【大数据与证券法治】

大数据在我国证券行业风险监测上的运用问题研究

巩海滨 王洪伟 华 龙[1]

摘要:目前,大数据在金融风险监测领域的运用日益增多,我国的金融监管部门也正在积极运用大数据开展科技监管,金融企业也积极利用大数据进行自身风险业务监测。可以预见,以大数据为代表的信息科技发展终将重塑证券行业风险监测体系,以大数据证券业风险监测为代表的金融监管科技将形成一套完整体系。在此情况下,需要强化数据安全治理。

关键词:大数据 证券行业风险 风险监测 监管科技

前 言

大数据治国战略研究课题组在《大数据》中开门见山地指出,“大数据就像颠覆性、渗透性、传染性极强的基因一样,一经提出便席卷全球,迅速从概念转化为实践,给各个行业领域带来颠覆式的改造和创新”。资本市场无论从其市场发展、行业进步还是从市场治理和行业监管都在大数据时代背景下发生着深刻变化,面临着新的挑战。 [2]本文聚焦证券行业风险监测领域,尝试分析大数据技术对证券行业风险监测的方式改造和效能提升。

一、大数据基本特征及在金融业风险监测中的运用

伴随着互联网、移动互联网、物联网的快速发展,海量的数据产生并且沉淀,形成大数据,正逐步成为新时代、新社会、新经济的宝贵财富,是待开采与挖掘的金矿。伴随着大数据技术的不断完善与大数据应用的不断推广,大数据的特征、本质及成熟的应用场景也逐步清晰。与此同时,大数据在金融风险监测领域也在逐步地尝试、深入与完善。

(一)大数据基本特征及应用场景分析

1.大数据的基本特征

2011年5月,麦肯锡全球研究院(Mc Kinsey Global Institute)第一次定义大数据 [3],“大数据是指其规模大到超出了常规数据库工具获取、储存、管理和分析能力的数据集”,指出,“大数据具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征”。 [4]咨询公司高德纳公司(Gartner)将大数据定义为,“大数据是高容量、高速度、高多样性的信息资产,它要求信息处理的形式有着高性价比且创新,以增强洞察力和决策的准确性”。该定义明确指出大数据的三大特征,数据容量上的极大、数据加工和变化动态的速度快、数据结构和类型具有多样性。 [5]

综合来看,大数据的首要特征是数据体量大,大到需要使用“拍字节(petabytes)”、“艾字节(exabytes)”、“泽字节(zettabytes)”甚至“尧字节(yottabytes)” [6]来表示;大数据第二个达成共识的特征是多样性 [7],是指大数据的来源多样、类型多样、维度多样;大数据第三个达成共识的特征具有一定的表面性即“Velocity” [8],从数据获取的角度,应该解释为及时性强或周转的速度快,从数据处理的角度,应该解释为数据需要的处理速度快,但是从数据的本质看,缺乏及时性的数据也是大数据;低价值密度、高应用价值、真实性、完备性、可视化也是大数据的局部特点,构成了本文分析证券行业风险监测的基础。

2.大数据分析的本质与应用场景

大数据分析的本质在于,当以探寻因果关系为主要目标,进行逻辑推理为主要手段的理论探索陷入停滞或困境,对一个问题不能以准确的模型或者方法进行解决时,数据驱动方法 [9]可以使用很多简单、近似、不够精准甚至是粗糙的模型通过大数据的拟合实现和精准模型对现实问题同样的分析效果。面对不确定性,以信息论作为指导,通过大数据分析提取信息,有效解决了部分不确定性问题,但是大数据分析在于探索变量之间的强相关关系,不能取代对因果关系(本质规律)的精准分析与持续探索。

