银行风险管理数字化转型途径3篇

引言：寻求写作上的突破？我们特意为您精选了1篇银行风险管理数字化转型途径3篇范文，希望这些范文能够成为您写作时的参考，帮助您的文章更加丰富和深入。

银行风险管理数字化转型篇1

后疫情时代经济形势复杂严峻，不稳定性和不确定性较大，商业银行信贷资产质量面临着前所未有的挑战和严峻考验。大数据、物联网、区块链等数字技术的迅猛发展，为传统信贷风险防控提供了新思路，将传统信贷“三查”管理收集的零散和碎片化的信息整合，使非现场信贷风险监测实现自动化，使信贷风险防控由被动性调查变为主动性管理。为此，构建银行“数字大脑”，推动信贷风险管理数字化转型是有效解决商业银行传统信贷经营管理中长期存在的数据信息不真实、风险防控不到位、化解处置不及时等问题的重要手段，也是监管机构和学术界共同关注的焦点。

一、传统信贷风险管理在数字时代面临的挑战

当前我国商业银行信贷管理采取多层级授权经营和前中后台分工制衡管理的模式，有效缓解了信贷决策的内部人问题和道德风险问题，成为商业银行信贷风险管理的主流模式。随着数字时代的到来，传统模式的优势逐渐侵蚀，其不足之处日益显现。

（一）现有的风控体系无法适应新时代下信贷管理的要求

当前，银行采取以业务部门为主导的信贷风险管理体系，各信贷业务条线按照其管理职能研发与各自相适应的信息管理系统，导致数据信息基准不统一、记载格式多样化，数据在各业务部门间人为分隔、难以共享，也导致银行内部数据呈碎片化或孤岛态势。同时，在前中后台相互制衡下，贷款需要经过贷前调查分析、贷中审查审批、贷后管理等环节，一般需要数个月时间，授信与用信脱节，严重影响了信贷经营管理效率。这种既要防控借款人终极风险，又要监督各机构、制衡前中后台部门的信贷全流程管理，难度大、成本高。近几年频繁出现违法放贷、内部人作案等问题，已成为银行关注的重点。

（二）重视形式合规，弱化实质风控

虽然营销与风控职能分离，基层行长往往在面对繁重的营销压力时，容易把信贷风控的底线当作尽职免责，甚至协助借款人规避政策和监管，以促成交易。信贷审查审批人员远离客户，只能依据基层行提供的信息做决策，能够掌控的仅仅是形式合规。在客户经理和借款人信息严重不对称的现实面前，基层行只能通过抵押物来控制终极风险，导致很多中小微企业因为缺少足够的抵押担保而无法获得融资。同时，传统企业信贷业务在授信时要花费大量时间进行尽职调查，但在用信时却忽视风险审查，而借款人的实质性风险多数在用信环节。近年来频繁暴露的借款人大额信贷风险，反映了商业银行普遍存在实质风控弱化的问题，这是我国商业银行必须破解的重要难题。

（三）基础数据录入仍然依赖于手工

目前，商业银行信贷管理的流程是对借款人进行现场调查或由借款人提供相关信息，再经客户经理汇总、分析，形成信贷调查报告，最后上报风控部门审查、审批。很多数据需要经办行客户经理手工反复录入，导致信贷业务流程长、效率低，信息准确性难以保证。借款人的信用评级是根据企业前三年的财务报表，这种评级方式对大中型企业较适用，但对小微企业的风险难以及时反映。同时，多数小微企业拿不出三年的财务数据，即使有，信息质量也很差、可信度不高。（四）数据挖掘模型应用相对落后国内商业银行尚未全面开展大数据挖掘，未进行信贷风险量化管理。在模型建立和具体应用上各自开发，不成体系，指标维度相对单一，也未能及时更新提升，未能有效建立模型的使用、验证、反馈、完善等良性循环机制，导致现有的风控管理模型与基层行实际经办的各种信贷业务相脱节。

二、商业银行信贷风险管理数字化转型的途径

信贷风险管理数字化转型将给商业银行传统信贷管理带来颠覆性的变化，数字技术可以实现信贷管理信息的自动获取、检测、量化分析，将传统的信贷管理手段和这些新数字技术有效结合起来，从而实现风险预警、精准锁定风险企业、大幅提高贷后效率等目的。这将极大提高信贷管理的时效性、主动性和智能性，彻底改变传统金融机构信贷风险管理成本高、工具少、效率低的现状，开启一场信贷管理理念、工具和方法的新变革。

（一）严把信息准入关，确保获取有效信息

一是严把数据的准入质量关。应以数据管理与风险控制为前提，对于新采集的数据信息要严格进行清洗、审核和验证，以保证从借款人第一项数据进入系统开始，即做到标准化，对于非结构化数据要最大程度地结构化，提高相关数据的可应用程度，并形成在各操作流程中不断对数据进行补充完善的良性循环体系，确保从底层数据开始就真实、准确，逐步勾勒出层次分明、轮廓清晰、客观完整的借款人全生命周期的连续、动态行为曲线。二是要对数据保持敬畏之心。面对借款人的各种纷繁复杂信息，要识别和判断是否存在虚假信息，只有经甄别、验证后的信息才能进入数据库，并对信息的质量划分不同等级，以便在进行信用分析时参考。三是确保信息质量。在瞬息万变的市场化经营环境中，银行应及时更新借款人数据信息，要因户施策，如对重点集团企业实行客户经理专人专管制度，同时聘请行业专家作顾问，提升行业信贷风险管理的判断能力；对中小微企业应重点分析借款人的非财务信息和还款意愿，逐渐实现借款人信息的统一全面、完整准确、连贯及时，不断提高数据信息对称度。

（二）整合信息平台，打通内外信息

我国商业银行虽然也建立了信贷管理信息系统，但是要成为一个功能完备、准确高效的数字信贷共享平台还不够。我们建议如下：一是整合平台，加强数据共享。要集中力量、配备专门人才，由行领导牵头，信息技术中心负责对全行数据信息的收集、分析等管理业务，把以往高度分散在全行各部门及分支机构间的信息加工整合为格式和标准统一、应用广泛、各部门及各分支机构可安全共享的数字信贷共享平台，切实提高信息利用率。二是优化整合存量信息。当前，最重要的是要建立和完善相关制度，对原先分散在各部门及机构间的碎片化数据信息进行治理、整合、改造升级，确保各类数据信息来源的统一完整、真实有效。三是开展内部数据治理，构建数字信贷根基。要建立以“借款人为核心”的集中统一的数字信贷管理机制，在整合已有信息的基础上，多渠道采集银行内外部各类信息，实现对借款人和业务流程的全覆盖；通过风险识别体系和数据模型体系建设，以自动挖掘取代人工搜集，有效甄别和防范信息作假、掩藏真相等风险因素；通过不断完善数字信贷平台，提升信贷风险管理的宽度、高度和深度，提高信贷风险管理的准确性，以此引导传统商业银行信贷流程变革。四是采撷外部信息，交叉验证信息真实性。传统的信贷管理是通过人工方式对借款人进行信息查询，所获取的信息难免因为企业的操纵而真假难辨。商业银行要建立外部数据协作机制，加强信息交流合作，通过自动收集人行征信系统、海关、税务、司法、电力、企查查、启信宝等第三方平台数据，全方位、多角度实时获取借款人及关联方的负债及担保、经营发展、法律诉讼、藏匿关联、费用缴纳、民间借贷、信息变更等信息，以此来检测借款人的诚信度，尽职免责。与微信、微博等社交网络平台及各类电商平台、核心企业ERP系统平台的对接，既能大幅度减少对相关信息采集、验证的工作量，降低融资难度，也可以深入挖掘借款人内在和预期需求。

