1、标题白皮书风险建模的未来排除下一代风险建模中的风险从数据到决策ii目录数字时代的风险建模.1您将如何去除风险建模中的风险？.3为了您银行的未来，做出明智的技术选择.4SAS：为企业交付开放、敏捷的风险建模平台.5证明价值.8操作化分析：中型银行的智能信用风险决策.8为大型银行加速模型开发和生命周期部署.9为获监管审批和便于使用，赋予神经网络可解释性.10了解更多.10数字时代的风险建模同其他行业的公司类似，目前银行正在两方面进行数字转型：通过自动化实现效率的阶梯式提升；充分利用数据获得竞争优势。例如，各个公司正通过实现一般流程自动化来提高效率，并充分利用大数据的新鲜资源挖掘新洞察，积极创新，令

2、业务脱颖而出。目前，风险建模是银行业的主流，在接下来的几年里，它必将变得更普遍、更复杂，并创造海量的机会。面对不断增长的市场需求和监管压力，银行需要采用更为复杂、透明的风险建模实践，同时还需要满足需求，进行大规模及最细粒度分析的风险计算。与此同时，人工智能(AI)和机器学习(ML)为新型风险模型赋能，为提高准确度和效率提供了汹涌的转型潜力，帮助银行主动检测压力信号。例如，风险建模的创新有潜力实现以下事项：为考虑风险级别和智能资本金分配的高度定制化客户服务提供自动化交付。加速形成风险洞察，在制定实时决策时（例如交易前的风险评估），评估风险影响。通过提升算法（例如，通过将现有模型同 AI 和 ML

3、 赋能的模型和审核模型相比较），让模型更准确。持续学习数据，反映最新客户和市场动态。揭示隐藏在数据背后的复杂关系，做出更好的预测和风险优化。这些优点不是噱头。创新风险模型能为业务赋予强大的能力和海量的机会。然而，正如这篇文章中探讨的那样：能力越大，责任越大。这句话不仅适用于您的业务，同时还适用于监管机构和客户。正如下面这些问题揭示的那样，使用和拓展新一代风险模型，尤其是 AI 和 ML 赋能的模型，是一个复杂的问题，其中既有绝佳的机会，同时还蕴藏着巨大的风险。世界各地的监管机构还在遭受上次全球金融危机的影响，他们了解依赖复杂模型带来的巨大风险。因此，如果您的银行部署复杂、互联的风险模型，您将会

4、面临全世界的密集监管，并将需要满足模型可解释性、准确性、数据保护、伦理行为、客户处理等方面的期望。12您的建模部署、决策系统与流程能否胜任这一任务？为了评估您当前风险建模方案的风险，请回答下列问题：您是否信任用于模型训练的数据质量?模型中运行的数据是否确实适用于该模型？您是否能集中并清理数据，需要数据的人是否能够随时访问正确的数据？您是否可以有效监管您的数据，让数据完全可追溯，使监管机构可以验证数据使用符合规定？对于业务和监管机构来说，您的模型是否具备可解释性和解释能力？您是否拥有人才和工具，可以有效构建并管理不断增长的模型主体？您是否能够将复杂模型拓展为成千个，同时保证合规性并避免模型生态系

5、统不断增长过程中的传染风险？在训练数据过期或业务需要消失前，您是否可以快速（甚至在一天内）开发并部署模型？您是否可以使用最新开源工具对模型进行开发，同时对知识资本维持控制并保证模型可理解并且可审计？您是否可以赋予您的风险模型从任意源头（包括传统和非传统数据源）提取数据的能力？您是否可以有信心地验证，模型不会无意中使用受保护特征（例如种族、性别和其他数据）从而导致结果偏见？您是否可以将模型插入整个企业的决策流中，实现自动化决策，并持续了解模型的使用位置、掌握模型退化时间、并在模型退化和做出错误决策前升级模型？您当前的模型开发和管理流程是否能应对新型风险的出现，例如模型传染及网络风险？正如这些问题