大数据的应用,推动了机器智能的出现,机器语音识别、图像分析、博弈竞赛(象棋、围棋)已相当成熟。除此之外,大数据在基于互联网、移动互联网的服务业领域应用深入,相关平台(零售、新闻、视频、社交等)充分使用大数据开展个性化精准推送。基于移动互联网的普及与物联网的发展,大数据的深入应用也逐渐由服务平台转到制造、服务、研究实体和监管主体。使用大数据开展监督管理、风险防控等也正在逐步展现其强大生命力。

(二)大数据运用于金融业风险监测的国际实践

金融系统具有信息化程度高、数据维度多、数据质量好、应用场景多等特点,其涉及的账户、交易、价格、投资、风险防控等都是重要的数据源,是大数据的生产者。金融风险监测作为金融行业发展的永恒主题,是大数据在金融系统应用的重要领域。各国金融监管机构高度重视大数据的采集,积极采用大数据相关应用监测风险。国际清算银行金融稳定研究所(FSI)将金融风险监测分成两个部分,数据收集和数据分析,在数据收集阶段,通过大量数据初步整理自动生成监测报告;在数据分析阶段,利用大数据等技术进行紧急风险识别、重大风险预测等。 [10]

1.监管主体对金融系统的风险监测

对于资本市场风险监测,美国金融业监管局(FINRA)建立SONAR系统收集资本市场、新闻舆论数据,用于检测内幕交易和误导交易者行为;美国证券交易委员会(SEC)建立MIDAS系统,每天从全美13家股票交易所收集约10亿条微秒量级的交易记录,并具备对数以千计的股票在过去6个月甚至12个月内的交易情况进行即时分析的能力; [11]澳大利亚证券投资委员会(ASIC)建立MAI系统,收集澳大利亚一级、二级市场收集实时数据,提供市场异常监测和实时报警;英国金融行为监管局(FCA)利用机器学习(ML)的监督学习工具对每天接收到的超过2000万笔市场交易信息进行大数据处理,以发现市场操纵行为。

对于金融系统及业务风险监测,欧洲中央银行、美联储、英格兰银行等使用热图技术(Heat Map)分析潜在的金融风险。热图是在大量被监督机构日常数据和其他数据整理、分析的基础上自动生成的辅助判断信息系统,充分使用了大数据可视化技术。 [12]

2.金融企业对自身业务的风险监测

恒丰银行建立了基于大数据的信用风险预警系统,在其自身业务数据基础上,从不同渠道收集诸如海关进出口数据、企业税务数据、统计局数据等多元数据,运用机器学习(ML)完善风控体系。 [13]意大利银行通过汇合包括中央信用系统数据、非金融企业资产负债表数据等,探索使用机器学习(ML)进行贷款违约预测。荷兰银行以实时结算系统支付数据为基础,使用抓取主要特征的无监督学习方法,以检测银行流动性问题。 [14]

基于外部监管的视角与国外应用经验,金融大数据风险监测也存在一定的问题需要解决。其一,信息噪音,各系统收集汇总的海量数据存在噪声,尽管大数据分析重相关性、重方向性,但是冗余、错误数据的存在使大数据分析的精准度受到较大影响,对监管部门的数据挖掘与清洗提出更高要求;其二,数据安全,金融的很多数据涉及隐私数据,大数据汇总、积累、挖掘有效解决了信息不对称的问题,但是也极大影响了隐私保护,容易造成隐私数据泄露。以上问题都需要从制度设计和完善法律体系的角度进行解决。

(三)大数据运用于金融业风险监测的国内实践

党中央、国务院高度重视我国大数据发展和应用,将数据作为国家基础性战略资源,上升到国家战略层面。2015年,国务院印发《促进大数据发展行动纲要》,旨在全面推进大数据发展和应用,加快建设数据强国。大数据在监管方面的潜力也受到高度重视,2015年,国务院办公厅发布《关于运用大数据加强对市场主体服务和监管的若干意见》,指出要“构建大数据监管模型,进行关联分析”。金融系统监管部门、市场主体积极践行,使用大数据加强监督管理、强化风险防控与进行业务拓展。