（三）深入挖掘数据，预警信贷风险

通过数字化转型的信贷风险管理平台自动归集各类数据信息，在防范人工干预风险的基础上，提高信贷管理效率。一是多角度采集借款人信息。通过数字信贷平台充分挖掘企业的潜在信息，如对借款人的财务报表数据与水电费、运输费、员工工资等进行交叉验证，使原来难以甄别的风险能够及时识别和风控，提升银行风险管理的能力。二是自动监测风险。通过自动监测、动态跟踪，实现风控关口前置，如经借款人授权后，银行可以定期或不定期自动收集授信企业信用记录并跟踪企业信用的动态变化，及时获取企业进出口关单、纳税额及上下游应收应付款等情况，判断企业的经营能力和诚信度；自动获取企业股东及股权结构、员工工资变化等信息，了解企业高管层和团队的稳定性等，进行实时分析评估，并将结果及风险提示情况发送至相关人员，要求基层行长和风险经理及时提出有针对性的风险处置意见。三是利用数字技术实现远程现场检查。对大型授信企业进行贷后管理时，可对其采取远程现场监测，如把感应装置安装在企业货物进出口处以了解企业物流的真实吞吐量；通过安装重力感应装置监测企业销售及库存情况；在工业园区或者借款人集中园区设立值守远程自动监测中心，并将监测数据实时输送给数字信贷平台，结合数据实施自动风险预警，提高贷后管理效率。

（四）完善模型开发，确定合理需求

银行应从现实的信贷管理行为入手，通过打造数字信贷的赋能体系、场景金融和生态金融，实现信贷风险管理的数字化转型。首先，建立信贷风险模型研发与管理体系，搭建数字信贷工作引擎；整合专家智慧，全面梳理信贷风险因子，将借款人杂乱无章的风险信息转化为智能化数据决策活动，如可根据“冒烟指数”的程度采取关注、警示、约谈等措施，提高风险防控的前瞻性、及时性。通过发展数字信贷技术打通前中后台，实现传统转型与数字创新的双核驱动，进一步引导传统商业银行信贷管理模式变革。其次，要落实模型管理项目制，配备专业团队，全流程、全生命周期管理和维护模型。风险管理部门要从对新产品新业务的风险审查者，转变为模型开发和运营的全程参与者。在模型开发运营的团队中，要有适合的风险管理人员参与，从信贷产品设计、开发、运营到撤销全流程参与，确保信贷风险管理与业务发展实现全面融合，做到“风险管到哪，业务才办到哪”。第三，做好迭代和耦合管理。要按照“小步快跑、快速迭代”的思路实施模型开发管理，通过数据的不断积累、新客户的不断验证，推动产品模型的不断优化、持续提升风险识别能力。开发“模型使用者”反馈渠道，充分汲取产品实际使用者的反馈意见，优化产品的使用管理。同时，也要按照“轻耦合”的方式开发具备独自功能的基础模型，比如借款人信用评分模型、信贷风险防控监测模型等，既做好基础模型风险管理原则的一致性管控，又做好风险隔离，各模型应相对独立运行，避免风险交叉传染。第四，完善信贷风险评估工具。完善数据模型建设，进一步丰富数据挖掘与机器学习模型技术应用，完善区域金融生态环境、行业特征等差异化数据指标，提高风控模型自动化甄别能力和借款人风险判断能力，提升信贷风险建模的精确性和预测性。第五，完善信贷决策模型。将数字信贷模型结果嵌入信贷管理信息平台，减少人工操作，让信贷风险管理数据化转型在业务部门真正落地。如在数字化转型的授信审批环节，可选择合适的大数据模型精准计量借款人的授信额度和每一笔融资业务，再进入专家评审，使风险识别与决策更加可靠。第六，强化数字信贷模型的持续修正机制。要随着业务发展及内外部风险形势变化，建立模型应用与完善的良性机制，确保模型及时更新、不断优化。

（五）优化管理体系，提升风控水平

数字信贷意味着银行商业模式、组织架构、管理模式和业务流程的重塑。首先，应在风险防控模式上牢固树立“数据治行”的管理理念，对现有信贷风险管理系统进行改造，建立数据挖掘、物联网、区块链等数字信贷集控平台，形成风控有效、运行高效的信贷风险管理新体系，按照统一的标准，筛选符合本行风险偏好要求的客户群，实现信贷产品的精准营销，提高风险管理效率。其次，在组织架构上，商业银行董事会与高级管理层要加强顶层设计，“自上而下”推动，把数字信贷融入营销和服务行为，围绕特定场景把信贷管理的前中后台整合统一为数字中台，以数字中台代替传统的分工制衡模式，彻底打破以往条线及机构间的风控信息各自收集、识别的做法，确保通过总行建立的数字信贷平台，真实、准确勾画出借款人360度全景视图。建立健全数字信贷平台应用授权制度，完善各部门、分机构数据共享机制和安全管理制度。第三，在业务流程设计上，从开户、贷款申请、审批、放款、贷后管理、预警催收等环节都可以通过系统自动处理，而对于集团企业、关联交易复杂企业可以在若干节点设置人工干预，借助专家来共同判断和决策，达到降本、增效、控险的多重目标。第四，在信贷管理模式上，构建以非现场为主的信贷管理方式，对借款人信贷管理实行全方位持续不断的风险监测，形成全过程风险监测体系。如发现借款人未及时提供财务报表、交易数据等风险迹象，或生产经营管理等出现异常变动，就应现场监测核查，并督促分析风控和化解措施，使风险甄别、风控和处置更有针对性和有效性。

三、信贷风险管理数字化转型的相关建议

实现安全有效的信贷风险数字化转型，涉及到经营管理的很多方面，关键是要以完善的制度作保证。除上述组织架构、操作流程等方面外，还需有相应的规章制度、团队建设以及激励机制等措施作保障。

（一）理顺关系，明确职责

优越的数字信贷风险管理平台需要要科学严谨的风险管理流程与风险管理组织架构作保障，这就需要商业银行及时调整风控管理组织架构和相关部门职责，优化细化操作流程，明确各部门信贷风险防控的职责。应确保各部门、各层级机构的客户经理可通过数字信贷平台筛选出适合的客户群，并通过平台深入挖掘借款人服务价值，实现信贷风险的整体防控，严把信贷准入关，使信贷风险管理更加精准和高效。

（二）加强团队建设，提高专业素质

要招聘一批精通数字技术和金融工程的人才，共同组成复合型的数字化金融专业团队，致力于大数据挖掘和分析，为数字化转型的信贷业务提供强有力的人才保障。要加强系统培训，通过学习、研讨等方式重点提高模型验证、数据分析、监测预警等专业技术能力，以更好地参与模型开发和数据管理工作，提升客户经理多渠道信息收集印证监测能力，为全面提升信贷风险管理水平保驾护航。

