实战 | 金融机构监管画像构建研究
欢迎金融科技工作者积极投稿！
投稿邮箱：newmedia@fcmag.com.cn
——金融电子化
文 / 成方金融科技有限公司 郗新江 姚再杰
习近平总书记在十九大报告中提出，要“健全金融监管体系，守住不发生系统性金融风险的底线”。党中央国务院在《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》中指出，要“完善现代金融监管体系，补齐监管制度短板，在审慎监管前提下有序推进金融创新，健全风险全覆盖监管框架，提高金融监管透明度和法治化水平。稳妥发展金融科技，加快金融机构数字化转型。”对金融监管与金融科技，提出了更高的要求，指明了前进的方向。
金融机构监管画像概述
目前，在金融机构监管的技术手段上，主要是采用数据报送、指标计算、报表统计、人工评估等方式对金融机构进行非现场监管，随着金融行业数字化程度越来越高，这种事后的、手动的监管方式存在低效、片面、粗放等问题。近年来，数据挖掘、机器学习等技术快速发展，大数据、人工智能理念逐渐从互联网领域渗透到金融领域，其中用户画像作为一种智能分析手段在互联网精准营销方面得到广泛应用，如何借鉴用户画像的思路方法，探索构建金融机构监管画像，实现高效、全面、精准的金融机构监管，为金融机构监管提供新的技术手段，值得我们深入思考。
用户画像最早由交互设计之父Alan Cooper在persona概念中提出，是真实用户的虚拟代表，是建立在一系列真实数据之上的目标用户模型，是对用户的一种全方位展现。企业通过收集和分析消费者的社会属性、生活习惯、消费行为，挖掘用户的综合隐藏信息，完整描述产品或服务的目标用户特征，为产品的精准投放和市场营销等服务提供决策支持。用户画像核心在于给用户“打标签”，通过标签来刻画用户特征标识，将不同标签组合形成不同用户画像，服务不同产品。
参考用户画像的概念和方法，从人民银行角度出发，延伸至对金融机构的监管场景，运用人工智能技术，在监管业务上构建金融机构监管画像，从而高效地执行宏观审慎、微观监管政策，助力科学监管决策。金融机构监管画像就是从真实的金融业务数据中抽象出来的监管模型，通过标签化实现对金融机构的行为和功能特征的多角度描述，是金融机构监管的虚拟化符号表达。构建金融机构监管画像的意义在于，一是通过“看图说话”的形式，对金融机构的基本状况、管理情况、资本状况等方面进行全方位分析、多角度展示，提高金融机构监管的便捷性和全面性，强化综合监管；二是通过“贴标签”的方式，对金融机构的微观业务数据进行标签化处理，高度精炼提取金融机构业务特征，认知数据背后的真实金融机构，提高对金融机构的客观认识，准确锁定业务监管目标，快速发现监管漏洞，及时补齐监管短板，提高监管效能；三是通过数据挖掘、机器学习等人工智能技术，构建预测挖掘模型，深度分析关联隐藏信息，及时捕捉风险苗头，自动发现金融机构的潜在风险，提高金融风险预测的准确性和及时性，防范化解系统性金融风险，维护金融稳定。
金融机构监管画像构建方法
总体上，构建金融机构监管画像可从标签设计、数据整合、业务建模和画像构建四个阶段开展。首先从业务出发，切分业务，梳理标签，形成监管标签体系；其次采集相关数据并进行清洗转换、标签计算等数据处理，得到建模可用数据；然后根据标签和样本数据选择合适算法，设计监管模型，并不断调整优化、更新迭代，得到最优模型；最后整理模型计算后的标签，组合形成监管画像，并进行可视化和画像解释，从而辅助监管业务开展。四阶段画像构建流程具体参见图1。
图1 四阶段画像构建流程示意图
1.标签设计阶段
在标签设计阶段，一是需要深入理解监管业务，掌握监管流程，理清监管需求，利用标签构建技术，从金融机构监管业务的广度、深度和标准三个维度出发，整理、细化、切分资本充足、资产质量、盈利状况等具体监管业务；二是从基础标签、事实标签、模型标签、预测标签四个层级逐个梳理标签，设计与监管业务相对应的核心资本标签、资本充足率标签、资本充足状况标签、风险标签等，构建多维度的金融机构监管业务标签体系。
2.数据整合阶段
在数据整合阶段，一是分析标签数据来源，理解源头数据含义，通过数据采集工具，从金融统计监测、金融稳定监测、存贷款统计监测等行内系统或第三方，获取金融机构的核心资本净额，次级类贷款、可疑类贷款等真实原始数据；二是对原始数据补足残缺、数据标准化、删除重复项等清洗转换操作，提高数据质量，甄别数据真伪，得到核心资本净额、次级类贷款等基础标签数据，并通过简单的统计汇总计算获得资本充足率、核心资本充足率等事实标签数据。
3.业务建模阶段
在业务建模阶段，一是了解掌握数据挖掘技术特点和使用场景，结合业务数据的结构、质量、规模等特点，选择决策树等机器学习算法，基于已计算的利率风险敏感度、累计外汇敞口头寸比例等标签样本数据，设计和训练市场风险状况模型、流动性状况模型等业务模型，再选择朴素贝叶斯等预测算法，对金融机构未来整体风险等预测标签进行建模分析；二是结合监管业务人员对模型结果的反馈与评价，评估模型的准确性和有效性，通过增加样本数据、调整模型参数等方式，对已有模型不断优化与改善，得到最优模型。