1.金融监管主体积极利用大数据开展科技监管

2017年,中国人民银行专门成立金融科技委员会,强化监管科技(Reg Tech)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。2017年,中国证监会启动“监管科技3.0”相关工作,旨在利用金融科技、监管科技,完善和提升监管手段。2018年,证监会发布《中国证监会监管科技总体建设方案》,开始全面实施科技监管,利用大数据等科技监管方式对被监管金融主体进行实体画像、行为跟踪、风险分析。2018年,中国银保监会发布《银行业金融机构数据治理指引》,要求银行金融机构将数据应用嵌入业务经营、风险管理和内部控制的全流程中,以实现有效捕捉风险,优化业务流程,实现数据驱动银行发展。

对于互联网金融等新金融模式,使用传统监管方式,往往出现“发现难、研判难、决策难、控制难与处置难”的“五难”现象。有关专家建议利用互联网上公开的多元化数据源,包括工商数据、招聘数据、舆情数据、法院行为信息数据、客户反馈数据、投诉举报数据、监管机构数据等,使用大数据技术进行互联网金融业务风险监测,实现针锋相对的监督管理。 [15]人民银行、银保监会相关单位积极推动利用大数据开展互联网金融风险监测。

2.金融企业积极利用大数据进行自身业务风险监测

工商银行积极探索大数据在风险管理领域的应用,基于大数据平台,建设统一的风险监控平台框架,形成客户风险画像,提供风险模型、计算引擎等风险服务,将风险管控和业务流程紧密结合,应用于各渠道及业务领域,并逐步拓展向行外提供风险信息服务。 [16]平安集团建立大数据仓库,将旗下证券、保险、信托等公司数据汇总起来,对诉讼、专利、舆情等重要信息进行量化,为其信用风险评估提供了坚实的数据分析基础。 [17]

基于外部监管的视角与国内应用经验,金融大数据风险监测出现了一些与国外相比不同程度的问题。在信息噪声方面,由于国内数据治理的基础较弱,国内比国外面临更大的技术挑战;在数据安全方面,国内的数据安全相关制度建设比西方发达国家相对滞后;在数据开放方面,国内比西方发达国家,尤其是美国保守,也因此,监管与辅助监管主体对金融企业业务数据的掌握不充分,监管数据相互不开放,部门数据相互不共享,造成数据的多维性受到影响,限制了大数据分析作用的充分发挥。

二、大数据在我国证券行业风险监测中运用的必要性与可行性

大数据等信息科技高速发展,正在逐步蔓延、深入经济、社会的方方面面,改造升级甚至改变各个领域的运行方式。应用大数据的思维方式与相关技术开展证券行业风险监测,有利于对现有监管、监测形成强有力的补充,有利于对行业内个体企业的健康发展产生重大促进作用,正在逐步成为大数据背景下证券行业风险监测的新趋势。

(一)当前传统证券行业风险监测面临的困难与挑战

传统证券行业风险监测的主体包括行业监管机构:证监会及其派出单位——各地方证监局,辅助监管机构:中国证券投资者保护基金有限责任公司、中证资本市场运行统计监测中心等。传统的证券行业风险监测主要采用现场检查和非现场检查相结合,以非现场检查为主的方式,非现场检查主要采用风险指标监测的方式。所谓风险指标监测就是基于证券公司业务构建完善的风险监测指标体系,并制定相应数据规范,在行政命令的要求下,各证券公司按照相关要求填写报表,并上报相关监管机构。监管机构及其辅助监管机构汇总、整理证券公司风险监测指标数据,形成全行业的风险监测统计分析结果,并根据比对分析判断全行业及个体公司的风险情况。传统证券行业风险监测主要存在如下问题:

1.数据时效性不强

目前的证券公司风险监测数据采集以月度数据采集为主,在时效性方面具有极强的滞后性。在经济周期的顺周期阶段,行业形势一片大好,月度数据在监管中基本能够满足风险监测需要,发挥跟踪行业平稳风险形势的作用。在经济结构调整阶段、金融系统防范化解风险的关键时段上,月度数据难以满足对证券行业风险监测的及时性要求,系列业务的风险集聚极有可能在较短的时间内集中爆发,因此,月度数据过于滞后。除此之外,证券公司个体的操作风险发生具有即时性,以日度数据监测才能具有足够的时效性,月度数据只能具备统计功能。

2.数据颗粒度较粗

目前,对证券行业风险监测指标体系的设置主要包括五大类一级指标,分别是资本风险指标、市场风险指标、信用风险指标、操作风险指标与流动性风险指标。五大类一级指标又分别下设几类二级指标,总共的细分指标在五十个左右。从证券公司整体的角度,能够比较全面、完整地反映风险状况。但是深入证券公司的具体业务中时,指标设置的科学性存在问题,同时指标设置的颗粒度与具体业务风险监测需要相比太粗,不能较好地反映其风险状况。

3.数据质量不够高

每个证券公司的不同业务条线具有不同的数据系统,数据标准的统一,数据接口的规范仍存在较多问题,造成其内部统计的数据质量不高,那么报送给监管部门的数据质量也不高;证券公司对指标的理解不同,统计口径不同,数据报送后,汇总整理形成的数据质量也不高;还有些证券公司对有些敏感数据报送存在瞒报、假报的现象。综合来看,由于多方面原因,证券行业风险监测数据质量的治理还是一个长期任务,扭曲的证券行业风险监测数据自然不能充分反映风险状况。

4.数据收集负担重

证券行业风险监测数据的采集信息化、自动化程度较低,一方面是风险监测数据的采集频率较低,建设采集系统的必要性不强;另一方面各证券公司数据系统具有多样性,系统数据接口的匹配任务量大、困难程度高。因此,数据采集的负担较重。根据不完全统计,单纯机构监管条线,证券公司上报的风险监测采集报表就多达80多张。如果进一步增加数据采集的频次与细化颗粒度,将进一步大幅增加证券公司上报数据的负担。因此,证券行业数据采集处于两难困境,信息化自动化程度低,提升信息化、自动化水平的困难性强,与此同时,风险监测的要求又逐步提高,需要证券公司提供更多数据,大幅增加证券公司报送负担。

毫无疑问,解决以上问题,除了直面问题根源,从数据治理、信息化建设源头上下功夫之外,还要另辟蹊径,考虑充分挖掘已有内部数据,充分收集、利用外部数据。因此,尝试使用大数据技术及相关应用开展证券行业风险监测具有必要性。此外,大数据等信息科技技术正逐步渗透到经济的各个领域,西方发达国家也在积极开展相关实践,使用大数据开展证券行业风险监测也有一定的必然性。

(二)利用大数据开展证券行业风险监测的国际经验借鉴——以美国为例

在美国,大数据在证券监管中的应用逐步深入,主要领域包括证券市场风险监测、证券发行、投资交易、违法行为查处、投资者保护等方面。概括起来,美国在应用大数据开展证券监管、风险监测等方面具有两大显著特点。

1.重视计算机辅助系统(CAS)建设

信息化时代,CAS(Computer-aided system)是证券监管重要的辅助手段,也逐渐成为前置要件,兼具数据库与分析工具的双重功能,实现了数据治理与数据分析的双重作用。对于证券市场风险监测分析与预警,早在2013年,美国证券监督管理委员会(SEC)就引入市场信息数据分析系统(MIDAS)分析股票市场产生的大数据。在审计方面,SEC建立综合审计系统(CAT),进行全面综合的审计跟踪,可以追踪包括订单、路演、修改和执行的全过程。在信息披露方面,SEC建立互联网电子数据收集、分析、检索系统(EDGAR),2017年,开始建设“下一代”电子披露系统(ERD),进一步强化数据收集与分析功能。在内部交易和市场操纵行为检测方面,SEC建立高级关系交易执行度量调查系统(ARTEMIS),该系统能够将历史交易和账户持有人数据与其他数据源结合实现多发行者和多交易者数据分析。