（三）夯实基础建设，完善激励机制

首先，随着高科技的迅猛发展，金融欺诈风险亦呈现复杂化、隐蔽化趋势，需要对这类“次生风险”高度警惕。为此，考核体系要与时俱进、切合实际，强化规范经营，通过绩效分配、行为积分等方式考核到人，强化执行。其次，落实容错试错和尽职免责措施。数字技术处于发展初期，也不是万能的，而传统信贷业务的线下操作也有独特的优势，需要线上线下充分融合，优势互补。线上业务出现风险，主要通过对模型的更新迭代来纠错。不涉及人工操作的业务，不追究单笔业务的风险管理责任；涉及人工操作的，若相关人员已尽职履责，不追究相关责任。第三，从严处置道德风险。对于员工因道德风险引发的风险事件，要从严追责，从重处罚；对因能力不足导致履职不到位而引发的风险事件，通过强化培训、调离岗位等措施处理。

（四）改进营商环境，规范信用行为

首先，要建立和完善相关法律法规，对弄虚作假的借款人、中介机构，建立“黑名单”并给予公开通报，督促相关市场主体规范经营。其次，应强化规范市场经济铁序，重点整顿会计师事务所、资产评估机构等社会组织机构的经营行为，发挥中介机构的鉴证和会计监督作用，对假审计、假验资、假公证、假评估等不良行为要从严从重处罚，以确保市场信息传递的真实、有效。第三，银行监管部门应通过立法，明确企业提供相关信息的责任与义务，银行之间要开放数字信贷资源，形成数据资源的行业循环，实现信用风险管理从经验到数据的彻底转型，建立超越单一银行的行业级信用风险体系，有效解决跨区域、跨行业经营的集团企业以及异地企业的统一授信难题，从而最大程度上防止多头、重复和过度授信的情况发生。

作者:郭小平 连育青

银行风险管理数字化转型篇2

商业银行经营的本质是对风险的承担与管理。风险管理是商业银行通过风险识别、计量、监测和控制等程序对风险进行排序、分类、报告和管理，以保持风险和效益的平衡发展，提高资本的经济效益。有两种主要的传统风险管理方法：一种是单独识别每一类风险并分别进行处理，被称为“风险分解”；另一种是通过充分的多样化来降低风险，被称为“风险聚集”。单独识别提高了处理效率，但忽视了不同风险间的动态传导；多样化减少了非系统风险，但并没有消除系统风险３在２００８年全球金融危机爆发后，风险管理越来越受到银行的重视。随着信息化时代的到来，金融与科技快速融合，金融科技公司相继和商业银行合作推出存款类金融以及联合信贷产品，全球银行业全面数字化转型的趋势已经日益突显。麦肯锡报告预言，到２０２５年，商业银行的风险管理方法将有显著改变。数字化风险管理是近年来崛起的新型风险管理方法。其借助创新技术应用，可及时发现风险传导节点和重大风险隐患，提高风险管理的效率和质量，将成为未来区分商业银行经营优劣的核心竞争力。目前，在国际和国内的学术和银行实践中，数字化风险管理的技术、方法和应用均处于研究和探索阶段。在北京率先启动中国版“监管沙箱”，其中包括传统银行领域和金融科技公司合作推出的助贷和联合信贷产品。在《规划》和监管沙箱试点的推动下，聚焦固根基、扬优势、补短板、促发展目标，我国各大商业银行正纷纷对数字化转型的发展机遇和挑战展开研究，主动制定本机构金融科技三年规划，并投人大量资源建立完善的数字化风险管理体系。

一、数字化风险管理本质含义

金融科技是将新的科技成果应用于金融领域，在金融与科技融合过程中实现商业模式的创新，进而形成了在风险管理功能上的融合趋势。数字化风险管理，本质上是对金融信息的数字化传输、接收、分析和处理，对政策、流程、系统、数据、分析和组织结构开展协同改进。其具体形式包括流程自动化、决策智能化、监控数字化等。数字化风险管理通过对早期预警信号的准确识别，使风险控制从单客户、单品种、局部化、碎片化的管理模式，向业务关联、上下联动、组合最优化的数据风控方式转变，以实现资本的有效配置。以普惠金融中的数字化应用为例。征信信息不足、缺乏抵押物和完整的财务报表而造成的信息不对称，是发展普惠金融的主要障碍之一。利用数字化风险管理，一方面是增量、扩面。商业银行可以利用互联网数据，交易流水，水、电、海关、法院等数据，分析低收人人群和小微企业的信用状况，预测其成长潜力，提升信用价值和服务效率，增加其获取金融服务以及扩大业务规模的机会。另一方面是降本、控险：商业银行通过日常交易数据流、现金流、物流、商流等变化信息，可全面、动态地实时掌握客户信用风险变化，显著提高业务的前瞻介人、风险识别和承受能力，降低商业银行贷后管理、续贷评估以及不良清收的成本。

二、数字化风险管理转型动力

商业银行风险管理数字化转型的动力主要来源于四个方面：第一是客户正逐渐信任新型数字金融渠道。根据知名市场调研公司ＣＢＩｎｓｉｇｈｔｓ的调研数据，有６０％的银行客户表示，他们愿意尝试已接受服务的科技公司的金融产品。特别是在１８岁到３４岁的年龄段，该占比高达７３％。业务全面数字化转型可促进银行业增强金融服务的用户体验和客户黏性。第二是传统金融产品和服务的利润在不断缩水。根据麦肯锡调研数据，２０１８年我国银行业收人年增长率仅为７％，创２０１０年以来新低；２０１８年行业平均利润率仅为１１．７％，连续八年呈下跌趋势：由于新的商业模式和技术创新加剧了同业竞争，刺激银行重视重新分配资源，寻求专业合作伙伴，在推动创新业务发展的同时联合防控金融风险。第三是存量不良高企，外部监管重拳接连落地３根据中国银保监会的统计数据，２０１８年商业银行不良贷款率为１．８９％，较２０１６年、２０１７年的１．７４％上升了０．１５个百分点，较２０１３年的１％上升０．８９个百分点。其中值得关注的是，银行业“逾期９０天以上贷款全部记人不良贷款”的新规在２０１８年出台后，部分中小银行的不良贷款率从不足５％上升至近２０％，２０１９年监管又进一步提出新要求，鼓励银行将逾期６０天以上的贷款划人不良。第四是技术承载力在不断提升。应用程序编程接口（ＡＰＩ）技术，使得银行和第三方系统的数据连接更加便捷；基于云端的基础架构不仅提升了核心系统的流畅度，而且降低了开发运维的难度和成本，更好地发挥了金融大数据的集聚和增值作用。

