SANTBBD陈公越：大数据在金融风险识别中的有效应用（二）

在金融风险管理中，信用风险，市场风险和操作风险是永恒的三大风险领域，大数据应用首先集中在这三个方向。

上期内容，我们重点讨论了大数据在信用风险识别中的有效应用。本期，让我们跟随陈公越博士的专业视角，一起看一看大数据在市场风险管理和操作风险管理中的应用是如何开展的。

大数据在市场风险管理中的应用：

本质上讲，风险本身是个中性的概念，因此在我们识别风险的过程中，相关的风险指标信息可以是坏的，也可以是有助的。针对市场交易，风险识别可以帮助我们有效判断金融产品的买入（做多）或者卖出（做空）。大数据分析至少可以在以下几个方面增强我们的市场风险识别能力：

事件驱动分析：事件驱动分析是分析公司行为和即将发生的重大事件，如并购、接管、重组、法律事件、资产出售、清算、危机事件，通过事件分析模型来预测对交易价格波动或趋势的影响。传统的数据分析中，局限于数据的可得性和技术平台限制，我们往往主要关注公司本身。但是通过大数据应用，我们以分析对象为中心，将相关的信息整合在一起，挖掘关联信息和价格趋势的关联性。这些有效的大数据信息包括关联企业和个人的关联信息，关联的舆情信息，企业交易信息关联的其他信息等等。

宏观信息预测：不少投资基金的交易策略是建立在对全球和地区宏观经济形势的判断上，这些交易策略是基于对宏观经济形势的准确预判，再通过宏观指标预测交易价值的波动。2008年金融危机以来，各国政府的经济干预政策扭曲了市场机制的有效性，因此许多传统的经济信息因子不能有效反映整体宏观经济形势的轮廓。特别是在中国，正处于经济转型升级的关键时期，旧的指标不能准确反映新的经济状态。我们一方面可以在大数据支持下更准确地评估宏观经济形势；另一方可以利用大数据建立全新的宏观经济预测指标，通过这些指标来预测资本市场的趋势反映。

相对价值分析：传统上相对价值分析建立在对若干个风险参数（如利率曲线、波动率曲线等）的分析，分析其套利的可能性来获得交易收益。大数据技术对海量数据的支持，提供我们在大量不同产品和跨市场交易信息的相关性套利可能性的分析，为我们打开了新的分析维度、深度和广度。

应用案例：采用大数据分析挖掘上市公司及关联方的事件，提供深度分析功能：

大数据在操作风险管理中的应用：

操作风险，正如它的名称显示的，广义上是指业务操作或经营活动中连带的风险。我们很容易用各种例子来说明这种泛泛的定义，但是却很难对它进行综合性和本质的归纳。和其它风险类别不同之处在于，操作风险从企业经营活动衍生出来的，不像市场风险或信用风险，是企业无法回避的。这种风险贯穿整个企业经营活动中，不可能被完全缓释。大数据在操作风险管理上存在两个针对金融机构的核心应用方向，一个是反欺诈应用，另外一个是反洗钱应用。

，及时发现非银机构的欺诈行为，包括：

经营欺诈：蓄意采用和对外披露的营业模式不一致，非法获得不当利益的欺诈行为。

收入欺诈：蓄意对企业交易行为进行操作，达成营业收入的虚假增长，获得不当利益。

资产欺诈：虚假扩大企业的资产，用于获得不当利益。

其目的帮在于帮助用户能够区分非银机构的骗准入，骗贷，骗集资，骗IPO等违法违规行为。

大数据支持反欺诈模型的规则定义分析。反欺诈模型是指系统采用科学的规则集合，设计规范的行为规则指标，通过指标和规则集合的对比，发现疑似欺诈企业的异常行为的分析应用。相关工作分为以下几个步骤：

1.分析样本数据的整理工作：相关数据用于模型分析，制定规则参数；

2.模型分析：定义欺诈行为指标及各种因变量指标，通过非参数分析模型，或一般统计方法等，分析欺诈行为的规则参数。

反欺诈分析可以用到各种维度的数据分析，包括财务和非财务数据分析，财务分析中，交易流水的大数据分析显示了在反欺诈，以及反洗钱中的显著应用，这个是未来金融机构操作风险管理的重要原因方向。其他的非财务数据应用包括账户信息，用户使用的物理信息，招聘信息，，员工信息等等。

总结：

大数据应用在金融风险管理的领域非常广泛，但是我们也需要结合具体的应用场景，针对金融机构的业务需求，建立符合用户有效的数据分析内容和方法，才能真正发挥大数据的威力。