2.充分借用工具分析、外部分析力量

由于采取大数据分析证券风险尚处于探索期,且大数据分析高度依赖技术与工具,因此SEC采取多种方法,充分利用工具分析与外部分析力量。在借用外部分析力量方面,除了内部使用市场信息数据分析系统(MIDAS)之外,SEC建立对外发布平台,支持Python、Jupyter Notebook等强大的数据分析工具使用,积极吸引社会力量开展证券市场风险监测方面的大数据分析。在充分使用工具分析方面,2018年,SEC建立云上数据科学工作站,为数据分析师提供先进的数据分析和机器学习工具。工作站提供的开源数据分析工具帮助分析人员处理非结构化数据、时间序列数据,数据可视化和机器学习工具帮助分析人员确定数据集检查的优先次序。充分使用工具软件辅助监测风险使得风险监测业务人员的精力能够更多集中在研究上。该数据工作站项目,也在积极向规则制定和经济分析部门推广使用。 [18]

(三)证券行业风险监测的大数据源分析

大数据分析方法对数据的数量级、完备性、全面性要求高,没有大体量、多维度、全面完备的数据基础,就难以发挥大数据分析的优势与潜力。从数据源的角度看,证券行业大数据一方面来源于企业内部,另一方面来源于企业外部。

1.证券公司内部的数据

证券行业的内部数据来源于证券公司内部积累的大量数据,主要包括市场数据、财务数据、客户数据、产品数据等,上述数据大部分属于证券公司的机密,作为外部辅助监管方,全部共享此类数据难度较大,往往采用要求证券公司填报相关报表并上报的方式获取公司内部数据,但是数据的颗粒度较粗,时效性较差。中国证券业协会要求证券公司建立自身的风险管理信息技术系统开展内部风险数据的集中与治理。 [19]对于大型的券商,信息化水平较高、数据治理基础较好,能够建设完备的内部风险信息系统,提升自身风险管理能力的同时,辅助监管部门制定行业风险管理规范。但是对于中小型券商,受制于资本规模、业务能力、经营水平等 [20],风险管理能力较弱,风险信息管理缺乏,因此,抗风险能力较差,极易爆发相关风险。从监管的视角看,应该强化对中小型券商内部数据的采集,辅助中小券商建设风险信息管理系统,与此同时,应该加强与大中型券商风险信息系统的数据接口对接,强化全面性、及时性、详细性风险数据的采集。

2.证券公司外部的数据

基于辅助监管的角度来看,证券公司外部数据包括两部分,一部分是资本市场内的留痕数据,如交易数据等;另一部分是非资本市场体系产生的数据,包括:国内外互联网“爬虫”数据、国内外政府公开发布数据、来源合法的商业数据等。按照数据源分类进一步细化,包括经营数据、信用数据、工商数据、司法数据、处罚数据、舆情数据、知识产权数据、外经贸数据、个人数据等。在证券公司外部数据获取方式与可行性方面,资本市场数据可以通过监管单位、辅助监管单位建立共享机制的方式获取部分非保密数据;资本市场外部数据,可以通过自行收集、委托收集、直接购买等方式获取。

对于证券行业风险监测,仅仅依靠证券公司上报数据,无法开展大数据分析,但是经过一系列数据来源拓展、数据汇集等,可以初步具备大数据分析的大体量、全面性、完备性数据基础,能够为开展大数据分析应用提供比较好的铺垫。

(四)证券行业风险监测的大数据方法论分析

大数据分析方法与传统分析方法具有本质的区别,在思维方式、关键要素、输出结果方面具有极大的不同。分析清楚大数据分析方法的逻辑,有助于增强大数据分析在证券行业风险监测中的适用性。