三、数字化风险管理变革能力

为了促进金融科技领域的研究、创新和思想领导力（ＴｈｏｕｇｈｔＬｅａｄｅｒｓｈｉｐ）），２０１７年８月，美国斯坦福大学成立了金融科技实验室（Ａｄｖａｎｃｅｒ！ＦｉｎａｎｃｉａｌＴｅｃｈｎｏｌｏｇｉｅｓＬａｂｏｒａｔｏｒｙ，ＡＦＴＬａｂ），致力于研发高效的计算统计方法来处理和分析海量数据，并建立了基于数据的产品定价、风险计量、商业决策等风险管理工具体系，对金融行业的新问题、新变化探索创新解决方法和解读方式，为防范系统性金融风险、维护金融稳定提供理论依据：斯坦福大学金融科技实验室的研究成果还包括分析金融风险的新方法，其研究成果可帮助商业银行更有效地应对欺诈、假账、失信、洗钱、侵权等风险管理难题。随着科技在金融领域的不断创新，商业银行风险管理正在经历变革。为了更好地应对未来机遇与挑战，国内外领先银行纷纷立足于科技引领数字化发展战略，依托大数据风控体系，打造以体验为核心、以数据为基础、以技术为驱动的“智能风控战舰”。一方面，创新技术加快突破＝在将客户、场景、产品、服务、经营决策转化为数字信息的基础上，广泛使用大数据、人工智能和云计算等技术，建设决策工具体系；对内、外部数据进行实时或批量加工、处理和深度挖掘，使用敏捷迭代周期完善金融风控模型，建立客户风险分池、账龄分析（ＶｉｎｌａｇｅＡｎａｌｙｓｉｓ）与根因分析（Ｒｏｏ丨ＣａｕｓｅＡｎａｌｙｓｉｓ）；提升商业银行的前瞻化、智能化、自动化、数量化、精细化、差异化、全链条、全流程的风险管理水平。另一方面，创新成果全面应用。结合业务管理的需要，将数据加工处理后的信息成果全方位应用于客户准人、授信审批、风险监控、风险预警、额度调整、贷后管理、放款管理、催收管理、组合管理、考核评价等各方面风险经营决策管理的过程中，重点解决数据造假、信息壁垒以及分析失真等问题，为重塑高质量银行业务、高品质服务流程提供更有力的支撑。这在我国银行业落实《推进普惠金融发展规划（２０１６—２０２０年）》（国发〔２０１５〕７４号）的道路上，也发挥了关键作用。

四、风险管理创新技术及其成果应用前景

大数据、人工智能和云计算等技术赋能商业银行风险管理领域。从应用角度看，主要包括三大过程管理：商业银行的前台、中台和后台。在前台，可以用于检测欺诈、多头借贷和反洗钱风险；在中台，可以为金融业务中的授权、交易、授信与分析等提供辅助决策功能；在后台，可以提高金融系统对各类风险的计量、预警、化解与防控能力。工欲善其事，必先利其器。为打造以数据为基础、以技术为驱动的“智能风控战舰”，要用对、用好、用稳创新技术。当前，在商业银行风险管理领域运用的创新技术主要归纳为以下五类。

第一，“探测雷达”——机器学习。机器学习旨在利用可以从数据中提取知识和模式的数学模型来解决业务问题。机器学习技术已经被证明比传统的统计方法在分类和检测精度方面有更好的性能。其主要有三个分支，均与提供的观察结果类型息息相关：监督学习，其中观察结果包含输人和输出对（也称为“标签数据”）；无监督学习（其中忽略了标签）；以及强化学习（会对情况的好坏加以评估）。例如，在信用风险领域，信用评分通常采用Ｌｏｇｉｓｔｉｃ回归、分类算法、Ｃｏｘ风险比例半参数回归模型等技术，来确定违约的可能性。分类算法，特别是支持向量机（ＳＶＭ），在信用评分中的准确率显著高于标准Ｌｏｇｉｓｔｉｃ回归（ＶａｎＧｅｓｔｅｌｅｔａｌ．，２００３）。基于信用评分结果，银行设计差异化风险定价矩阵，有利于降低定价道德风险；同时，设立风险分级授权审批制度，实施梯度审批管理，严禁越权从事业务活动。在操作风险领域，成果应用主要集中在对欺诈和可疑交易的监测，通常由分类算法解决。聚类分析、贝叶斯网络、决策树、分类树、支持向量机（ＳＶＭ）等，都是常用的机器学习分类算法。在压力测试领域，通常采用Ｌａｓｓｏ回归、多兀自适应回归样条（ＭｕｌｔｉｖａｒｉａｔｅＡｄａｐｔｉｖｅＲｅｇｒｅｓｓｉｏｎＳｐｌｉｎｅｓ，ＭＡＲＳ）和贝叶斯网络等，来估计特定状况下风险损失。Ｌａｓｓｏ回归往往优于传统的统计模型，其优点是可以处理压力测试的高维特性所引起的复杂问题（Ｃｈａｎ－Ｌａｕ，２０１７）。ＭＡＲＳ是逐步线性回归分类和回归树（Ｃａｒｔ）方法的推广。交叉验证测试发现，ＭＡＲＳ模型在模型测试中比传统统计回归模型向量自回归（ＶＡＲ）显示出更高的准确性和更好的样本外预测性能Ｕａｒｏｈｓ，２０１８）。随着ＭＡＲＳ的提出，概率图可以用于集中度风险的建模和评估，基于增强树的贝叶斯网络让风险更易于理解。在科技公司产品方面，惠与公司（ＨｅｗｌｅｔｔＰａｃｋａｒｄＥｎｔｅｒｐｒｉｓｅ）推出业界领先的风险监测自动化解决方案，应用于决策审批、欺诈检测、运营优化等，帮助商业银行对交易主体的标准行为或合法行为进行学习，并输出动态风险特征；最后，系统进行自我学习，并进行调整适应，以降低误报、漏报、迟报风险。

第二，“卫星云图”——深度神经网络（深度学习）。金融稳定理事会（ＦＳＢ，２０１７）将“深度学习”（ＤｅｅｐＬｅａｒｎｉｎｇ）定义为一种机器学习形式。其使用受大脑结构和功能启发的分层算法。ＤｅｅｐＬｅａｒｎｉｎｇ算法的结构又称为神经网络，可用于有监督、无监督或强化学习。深度神经网络（ＤＮＮ）是大规模神经网络，通常具有许多处理层，在大数据量、高计算量的序列分类（视频、音频或时间序列分析）、图像识别、欺诈检测与异常特征识别上有显著优势。ＤＮＮ技术在大型云提供商的开放框架支持下将会快速成熟。这些框架包括ＴｅｎｓｏｒＦｌｏｗ，Ｔｏｒｃｈ，Ｃａｆｆｅ，ＡｐａｃｈｅＭＸＮｅｔ和ＭｉｃｒｏｓｏｆｔＣｏｇｎｉｔｉｖｅＴｏｏｌｋｉｔ等。使用最广泛白勺ＤＮＮ是卷积神经网络（ＣＮＮ）和递归神经网络（ＲＮＮ）。例如，在信用风险领域，ＤＮＮ已被证明在信用风险决策过程中具有重要的价值，比传统机器学习算法能更准确地进行分类，在公司危机预测中的应用也被认为有助于信用风险评估３ＣＮＮ应用于银行抵／质押物贷后远程监控的大规模图像分类，可提高非现场监测效率，降低贷后管理成本；ＲＮＮ应用于贷后催收的大规模语音序列转文字，可持续优化催收策略．动态调整回收率估计。在市场风险领域，金融市场波动性预测在风险管理和资产定价等领域具有重要意义，利用ＤＮＮ可以提高波动率估计方法的性能。在操作风险领域，神经网络被认为是信用卡欺诈检测中一种非常流行和突出的技术，通过模式识别及异常识别，可帮助商业银行在海量数据中识别并标注欺诈、异常或非法的交易行为。在数据安全领域，大型的数据风险监管平台以云计算技术作为平台后端，为ＤＮＮ搭建强大的存储和运算体系架构，打造大数据分析安全闭环。在科技公司产品方面，ＩＢＭ的新型系统ＰｏｗｅｒＡＩ在２５６个ＧＰＵ上搭建Ｃａｆｆｅ深度学习框架，在大型数据集（７．５Ｍ图像）上，利用深度神经网络可达到新的图像识别准确率记录，目前已被广泛用于金融监管和合规领域，包括用户身份识别、反洗钱监控、客户需求洞察等。