6、所揭示的那样，随着传统和创新风险模型的广泛部署，您将遭受挑战：在赋能新型模型进行快速开发和部署、安全拓展模型激增并充分发挥模型潜力的过程中，您需要了解如何去除风险建模中的风险。3您将如何去除风险建模中的风险？要想达到这个目的，需要的不仅仅是传统意义上零散的捆绑式模型开发和管理工具，以及从不同业务线使用的“可信来源”中借来的 IP（查看工具栏，“传统方法和风险”）。历史一再证明，即使是最顶尖的技术，如此零散的活动和东拼西凑的 IT 资源将忽视模型开发和流程中重要的步骤和细节。原因是什么？是因为他们无法提供真正的端到端流程，像高效、集成的平台那样运作。这样的集成平台能提供：选择，通过灵活数据访问和

7、创新获得。监管和控制，在不阻碍可拓展性、模型开发和部署速度的情况下，为模型追踪、检测、合规性提供监控和控制。随着模型体积的增长，监控和控制将成为您成功的关键因素。例如，自主学习的 ML 模型能够“学习”并随着其吸收的每一比特数据发生改变，与传统模型相比，可以展现卓越的准确性和预测性。同时，他们也能促成高度定制的客户服务（查看下方标注）。但这种易变性也会大幅度增加模型风险（包括隐藏偏置）同时使得模型难以解释。为了避免自主学习模型的部署延迟，您将需要具备内置解释能力的工具和监管流程的支持，简化模型批准和部署。这些模型的动态特性也意味着需要更频繁的性能监视、更经常性的数据审核与基准测试、更优质的上下

8、文模型库存理解以及更实用的应急方案。如果您确实想要拓展风险模型利用率，您将需要自动化任务和流程，否则，即使您拥有使用传统工具的大型风险经理团队，您也将在遭受风险时惊慌失措。自我学习模型用例：高度定制化服务自我学习模式将帮助银行满足不断变化的客户服务期望。例如，在信用风险方面，他们能够支持“单一客户市场细分”服务，全渠道统一为每一位客户量身打造价格、产品及服务。为了拓展这样的个性化服务，银行需要在没有人类干预的情况下实时评估风险，并做出决策。这通过成千个模型的快速、持续开发和部署，在海量数据中挖掘复杂、非线性模式，才得以实现。在模型并入决策流（例如贷款申请流程）之前，每种模型必须具备可解释性，并

9、通过使用审批。一旦在生产中部署，模型必须被频繁密切监控。4随着银行对模型的依赖程度增加，他们也需要以更快、更高效的方式开发新型模型。例如，建模者将需要各种接口，帮助他们根据偏好进行使用。这些接口应保持开放（建模者可以灵活使用偏好的供应商并进行开源分析），并让模型开发简化、直观化（这样银行可以充分利用已了解公司数据和领域的现有人才）。此外，他们将需要更快、更好的方法将模型并入决策流。开发无法等待几个月，最终审批也无法等待几个星期，更没有时间对模型进行重编码，使其与使用位置保持一致。在整个企业中，模型需要在一到两天内创建并执行，如果是 ML 模型的话，将需要比传统模型更密切的监管方式。最后，风险模

10、型的法规将不断发生变化，为了保持合规性，您必须能够识别部署在整个企业中受变化影响的模型，对其进行改变或重建，并在紧迫时间内对风险模型进行部署。这将需要高效的模型开发和部署能力及卓越的模型监管能力（这样您便可以隔离受监管改变影响的模型，并隔离其在整个企业中的部署位置）。为了您银行的未来，做出明智的技术选择 讨论的重点不是让您放弃拓展银行风险模型的投资。（例如，在进行信用风险决策时，金融技术提供程序会自动化流程并部署更复杂的风险模型，促成更快、更准确、更有竞争力的定价。这个案例表明，银行的性质正在发生改变，为了与其一同成长，您需要灵活创新、拓展模型使用）。然而，真正的目的在于提高您的意识，让您了解

