基于大數(shù)據(jù)的智能投后管理機(jī)制研究

李金金 雷凌

摘要：近年來，證券公司信用風(fēng)險(xiǎn)管理的重要性凸顯。同時(shí)，大數(shù)據(jù)等技術(shù)逐漸從萌芽走向成熟，投后管理理念和路徑隨之改變?；诖?，文章從國(guó)內(nèi)外理論研究分析、可行性分析、國(guó)內(nèi)外實(shí)踐案例分析的角度，探索證券公司基于大數(shù)據(jù)的智能投后管理機(jī)制，并提出相應(yīng)的管理建議，投后管理智能化轉(zhuǎn)型要著眼全局合理規(guī)劃，正視轉(zhuǎn)型過程中面臨的諸多挑戰(zhàn)，持續(xù)提升管理機(jī)制效率。

關(guān)鍵詞：證券公司；大數(shù)據(jù)；智能；投后管理

中圖分類號(hào)：F832? ?文獻(xiàn)標(biāo)識(shí)碼：A? ?文章編號(hào)：1674-0688（2023）06-0122-04

0 引言

近年來，隨著證券公司信用債投資、融資融券等信用類業(yè)務(wù)規(guī)?？焖僭鲩L(zhǎng)、金融市場(chǎng)信用風(fēng)險(xiǎn)逐漸暴露、資本市場(chǎng)違約事件頻發(fā)、信用資質(zhì)逐步分層分化，給證券公司信用風(fēng)險(xiǎn)管理帶來了挑戰(zhàn)。同時(shí)，證券公司參與互換、遠(yuǎn)期、信用衍生品等場(chǎng)外衍生品交易業(yè)務(wù)的程度持續(xù)加深，客戶投融資模式逐步多元化、復(fù)雜化、交織化，不同風(fēng)險(xiǎn)類型相互傳導(dǎo)，信用風(fēng)險(xiǎn)復(fù)雜度不斷提升，信用風(fēng)險(xiǎn)已成為券商切實(shí)面臨的主要風(fēng)險(xiǎn)之一，而投后管理是信用風(fēng)險(xiǎn)全流程管理中重要且不可或缺的環(huán)節(jié)，體現(xiàn)的是信用風(fēng)險(xiǎn)管理的最終成果。有效的投后管理，是證券公司建立長(zhǎng)效發(fā)展機(jī)制的基石。與此同時(shí)，金融科技浪潮蓬勃發(fā)展，“金融+科技”以加快公司數(shù)字化轉(zhuǎn)型逐步成為證券行業(yè)內(nèi)的共識(shí)。以大數(shù)據(jù)為例，大數(shù)據(jù)技術(shù)應(yīng)用已逐步全面滲入金融業(yè)各領(lǐng)域，投后管理理念和路徑隨之發(fā)生改變，大數(shù)據(jù)資源及建立其基礎(chǔ)上的分析和應(yīng)用，已成為重要的生產(chǎn)要素和競(jìng)爭(zhēng)優(yōu)勢(shì)。如何將按現(xiàn)代信息技術(shù)引入風(fēng)險(xiǎn)管理投后管理環(huán)節(jié)，助力搭建高效、智能的投后管理體系，實(shí)現(xiàn)有效的資產(chǎn)質(zhì)量管理，已成為一項(xiàng)重要的研究課題。

近年來，國(guó)外學(xué)者對(duì)大數(shù)據(jù)在風(fēng)險(xiǎn)管理層面應(yīng)用更多地關(guān)注系統(tǒng)性風(fēng)險(xiǎn)層面，Paola等［1］提出了新增非結(jié)構(gòu)化數(shù)據(jù)入模，基于內(nèi)外部大數(shù)據(jù)構(gòu)建系統(tǒng)性風(fēng)險(xiǎn)模型；Lining等［2］詳細(xì)介紹了一種基于人工智能的模型用于測(cè)量系統(tǒng)性風(fēng)險(xiǎn)的新方法。但是，對(duì)風(fēng)險(xiǎn)管理細(xì)分領(lǐng)域與大數(shù)據(jù)相結(jié)合的研究，尤其是在信用風(fēng)險(xiǎn)方面的投后管理的研究文獻(xiàn)較少，主要集中在違約概率預(yù)測(cè)方面，Khandani等［3］運(yùn)用機(jī)器學(xué)習(xí)技術(shù)構(gòu)建了一個(gè)非線性、非參數(shù)的客戶信用風(fēng)險(xiǎn)預(yù)測(cè)模型，顯著提高了客戶違約識(shí)別率；SYOUNGDOO等［4］就4個(gè)非參數(shù)機(jī)器學(xué)習(xí)模型和2個(gè)參數(shù)模型對(duì)信用風(fēng)險(xiǎn)違約預(yù)測(cè)準(zhǔn)確度進(jìn)行比較分析，認(rèn)為人工神經(jīng)網(wǎng)絡(luò)非參數(shù)模型的表現(xiàn)最好；SILVIA等［5］則認(rèn)為集成模型對(duì)違約概率預(yù)測(cè)效果會(huì)比單個(gè)模型好，而集成模型中，BGEV模型會(huì)好于傳統(tǒng)邏輯回歸模型；Saqib等［6］對(duì)當(dāng)前人工智能和機(jī)器學(xué)習(xí)在風(fēng)險(xiǎn)管理領(lǐng)域應(yīng)用進(jìn)行了總結(jié)和分類，包括信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)等層面。