第三，“数字罗盘”——集成学习。集成学习可通过创建一系列机器学习模型，将模型输出结合成为整个集合的单一输出，可很好地抵御离群值和过拟合的影响。该方法在很大程度上利用了“群体智慧”原则，其中，模型输出的多样化是关键。最知名的装填（Ｂａｇｇｉｎｇ）、推进（Ｂｏｏｓｔｉｎｇ）和堆集（Ｓｔａｃｋｉｎｇ）技术模式包括随机森林和梯度增强（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ）。基于初始的方向，集成方法的预测可用作具体测算排序得分或理解为回归函数，可为商业银行精准判断风险信号、精心引导化解不良提供支持。？些研究者评估了集成学习方法在信用评分研究中的应用。在一个混合系统中，使用多种基础异质技术之后，采用一种新技术进行最终预测，主要可解决以下实际难题：一是处理信用评分精度问题。应用正则化Ｌｏｇｉｓｔｉｃ回归的集成学习方法，即应用聚类和Ｂａｇｇｉｎｇ算法来平衡和多样化数据，然后使用Ｌａｓｓｏ－Ｌｏｇｉｓｔｉｃ回归来评估信用风险的最终集成学习算法，被发现优于许多流行的基础信用评分模型（Ｗａｎｇｅｔａｌ．，２０１５）。二是解决低违约投资组合（ＬＤＰ）分类不平衡的问题。金融机构和政府机构被认为是违约风险非常低的投资组合：ＬＤＰ有一个分类占比不平衡的问题，即违约数比正常还款数要少很多。而梯度增强（ＧｒａｄｉｅｎｔＢｏｏｓｔｉｎｇ）和随机森林分类器在处理具有分类不平衡问题的样本时表现良好（１＾〇？１１＆Ｍｕｅｓ，２０１２）。三是帮助打开“黑箱”模式。从神经网络受到批评的角度看，这种模式在业务使用中缺乏解释性。而应用两个阶段的混合方法，即结合Ｌｏｇｉｔ模型的可理解性和神经网络等非线性技术的预测能力，则整体精确度优于两种基本模型（Ｒａｅｉｅｔａｌ．，２０１６）。此外，在操作风险领域，贝叶斯算法、ｋ最近邻、支持向量机（ＳＶＭ）和基于决策树的Ｂａｇｇｉｎｇ集成分类器．在欺诈检测系统中均得到了广泛应用。

第四，“防潜鱼雷”——预测分析。预测分析是对数据或内容进行预判，以回答“可能会发生什么”这一预测问题。该分析包含多项技术，如回归分析、多元统计、模式匹配和时间序列预测建模。通过分析未来可能取得的成果，商业银行能够主动地制定更优决策并预测潜在的威胁和机遇，避免踩雷、捕获商机。例如，预测客户现金流波动趋势、违约概率走势、客户最大偿债能力（风险限额）、贷款需求对价格变化的敏感度、金融质押品估值预测等．３第五，“多功能显控台”——数据可视化。数据可视化基于数据以清楚、简练、合理的方式进行交流，是探索数据和数据表现的重要方式。其可帮助风险管理人员快速查看并理解数据，是风险防控协同的应急指挥和决策工具。在科技公司产品方面，Ｔａｂｌｅａｕ和Ｐｅｎｔａｈｏ等商业智能公司开发了全球领先的数据可视化和数据探索软件，可为商业银行生成自动化监测报告、提供定制化数据分析和多维度图表展示方案。

五、我国商业银行风险管理发展实践

近年来，监管评估渐趋严格、银行传统业务竞争加剧、金融需求日趋多元化、金融科技迅猛发展等，成为推动我国银行业风险管理发展的现实原因和直接动力。根据我国银行业当前的风险管理实践，我国商业银行风险管理正处于维护金融体系稳定、规范合规数据应用的阶段。在风险数据治理方面，２０１３年巴塞尔委员会总结金融危机教训，发布了《有效风险数据加总和风险报告原则》，并将其纳人银行有效监管框架，意在为银行监管打造有效基础工具。一是将《风险数据加总原则》明确为具有最高约束力的监管标准和所有系统重要性银行的监管标准，并建议国际活跃银行参照执行。二是将《风险数据加总原则》定位为有效监测和实施定量监管指标的基础性支撑工具ｔ２０１５年，原银监会借鉴国际经验，发布了《关于大型银行做好有效风险数据加总和风险报告有关事项的通知》（银监办发〔２０１５〕１６８号）。２０１７年，原银监会又印发了《有效风险数据加总与风险报告评估要点》，对全球系统性重要银行提出了更高要求，正式将国际标准上升为具体的监管规制。２０１８年４月，针对数据标准不统一、统计技术手段单一、风险预警数据不敏感、基础数据不健全等金融业综合统计方面的问题，国务院印发了《国务院办公厅关于全面推进金融业综合统计工作的意见》（国办发〔２０１８〕１８号），引导各级政府建立科学统一的金融业综合统计管理和运行机制。２０１８年５月，银保监会正式发布《银行业金融机构数据治理指引》（银保监发〔２０１８〕２２号），对银行业金融机构数据治理的原则理念、数据治理架构、数据管理、数据质量控制、数据价值实现，以及对银行业金融机构数据治理的监督管理等做出了规定，明确要求银行业金融机构要适应大数据时代需要，实现数据驱动银行发展；同时，强调要加强数据应用、发挥数据价值，强化数据安全意识，依法合规采集数据，防止过度采集、滥用数据，依法保护客户隐私。２０１９年７月，国务院办公厅发布《关于加快推进社会信用体系建设构建以信用为基础的新型监管机制的指导意见》（国办发〔２０１９〕３５号）。该意见全文共提到十四次“数据”，鼓励依法依规与大数据机构合作开发信用信息，充分运用大数据、人工智能等新一代信息技术，实现信用监管数据可比对、过程可追溯、问题可监测。２０１９年１２月，银保监会发布《强化大型银行风险数据加总和风险报告能力的实践与思考》，进一步引导大型银行强化风险数据加总和风险报告能力的建设，提升风险管理能力和科学决策水平。另外，为引导我国商业银行更好地适应国际贸易环境不确定性增强、系统性风险监管力度日趋严格的经营环境，银保监会（包括原银监会）先后发布了《银行业金融机构全面风险管理指引》（银监发〔２０１６〕４４号）、《商业银行大额风险暴露管理办法》（中国银保监会令２０１８年第１号）、《商业银行流动性风险管理办法》（中国银保监会令２０１８年第３号）、《银行业金融机构反洗钱和反恐怖融资管理办法》（中国银保监会令２０１９年第１号）和《金融控股公司监督管理试行办法（征求意见稿）》，在全面风险防控、授信集中度、大额风险防控、系统性风险防控等方面，提出了更高要求：而从行业的发展看，金融科技行业变化日益加速，来自电商、金融科技公司以及其他非传统金融机构的竞合关系不断增强，数据已经逐渐成为商业银行的重要资产和核心竞争力。因此，充分发挥数据价值，应用数据驱动银行发展，对提高银行经营质效具有重要意义。