11、这件事情的重要性，并帮助您更明智地评估风险模型开发平台和工具。为了直面这些挑战和期望，真正需要的是灵活、开放且可信的风险模型开发和部署平台，这样的平台具备以下特征：为企业安全、可拓展性和大量数据量身打造。以整体和互联的方式，支持风险模型生命周期的每一步从开发到部署和决策。拥有内置 AI 和 ML 能力。提供内置监管合规性和可审计功能，包括数据沿袭和持续模型监控功能。帮助您集中管理并实时了解大规模模型生态系统，积极缓解模型漂移和感染风险。专为银行风险场景交付自动化功能，提供可信的预置 IP，大大加快模型开发并减少人为 误差。为每个模型构建透明度和可解释性。5SAS：为企业交付开放、敏捷的风险建模

12、平台SAS 与世界各地各类规模的企业合作超过 40 多年，拥有丰富的经验，能帮助解决风险管理中的特定和相关业务挑战（见图 1）。SAS 拥有丰富的经验，助力银行升级风险建模能力，实现数字经济。通过交付单一、集成 SAS 风险建模和决策框架，赋能风险建模者，帮助其访问和准备任何数据；开发、部署和监控多种类型的风险模型；在银行基于风险的决策策略中，将数据、业务规则和模型输出相结合。产品全面，涵盖数据管理、建模、监控、报告、批处理执行、实时评分和决策，作为开放平台的一部分，能提供集成、模块化的解决方案，满足客户不断扩大的需求。（见图 1）开放性方法能满足风险功能不断变化的需求，重点关注跨职能合作和组

13、织一致性。图 1：单一平台包含多种风险层面。自动生成风险指标平台会持续自动生成一系列广泛使用的风险指标，例如违约概率、违约损失率以及违约敞口，所有指标均用于监管资本金计算、国际财务报告准则第 9 号(IFRS 9)及其他风险管理活动，例如企业压力测试和恢复计 划。平台生成的估算符合监管规定，广泛用于其他风险解决方案，能节省时间和精力。5我们专注的风险领域预期信用损失(IFRS 9/CECL)场景分析与压力测试监管资本管理模型风险管理风险建模与决策 保险(Solvency/IFRS 17)借助高效、可控、可持续的环境，应对国际财务报告准则第 号 及当前预期信用损失 的预期损失建模挑战借助场景分析

14、和 ，满足监管要求，识别业务机会及风险借助简单、集成的风险管理环境，积极管理跨多个司法管辖区的监管风险减少您的模型风险，提高决策和财务业绩，满足监管需求与其他外包产品相比，能够以更快的速度、更优惠的价格、更高的灵活性，为您开发、验证、监控信用评分卡针对 国际财务报告准则第 号 、偿付能力指令 和其他规定采用并部署单一、集成的框架 9 (IFRS 9)(CECL)ALM 17 (IFRS 17)II(Solvency II)6图 2：在集成环境中访问和准备数据、开发和监控模型、并做出决策。如图 2 所示，集成、端到端环境能助力风险建模者进行以下工作：准备数据SAS 框架帮助您从组织内、外任何数据

15、源中（即便是大型数据集）访问和引入任何数据（传统和非传统数据）。同时还支持端到端数据准备，在模型使用数据之前，提高数据质量。数据在模型中管理和使用，平台持续追踪数据沿袭，帮助审计者溯源结果。同时追踪已使用变量，记录变量及其进入模型开发的转换。SAS 平台包含分析数据生成器，能通过用户界面管理数据准备逻辑的创建及特定风险可用变量数据结构。这些功能可以助力模型开发快速进行。开发风险模型使用 SAS 平台，借助其卓越的速度和敏捷性，您可以开发任何类型的风险模型，包括线性、非线性或 AI 和 ML 驱动模型。使用图形或程序化用户界面，轻易开发模型，或者您也可以使用预交付模板，指导您为特定用例开发高效风