國(guó)內(nèi)較多學(xué)者也探索了商業(yè)銀行大數(shù)據(jù)智能化風(fēng)險(xiǎn)體系，認(rèn)為商業(yè)銀行已進(jìn)入智能銀行時(shí)代，肖馨等［7］、張左敏等［8］、李小慶［9］等對(duì)商業(yè)銀行智能風(fēng)控體系構(gòu)建提出了建設(shè)性意見，基于民生銀行、工商銀行等銀行實(shí)踐案例，探討多模塊借助金融科技賦能風(fēng)險(xiǎn)管理，以此優(yōu)化信貸生命周期中的風(fēng)險(xiǎn)管控能力。部分學(xué)者則探索大數(shù)據(jù)模型在信用風(fēng)險(xiǎn)管理方面應(yīng)用，劉祥東等［10］就傳統(tǒng)統(tǒng)計(jì)模型和大數(shù)據(jù)模型在信用風(fēng)險(xiǎn)識(shí)別分析層面應(yīng)用進(jìn)行對(duì)比；趙先信［11］借助大數(shù)據(jù)讓信用風(fēng)險(xiǎn)管理從估計(jì)到看見，使風(fēng)險(xiǎn)可視化、信貸過程透明化、授信場(chǎng)景化等；王裕粟［12］、蔡皎潔等［13］利用大數(shù)據(jù)技術(shù)在信用評(píng)級(jí)方面進(jìn)行了廣泛的研究，丁爽斯［14］等利用大數(shù)據(jù)技術(shù)進(jìn)行反欺詐研究及預(yù)測(cè)。但在信用風(fēng)險(xiǎn)投后模塊大數(shù)據(jù)應(yīng)用的探索中，國(guó)內(nèi)學(xué)者大部分集中在風(fēng)險(xiǎn)預(yù)警方面，江訓(xùn)艷［15］基于BP神經(jīng)網(wǎng)絡(luò)搭建信用風(fēng)險(xiǎn)預(yù)警模型；方匡南等［16］基于邏輯回歸構(gòu)建信用風(fēng)險(xiǎn)預(yù)警模型；蔣子雷［17］通過支持向量機(jī)（SVM）等模型構(gòu)建針對(duì)中國(guó)上市公司債券違約的預(yù)警模型；陳毓敏等［18］指出，構(gòu)建債券違約預(yù)警立體防范體系，使用樹狀分支模型，搭建了4種預(yù)警方法，通過對(duì)比發(fā)現(xiàn)，可將財(cái)務(wù)預(yù)警作為核心，高度警惕“大而不倒”的高評(píng)級(jí)企業(yè)；俞寧子等［19］通過量化手段搭建基于宏觀、行業(yè)、財(cái)務(wù)、輿情等因素的預(yù)警系統(tǒng)；陳瀟瀾［20］設(shè)計(jì)信用風(fēng)險(xiǎn)預(yù)警模型并進(jìn)行實(shí)證檢驗(yàn)，認(rèn)為隨機(jī)森林預(yù)警模型更適合于中國(guó)上市公司信用風(fēng)險(xiǎn)預(yù)警。

1 可行性分析

1.1 海量數(shù)據(jù)為智能投后轉(zhuǎn)型奠定了基礎(chǔ)

從數(shù)據(jù)覆蓋面來看，海量數(shù)據(jù)打破傳統(tǒng)的數(shù)據(jù)邊界，全面整合涉及主體數(shù)據(jù)來源，涵蓋了工商、財(cái)務(wù)、訴訟、輿情等，具有高數(shù)量級(jí)、數(shù)據(jù)更新頻次快、能及時(shí)捕捉主體風(fēng)險(xiǎn)變化情況的特點(diǎn)，在一定程度上降低信息不對(duì)稱的風(fēng)險(xiǎn)。從數(shù)據(jù)類型來看，海量數(shù)據(jù)不僅包括結(jié)構(gòu)化數(shù)據(jù)，還包括非結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化半非結(jié)構(gòu)化數(shù)據(jù)類型，通過對(duì)海量數(shù)據(jù)的挖掘、清洗和分析，識(shí)別有效信息，更全面、清晰地監(jiān)測(cè)和勾勒風(fēng)險(xiǎn)畫像，在一定程度上降低投后管理的逆向選擇。