六、国际优秀实践经验和对我国的启示

全球银行业数字技术投人持续增加，全方位推动了银行业数字化转型。麦肯锡报告显示，在其调研的全球领先银行中，每年平均投人税前利润的丨７％？２０％用于数字化转型和创新，５２％的受调研银行与金融科技企业有合作关系，３７％采用风投或私募的方式布局金融科技。国际领先的商业银行重塑“以客户体验为核心的数字化生态系统”的新定位，正积极调整其商业模式，重点从优化产品维度收益转变为优化组合维度收益，从数据孤岛转型为数据共享生态，从传统物理端的计算和存储转向云端，在依法合规安全的前提下，发展数字化风险管理，进一步增强了商业银行核心竞争力和发展韧性。特别是在通过数字化转型加强风险识别、完善决策管理、提升管理能力方面，在近十年积累了丰富的经验：根据知名市场调研公司ＣＢＩｎｓｉｇｈｔｓ的报告，传统授信业务发放一笔贷款平均需要７０００美元、４００多页文件、５０天、２５个人，过程非常繁琐、费时：为改善客户体验，降低成本，商业银行，例如，摩根大通银行、富国银行、第一资本银行等纷纷建立了智能风控系统，其中有些做法值得我国同业借鉴：一是标准化数据系统、审批政策、审批流程；二是自动化信审决策、风险监测、模型迭代；三是模块化组织架构、管理流程、人员权限。把风险管理的知识和技能进行迭代，把资源的蓄积进行激活，把交流的机制进行深化。根据２０１９年《中国商业银行数字化转型调查研究报告》，我国商业银行数字化转型正在加速。７５％的被调研银行正在或已经制定了全行级数字化转型方案；超过７０％的被调研银行在招募数字化人才，并在建立全行统一的大数据平台，以及搭建平台整合金融与泛金融场景。我国数字化风险管理发展尚处于初期探索阶段。中国人民银行金融科技委员会问卷调查结果显示，大数据技术是当前银行业普遍应用的新兴数字技术之一，在普惠金融智能风控的应用场景中占比达４４％；人工智能是当前银行业应用新兴数字技术的热点之一，在普惠金融风险防控的应用场景中占比３３．３３％。由于目前创新技术面临合规和监管挑战，同时在我国的应用也没有经历过完整经济周期的考验，因此，转型过程将会是不断试错、止错、纠错的过程。转型需要不断集聚动力和能力，为进一步发展创造条件。

国际数字化风险管理的优秀实践，对我国商业银行的启示有四个方面：第一是针对行内标准不统一、不合适的现象，要重视建立基础数据、技术、政策、流程的统一标准，打通不同系统间的数据隔阂和沟通障碍，形成全行数据统一归集、兼容可比的科学高效的治理体系。第二是针对评估难、流程长的问题，重新优化流程架构，充分整合数据洞见和专家经验，形成最优的自动化资源配置，实现动态帕累托改进。第三是针对资源不均衡、信息不对称的现象，明确最终目标、约束条件和最优化路径，有效监测跨行业、跨市场、跨部门的金融活动，形成多层次跨模块协调机制。第四是针对个别非参数模型在业务使用中缺乏解释性、稳定性的情况，在非核心、批量化场景中应用两个阶段的混合方法，即结合参数模型的可解释性和非参数技术的预测能力，在提高模型准确性的同时，帮助客户经理等展业人员理解模型结果和主要影响变量，从而获得管理抓手。从问题方面看，当前我国商业银行在量化风险过程中，面临的具有共性的主要问题是缺乏相关高质量的数据。第一是数据来源有限，尤其是客户的相关信息。银行通常仅能获得客户主动或被动提供的基本信息数据及财务信息数据，客户的市场行为、与第三方对手间的交易往来等有价值的信息数据，难以收集。第二是数据可靠性不足：数据的获得路径长，缺乏有效的验证手段。第三是数据时效性差。比如，风险信号数据在客户违约发生后才能获得，企业经营好转的信息在上年度财务报表中也无法体现等。总之，我国商业银行数字化风险管理的转型，同宏观经济决策一样，要优先考虑发展问题，要在发展中解决前进中的问题。一是要建立数据质量定期监控机制。将数据治理情况与公司治理评价和监管评级挂钩，确保数据合规、真实、有效。二是不断拓展技术应用场景。根据大数据、人工智能和云计算等技术的适用范围、价值和风险，持续创造前提条件，在前台、中台、后台三大过程管理领域开展应用性探索。三是要持续加强日常管理与监测。提供全景风险侦测视图，配备全方位风险建模能力，为后续阶段建设金融风险智能预测、预警防控体系保驾护航。

七、结论与建议

随着国内金融数据治理体系和金融科技监管体系的不断完善，我国商业银行作为全球实施金融科技战略的排头兵之一，具有扶持政策、科技资源和创新环境优势。值得注意的是，与之相配套的法律法规、监管制度、行业体系、会计标准、技术标准、专业技能以及机构建设，都需要相当长的一段时间去摸索及测试。因此，商业银行需要系统性地选择及渐进式转型路径。从近期看，２０２０年是全面建成小康社会目标实现之年，是建立与全面建成小康社会相适应的普惠金融服务和保障体系的收官之年。传统商业银行应凝心聚力，固本强基，进一步加强内部沟通，借力金融科技提升服务。由于创新技术的迭代更新速度快、缺乏长期的观测周期，相关最前沿技术有必要通过先试点、后推进的持续研究，进一步勘测数据和技术两大风险，挖掘在商业银行风险管理中的数字“金矿”。一是要积累创新技术应用经验。应由总行牵头积极主动对接国家政策，鼓励有竞争力的分行在一些非核心、批量化场景授信业务上率先应用风控创新技术，积累模型应用和表现观测数据，打造数字化风控比较优势，推动区域化创新实践，形成示范带头效应。二是要培育高素质的金融科技专业人才梯队。要着力完善多层次金融业务的风险管理体系，加强对数字化风险管理创新和应用的研发费用和人才薪酬支持，借助科技的力量寻求效率、成本、风险、收益、价值的最佳平衡。三是要建立激励相容机制。要激发全行风险管理人员创新活力，运用数字化转型成果，实现大功效高产能，分级管理，逐级负责。

