基于大數據的智能投后管理機制研究

李金金 雷凌

摘要：近年來，證券公司信用風險管理的重要性凸顯。同時，大數據等技術逐漸從萌芽走向成熟，投后管理理念和路徑隨之改變。基于此，文章從國內外理論研究分析、可行性分析、國內外實踐案例分析的角度，探索證券公司基于大數據的智能投后管理機制，并提出相應的管理建議，投后管理智能化轉型要著眼全局合理規劃，正視轉型過程中面臨的諸多挑戰，持續提升管理機制效率。

關鍵詞：證券公司；大數據；智能；投后管理

中圖分類號：F832? ?文獻標識碼：A? ?文章編號：1674-0688（2023）06-0122-04

0 引言

近年來，隨著證券公司信用債投資、融資融券等信用類業務規模快速增長、金融市場信用風險逐漸暴露、資本市場違約事件頻發、信用資質逐步分層分化，給證券公司信用風險管理帶來了挑戰。同時，證券公司參與互換、遠期、信用衍生品等場外衍生品交易業務的程度持續加深，客戶投融資模式逐步多元化、復雜化、交織化，不同風險類型相互傳導，信用風險復雜度不斷提升，信用風險已成為券商切實面臨的主要風險之一，而投后管理是信用風險全流程管理中重要且不可或缺的環節，體現的是信用風險管理的最終成果。有效的投后管理，是證券公司建立長效發展機制的基石。與此同時，金融科技浪潮蓬勃發展，“金融+科技”以加快公司數字化轉型逐步成為證券行業內的共識。以大數據為例，大數據技術應用已逐步全面滲入金融業各領域，投后管理理念和路徑隨之發生改變，大數據資源及建立其基礎上的分析和應用，已成為重要的生產要素和競爭優勢。如何將按現代信息技術引入風險管理投后管理環節，助力搭建高效、智能的投后管理體系，實現有效的資產質量管理，已成為一項重要的研究課題。

近年來，國外學者對大數據在風險管理層面應用更多地關注系統性風險層面，Paola等［1］提出了新增非結構化數據入模，基于內外部大數據構建系統性風險模型；Lining等［2］詳細介紹了一種基于人工智能的模型用于測量系統性風險的新方法。但是，對風險管理細分領域與大數據相結合的研究，尤其是在信用風險方面的投后管理的研究文獻較少，主要集中在違約概率預測方面，Khandani等［3］運用機器學習技術構建了一個非線性、非參數的客戶信用風險預測模型，顯著提高了客戶違約識別率；SYOUNGDOO等［4］就4個非參數機器學習模型和2個參數模型對信用風險違約預測準確度進行比較分析，認為人工神經網絡非參數模型的表現最好；SILVIA等［5］則認為集成模型對違約概率預測效果會比單個模型好，而集成模型中，BGEV模型會好于傳統邏輯回歸模型；Saqib等［6］對當前人工智能和機器學習在風險管理領域應用進行了總結和分類，包括信用風險、市場風險、操作風險等層面。

國內較多學者也探索了商業銀行大數據智能化風險體系，認為商業銀行已進入智能銀行時代，肖馨等［7］、張左敏等［8］、李小慶［9］等對商業銀行智能風控體系構建提出了建設性意見，基于民生銀行、工商銀行等銀行實踐案例，探討多模塊借助金融科技賦能風險管理，以此優化信貸生命周期中的風險管控能力。部分學者則探索大數據模型在信用風險管理方面應用，劉祥東等［10］就傳統統計模型和大數據模型在信用風險識別分析層面應用進行對比；趙先信［11］借助大數據讓信用風險管理從估計到看見，使風險可視化、信貸過程透明化、授信場景化等；王裕粟［12］、蔡皎潔等［13］利用大數據技術在信用評級方面進行了廣泛的研究，丁爽斯［14］等利用大數據技術進行反欺詐研究及預測。但在信用風險投后模塊大數據應用的探索中，國內學者大部分集中在風險預警方面，江訓艷［15］基于BP神經網絡搭建信用風險預警模型；方匡南等［16］基于邏輯回歸構建信用風險預警模型；蔣子雷［17］通過支持向量機（SVM）等模型構建針對中國上市公司債券違約的預警模型；陳毓敏等［18］指出，構建債券違約預警立體防范體系，使用樹狀分支模型，搭建了4種預警方法，通過對比發現，可將財務預警作為核心，高度警惕“大而不倒”的高評級企業；俞寧子等［19］通過量化手段搭建基于宏觀、行業、財務、輿情等因素的預警系統；陳瀟瀾［20］設計信用風險預警模型并進行實證檢驗，認為隨機森林預警模型更適合于中國上市公司信用風險預警。

