来源：互联网金融
文/丁晨
来源/新金融大数据
1
银行合规科技的研究
在金融与科技相互融合的背景下，以数据为驱动力，以区块链、云计算、人工智能等技术为依托，以提高合规和监管效率为价值导向，以标准化、数字化、智能化为特征的解决方案，都统称为监管科技或合规科技。在具体表现形态上，科技运用于监管端，称为监管科技；运用于金融机构端，称为合规科技。本文主要研究科技在金融机构侧的应用，因此称为合规科技。
数据驱动的智能风险分析体系
通过大量的理论研究和现场调研，我们创新性地提出数据驱动的智能风险分析体系。数据驱动的智能风险分析体系的总体架构划分为数据层、模型层、视图层和推理层，与银行现有审计业务流程对接，可全面提升审计工作中的数据获取能力、风险监控能力、监测预警能力、追踪查证能力。
数据层。数据层在银行数据仓库、数据集市的基础上，使用了大数据平台和图数据库，进行深度关系挖掘，打通数据孤岛问题。对客户信息、业务数据等结构化数据通过采集、清洗、验证、转换、归类等技术进行预处理和存储，关联所有数据形成统一数据视图。对文档、访问日志、邮件、图像、音视频等非结构化数据通过自然语言处理（NaturalLanguageProcessing，NLP）技术和机器学习技术进行知识抽取。通过知识图谱构建技术，从多源异构数据中抽取出知识图谱的实体关系，并最终将知识存储于知识图谱数据库中。
模型层。模型层以监管知识库、行为研究模型库、风险库、案件库等信息为输入，并进行以下两方面的工作：一是梳理与操作风险相关的国家法律、行业标准或管理条例、企业内部的管理条例等，涉及员工管理、内控管理、案件查处、业务经营、信息管理、利益输送、不当销售、违规业务等方面内容，建立法律法规知识库。二是梳理与操作风险、道德风险相关的行为研究，包括飞单欺诈、员工舞弊、员工贪污、非法集资、民间借贷、地下钱庄、传销经营、虚假出资等多种柜员可能涉及案件的行为模式和特征，形成行为研究模型库，以及相应的风险识别和案例管理库等。
视图层。通过对不同维度的模型算法的分析结果进行归类、量化、评分，形成员工、客户等风险画像。如柜台人员操作风险画像，包括异常柜员操作分析、异常员工账户分析、可疑交易关联分析、可疑客户关联关系、异常网络关系分析等维度，从不同视角洞察内部人员中柜员的风险，也可全面客观了解柜员、营业厅的整体风险状况，做出相应管理决策。
推理层。推理层致力于为审计人员提供进一步追踪查证的手段，如知识图谱可针对海量业务数据构建“柜员、操作、客户（企业或个人）、账户、交易”的关系网络，把已知的欺诈信息和未知的欺诈信息有效联系起来，识别客户之间、员工和客户之间各种显性和隐性的关联关系，以及利益共同体关系，深度挖掘反洗钱、资金回流、担保圈、员工受贿等，发现潜在的内外欺诈团伙。
2
智能风险分析体系对内控合规和审计业务的提升
数据治理知识化。在数据治理层面，从传统的关系型数据库提取数据，利用大数据平台构建知识图谱并存储于图数据库中，直观高效地展示数据以及数据背后的关联关系，支持实现后续基于语义的检索和多种复杂推理。运用数据自动化管理工具对数据资产进行全面管理，更直观、更敏捷、更智慧地理解数据，形成数据价值的可视化和知识化，为银行开展数据治理提供了方法和路径，丰富了银行大数据平台的应用实践。
异常分析智能化。新型数据驱动的智能风险分析系统采用大数据分布式计算，可以扩大信息数据的分析范围和分析时段，解决银行海量数据增长导致运算能力不足的问题。除专家规则之外，系统大量运用机器学习、神经网络模型、图算法等智能分析方法。以反洗钱领域的“可疑交易评估”模型为例，通过监督式学习、非监督式学习建立具有自我适应能力、自我学习能力和自我决策能力的异常交易分析模型，有利于提高可疑交易和效率。
