基于大数据的金融监管研究

摘 要：随着互联网、大数据、人工智能等新兴信息技术在金融行业的广泛应用，金融新业态、新模式层出不穷，传统的金融监管模式已经难以满足及时性、有效性和穿透性的要求。与此同时，新技术的快速发展也为金融监管发挥更大效能提供了一个良好的契机，信息技术尤其是大数据，将会重塑未来金融监管。为此，本文对大数据原理及其在金融监管领域实践进行了深入分析，提出了大数据在金融监管中的应用思路。

关键词：大数据；金融；监管

DOI：10.3969/j.issn.1003-9031.2019.3.11

中图分类号：F83 文献标识码：A 文章编号：1003-9031（2019）03-0071-05

一、大数据的概念、主要特征及技术环节

（一）大数据的概念

一般认为，大数据又称巨量数据或海量数据，是指一种规模大到无法通过传统数据库软件工具在合理时间内获取、存储、管理和分析的数据集合，主要涵盖了三个方面的内容。

1.数据类型。从数据类型来看，大数据包括结构化、半结构化和非结构化数据，其中，音频、视频、图像等非结构化数据已成为大数据的主要部分。

2.技术实现。从技术层面来看，大数据的核心是利用分布式存储、数据清理、云计算、智能算法等对各种类型的数据进行高效存储、处理，并从中获取高价值信息的技术及其集成。

3.分析应用。从应用层面来看，大数据的最终目标是运用数据挖掘、智能分析等手段实现海量数据的深入分析，并基于数据分析结果指导决策管理。

（二）大数据的主要特征

大数据的主要特征可以用“4V”来概括：Volume（量级巨大）、Variety（类型多样）、Velocity（获取和处理快速）和Veracity（真实性）。

1.数据量级巨大。海量的数据量是大数据最基本的特征，通常10TB规模以上的数据量才可称为大数据。近年来，大数据的量级增长迅猛主要得益于两个方面的因素，一是随着互联网、物联网、移动通信等信息技术应用的发展，数据产生和获取渠道无限拓宽，使得人类社会活动过程中产生的数据都被记录下来；二是存储介质的革命、单位芯片晶体管处理能力的几何级增加、云计算技术的发展为海量数据的存储和处理提供了必要条件。

2.数据类型多样。随着社交网络、电子商务、搜索引擎等互联网应用的日渐普及，由此产生的数据成为大数据的主要来源，其中不仅包括以文本形式为主的传统的关系型结构化数据，也包括以网页、图片、音频、视频、网络日志、文档、地理位置信息等种类繁多、未加工的半结构化和非结构化的数据，尤以非结构化数据为主。

3.数据获取和处理快速。在当前信息高速传播的时代，数据的获取是随时随地进行的，人类在社交网络、电子商务等活动中产生的数据都被实时存储在数据库中。与此同时，数据的处理也在实时和飞速地进行，这也是大数据区别于传统数据处理的重要特征之一。如金融机构的数据创建、存储、处理和分析的速度在大数据时代将持续加快，某些数据必须实时地进行分析，才能及时、有效地对业务管理产生价值。

4.数据真实。大数据的真实性被称为价值密度低，是大数据的重要属性。在抽样数据时代，数据量小，每个数据都显得很重要，存在随机抽样带来的偏态风险；而在大数据时代，样本即总体，数据的价值密度变低了，但每一个数据都是对真实世界的无偏刻画。

（三）大数据的技术环节

大数据的技术环节通常包括数据采集、数据存储、数据处理和数据挖掘。

数据采集是指从多种数据源（包括应用系统、智能设备、网站网页等）采集数据，是大数据最基础和最根本的环节。数据采集的目的是把各种小数据先采集起來，积沙成塔，最后成了海量数据。

数据存储是指利用专业的存储设备将采集的数据储存起来。常用的大数据存储技术包括大规模并行处理系统（MPP）架构的数据库集群、基于Hadoop技术的扩展和封装、大数据一体机等。

数据处理主要完成对存储数据的抽取、清洗和脱敏等操作。首先将不同类型的抽取数据转换成单一的或便于处理的类型，其次清洗过滤掉大量错误的或与需求无关的数据，最后对一些涉及个人隐私的敏感数据进行脱敏处理，达到隐私保护的目的。

数据挖掘是指运用统计分析、机器学习、建模等技术方法从大量的数据中提取出隐藏的有价值的信息，也是最重要和最有技术难度的环节，数据的最终价值直到这里才得以体现。

二、大数据技术在金融监管中的应用优势

大数据的特征使得其应用于金融监管时的精确性、完整性和时效性远远高于传统的监管手段，为金融监管和风险预警提供了全新的手段。

（一）大数据的数据体量能够提高金融监管的精确性

传统的数据分析受数据量较小和处理能力不足的限制，通常只抽取总体数据的一部分（数据样本）进行分析。由于数据样本容量与数据总体容量存在差异，必然造成样本的统计特性与总体的统计特性呈现一定的差异性，通过样本分析出来的结果未必符合总体的特征，准确度不高，一般需采用多次采样。在金融行业，上述方法变得不再现实，而金融行业对分析结果的准确度要求极高。相关研究表明，即使数据分析的错误率在8%以下，对于投资决策、监管分析而言，该错误率仍不可接受。

