金融科技智能化浪潮中监管智能化如何实现

以大数据、人工智能为代表的智能技术的应用，全面渗透至金融行业价值链，成为当前金融机构数字化转型的新驱动引擎。与此同时，另一波受到新兴技术冲击的金融市场参与者则是金融监管机构。国际金融协会(IIF)将监管科技(RegTech)定义为“能够高效和有效解决监管和合规性要求的新技术”，这些新技术主要包括机器学习、人工智能、区块链、生物识别技术、数字加密技术以及云计算等。“智能监管”是伴随着监管科技(RegTech)概念而来，运用大数和人工智能技术服务金融监管与合规业务。在应用方面，我们可以预见，在未来数年监管智能化将成为监管科技领域重要的课题。

2017年中国人民银行金融科技委员会成立，明确声明“强化监管科技(Regulatory Technology，AKA：RegTech)应用实践，积极利用大数据、人工智能、云计算等技术丰富金融监管手段，提升跨行业、跨市场交叉性金融风险的甄别、防范和化解能力”。

本文作者将从反洗钱监管、非现场监管系统和监管云平台、机器学习与风险监测预警、异常交易账户监控中心四个应用方向对智能监管的未来发展前景进行探析。

本文转载自“金融科技顾问”(微信公众号fintechview)，原标题为《金融科技视角下的智能监管应用探析》，以下是亿欧智库为您带来的精选分享:

“智能监管”是伴随着监管科技(RegTech)概念而来，运用大数据和人工智能技术服务金融监管与合规业务。监管智能化体现了金融管理部门利用创新科技构建新一代金融监管框架的思考和实践。

智能监管产生的背景

以大数据、人工智能为代表的智能技术的应用，全面渗透至金融行业价值链，成为当前金融机构数字化转型的新驱动引擎。

自智能化浪潮进入到金融行业以来，逐渐影响、重构了金融机构的组织架构、业务模式、服务与运营体系、数据架构与应用架构。与此同时，另一波受到新兴技术冲击的金融市场参与者则是金融监管机构。

我国的金融监督管理部门，如人民银行、银保监、证监会、地方金融局和金融办、地方人行与银证监局、证券期货交易所、外汇管理局等，其信息化建设，同样经历了从电子化、数字化、网络化，到目前的智能化方向发展。随着金融科技在金融领域的应用逐渐广泛，其产品、服务所体现的技术能力，使监管部门很难拥有相匹配的监管技术。传统监管的滞后性、被动式，均与当前金融创新的大环境相背。监管科技(RegTech)在近年被一行三会频繁提及，表明了监管部门期望采用先进技术改造提升监管效率的迫切性。

随着金融业务的线上化、虚拟化越来越普遍，带来了大量数据流量和沉淀。这给大数据和人工智能技术的应用提供了较好的数据基础资源。通过大数据可以补充过去数据缺失带来的风险识别难度大、风险预警滞后等问题。此外，技术重构了传统监管报送平台、数据管理系统的底层技术架构，提升了计算效率，并通过分布式算法在风险预警和监管分析方面可以实现自动化决策支持。

智能监管的应用方向

数据智能的落脚点在数据基础管理平台的建设、大数据补充监管信息缺失、利用分类或预测模型提升对风险的预警和感知能力。

当前我国监管智能化的发展仍处于早期的阶段，机构较多尝试的应用领域包括反洗钱、非现场监管、监管云平台、基于人工智能的风险侦测等。

1.大数据与反洗钱

反洗钱监管的要点在于客户身份识别(KYC)、业务识别(KYB)、交易记录保存、资金流向分析、异常账户监控，对大额资金变动、跨境资金转移等业务环节采取实时监控措施。随着金融机构的业务逐渐呈现线上化和跨国化，利用内外部大数据技术，将尽职调查对象从客户维度扩大到字节维度，实现对每笔交易的精细化、精准化管理。

此外，由于大体量、非结构化金融数据的引入，传统技术架构和数据架构均不适用于现代以数据驱动的监管监察要求。建设分布式架构的大数据平台，汇总多源异构金融数据，可以从更多维度刻画客户身份，建立客户风险视图，利用规则引擎和算法模型，减少反洗钱误报率;并可以通过知识图谱技术，刻画资金流向整体视图，及时洞察账户风险。

2.非现场监管系统和监管云平台

互联网时代下的金融监管实务，要求非现场监管通过建立重大事项报告制度和非现场信息系统、风险预警系统，及时发现风险起源、精准定位业务扩张、风险指标偏离较大的异常机构。