1 可行性分析

1.1 海量數據為智能投后轉型奠定了基礎

從數據覆蓋面來看，海量數據打破傳統的數據邊界，全面整合涉及主體數據來源，涵蓋了工商、財務、訴訟、輿情等，具有高數量級、數據更新頻次快、能及時捕捉主體風險變化情況的特點，在一定程度上降低信息不對稱的風險。從數據類型來看，海量數據不僅包括結構化數據，還包括非結構化數據、半結構化半非結構化數據類型，通過對海量數據的挖掘、清洗和分析，識別有效信息，更全面、清晰地監測和勾勒風險畫像，在一定程度上降低投后管理的逆向選擇。

1.2 新興算法提升智能投后量化水平

大數據分析與挖掘技術作為大數據技術體系核心，在其支持下，知識密度低的巨量數據不再視同為數據垃圾或信息過剩，數量容量越大、種類越多、維度越多、形式越多樣，意味著可挖掘的知識越多、準確率越高、潛在價值越大。決策樹、神經網絡、XGBoost（極端梯度增強）、隨機森林等算法已成熟并逐步在實踐中應用，這些算法為建立大數據模型提供了良好的技術支持，彌補人腦對龐大信息處理和分析能力上的不足，是對傳統投后管理模式的重塑和升級。

1.3 大數據存儲、處理等技術為投后智能化轉型提供技術支持

實現智能化投后管理，會面臨數據量龐大、數據源多樣、存儲負載極高、高訪問并發、模型邏輯復雜等問題，傳統的數據架構及系統架構很難滿足需求。分布式存儲技術、Hadoop（一個由Apache基金會開發的分布式系統基礎架構，用戶可以在不了解分布式底層細節的情況下進行分布式程序開發）分布式系統架構、MapReduce（一種編程模型，用于大于1TB的大規模數據集的并行運算）分布式計算框架、分布式內存計算系統、分布式流計算系統等大數據技術，提高了數據存儲、處理和運算等的性能，為大容量、高并發、高效計算的智能投后管理提供技術支持。

2 國內外實踐案例分析

2.1 國外投后管理智能化轉型案例

（1）高盛（中國）證券有限責任公司（簡稱高盛）。20世紀90年代，高盛開始使用自創的語言（Slang）構建SecDB（證券數據庫），幫助高盛實現跟蹤和管理全公司的風險。在導入頭寸、客戶成本/傭金等業務數據后，SecDB支持證券定價、分析潛在交易并監控風險。2019年，高盛基于SecDB打造綜合性平臺，并對外開放。客戶可通過該平臺訪問SecDB的數據提取、定價引擎和其他功能等。Marquee內部的GS Markets（全球市場）、SIMON（結構化投資市場和在線網絡）、Marquee Trader（交易執行）等多個應用程序覆蓋交易周期全階段，為外部客戶賦能。其中，Trade Tracker（交易跟蹤）注重交易后管理，為投后管理提供決策支持。

