計收集，可以考慮采用爬蟲技術進行深度收集。對于用戶數量、用戶的年齡性別等基礎信息的權重，完全可以由系統進行直接統計分析。而對于用戶行為等難以定量分析的指標權重則可以通過專家進行評分的方式進行。

根據楊凱森[6]等學者給出的處理方法，通過對原始數據的處理，最終得到了區域性金融風險預警系統用戶評價體系的權重數值，其中用戶行為作為中介變量，其獲得的權重最高，高達0.86，其上一層變量中涵蓋了網絡行為0.32，操作行為0.28，用戶量級0.15，用戶結構0.11，另外用戶指數與用戶行為成并列關系，其權重為0.14。

以此為基礎，建立了大數據用戶參與模型，如圖1所示。該模型的目的是為了降低用戶行為對整個區域性金融風險預警系統的影響，降低用戶不理智行為、賭徒心態、抗風險承壓能力的風險。該系統通過用戶量級對體量的影響，用戶結構對結構數據的影響，用戶行為的影響，用戶指數對指數評估的影響等指標進行數據分析，同時采用機器學習的手段完成了對成交量的預測、風險的預測以及對異常行為的監管。

圖1 大數據用戶參與模型

三、基于大數據的預警系統設計

大數據背景下的區域性金融風險預警系統架構應當從三個方面考慮：其應涵蓋采集系統，用于數據的采集錄入，還有數據庫系統，用于數據的歸納分析，以及最關鍵的預警系統，用于風險的預測和監察（見圖2）。

圖2 大數據背景下的區域性金融風險預警系統架構圖

考慮到在信息采集時，除了傳統的交易量、用戶數量、用戶的年齡性別等基礎信息采集可以依賴計算機程序，例如結構化數據采集、半結構化WEB采集、宏觀數據收集等。而一些難以定量采集的數據如前文所述的用戶行為等數據，采集較為困難，因此需要采用數據挖掘的手段，輔助以人工干預對數據進行采集整理，數據挖掘的方向可以包括爬蟲技術和掃描監控技術，例如風險事件爬蟲、風險指標掃描監測等。采集系統的架構圖如圖3所示。

圖3 采集系統架構圖

采集的數據數量龐大，來源廣泛，無法以統一的標準進行衡量，因此需要進一步的歸納總結分析。數據庫系統的作用便凸顯出來，采用機器學習的手段，通過大量的數據對預警模型進行訓練，提高區域性金融風險預警系統的預警性。其系統架構圖如圖4所示。

圖4 數據庫系統架構圖

預警系統是整個區域性金融風險預警系統的外顯輸出部分，其涵蓋內容應包括風險分析、預測分析與預警跟蹤等。考慮到預測結果與實際結果之間可能存在一定的偏差，因此需要引入機器學習等技術手段，將預測的結果與實際結果不斷地進行比對分析，通過大量的數據訓練，使其結果不斷優化，最終不斷地提高其預測結果，提高其結果的科學性與準確性。考慮到金融活動突發性風險因素較多，在必要的情況下需要依靠人力進行介入，而且，金融活動的變化極快，不斷地進行更新迭代，因此預警系統也應附帶糾正算法，不斷地迭代升級，對系統進行優化。預警系統架構圖如圖5所示。

圖5 預警系統架構圖

結語

引發區域性金融風險的因素較多，依靠傳統的人力、計算機將巨量的、來源廣泛的數據進行收集、整合、分析進而對風險進行預測并不現實，其即時性與預測性也無法保證。現階段只有以大數據的手段為支撐才能夠實現對區域性金融風險進行預警，設計一款大數據背景下的區域性金融風險預警系統勢在必行。本文對預警系統的設計原則進行了分析，該預警系統要滿足覆蓋范圍廣、即時反饋預測和自我調整修復等三個設計原則。同時通過對區域性金融風險預警系統用戶評價體系指標進行權重計算，明確了用戶行為對區域性金融風險預警系統的影響最大，以此為基礎設計了一款大數據背景下的區域性金融風險預警系統，為預防區域性金融風險提供了一定的借鑒與參考。