1.2 新興算法提升智能投后量化水平

大數(shù)據(jù)分析與挖掘技術(shù)作為大數(shù)據(jù)技術(shù)體系核心，在其支持下，知識(shí)密度低的巨量數(shù)據(jù)不再視同為數(shù)據(jù)垃圾或信息過剩，數(shù)量容量越大、種類越多、維度越多、形式越多樣，意味著可挖掘的知識(shí)越多、準(zhǔn)確率越高、潛在價(jià)值越大。決策樹、神經(jīng)網(wǎng)絡(luò)、XGBoost（極端梯度增強(qiáng)）、隨機(jī)森林等算法已成熟并逐步在實(shí)踐中應(yīng)用，這些算法為建立大數(shù)據(jù)模型提供了良好的技術(shù)支持，彌補(bǔ)人腦對(duì)龐大信息處理和分析能力上的不足，是對(duì)傳統(tǒng)投后管理模式的重塑和升級(jí)。

1.3 大數(shù)據(jù)存儲(chǔ)、處理等技術(shù)為投后智能化轉(zhuǎn)型提供技術(shù)支持

實(shí)現(xiàn)智能化投后管理，會(huì)面臨數(shù)據(jù)量龐大、數(shù)據(jù)源多樣、存儲(chǔ)負(fù)載極高、高訪問并發(fā)、模型邏輯復(fù)雜等問題，傳統(tǒng)的數(shù)據(jù)架構(gòu)及系統(tǒng)架構(gòu)很難滿足需求。分布式存儲(chǔ)技術(shù)、Hadoop（一個(gè)由Apache基金會(huì)開發(fā)的分布式系統(tǒng)基礎(chǔ)架構(gòu)，用戶可以在不了解分布式底層細(xì)節(jié)的情況下進(jìn)行分布式程序開發(fā)）分布式系統(tǒng)架構(gòu)、MapReduce（一種編程模型，用于大于1TB的大規(guī)模數(shù)據(jù)集的并行運(yùn)算）分布式計(jì)算框架、分布式內(nèi)存計(jì)算系統(tǒng)、分布式流計(jì)算系統(tǒng)等大數(shù)據(jù)技術(shù)，提高了數(shù)據(jù)存儲(chǔ)、處理和運(yùn)算等的性能，為大容量、高并發(fā)、高效計(jì)算的智能投后管理提供技術(shù)支持。

2 國(guó)內(nèi)外實(shí)踐案例分析

2.1 國(guó)外投后管理智能化轉(zhuǎn)型案例

（1）高盛（中國(guó)）證券有限責(zé)任公司（簡(jiǎn)稱高盛）。20世紀(jì)90年代，高盛開始使用自創(chuàng)的語(yǔ)言（Slang）構(gòu)建SecDB（證券數(shù)據(jù)庫(kù)），幫助高盛實(shí)現(xiàn)跟蹤和管理全公司的風(fēng)險(xiǎn)。在導(dǎo)入頭寸、客戶成本/傭金等業(yè)務(wù)數(shù)據(jù)后，SecDB支持證券定價(jià)、分析潛在交易并監(jiān)控風(fēng)險(xiǎn)。2019年，高盛基于SecDB打造綜合性平臺(tái)，并對(duì)外開放?？蛻艨赏ㄟ^該平臺(tái)訪問SecDB的數(shù)據(jù)提取、定價(jià)引擎和其他功能等。Marquee內(nèi)部的GS Markets（全球市場(chǎng)）、SIMON（結(jié)構(gòu)化投資市場(chǎng)和在線網(wǎng)絡(luò)）、Marquee Trader（交易執(zhí)行）等多個(gè)應(yīng)用程序覆蓋交易周期全階段，為外部客戶賦能。其中，Trade Tracker（交易跟蹤）注重交易后管理，為投后管理提供決策支持。