1.证券行业风险监测的传统分析方法

证券行业风险是介于微观个体风险与宏观系统风险之间的局部风险,分析证券行业风险主要使用统计数据分类比较分析与统计计量模型分析两类。统计计量模型分析要求,首先根据理论模型设置计量模型,再使用数据拟合并进行预测。因使用数据量少,为达到更好的拟合效果与预测效果,强调模型的精致与准确。在数据不可得的情况下,该研究范式是研究和解释复杂运行机制的一种高效和可行方式。 [21]此类方法旨在探求风险变量之间的因果关系,试图找出导致风险发生的原因,进而指导风险因素的控制,此类方法必须使用结构化数据,且对数据的代表性、准确性要求很高。

2.证券行业风险监测的大数据分析方法

大数据分析方法与统计计量模型分析方法有显著不同。大数据分析方法要求尽可能获得所有微观证券数据,对数据的全面性、完备性要求高,不区分结构化数据与非结构化数据。大数据分析方法通过大量数据对系列简单模型进行训练以达到最佳拟合效果,不强调模型的精准性,反而有意限制模型的复杂性。因此,大数据分析方法得到的是相关关系,对因果关系没有解释力。这种“数据驱动型”的分析方法贴近现实的能力更强,往往产生“意外之喜”。在证券行业的局部风险与金融系统的系统风险更加紧密联系的当下,采用大数据分析全行业数据,既能发现风险中的“灰犀牛”,又能发现风险中的“黑天鹅”,值得期待。

三、大数据在我国证券行业风险监测中运用的设计初探

要充分发挥大数据优势、利用大数据技术开展证券行业风险监测,就要建立相应的制度机制、构建相应的设施系统。这些制度机制、设施系统汇聚整合到一起,可以统称为证券行业风险监测大数据平台。它应该既是一套辅助系统,又是一套管理机制,既有工具的集合,又有数据的集中,既是分析平台,又是交流平台,既开展监管,又进行服务。

(一)构建起完整的大数据分析系统

证券行业风险监测大数据平台,要具备一套完整的大数据分析系统,包括数据收集、数据资源管理、数据分析、数据展示等部分。在数据收集方面,既自身积累数据,又通过监管系统内部各单位共享获取数据 [22],又积极采用“爬虫”等技术在互联网上抓取数据,也适当购买数据。数据类型上包括结构化数据、半结构化数据和非结构化数据。在数据资源管理方面,要实现各类数据的兼容,利用多种数据处理技术,实现对各项数据结构变化的适应性,支持各种数据类型、各种数据来源。在数据分析方面,分析者可针对特定的需要对不同的数据集连接不同的算法。在数据展示方面,将风险数据分析后的结果通过图表、报表、动图、视频的形式展示,或者直接将结果数据以接口的方式对监管部门提供。

(二)内嵌全面且丰富的分析框架与技术

证券行业风险监测大数据平台,要能够内嵌丰富且全面的分析方法、处理架构、分析技术、分析工具、分析软件和分析模型。在大数据的处理架构、工具、软件方面,囊括Hadoop、Storm等大数据处理框架,Spark、Map Reduce等分布式计算框架,HDFS等分布式存储系统,Ambari等部署工具,SPSS、SAS、R等统计分析软件;在大数据的分析方法和技术方面,囊括知识图谱技术、神经网络技术、深度学习技术等多种技术,并能够基于相关技术开发相应的应用系统。

(三)打造面向社会交流与服务的开放平台

作为辅助监管的风险监测平台,要具备开放性,能够像社会大众开放脱敏大数据,充分调动社会资源与力量开展证券行业风险分析,增强风险监测分析能力;要具备交流功能,成为证券公司交流系统风险、市场风险、业务风险等的交流平台,也是风险分析人员、大数据技术人员交流、学习分析方法、分析技术的交流平台;要具备服务功能,成为金融系统尤其是证券行业获取风险知识、风险信息第一位的咨询平台。