16、险模型。内置、用户指导型界面能将您的分析活动结构化，并生成透明的数据和已用变量，即使模型开发人员离开了您的组织，您也可以保留 IP 控制权。界面包含特定功能，帮助将特征分类为特性，助您开发符合规定的风险模型，解决样本偏置这样的常见问题。风 险 建 模与决 策“客户可以在集成环境中访问和准备数据、对模型进行开发、部署和监控，并做出决策。”准备数据开发风险模型随处进行部署监控风险模型自动化决策快速数据引入-结构化/非结构化数据沿袭和治理使用优质数据进行数据准备人工智能/机器学习模型模型解释能力支持监管合规性SAS 和开源模型性能监控仪表盘集成决策7 随处进行部署搭建自用系统，构建新型模型变得十分简

17、单，例如，使用开源软件。真正的挑战是通过最短时间部署，进行模型操作化，从而在模型中获得真正的业务价值（例如更明智的决策和决策自动化）。对银行来说，这是一个痛苦的过程，因为模型逻辑通常需要重编码，这样使用模型的系统才能理解。在这个过程中，他们常常丢失模型的部署位置。通过 SAS，模型能够随时随地部署，无需重编码。甚至能够在当天搭建和部署符合规定的模型。您可以自动化模型部署和重新部署（例如，在模型重新校正后），不会造成获取业务价值延迟，结果也通常尽可能准确。模型部署后，可以集中追踪，这样您能看到整个企业中使用模型的位置，如决策流、部门、系统等。这样您便部署了一个拥有单一、可信数据源的模型，在整个企

18、业内管理决策。监控风险模型应用平台内置的监控能力，您不仅可以追踪模型部署位置，还能监控模型使用、检测模型退化、按需触发重新部署或重新校准、自动化重新校准等。通过平台，重新校准后的模型能设置为自动部署。这能极大减少人力成本和人力监督，让您能真正地拓展模型利用，并在没有大量员工或对业务造成风险的情况下，保证持续的准确性。这对于管理ML模型尤其有价值，因为它们往往会更快地退化。预建的解决方案内容允许您监控传统模型和机器学习模型的判别力、准确性和群体稳定性。最后，您可以深入到详细的视图中去检测模型退化的根本原因。自动化决策平台助力您将风险模型和规则集中部署在整个企业的决策流中，实现自动化决策，无需重编

19、码或其他人力干预。灵活、可拓展的决策引擎能够使整个企业的规则部署、模型、数据和策略透明化。正是由于您可以轻易地对他们进行高透明度部署，并对其进行治理，构建模型、从其中获取业务价值从未变得如此简单。8证明价值如图 3 所示，当所有能力流畅并整合运行在单一平台上时，风险建模者能够快速导入新数据、基于 SAS 数据挖掘和机器学习或开源算法开发创新模型、并使用回测和测量基准验证其性能。为了保证结果准确、一切运行顺利并能满足业务和监管机构需求，验证必不可少。另外，风险建模者能够轻易地延伸平台，支持决策流中复杂模型逻辑的部署，并实现即时业务价值。如果必要的话，所有这一切在一到两天内即可实现。在交付模型时，

20、急需快速采用新型分析方法（包括 AI 和 ML）并获得显著优势，这对建模及管理团队执行并交付业务价值造成了巨大的压力。例如，当越来越多的银行在信用决策生产中探索使用机器学习时，很多银行已经使用这些方法进行基准比较或审计分析。能够及时部署新的创新模型，以满足个性化的业务需求，这是拥有一个真正的端到端风险建模平台的主要好处-因为无论多么创新的模型，如果停留在漫长的开发周期中，都无法带来业务价值。让我们来看一看客户如何使用 SAS 平台能力进行开发和部署新型风险模型，快速实现业务 价值。操作化分析：中型银行的智能信用风险决策一位 SAS 客户，一家中型银行，为个人和企业提供金融服务，包括保险、房地产

