商业银行模型风险管理实践及探索.pdf

商业银行模型风险管理实践及探索--第1页

商业银行模型风险管理实践及探索

当前数字经济已经成为我国高质量发展的重要引擎，数字经济的发展大势也

推动着商业银行紧跟时代步伐。加快推进数字化转型，依托人工智能、大数据等

先进技术强化数字化应用能力建设，以期在产品创设、市场营销、风险管理等方

面赢得先机。作为高级分析和大数据应用的产物，模型已深入应用于商业银行，

诸如资本计量、客户营销、智能投顾、信贷决策、风险管理等多个业务领域。随

着模型在银行日常经营决策中的作用越来越突出，因使用模型所造成的潜在隐患

已逐渐成为商业银行需要面对的“第九大风险”，模型风险亟需进行有效管理。

本文简要分析了商业银行加强模型风险管理的必要性，结合中原银行在模型

风险管理领域的实践探索分析应如何加强模型风险管理，并结合现状浅谈未来中

小商业银行面临的模型风险管理挑战和思考。

一、商业银行模型风险管理的必要性

1.模型对商业银行开展普惠金融具有重要支撑作用

为切实贯彻落实国家大力发展普惠金融的决策部署，尤其在当前疫情严峻冲

击下，各商业银行纷纷借助互联网等先进技术，推进数字化普惠金融的快速发展，

以提升普惠金融的触达范围和服务效率。

从当前各商业银行开展数字化普惠金融的实践来看，一方面是利用大数据技

术，降低信息不对称程度，实现客户画像的精准化，提升金融服务能力；另一方

面是提升线上化风控能力，依托大数据模型、金融科技实现信贷产品全流程线上

化操作，大幅提升普惠金融的办理效率，以实现批量化获客。

不难看出，数据模型在推进普惠金融产品标准化、画像精准化、获客批量化、

服务便捷化等方面都具有极强的支撑作用。因此，加强模型全流程管理的重视，

实现模型风险的有效管控，对商业银行建立多元化普惠金融体系，丰富普惠金融

产品，拓宽普惠金融服务渠道，更好为小微企业、农民、老年人等特殊群体做好

金融服务具有重大意义。

2.模型风险具有高复杂性、危害性及系统性等特征

商业银行模型风险管理实践及探索--第1页

商业银行模型风险管理实践及探索--第2页

模型风险的来源主要存在两个方面：一是由模型自身缺陷，即在模型设计、

开发、部署或应用等环节中发生的自身错误造成的，比如数据样本不足或选择错

误、建模方法不当、变量挑选或衍生错误、设计与执行不一致等；二是由模型的

不当使用产生的风险，如在错误的时间、错误的场景使用了不合适的模型等。

模型是一个较为复杂的“系统”，特别是随着计算机算力提升、模型算法发展

和可用数据的爆炸式增长，模型的“黑盒”性质愈发明显，一旦模型应用产生风险，

我们很难快速、准确定位风险产生的来源，也就无法采取有效的应对措施，这给

模型风险的管理带来极大的挑战。

此外，模型逐步替代人工进行真实业务决策，随着业务自动化程度愈高、对

模型的依赖程度愈深，如不对模型的决策范围进行有效管理，则一旦发生风险往

往造成重大损失。1998年长期资本对冲基金大败局事件、2007年美国次贷危机、

2012年摩根大通伦敦鲸事件以及国内2013年光大证券乌龙指事件等，不仅给模

型相关方造成了重大经济和声誉损失，还产生了严重的不良社会影响，这些都充

分体现了模型风险高发与高危并存的“双高”特质。

特别的，模型系统性风险也需要引起足够关注。随着同一领域中模型数据、

算法、标准，甚至能力输出机构的相对集中或表现出同质性，个体模型的风险往

往会演化成群体性的系统性风险。如当所有投资人均将SP评级作为投资依据，

则SP评级的失准将会影响整个资本行业，导致全体投资人利益受损。

3.模型风险的有效管理有助于孵化商业银行核心竞争力