四、结论与趋势

(一)基本结论

伴随着大数据、人工智能、云计算等现代信息技术逐步深入社会、经济中的各个领域,在大数据与金融系统业务拓展与风险防范紧密结合的当下,探索使用大数据强化证券行业风险监测能力,改造证券行业风险监测体系,正在逐步展示出其巨大价值与显著意义。

1.大数据分析开拓了证券行业风险监测的新视野

大数据既是分析方法又是思维方式。脱离传统的因果关系探索,突出强调强相关关系的探索,是大数据在思维方式上的显著特点。对于大数据的强相关关系,在逻辑上仍需要深入分析,但是在现实问题解决方面却具有独到之处,针对证券行业风险的相关关系采取应对措施虽然“治表不治里”,但是为深入挖掘指标变量之间内在关系提供了线索。大数据强调数据驱动方法,分析方法建构在大量数据的基础之上,对模型精确度的要求与数据精确度的要求都大大降低,因此可以采用系列简单模型开展分析,优化证券行业风险分析方法。

2.大数据分析形成了对传统证券行业风险监测的极大提升

基于大数据分析的逻辑与特点,传统的证券行业风险监测方法不能被取代,仍然是证券行业风险监测的基础与主流。大数据分析方法强调使用全行业数据,使用“无监督”学习算法发现异常,使用“有监督”学习算法证实相关关系。在异常发现、细节挖掘方面对传统分析方法形成有益补充,具有较强的实用性;在相关关系方面具有较强的前瞻性,引导传统分析方法强化因果关系探索,把握变量之间的实质联系与传导逻辑。

3.大数据分析在证券行业风险监测上充分发挥其效能仍需时日

大数据及其建构在大数据分析基础上的人工智能在风险监测领域的利用才刚刚开始。数据的多元性、完备性、全面性问题即数据治理与数据采集问题还需要强化制度建设、管理建设与机制建设来解决,需要较长的时间;大数据技术本身仍在发展,大数据技术与证券行业风险监测这类局部风险、行业风险监测的结合还需要进一步的探索。

(二)发展趋势

1.以大数据为代表的信息科技发展终将重塑证券行业风险监测体系

伴随着信息化渗透到证券经营的每根“毛细血管”,数据治理“日臻完善”,大数据及以大数据为基础的人工智能等技术“登峰造极”,证券行业风险监测无疑将通过信息化手段与大数据等信息技术对证券业务的细节进行“入木三分”的监测,对局部性、系统性的风险进行“运筹帷幄”的把握,将实现风险的智能化诊断与自动化提醒。监管主体尤其是辅助监管主体将更多地以信息平台、技术平台的身份出现,将更多的工作重心放在技术研发与系统完善上。

2.以大数据证券业风险监测为代表的金融监管科技将形成一套完整的体系

以互联网、物联网为承托,以大数据、云计算、区块链等信息化技术为工具的金融科技高速发展,带来金融业务的持续拓展,也带来复杂的金融乱象与频发的金融风险,给监管带来极大的挑战。“魔高一尺,道高一丈”,监管科技亟待深化与强化。大数据、人工智能等信息化技术将被广泛且深入地应用于以证券行业风险监测为代表的金融各领域风险监测、防范与化解之中,也将成为金融监管以及辅助监管的必然之路与必备工具。未来,监管科技将依托金融系统各行业数据的共享与集合,整体数据的治理与分析,而形成一套相对独立且完整的体系。

3.证券行业大数据安全治理将成为重中之重

伴随着行业信息化的深入推进,数据治理的理顺完成,证券全行业数据将构成一个完整的数据系统与数据库。数据的大量产生与集中将成为一把“双刃剑”,既带来监管效能的提升,又形成被盗用、乱用的风险。因此,数据安全将成为最重要的事情,数据窃取将成为最大的隐患。作为监管与辅助监管主体需要在数据安全治理与数据安全服务上着力,保证投资者、服务商的数据安全与隐私安全。