预警排查高效化。传统内控合规和审计系统没有形成员工操作风险或道德风险量化评估体系，而新型智能风险分析系统由于有数据和算法支持，实现了风险可计量。例如，对于员工违规操作，可通过异常操作、异常交易、异常客户关联造成资金损失、违规频率等进行量化评估，建立多维检测评估体系。多维度交叉验证的方法，便于审计人员从海量数据中更有效率地挖掘高价值线索和风险疑点，更准确地进行可疑线索甄别。
风险监控可视化。将审计流程的风险量化结果以分析人员熟悉的图形方式实时直观展现，提高监控效果。通过地图、时间序列图、趋势图、热度图、TOP统计图、和弦图、雷达图等可视化呈现技术，使用图表叠加、时间平移和缩放控制等方式进行深入分析，建立数据到可视化结构的映射，设计缩放、聚焦、回放和关联更新等人机交互功能，完成人与可视化工具的交流，帮助分析人员观察数据中隐含的信息，进一步提高分析人员的感知、分析和理解风险问题的能力。
3
合规科技对银行的价值和作用
对内提升银行中后台能力
合规科技对金融机构的内控合规和审计部门意义重大，体现如下：
内控合规部门：可帮助实现金融机构内部控制的数字化，包括业务管理规定和行政管理规定的数字化执行，比如员工绩效管理、考勤管理、流程管控等等，有效监测金融机构高风险交易，如推动反欺诈、反洗钱等，也可以帮助内控合规部门监控银行从业人员的道德风险和操作风险，如银监会的“八不得”“十不准”等法律法规。大数据和人工智能技术的应用使得7×24小时实时监测和控制成为可能。
审计部门：依托智能风险分析体系，针对风险、监管、经营管理中出现的问题，构建以监控预警、追踪查证为主的业务应用模型，提升审计人员非现场审计能力和效率，推动审计工作从“抽样审计”转变为“全面审计”，从“局部审计”转变为“整体审计”，从“单业务条线”转变为“多业务综合条线”，从“专家经验＋风险主观评估”转变为“数据驱动的量化客观评估”，实现以全量数据分析为基础、以风险控制为导向的持续性审计工作模式，充分发挥内部审计监督职责。
4
对外提升响应监管要求的能力
数据驱动的智能风险分析体系不仅提高了银行内控合规与审计的管控能力，还可帮助银行从以下三个方面响应监管：
数据链接方面：探索开展银行后台系统与监管机构的技术系统直联，以提高监管合规效率、降低合规成本。配合监管，按照数据驱动的技术监管框架，在银行合规端嵌入监管“探针”，自动化采集监管数据，实现监管数据的实时收集、整合和共享，确保其真实性、准确性、连续性、完整性和及时性，支持银行应对监管实现从手工化-电子化-信息化-智能化的科技进化路线。
合规建设方面：第一，银行和监管方共同研究，协同合作，将各项监管政策与合规性要求“翻译”成数字化监管协议，合规平台对接监管平台的应用程序编程接口（ApplicationProgrammingInterface，API），实现监管规则的机器可读、可执行、可对接。合规科技数据驱动的智能风险分析体系可以利用大数据和人工智能技术对采集的数据进行合规分析，预警监测、处置干预、信息共享、优化银行内外部规制制度等。第二，规则方面，辅助银行将国家和金融监管部门制定的现行法律、法规、规范性文件，以及金融机构内部制定的制度、规则、流程文件运用自然语义分析等人工智能技术进行信息化比对分析，审查并提升银行合规内控的合法性、适用性和一致性。
风险管理方面：银行可利用大数据和人工智能技术进行操作风险、信用风险、流动性风险等风险管理。以企业客户信贷风险为例，针对严监管形势下银行表内外信贷业务风险，可通过行内外大数据构建贷前风险识别、贷后风险监控预警等。还可进一步开展宏观审慎分析，利用规则推理、案例推理和模糊推理等方式，模拟不同情景下的金融风险状况，开展跨行跨业务关联分析，提升系统性、交叉性金融风险的甄别能力。
联系电话：