21、抵押贷款、贷款和信用卡服务。该银行已经使用关键 SAS 技术为操作化高级分析进行概念验证。他们希望能找到一种方法，自动化住房贷款的信用风险决策流程，并为该流程提供线上服务，客户使用个人计算机或移动设备即可进行贷款申请。如图 3 所示，该银行通过使用连续检查点明确其决策策略，客户需要从人脸识别和密码请求进行身份验证开始，完成这些检查点。客户同聊天机器人进行互动，聊天机器人会要求客户提供完成检查点所需的特定信息：在线信用核查在该过程中，某个应用程序接口(API)会引入顾客的征信机构数据。在线房地产价格估算在这个阶段，ML 模型会对该低区最近已售出的相似房屋价格进行对比，估算房地产价格，并验证价格合

22、法。风险决策流程ML 模型执行该阶段，分析所有已收集数据，并在合适的情况下做出信用 决策。9这家银行分享道，ML 赋能的流程不仅使银行及其客户的房屋贷款申请和信贷决策流程更加高效，而且开辟了与客户互动的新途径，并捕捉到识别新需求和参与机会所需的宝贵信息。例如，客户常常会分享一些信息，而银行可以利用这些信息从而决定未来的最佳方案、了解客户在住房贷款和信用方面的知识欠缺、为客户提供信息，减少未来的违约风险等。图 3：ML 赋能的住房贷款信用申请和决策流程。为大型银行加速模型开发和生命周期部署这是一家拥有 4,000 亿总资产的大型巴西银行，该银行已应用 SAS 平台，大大加速了模型开发和部署生命周

23、期，并轻松、低成本地拓展了 ML 和其他模型的使用。在部署平台之前，该银行花费超过一年时间开发、审批和部署单一模型。当时，模型常常过时且无法使用。如今，他们应用了 SAS 平台，从数以百计的特征中选择预测变量、自建新型模型、选择最佳模型并进行部署、并针对新目标重新训练现有模型。建模者在一天内即可搭建并部署模型，并确信新型模型符合规定，并在其他模型的背景下受到了恰当的监管。另外，模型开发流程实现了自动化，模型能够选择最具有预测性的变量，之后从最佳-挑战模型系统中选择建模算法，实现自我学习。通过消除速度、成本和合规障碍，SAS 平台转化了银行的模型使用方式（包括高级 ML 模型）。目前，平台已经拓

24、展其模型使用，由 2016 年的 100 个拓展为 2018 年的近 500 个，并且还在持续增加。人脸识别验证信用核查房地产价格估算风险决策未来的最佳方案与聊天机器人两年之内将模型库横向拓展五倍为获监管批准和便于使用，赋予神经网络可解释性一家为美国银行提供数据和服务的大型风险评分机构希望能提高其收入模型和风险评分的准确性。其根本原因是该公司传统的信用评分方法已经无法提供充足的统计提升。使用深度神经网络有潜力大大提高结果的准确度，但众所周知，深度神经网络难以解释，这使得深度神经网络不适合大部分合规性活动。使用 SAS 的工具和技术，针对监管目的，该公司赋予神经网络完整的可解释性，这是前所未有的

25、。在监管机构批准将其应用到信用评分之后，公司模型预测能力提高了高达 15%。他们发现通过分析大型数据集和使用创新算法，能够极大提高信用评分准确性。另外，通过使用 SAS 技术交付的自动化功能，建模者能更快速、更准确地搭建和测试模型。最后，在分析过去两年被拒借款人数据之后，他们证实，很多借款人本应该安然无恙地获得批准。这意味着，未来，使用这种信用服务的银行将获得大量的贷款审批量增长，并从中获得可观的收入增长。详细信息这是一个像高效整合平台那样运作的流程，能提供选择、监控、可拓展性和控制权，您是否已经准备好从真正的端到端风险建模流程中获利？销售热线：400 818 1081技术支持：400 810 9268SAS 和所有其他 SAS Institute Inc.的产品或服务的名称是 SAS Institute Inc.在美国和其他国家/地区的注册商标或商标。表示在美国注册。其他品牌和产品名称是其各公司的商标。版权所有 2020 年 SAS Institute Inc.保留所有权利。111366_G128841.0520