风险管理部 杨琳
　　自从《证券公司信用风险管理指引》发布以来，证券公司在信用风险管理智能化方面已有了一定的基础。一是数据治理建设工作的推进，根据证券业协会的调查统计显示，已有超过80%的证券公司建立了数据治理组织架构，其中大部分证券公司成立了专门的数据治理决策机构，70%左右的证券公司不同程度地对数据质量进行了管控。二是行业数据共享有突破，中国证监会与中国人民银行已允许证券公司直接接入征信系统，第三方数据供应商也能够提供相应的信用数据，这使得证券公司能够掌握更多的风险信息。三是内评体系的逐步建立，包括各个头部券商基本建立符合自身业务特色的内评体系，其他中小券商也在逐步跟进内评体系的建设。
　　以上表明在信用风险管理智能化领域，证券公司已经迈出前进的步伐，但是相比国际一流金融机构，仍有较大的提升空间：如数据基础较为薄弱，虽然证券行业已积累了一定的数据规模，但在数据获取的广度、利用的深度、整合的程度等方面仍有提升空间，主要表现为数据碎片化严重，“数据孤岛”问题突出，内部数据有限，外部数据可用性不强。系统规划缺乏统一性，业务系统由不同厂商开发建设，系统架构、数据标准等存在差异，不同业务系统间的对接耗费较大的工作量。兼具模型算法和业务知识的复合型人才较少，虽然大量的模型算法已被证明能够为风险管理提供有效的保障，但模型算法人员往往与业务联系不够紧密，导致先进量化模型难以与实际业务有效融合，真正落地应用较少。
　　随着当前大数据等信息科技技术的发展和成熟，探索金融科技赋能、推进信用风险管理智能化转型是证券公司在日益严峻的信用环境和行业竞争态势下的必然选择。证券公司需要全面检视自身基础和目前存在的不足，对标国际投行以及国内银行业在智能化风险管理领域的先进经验，加大金融科技研究与投入，建立与自身业务发展及风险管理实际需求相适应的信用风险管理智能化体系，实现高质量发展。具体而言，可从以下几个方面推进：
　　一是高度重视数据治理，夯实底层风险数据集市。完善数据治理机制，明确数据治理的组织架构与职责分工，制定数据标准管理、质量管理等相关的政策和流程，定义风险管理数据标准，实现数据资源的有机整合。根据数据治理成果，结合数据仓库的建设要求，建设集中统一的风险数据集市。
　　二是加强大数据等先进技术的研究，探索并丰富金融科技在信用风险管理领域的应用场景。各项技术在风险管理场景下的应用各有侧重，将多项技术有机融合可以使信用风险管理智能化体系更加完善。如通过区块链技术解决数据孤岛问题，实现多方数据共享；通过自然语言处理、OCR技术实现对文本、图片的信息提取，扩大数据来源；采用深度学习等模型进行信用评级、风险预警等。知识图谱、图计算等前沿技术如何应用于信用风险管理领域也值得未来进一步研究。但需注意的是，各类智能化、数字化的探索应始终以具体应用场景为基础，在探索技术适当超前的同时避免在应用层面的脱实向虚。
　　三是建立适应于金融科技的管理体制机制。建立金融科技的创新团队，由具有业务背景、科技背景的人员组成，将智能化模型开发与业务特征、风险管理实际需要充分相结合，使智能化模型真正能用于信用风险管理，并能根据相关业务风险特征的变化及时优化迭代。加强业务部门、风险管理部门、信息科技部门的沟通交流，运用信息科技的思维和手段对风险管理模式进行改造，实现业务和技术的有效融合。
　　四是加强复合型专业人才的引进和培养。根据金融科技发展战略规划与实际需要，合理增加金融科技人员占比。培养既懂风险管理又懂金融科技的复合型专业人才，为金融科技发展提供智力支持。