基于大数据的非现场监管，其核心技术方法是收集各地金融机构的经营管理相关数据，进入大数据平台，并基于平台建设监管数据集市，通过监管集市全面分析各机构经营状况、风险管理以及合规情况等，并对风险管理中存在问题、合规性、稳健性进行评价和分析。

以金融办、人民银行、地方银监局和证监局为主体的地方监管机构，也可以通过建设监管云平台，为各地金融机构、互联网金融公司提供提供数据实时/批量报送接口、数据查询服务、动态监测和预警提示、信息披露公示等数据型服务。这类监管云平台可采集汇总多源异构的监管数据，利用微服务架构、容器技术、虚拟化技术，将监管功能模块拆分为细粒度服务，通过容器化隔离，屏蔽业务差异性，并提供以下大数据服务能力：

业务管理：银行源数据监控和指标、模型、报表等管理;

监测预警：“T+0”或“T+1”的数据采集，系统及时反映各项监测指标，如有异常则自动警示，监管人员能及时了解银行运行情况，及时发现高风险领域或者热点问题;

监管分析：如指标分析、报表分析、模型分析和灵活查询等功能，方便不同层次非现场监管人员使用;

按需专题功能扩展以及与银行交互数据的框架。

3.机器学习与风险监测预警

金融监管的本质是金融风险管理，基于人工智能的技术实现风险的智能检测，能够提高风险识别的时效性和精准性。机器学习算法如神经网络、SVM、XGBoost、GBDT等算法应用于风险监测预警，通过模型对数据集进行模型评估，提升风险甄别能力，提高监管自动化程度。

例如，现场检查模型监控可以分析被查机构检查期内在不同支行取得且存量躲避贷款的客户疑点数据，检查是否存在支行违规为在其他支行存量贷款的客户开立新编号并发放新贷款。通过非结清状态的新发放对公贷款信息交叉筛选客户名称相同但放款机构不同的疑点。

又如，决策树、逻辑回归模型对银行客户的评级分析可以作为监管部门的有效参考。对于监管部门来说，主要不是通过这种方式比较银行对客户评级的差异，而是可以通过类似的方式对其它风险点做横向比较和整体分析，找出一些关键属性，与监管方法相结合，以便对银行风险偏好和风险管控情况有具体的掌握。

此外，通过聚类模型对各地区的贷款投向行业进行分析，实现监管权重的在线监测，还可以在信贷风险对经济和行业波动的敏感度上也可以进行类似的分析。

4.异常交易账户监控中心

沪深交易所近期发布了《关于加强重点监控账户管理工作的通知》，要求强化交易一线监管、突出事中监管，明确了严重异常交易行为的重点监控账户监控;从技术方面，由于每日盘中连续交易阶段的数据量大、并发性高，对于低延迟计算、机器学习和复杂事件处理是证券智能交易风控的设计要点。

异常交易特征分析本质上是一个用户画像项目，其基本思路为：对高频交易客户进行群体划分，建立用户画像体系，基于客户交易行为中的各种指标提取特征，使用这些特征作为模型的输入，输出为该用户所属的类别。特征指标如交易活跃度(下单次数，下单频率等)，每单报价，持有标的、合约数以及总资产等。在机器学习算法选择中，以分类模型如随机森林、循环神经网络(RNN，适用于时间序列类的数据，如交易数据、客户信息、资金变化等)、聚类等方法给交易行为打标签。

智能监管的发展

我在《新金融环境下的监管科技(RegTech)与技术应用趋势》一文中说：监管科技(RegTech)是金融科技的衍生分类，其体现的是运用技术的能力重构监管机制，例如利用大数据、机器学习等技术手段监控、审查金融风险，管理资产交易安全，提高反洗钱、反欺诈的效率和效益，降低合规成本，保障金融环境良好、稳健的发展。

监管智能化仍处于早期尝试应用的阶段。在应用方面，可以预见未来数年监管智能化将成为监管科技领域重要的课题，在反洗钱、异常交易检测、征信和支付等领域推广;在制度方面，监管技术标准化、数据治理、管理与应用标准将逐步落地，在系统、架构、接口、数据等技术域形成行业标准;在科技合作与协同方面，监管部门将越来越多的与金融科技公司合作，全面提升数据智能人才、技术方面的能力。例如，蚂蚁金服与广州、重庆、西安等地的金融办合作，输出蚁盾风险引擎服务监管科技;腾讯与深圳金融办合作，实现基于大数据的安全监管平台。