论在财务风险管理中的大数据应用所面临的问题

【摘要】随着大数据技术手段逐步融入现代财务风险管理中，传统的财务风险管理面临着前所未有的技术变革。大数据带来的风险预测能力提升使得财务风险管理者对风险的发生因素、时点和风险内在逻辑因素都有了全新的认识，风险管理者变得越来越依赖于大数据。但是在这种革命性变化中，由于对大数据的认识与使用仍欠缺成熟的经验，在财务风险管理领域，大数据仍旧会面临新的风险与挑战。本文从一名财务风险从业者的角度来阐述大数据应用中存在的三重挑战。

【关键词】大数据 数据量饥渴 模型迭代 风险管理复杂性

财务管理利用财务执行的一般原则，管理资金运行，规划经营行为，借助会计准则，成本控制与编制预算实现对当前与未来的掌握与操控。财务风险因素在基于面向未来的财务管理行为中占据了越来越重要的位置，成为财务管理的核心内容[1]。传统的风险管理基于经验和过往事例比照，并不能有效的应对多重干扰和未知因素的出现，风险管理往往流于形式，过多的依赖不确定的主观判断，风险的预估和应对都不能准确的量化。长期依赖非量化指标让财务主体很难有效应对市场竞争与变化。

在传统的风险管理技术工具箱中，可应用的预测工具较少，使得风险管理者往往缺乏有效的手段。以金融行业为例，传统的工具箱中，风险价值度量（VaR）方法已被用于评估市场风险数十年[2]。VaR是一种基于统计方法，依托历史数据计算某一概率水平下最坏情况的投资组合所造成的预期回报。这种用于在给定的置信区间和固定的时间段内测量投资组合风险水平的工具箱在过去几十年内证明并不能非常有效的帮助金融行业在长期时间段内摆脱不确定性风险因素的出现。除去VaR，确定风险标的水平常用的蒙特卡洛方法也被证明缺乏可靠性[3]。作为一种重复采样算法，蒙特卡洛模拟仅仅是依据往期收益轨迹，然后进行大量模拟试验，最后对所得结果进行平均，并以此来作为风险发生的标的值。VaR与蒙特卡洛模型都不能有效的预测突发性风险事件的出现。显然，传统的风险管理工具是有根本性缺陷的。

而大数据的出现为回报性更好的投资决策、竞争决策提供了现实可能性。结合大量的历史数据和数学模型，依托大数据支持的交易算法不仅可以用来寻求最优的决策组合，也在关于未来预期展望下的风险评估方面有着巨大的优势。正是大数据的出现，才首次将风险管理代入为一种可以完全量化的经济行为，从而让风险变得更加透明可控，进而改变了以往的财务管理格局。

然而，除去明显的优势之外，大数据捕获不断增长的数据量的能力与处理这些数据量所依托的技术方法仍然面临着多重挑战。

一、数据量饥渴

财务主体面对日益激烈的竞争环境和市场需求，不断寻求利用技术来提高效率。很多风险管理者相信，通过超越对手的更高效数据获取能力，自己便可以从众多竞争对手中脱颖而出。但事实上，大量数据的存在和获取并不能保证信息的独占或者霸权。相反，仅仅是大量的数据本身，对于风险管理而言并非具有很大实际意义。从初始数据的归类上，大数据可以分为结构化与非结构化数据。非结构化的数据是无组织意义的信息，这种信息中包含有大量“噪音”，不能应用于任何预先设定好的模型中。而往往决策者更加关心获取的数据是这种非结构化数据。诚然，多数非结构化数据从表面上看起来是有意义的，例如从电商平台收集的用户信息或者用户偏好，但是对于风险评估来说，其依赖的数学模型往往需要经过平整与处理后的低“噪音”数据，赋予数据集合更明确的意义，使得用于模型预测的数据只存在有意义的变量和数据。这种低“噪音”的结构化数据空间组织在关联的数据库中，是进行模型计算的前提，才能够在不滥用大量预测因子的情况下提供准确的样本外预测[4]。但是，这种降低数据“噪音”的严格需求目前仅仅存在于技术端，多数从事财务风险控制的管理者并不具备足够的技术意识。他们的关注点集中在数据获取速度和规模，并以此作为考量大数据管理的重要指标。这会刺激市场上过量数据的出现，使得大数据交易市场变得过度繁荣，反过来又会让风险管理者陷入一种数据量持续增长的假想中。在这种状态下，所有的财务风险管理者必然做出大数据永远处于增长的判断，或者是挖掘的深度增加，或者是采集范围的扩张。大数据饥渴就因此出现。