从中期看，２０２１年是“十四五”规划的开局之年，商业银行推进金融科技三年规划由此进人落地期。在这一过程中，传统商业银行要主动作为，积极实践，不断总结实务经验，以数字化为引领，让风控战舰扬帆起航。商业银行在这一阶段需与各类科技平台加强合作，设计智能信贷风控产品，实现包括获客、反欺诈、审核、运营、风险定价、贷后管理及资产证券化等在内的业务全链条的数字化升级，使得资产数字化和数字资产化，从资产端、资金端两大方面，降低成本、提高效率、增加收人、实现共贏。在具体举措方面，一是要密切监测创新技术应用表现。要持续完善项目规划，在创新技术表现稳定且被监管广泛接受后，考虑逐步替代传统技术；要重点借鉴国际领先商业银行的经验，跟踪数字化风控业界的进展和监管要求，确保数据合规、结果合理、监管认可。二是要持续提高创新技术的稳定性和可靠性。要根据技术监测的结果，进一步自动化运营流程，细化客户両像，强化数据分析，量化信贷风险，以确保长期资本收益的稳定；要重点运用大数据、人工智能和云计算等技术理论，建立并完善数字化风险联合防控体系。三要提升管理思维，加强组织统筹。要做到全局和局部相配套、渐进和突破相衔接，在“伪创新”“不当创新”面前有知止之明，明确业务的发展需求，形成推进合力。从长期看，再奋斗五年，到２０２５年，是我国基本实现具有高度适应性、竞争力、普惠性的现代金融体系的关键时期：金融与科技创新的融合将愈加紧密，金融风险日趋隐蔽复杂。围绕新时期我国金融体系面临的新定位、新要求、新挑战，传统商业银行要提高预测、预警、预防风险能力，有效防范化解金融风险。一是要理顺关系、整合资源、创新机制、完善顶层设计和组织建设。二是要做好规划，积极面对科技发展给金融风险管理带来的冲击，并通过合理应用技术来管理风险、凝聚价值，为转型做好准备。三是对公司金融、同业金融和金融市场业务的风险管理，要在系统建设、流程设计、数据应用等方面，向着做强、做大、做优的目标持续推进数字化转型；对平台金融、小微金融、零售网贷，商业银行可通过创建新机构，与金融科技公司、大型科技公司在高科技领域进行合作，以及进行股权投资等方式来构建大数据金融生态系统，拓展数字化风控的深度和广度，推动我国商业银行风险管理的转型升级，提升核心竞争力和国际影响力。我国商业银行数字化风险管理转型是一个长期重大课题，有许多问题有待进一步研究解决，如通过横向分类研究，比较和分析不同类型的商业银行差异化转型路径，如何平衡第三方技术风险与超额收益、如何处理好技术发展与监管认可的关系以及我国与世界发达国家间的发展差异等。对于这些问题，我国的监管部门、行业自律组织、各金融机构和金融科技公司，要不断探索并共同实践。在此基础上，探究商业银行数字化风险管理转型的“中国理论”，即以“中国办法”研究“中国问题”，书写“中国创新”，进而引领世界金融科技的新征程。

作者:龚逸君

银行风险管理数字化转型篇3

近几年，由于金融科技的发展迅速以及宏观政策的引领，数字化浪潮席卷而来。我国银行也在各个方面相应加快数字化转型，为客户提供更优质、更丰富的金融产品和服务。但新产品和工具应用的出现，也相应地会带来许多亟待探究与解决的问题。其中，转型过程中带来的风险和挑战是不能回避的问题。不能有效地管理数字化转型中的风险，将会约束银行持续健康发展。因此，本文以商业银行为例，对其在数字化转型中出现的主要风险问题进行探究，以期引起银行相关人员的重视与反思。

一、商业银行数字化转型风险管理

（一）商业银行数字化转型风险管理过程。商业银行数字化转型的风险管理是指风险管理部门对银行业务的数字化转型所面临的风险，制定适合的风险策略并依据目前所处的内外部环境，确定分配所需的人力和财力的资源，减少或降低风险后果的严重程度和范围的管理过程。银行为了适应数字化转型的新业态模式，将风险管理过程分为风险评估、风险应对和风险监控三个主要过程。其中，风险评估这一过程由风险识别、风险分析及风险评价三个阶段构成。

（二）基于风险矩阵的风险管理必要性。风险管理领域有许多管理方法，各有利弊。其中，财政部发布的基本指引中指出，风险矩阵是一种具有灵活性强和辨识度高等特点的结构化的管理方法，被广泛运用于实际操作中。风险矩阵是综合考虑风险发生的概率和发生后果的影响等级，将风险和等级在矩阵图中绘制，是一种简单易理解的可视化风险管理工具。风险矩阵的评估方法明显优势在于：一方面可以结合其他风险管理方法对风险进行评估，也可以单独使用，具有灵活性和可塑性；另一方面通过定量和定性相结合的方式，有利于及时、准确地发现存在的风险。对风险表达方式的简化便于风险管理部门的理解和操作。因此，无论在理论还是实践中，风险矩阵都对风险管理的工作具有前瞻性和指导意义。

二、基于风险矩阵的商业银行数字化转型风险评估

（一）商业银行数字化转型风险识别。风险识别是指寻找银行在数字化转型过程中存在的主要风险点，然后进行系统的分析和归纳。识别出风险，银行可以针对其存在的主要风险及时采取相应的策略。通过调查问卷以及询问在该领域的专家对风险点的描述，分析出商业银行在数字化转型中将面临的新风险以及传统风险防控难度更大。具体如表1所示。（表1）

（二）商业银行数字化转型风险分析。风险分析是风险评估的关键环节。基于风险矩阵的商业银行数字化转型风险分析主要由风险矩阵设计、风险因素重要性排序和总体风险水平评价所构成。1、应用于商业银行数字化转型的风险矩阵设计。根据银行数字化型风险评估的需要，在ESC人员提出原始矩阵的基础上，设计出应用于该新模式下的风险矩阵模型。首先把风险发生的概率及其后果的严重程度分成五个等级，如表2、表3所示，然后再综合考虑上述两个准则确定风险的等级，如表4所示。（表2、表3、表4）2、商业银行数字化转型风险因素重要性排序。为了识别出最关键的风险，ESC的研究人员提出可以在风险矩阵的基础上结合Borda序值法。具体算法如下：N为风险类型的总数，Rik中i为某一个特定的风险类型、k表示准则。风险矩阵的两个准则：k=1表示风险后果的严重程度，k=2表示风险发生的概率。若用Rik表示某一特定的风险在准则k下的风险等级，则这一风险的Borda数计算公式为：bi=nk=1Σ（N-Rik）运用上述评价指标体系以商业银行的数字化转型为例，结合《商业银行业数字化转型的现状趋势与对策建议》，并在表4的基础上，形成商业银行数字化转型中各项风险的发生后果严重程度等级、风险发生的概率大小以及风险等级的矩阵，如表5所示。在此基础上，根据计算公式得出各风险因素的Borda值后，将其按照由大至小的顺序排列就可以得到Borda序值。Borda序值法结合了风险矩阵设计的两个准则的数值和指标，对数字化转型中存在的主要风险排序。如表5所示，Borda序值为0的是信用风险，意味着对这个风险来说，其他关键风险的个数为0，因此信用风险是最关键的风险。然而，Borda序值为9的是法律风险，说明另外9种风险比该风险更重要。Borda序值可以将银行数字化转型中所面临的风险按重要性从大到小依次排序，风险管理部门可以根据排序把精力和资源进行合理分配，同时也可以重点关注数字化转型的关键风险，例如信用风险和市场风险。（表5）3、商业银行数字化转型总体风险水平评价。首先，经过专家评估将风险矩阵中的各类风险量化等级：高风险的量化标准为1；中风险的量化标准为0.6；低风险的量化标准为0.2。其次，通过层次分析法计算出各风险类型的权重，按上述Borda序值从小到大排列顺序各风险类型的权重依次为：W=（0.117，0.116，0.110，0.106，0.104，0.099，0.097，0.091，0.087，0.073）。最后，将各风险类型的量化标准（RR）乘以对应的风险权重（RW），再把各类型累加，即可得出银行在数字化转型过程中的总体风险水平，即：RT=Σ（RRi×RWi）。由此可以得出，商业银行数字化转型的总体风险水平RT=0.8192，处于中等偏上的总体风险水平。