大数据的一个典型特点是样本即总体，分析基础即为总体数据，这将大大提高数据分析结果的准确性，提高了依靠数据分析作为投资分析、监督管理的可靠性。

（二）大数据的数据维度能够提高金融监管的完整性

在传统的数据时代，数据往往只能刻画一个主体的某一部分。以监管为例，银行领域的监管部门只掌握被监管主体在银行体系中的活动数据，证券领域的监管部门只掌握其在证券体系中的活动数据。传统的金融监管受制于数据资源有限、信息不对称等因素，只能依据几个主要指标对金融行业进行监管，监管措施存在片面性。而大数据提供的高效分析手段及数据整合理念，使跨领域的数据共享常态化，再结合其他诸如互联网、移动互联网、物联网等产生的数据，使金融监管部门能够刻画出一个主体完整的金融行为活动图，进而能够准确地定位风险。

（三）大数据的处理能力能够提高金融监管的时效性

当前信息技术广泛应用于金融行业，金融市场的相关数据无论是产生还是变化都很快速，对金融监管的时效性提出了很高的要求，必须在短时间内完成监测和预判，有些领域甚至要求实时动态监管。受制于监管成本高昂、监管技术有限等因素，传统的金融监管能够获得的数据存在一定的滞后性，导致传统金融监管难以及时开展监管活动。而借助于大数据，金融监管部门将实现监管渠道电子化，能够随时随地获取金融数据，及时监测金融行业的经营活动，实时快速地处理分析金融数据信息，大幅提高金融监管的时效性。

三、大数据在国内外金融监管中的应用实践

目前，美国、中国等国家已经在金融领域积极开展大数据金融监管的应用实践，并取得了显著成效。

（一）美国金融市场的大数据监管实践

美国是最早将大数据应用于金融监管的国家之一。早在2001年，美国国家证券交易商协会（NASD）就迈出了股票市场大数据监管的第一步。该机构开发了名为SONAR的自动化监管系统，对美国多个证券市场的内幕交易及欺诈行为进行监测。从启用至今，该系统已经向美国证券委员会和司法部提交了将近200个证券市场违规案例。在2008年国际金融危机之后，美国财政部下属的金融研究办公室（OFR）开始收集金融机构的微观交易和头寸数据；美国证券交易委员会（SEC）也从2010年起要求大型货币基金提交月度交易数据。美国金融监管当局从这些微观和海量的金融数据中抽取出被认为可以引发系统性金融风险的相关信息，再借助大数据的相关技术对其进行量化计算，预测出可能发生的风险，进行金融宏观审慎监管。

（二）中国金融市场的大数据实践

近年来，我国国家层面对金融监管提出了更高要求，各金融监管机构纷纷利用大数据等信息技术进一步提升金融监管的有效性、及时性和穿透性。2013年深圳证券交易所自主研发上线了大数据监察系统，全面支持证券交易实时监控、调查分析等核心监察功能，具有海量数据处理、高效实时预警监控、指标体系科学合理、趋势分析智能化等特点。截至目前，全国多地已经建立或正在建立基于大数据的非法集资监测预警系统，如北京市打击非法集资监测预警平台、厦门市金融风险防控预警平台等。此类平台重点对交易大数据进行采集，结合网络舆情大数据、社会举报信息等，能够实现对非法集资早发现、早识别、早预警、早核实、早打击，有利于从源头上打击包装隐蔽、名目繁多、手段翻新的非法集资行为。

四、大数据在金融监管中的应用思路

金融监管部门应用大数据来重塑金融监管方式，既需要监管部门的顶层设计，更需要金融机构、大数据科技公司等各方的积极参与，具体来说可从战略层面、体制层面、法律层面和技术层面四个方面入手。

（一）战略层面要重视大数据金融监管产业环境和人才培育

1.加速培育良好的大数据金融监管产业环境。监管部门和政府层面应根据大数据金融监管产业发展趋势，为产业发展合理规划布局，并在政策方面为产业发展提供一个良好的环境。一是促进产学研深度融合，推动大数据金融监管创新发展，支持前沿技术创新，加快关键产品研发；二是加大财政资金对大数据金融监管的投入力度，设立大数据金融监管技术研发创新的财政专项资金，建立财政投入长效增长机制。