4.画像构建阶段
在画像构建阶段，一是将统计计算、业务建模等所得的各类标签，根据业务关注层级和业务场景梳理、整合、重组，并利用可视化技术将标签数据转化成直观的金融机构监管画像，以便更好的解释画像；二是不断采集更新业务数据，并进行模型实时分析，动态更新监管画像，从而指导业务人员，及时实施监管措施，提高监管的及时性。图2展示了金融机构监管画像的示意图，可以看到，该机构盈利状况为较差，则需要适当加强对其非现场监管分析与现场检查的频度和深度，督促其加强风险管理与内部控制，改善财务状况。
图2 金融机构监管画像示意图
金融机构监管画像关键技术
1.标签体系构建
标签是构建画像的主要载体，标签体系设计得是否合理灵活，直接关系到监管画像的准确性、有效性、扩展性，对监管画像的后续实现至关重要。由于金融机构监管涉及多个业务方面，必然产生众多标签，因此在设计标签体系时，可根据业务复杂度，从业务切分维、标签层次维、监管标准维构建三维金融机构监管标签体系。在业务切分维上，从基本状况、资本充足状况、资产质量状况、管理状况、盈利状况、流动性状况、市场风险状况、资产负债等方面切分业务；在标签层次维上，再将某一方面具体业务，按照标签的逻辑关系、依赖关系、从属关系将其划分为基础标签、事实标签、模型标签、预测标签；在监管标准维上，可根据商业银行监管评级内部指引、MPA宏观审慎评估体系、银行业金融机构全面风险管理指引等标准，将相同业务方面和标签层次的标签按照不同的标准再次切分，为标签的划分和计算提供标准依据。三个维度可根据业务场景的不断丰富而动态扩展。三维度标签体系示意参见图3。
图3 三维度标签体系示意图
其中，标签层次维不仅与业务和服务有关，而且与后续标签计算、模型设计、技术实现有关。基础标签是从原始数据预处理得到用来标识被监管机构基本特征的标签，如资本净额标签、核心资本净额标签；事实标签是基于基础标签通过统计计算得到的用来反映被监管机构某一方面行为的标签，如资本充足率=资本净额／（风险加权资产＋12.5倍的市场风险资本）×100%；模型标签是基于基础标签、事实标签通过模型算法计算得到的用来描述某一被监管业务方面的标签。如：资本充足状况标签通过资本充足率、核心资本充足率、银行资本构成和质量、资产质量及其对资本的影响等方面计算；预测标签是基于基础标签、事实标签、模型标签通过预测算法得到的用来预测被监管机构业务发展趋势和方向的标签。
2.数据挖掘分析
数据挖掘是指从大量的、不完全的、有噪声的、模糊的、随机的数据中，运用分类、回归、估计、预测、聚类、偏差分析、关联规则等分析方法，经过抽取、转换、分析和模型化处理，提取隐藏的、未知的、有助于商业决策的、有潜在价值的信息、规律和知识的过程，属于统计学、模式识别、机器学习、人工智能等交叉科学领域。传统的统计分析是从宏观角度分析数据，数据挖掘是从微观角度解读数据，在没有明确假设的前提下去挖掘信息、发现知识，获取的信息具有未知性、有效性、实用性，是统计分析方法学的延伸和扩展。在金融业广泛应用于贷款偿还预测、客户信用风险评估、客户价值分析、客户流失预警、识别金融欺诈、反洗钱等风险管控和客户管理场景。
在金融机构监管画像中，除了涉及一些资本净额、不良贷款基础标签，资本充足率、不良贷款率等定量的、基础标签，还涉及一些管理状况、流动性状况、市场风险状况等定性的、模型标签，这些定性标签通过人工设置权重、打分、评估、统计等方式计算，带有较强的主观性，且存在遗漏和误差，很难发现其中的隐藏关联信息，运用机器学习、人工智能等理论方法，通过支持向量机（SVM）、决策树（DT）、神经网络（NN）、朴素贝叶斯（NB）等智能算法，构建管理状况模型、盈利状况模型、市场风险状况模型，整体风险预测模型等定性分析模型，一是降低监管的人为因素，使金融机构监管更加高效、准确，二是数据多方面关联分析，揭示深层次关联问题，提高金融机构监管质量，三是机器自动学习监管“知识”，发现监管规律，降低“监管俘获”风险，提高风险预测的及时性。
小 结
本文从标签设计、数据整合、业务建模、画像构建四个阶段，初步梳理了金融机构监管画像的构建流程，并从标签体系构建、数据挖掘分析两方面介绍了基于人工智能构建监管画像所需的关键技术，为监管画像的业务应用和技术实现提供了思路与方法，为后续落实“完善现代金融监管体系，补齐监管制度短板”“稳妥发展金融科技，加快金融机构数字化转型”等相关指示要求，提供技术手段和数据支撑，为金融机构监管决策分析带来新的改变，为央行履职打开新局面。
（栏目编辑：韩维蜜）
往期精选：
● 实战 | 助力客户体验提升——NLP在分析客户反馈场景下的应用
《金融电子化》新媒体部：主任 / 邝源 编辑 / 傅甜甜 潘婧