三、商业银行风险应对策略

风险应对是根据风险评估的结果，通过采取相应的方法和手段，以此来降低风险，从而实现高质量、高效率的数字化转型。商业银行应对风险的主要策略具体如下：

（一）以科学的办法防范主要风险1、信用风险的防范。信用风险是银行在数字化转型过程中带来的与产品有关的风险，要想防范该风险。首先，商业银行可以利用数据和流程的自动化，建立属于自身的客户信用体系。既可以通过事前审查来确保是经营风险低和信用良好的客户；也可以通过事后监控来确保可以及时发现借款人的经济变化状况，进而采取有效的措施规避风险。其次，有关部门应加快完善相关的法律法规，降低出现金融欺诈活动发生的概率，以便于约束和规范顾客的行为，更好地保证征信活动的顺利进行。最后，商业银行应注重应用合规科技。合规的科技能有效避免商业银行与监管两者之间的信息不对称，那么银行就可以降低监管的成本，进而市场的透明度也将得到提升。2、新型风险的防范。商业银行不应忽视数字化转型带来新型的风险，即数据、模型和场景风险。在防范数据风险上，银行应建立和完善数据治理体系，并且强化数据质量控制、数据管理能力和应用能力。在防范模型风险上，银行应将模型风险当作独立的风险给予重视。既要建立对模型的全面管理框架，对模型进行全流程管理，也要评估和验证模型的准确性和充足性，以此来保证模型的可解释性和可审计性。在防范场景风险上，银行需要定期监控场景的状况，也要对质量进行评估，也要在业务流程中加入提醒的环节。3、市场风险的防范。一是对内部资金应加强管理，对于资金的用途也要分散使用。该方法不仅可以有效防范风险，当风险发生时也可以使损失降低。二是利用模型来对市场中的风险进行评估和度量，要注意分析和总结自己和其他银行所出现的风险，并及时找出原因和解决的方案。三是对交易型的资产要加强管理和控制。4、流动风险的防范。首先，深入分析客户群体的行为并监测新模式和业务的流动资金，这样可以有效识别流动性风险的新特征。其次，应建立和完善风险管理体系，加强对资金的管理和流动性风险的限额控制，强化流动性风险的精细化管理能力。最后，商业银行应积累流动性风险的相关数据，并根据此数据建立有效的模型。一旦有一些新产品和新业务缺乏历史数据，商业银行应加强前瞻性对风险进行研究和判断，对流动性的风险评估要谨慎对待。5、声誉风险的防范。面对数字化转型的新态势，商业银行应加强对声誉风险的管理，才可以维护自身形象。首先，应该明确声誉风险管理的重点内容，将信贷风险以及员工管理等敏感问题给予重点关注，并且定期排查可能存在的声誉风险，以此来降低声誉风险发生的概率。其次，建立和完善声誉应急的处理机制。如果发生舆情事件，应启动应急方案迅速处置，避免事件发酵升级。最后，加强与外部的联系。向社会公示商业银行的工作情况，并加大宣传，让群众深入了解，有效化解声誉风险。

（二）提高风险监管能力。目前，对于银行数字化转型的监管制度存在很多不足。因此，商业银行既需要外部力量，也需要内部力量应对监管不力的风险。从外部角度来看，需要国家制定相关的监管政策。一方面监管机构应建立和完善风险监测预警体系，利用风险数据库对运行过程中的所有数据进行汇总，进而对数据库中的各项指标进行监测；另一方面监管机构也可以通过区块链等技术来达到分布式监管的效果，利用大数据建立应急方案，对市场主体的情况变化进行分析，来寻找将会出现的风险因素，提前制定应对方案，以最大限度地控制后果的影响程度和范围。从内部角度来看，商业银行应该认真遵守和执行国家和监管机构的各项要求和程序，并要充分发挥自身的主观能动性，定期召开专家会议讨论风险的情况，并通过风险评审报告数字化转型中各风险情况，为风险管理部门制定相应的策略提供依据。另外，指定专门的员工检查风险监控的执行是否符合规范，各个部门也要定期或不定期的指定专门人员对风险进行审核。也可以指定管理层抽查，把各个部门的意见和建议及时向有关人员传达，以采取相应的应对策略。商业银行在更新内部员工的风险有关的知识时，也应该时刻保持自身的自律性，强调社会责任，避免违法行为以及为利益而触碰底线的行为。

（三）充分开发利用复合型人才资源。随着数字化浪潮的来袭，让商业银行认识到拥有大量的复合型人才是数字化转型的基础。商业银行可以通过以下具体措施来引进和培养复合型人才：首先，银行应重视对工作人员群体思维的构建，加强培训员工对大数据的学习和应用能力，使其能够拥有大数据思维适应当前的发展趋势；其次，银行也不能忽视人才队伍的内部培养，定期培训和考核员工关于风险判断、分析以及监测的能力，以培养和留住复合型、高素质的风险管理部门员工队伍；再次，完善激励约束机制，对成绩优秀的员工给予一定的奖励，有利于提高员工对风险防范的敏感程度；最后，应对员工的风险意识进行强化，针对银保监综合检查发现的问题，梳理问题台账，推进有效整改，并制定成案例教育手册，在会议中组织员工学习，切实提升风险合规意识。让从业人员在工作中时刻保持高度警惕，主动规避风险。通过上述几个方面来填补商业银行数字化转型中在复合型人才队伍上的空隙，有效地解决当前所面临的员工能力问题。综上，基于风险矩阵的风险评估方法具有全面和客观性的特点，是银行数字化转型风险管理运行的重要基础。本文以商业银行为例，通过风险矩阵评估模型对银行数字化转型风险进行分析和评价，以期为我国银行业风险管理提供一定的参考。

主要参考文献：

［1］曹建巍，吴慈生，张立刚.基于风险矩阵的混合所有制配电公司风险管理［J］.会计之友，2020（01）.

［2］殷萍，陈小辉.商业银行风险管理［J］.商品储运与养护，2019（05）.

［3］陈喆.风险矩阵在A公司风险管理中的应用研究［D］.北京：首都经济贸易大学，2018.

［4］冯伟.纳税服务风险评价研究———基于因子分析和风险矩阵分析方法［J］.经济研究参考，2017（11）.

［5］李玉纳，张友棠，罗政.产业关联效应及其波及效应的风险矩阵研究［J］.财会月刊，2016（14）.

［6］邓雪，李家铭，曾浩健，陈俊羊，赵俊峰.层次分析法权重计算方法分析及其应用研究［J］.数学的实践与认识，2012.42（07）.

作者:孙铄然 单位:山东工商学院会计学院