（2）貝萊德集團（簡稱貝萊德）。貝萊德是世界知名的資產管理公司，公司自主開發了阿拉丁（Aladdin）系統，該系統包括11個數據中心，支持Aladdin運行數十億個經濟場景的預測，并基于預測檢查客戶投資組合中的每一項資產，對投資組合進行測試。風控模塊提供可配置報告、假設分析工具，幫助客戶了解投資組合的績效、風險與敞口，以快速、準確做出投資決策。財富管理平臺可通過資產類別、地理位置、風險因素、復雜情景分析等多途徑了解投資組合風險敞口；自動識別需要關注的客戶和投資賬戶，并進行警報提醒。貝萊德的阿拉丁系統除了內部使用，從2000年開始已經對外進行輸出，阿拉丁系統與第三方IT供應商開發的系統（Dimension）成為IT市場兩大巨頭，二者合計管理全球超過30萬億美元的資產。

（3）匯豐銀行。近年來，匯豐銀行通過搭建數字化銀行平臺，運用人工智能、區塊鏈等最新技術，對其產品、服務、流程多個方面進行變革，持續提升其競爭力。在風險管理方面，匯豐銀行通過掃描不同來源交易的結構化和非結構化數據，例如電話號碼、地址、公司董事和新聞報道等，通過引入大數據、人工智能等技術查找可疑關聯，偵察洗錢、欺詐及恐怖主義式融資的行為。

2.2 國內投后管理智能化轉型案例

（1）銀行業。銀行在大數據、人工智能方面做了較多探索性實踐。在基礎數據方面，各家銀行均收集了行業內外數據，包括行內的客戶信息、業務信息、交易流水等，行外的工商、司法、征信等信息，并建立相應的風險標簽體系；部分銀行也積極探索與互聯網公司的場景合作，如工商銀行與京東實現跨界合作，聯合推出“工銀小白”業務。在系統方面，各家銀行根據自身業務實際及系統架構搭建風險管理系統，實現對信用風險全生命周期管理。在模型方面，各家銀行在傳統建模方法基礎上，嘗試以大數據、區塊鏈、機器學習、知識圖譜等先進技術進行模型搭建。在管理應用方面，各家銀行依托大數據模型、系統自動識別潛在風險企業，自動預警，提高投后（貸后）管理實效性。

（2）證券公司智能化投后管理實踐。金融科技轉型已在證券行業形成共識，各大券商將金融科技、數字化轉型等作為公司戰略，持續加大在智能投資、智能投顧、智能客服、智能風控等領域的投入。在金融科技轉型方面，各家券商做了諸多嘗試，主要包括數據治理、平臺搭建、前沿技術運用等，并與實際業務場景結合，推進應用落地。例如，中信證券2017年搭建智能云平臺，該平臺提供統一的數據、算力和研發運行環境等。在智能風控方面，一些券商建立了統一風險管理系統，結合內外部數據，采用大數據等技術，提升風險管理實效，實現風險流程管控。例如，海通證券在公司層面建立統一風險管理門戶，整合風險數據集市，實現客戶身份識別、關聯關系識別、關系穿透、收益關系、實控關系查詢等，進行智能輿情預警，提升了公司的風險防范能力。在智能投后方面，各家券商重點集中在資訊信息挖掘和分析，進行事件分類、主體關聯，精準推送相關主體風險信息，為投后提供決策依據。例如，華泰證券基于全網金融網站的實時新聞數據，借助一些模型進行輿情分析，解析新聞關聯的公司、行業和事件，給出情緒標簽和異動榜單，對特定事件進行回測，挖掘事件與標的漲跌的相關性，為風險管理提供依據。

3 研究結論與建議

從國內外實踐案例來看，深化人工科技賦能、加快數字化轉型已成為證券行業乃至金融行業發展的共識，頂層設計是前提，有組織、有計劃地開展智能化轉型；投后管理理念轉變是核心，逐步轉變為主動、前瞻、職能投后管理；夯實數據基礎是重點，數據是數字化、智能化前提；加強隊伍建設是保障；完善風控模型是關鍵。總體而言，大數據技術乃至其他信息技術如何賦能投后管理，本文提出以下幾點建議。