二、数学模型的迭代风险

对于所有市场主体来说，大数据的数学模型应用基础无外乎算力、变化和速度。云平台普及后，过去制约数学模型复杂化和迭代速度的算力因素被逐渐缓解，在算力充足的前提下，模型变化速度就成为财务风险管理者眼中的核心竞争力，几乎所有的财务风险管理者都相信，越来越多的数据和更加先进复杂的模型系统可以帮助实时预测未来危机的症状、时点，甚至去尝试描述危机本身的内在逻辑，以便及时采取行动来防止或削弱危机。所以，对于数学模型性能的追求就变成一种自发动力。但任何有效的数学模型必须经过不断的学习训练，而这种学习训练所依托的只能是既往的数据信息，于是数学模型的快速迭代就将面临两种风险。一是模型本身可能缺乏充分且可验证的学习训练就面临升级，从而造成整个数学模型体系存在缺陷。二是当市场上所有财务主体都依赖大数据带来的快速响应行为，将会改变市场周期，而这会导致既往用来训练数学模型的样本信息不能有效反应当下的市场变化，从而使迭代后的模型仍旧落后。

这两种迭代風险之间存在的矛盾也会互相作用。市场上所有财务主体致力于取得风险预知优势，进而促进更快的模型迭代，更快的迭代行为也反过来影响了所有财务主体的市场行为，从而导致了市场的更快变化，所采集的大数据本身携带信息的时效性被进一步压缩，留给模型迭代的训练时间减少，可靠性下降。往复循环，将导致数学模型过快迭代后的预测失准。

三、大数据增加了风险管理复杂性

相比财务管理的其它领域，新的信息和技术组合暂时并没有给风险管理带来像交易管理那样带来决策信息的便利性。仍旧以金融行业为例，风险管理常常是从运营以及与客户关系的角度来解决的，建立专门针对欺诈的预防机制和对客户进行信用等级评分[5]。大数据在金融市场相关的应用反而给风险管理者造就了更加复杂的局面。这主要是由于下列情况造成的：理论上，样本外预测需要更高的准确性才具有现实意义。而在实践中，识别并及时分析快节奏的市场环境中可能包含有高价值信息内容的非结构化数据，且还需要进行连续的样本外预测，从技术上相比其它大数据应用，复杂程度呈指数化增加，因而呈现给管理者的预测信息也会相应的更加复杂，甚至与经验结论相矛盾，让风险管理者的决策行为充满不确定性，降低了大数据技术应用带来的便利优势。

以前述提到的蒙特卡洛算法为例。在足够的算力下，基于大数据的蒙特卡洛算法演变为蒙特卡洛共识算法。即将结构化的样本数据在每个蒙特卡洛算法模型上独立运行，然后随机“抽奖”抽取结果组成新的样本数据集。最后的结果可以看做在云计算平台上单独运行了很长一段时间的一组蒙特卡罗模拟[6]。突发的风险事件将作为稀有事件通过每一步模拟中逐步减少方差来发现，且数据样本空间过程由于缺乏模拟本身之间的独立性，通過大量的模拟能够实现模型收敛。但是，这种可能存在诸多收敛后极值点，从技术上来说这些极值点应该被更好的算法调整消除掉，但现实却难以实现。于是摆在风险管理者面前的局面变得比以往更加复杂、信息更多导致决策困难。这反而违背了大数据应用于财务管理的初衷，但确是当下风险管理面临的现实。

从上面的论述可知，大数据的引入，深刻改变了财务领域中的风险管理行为，但是这种改变并不是沿着一条已知或可知的既定路线演进，如果不对大数据本身有着充足的了解，以及有赖于算力的增加，仅靠增加数据量和迭代数学模型，并不能从根本上改变人们对风险行为的认知。尽管风险会因为大数据的引入而逐渐变得透明，但是风险本身的发生规律也会因为整个市场的大数据化而发生改变，大数据化本身也不能保证风险管理一定向着更具预见性更可控的方向发展。在财务管理中，大数据的加入是不可改变的事实，只有保持清醒的认识，才能让大数据发挥应有的作用，而这还有赖于财务从业者对大数据本身，包括算法学、信息学与计算机科学的深刻认知与熟练掌握。从某种意义上来说，这才是大数据带给财务管理领域的变革，其对人的要求远远超越了大数据带来的经济行为改变。

参考文献：

[1]宋枝平.财务管理在现代管理中的重要作用[G].北京：中国经贸，2012.

[2]Philippe Jorion.风险价值VAR：金融风险管理新标准（第3版）[M].北京：中信出版社，2010.

[3]赵丽丽.基于蒙特卡洛模拟的VaR方法在房地产市场风险度量中的应用[D].济南：山东大学，2008.

[4]Einav&Levin.Economics in the age of data[J].Science，2014，346（6210）

[5]Top 10 Big Data Trends in 2017 for Financial Services[OL].https：//mapr.com/blog/top-10-big-data-trends-2017-financial-services

作者简介：王博，1983年4月出生，性别：女，满族，籍贯：北京市，对外经济贸易大学商学院在职人员高级课程研修班学员，现工作于北京科航投资有限公司。