2.高度重视大数据金融监管人才的培育。金融监管部门使用大数据进行金融监管必须建立在拥有专业人才的基础之上，因此，大数据金融监管更需要专业的人才和完善的人才培养机制。金融监管部门应有针对性地制定大数据人才培养规划，吸引、留住、培养懂技术、懂数据、懂业务的复合型大数据人才，组建大数据金融监管专业团队，为实现大数据在金融监管方面的应用做好人才储备。

（二）体制层面要做到思维、标准、机制并重

1.形成“用数据说话，让数据做主”数据驱动决策思维模式。传统的金融监管主要依赖于经验和直觉进行监管，缺乏数据驱动思维，监管过程粗放，难以实施有效的监督管理。在大数据时代，金融监管应做到凡事心中有“数”，形成用数据说话、用数据管理、用数据决策、用数据创新的数据驱动决策思维模式，尊重数据事实，让大数据发声，使数据手段成为提高金融监管工作效率的有力工具。

2.推进金融大数据标准体系建设。金融监管部门应牵头开展金融大数据标准体系建设，完善数据治理机制，确保数据管理规范、使用安全、利用充分，为大数据金融监管平台建设保驾护航。金融大数据标准体系可分为基础标准、管理标准、技术标准、平台和工具标准、安全及隐私标准、行业应用标准等六大类。各类标准之间相互联系、相互约束、相互补充，共同构成完整的统一体。

3.建立大数据开放与共享机制。大数据的开放与共享是大数据行业发展的趋势，也是大数据金融监管应用的关键环节。通过建立大数据开发与共享机制，打破体制机制障碍，促进金融监管部门、金融机构、大数据科技企业间的数据流通，推动数据开放共享，培育交叉融合的大数据金融监管应用。

（三）法律层面要体现国家治理的法治精神

大数据从本质上要求数据开放共享，但数据的开放共享就会涉及到企业的商业机密、个人的隐私等，因此，大数据应用在金融监管的过程中，监管部门一定要制定保护数据隐私安全的法律法规，如对不同类型数据的采集、分析、传播、存储、交易、使用、共享及法律责任等方面制定专业的、清晰的法律法规，协调大数据领域创新与监管的关系，树立大数据法律行为的指路标，铺设大数据环境的安全网，备好大数据应急事件的降落伞，进而保证我国大数据应用生态良好，体现国家治理的法治精神。

（四）技术层面要依托云计算技术建立一个多方联网的大数据金融监管平台

1.运用云计算技术构建分布式架构的大数据基础平台。大数据具有海量数据的特点，仅靠传统的技术手段已无法对大数据进行分析和处理，只有依托云计算平台，通过云存储系统来储存海量数据、高并发处理系统来处理海量请求、分布式计算平台深入挖掘大数据。在云计算平台的IaaS（基础设施即服务）层提供底层计算资源、存储资源和网络资源，构建分布式集群计算环境，既提供快速的横向扩展能力，也能提供高可用的服务能力；PaaS（平台即服务）层提供大数据金融监管平台的基础服务和工具，包括数据质量控制、存取、加密、共享等一系列服务，以及固定报表开发工具、多维分析工具、专题分析工具等一系列数据基础功能工具；SaaS（软件即服务）层基于PaaS层的服务构建面向特定业务、部门、人员的大数据分析应用，如面向管理层的领导决策视图，以服务的形式提供给最终用户。

2.建立可支撑多方接入的数据通信网络平台。稳定、可靠的数据通信网络平台是高效地进行数据采集和传输的重要保障。金融监管部门应建立一个跨系统、跨平台、跨数据结构的数据通信网络平台，实现监管内部部门、外部机构之间的互联互通，缩短数据的获取、处理及分析时间，提高发现问题、处理问题的速度，提升数据共享效率。

3.制定数据接口规范以整合多方数据资源。大数据基础平台和网络平台建设完成后，即可将分散在各部门、外部机构的数据资源逐步整合至基础平台上，实现数据的整合与共享，构建统一的金融大数据视图，为数据综合利用奠定基础。一方面，要全面地梳理分散在各部门、各机构不同金融业务系统的数据资源，掌握各类业务数据之间的逻辑关系和层次结构，为数据整合做好准备；另一方面，制定统一的数据接口规范，通过数据清理、转换和标准化等手段，将各类业务系统的数据资源逐步整合至基础平台上。

4.设计开发大数据应用场景。在掌握全量金融数据的基础上，结合金融监管业务需求，充分利用数据建模和挖掘技术，构建一整套科学合理的大数据金融监管模型，设计和开发相应的大数据应用场景，通过机器学习等技术从海量数据中分析和洞察经济、金融运行规律，为各监管部门提供差异化的数据分析服务，为数据共享、综合分析以及宏观决策做好支撑，利用大数据提升金融监管和宏观决策的精准性、时效性。

（特約编辑：何志强）

参考文献：

[1]白硕，熊昊.大数据时代的金融监管创新[J].中国金融，2014（15）.

[2]李勇.大数据金融[M].北京：电子工业出版社，2019（12）.