3.1 著眼全局，合理規劃

千里之行，始于足下，投后管理轉型并非千篇一律，證券公司只有與自身的組織架構、戰略方向、業務特點、人員配置等相結合，著眼于全局合理規劃，設計適合公司業務特色的投后管理體系，才能達到事半而功倍的管控效果。例如系統建設，投入大且不可逆，推動后，一旦止步或者調整，將付出更多的開發成本、維護成本。又如監測指標，必須為一個基礎、一套標簽、一套規則，從來源處保持統一，應用于各功能模塊，避免同一指標在不同系統模塊不同計算結果，各模塊功能及數據存在斷點。

3.2 擁抱科技，提升管控能力

大數據技術的應用為證券公司提供了新的投后管理方案和思路，有效地提升了證券投后管理能力和水平。以風險監測為例，大數據為證券帶來更多元的數據信息與更高維度的投后管理，突破時間、空間、人員等限制，支持7×24 h動態實時監控，有效降低信息不對稱風險，與傳統后知后覺、被動管理、以人為主的投后管理形成鮮明對比，對潛在風險客戶做到早識別、早發現、早應對、早回收，有效提升了投后管理能力。

3.3 辯證使用，持續迭代提升

在風險管理中，無論怎樣領先的技術，能夠鎖定或者探查出的往往只是異常點、疑點。雖然基于大數據的智能風控可以緩解信息不對稱的問題，但是不能解決信息不對稱的問題，這些異常點、疑點，是否真的是實質風險變化，仍需要風險管理人員進行查證和專家判斷，若寄希望于科技能夠直接指向問題，其實是不現實也是不可取的。金融科技重要的作用在于敏捷、高效地擴大延伸觸角，持續迭代升級風控模型，使其能夠及時地、精確地鎖定異常點，助力提升風控人員的風險管理質效。同時，證券大數據風控還面臨著諸多挑戰，大數據風控的效果取決于其源頭的數據，但是證券公司本身沒有支付數據、網絡數據、社交數據、征信數據等，數據往往來源于外部數據采購，數據質量問題、數據孤島問題是大數據賦能證券投后管理的核心問題。同時，證券大數據風險也存在系統割裂、應用不足、人才不足等問題。總體而言，大數據技術乃至其他信息技術如何賦能投后管理，仍是一個任重而道遠的探索過程。

4 參考文獻

［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，馬遠，陳璐.商業銀行智能風控探索［J］.中國金融，2019（11）：44-46.

［8］張左敏，李文婷.大數據在商業銀行中的應用——基于風險控制的視角［J］.科技與經濟，2020，33（4）：61-65.

［9］李小慶.基于“大數據+AI”構建全程智能風控體系［J］.金融科技時代，2021（6）：25-29.

［10］劉祥東，王未卿.我國商業銀行信用風險識別的多模型比較研究［J］.經濟經緯，2015，32（6）：132-137.

［11］趙先信.信用風險管理：從估計到看見［J］.金融電子化，2019（11）：19-23.

［12］王裕粟.基于數據挖掘的客戶信用評級模型的設計與實現［D］.成都：電子科技大學，2010.

［13］蔡皎潔，張玉峰.基于數據挖掘銀行客戶信用風險評級體系研究［J］.情報雜志，2010，29（2）：47-50.

［14］丁爽斯.基于大數據的互聯網金融欺詐行為識別研究［D］.北京：首都經濟貿易大學，2016.

［15］江訓艷.基于BP神經網絡的商業銀行信用風險預警研究［J］.財經問題研究，2014（27）：117-119.

［16］方匡南，范新妍，馬雙鴿.基于網絡結構Logistic模型的企業信用風險預警［J］.統計研究，2016，33（4）：50-55.

［17］蔣子雷.基于SVM算法的上市公司信用風險預警模型［J］.現代商貿工業，2020，41（27）：117-119.

［18］陳毓敏，林日裕.不同債券違約預警信號對比與解析［J］.債券，2020（3）：22-27.

［19］俞寧子，劉斯峰，歐陽炎力，等.債券違約風險預警模型探究［J］.中國市場，2016，906（39）：18-29.

［20］陳瀟瀾.基于機器學習的上市公司信用風險預警研究［D］.長沙：湖南師范大學，2018.