（2）貝萊德集團(tuán)（簡(jiǎn)稱貝萊德）。貝萊德是世界知名的資產(chǎn)管理公司，公司自主開發(fā)了阿拉丁（Aladdin）系統(tǒng)，該系統(tǒng)包括11個(gè)數(shù)據(jù)中心，支持Aladdin運(yùn)行數(shù)十億個(gè)經(jīng)濟(jì)場(chǎng)景的預(yù)測(cè)，并基于預(yù)測(cè)檢查客戶投資組合中的每一項(xiàng)資產(chǎn)，對(duì)投資組合進(jìn)行測(cè)試。風(fēng)控模塊提供可配置報(bào)告、假設(shè)分析工具，幫助客戶了解投資組合的績(jī)效、風(fēng)險(xiǎn)與敞口，以快速、準(zhǔn)確做出投資決策。財(cái)富管理平臺(tái)可通過資產(chǎn)類別、地理位置、風(fēng)險(xiǎn)因素、復(fù)雜情景分析等多途徑了解投資組合風(fēng)險(xiǎn)敞口；自動(dòng)識(shí)別需要關(guān)注的客戶和投資賬戶，并進(jìn)行警報(bào)提醒。貝萊德的阿拉丁系統(tǒng)除了內(nèi)部使用，從2000年開始已經(jīng)對(duì)外進(jìn)行輸出，阿拉丁系統(tǒng)與第三方IT供應(yīng)商開發(fā)的系統(tǒng)（Dimension）成為IT市場(chǎng)兩大巨頭，二者合計(jì)管理全球超過30萬(wàn)億美元的資產(chǎn)。

（3）匯豐銀行。近年來，匯豐銀行通過搭建數(shù)字化銀行平臺(tái)，運(yùn)用人工智能、區(qū)塊鏈等最新技術(shù)，對(duì)其產(chǎn)品、服務(wù)、流程多個(gè)方面進(jìn)行變革，持續(xù)提升其競(jìng)爭(zhēng)力。在風(fēng)險(xiǎn)管理方面，匯豐銀行通過掃描不同來源交易的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，例如電話號(hào)碼、地址、公司董事和新聞報(bào)道等，通過引入大數(shù)據(jù)、人工智能等技術(shù)查找可疑關(guān)聯(lián)，偵察洗錢、欺詐及恐怖主義式融資的行為。

2.2 國(guó)內(nèi)投后管理智能化轉(zhuǎn)型案例

（1）銀行業(yè)。銀行在大數(shù)據(jù)、人工智能方面做了較多探索性實(shí)踐。在基礎(chǔ)數(shù)據(jù)方面，各家銀行均收集了行業(yè)內(nèi)外數(shù)據(jù)，包括行內(nèi)的客戶信息、業(yè)務(wù)信息、交易流水等，行外的工商、司法、征信等信息，并建立相應(yīng)的風(fēng)險(xiǎn)標(biāo)簽體系；部分銀行也積極探索與互聯(lián)網(wǎng)公司的場(chǎng)景合作，如工商銀行與京東實(shí)現(xiàn)跨界合作，聯(lián)合推出“工銀小白”業(yè)務(wù)。在系統(tǒng)方面，各家銀行根據(jù)自身業(yè)務(wù)實(shí)際及系統(tǒng)架構(gòu)搭建風(fēng)險(xiǎn)管理系統(tǒng)，實(shí)現(xiàn)對(duì)信用風(fēng)險(xiǎn)全生命周期管理。在模型方面，各家銀行在傳統(tǒng)建模方法基礎(chǔ)上，嘗試以大數(shù)據(jù)、區(qū)塊鏈、機(jī)器學(xué)習(xí)、知識(shí)圖譜等先進(jìn)技術(shù)進(jìn)行模型搭建。在管理應(yīng)用方面，各家銀行依托大數(shù)據(jù)模型、系統(tǒng)自動(dòng)識(shí)別潛在風(fēng)險(xiǎn)企業(yè)，自動(dòng)預(yù)警，提高投后（貸后）管理實(shí)效性。

（2）證券公司智能化投后管理實(shí)踐。金融科技轉(zhuǎn)型已在證券行業(yè)形成共識(shí)，各大券商將金融科技、數(shù)字化轉(zhuǎn)型等作為公司戰(zhàn)略，持續(xù)加大在智能投資、智能投顧、智能客服、智能風(fēng)控等領(lǐng)域的投入。在金融科技轉(zhuǎn)型方面，各家券商做了諸多嘗試，主要包括數(shù)據(jù)治理、平臺(tái)搭建、前沿技術(shù)運(yùn)用等，并與實(shí)際業(yè)務(wù)場(chǎng)景結(jié)合，推進(jìn)應(yīng)用落地。例如，中信證券2017年搭建智能云平臺(tái)，該平臺(tái)提供統(tǒng)一的數(shù)據(jù)、算力和研發(fā)運(yùn)行環(huán)境等。在智能風(fēng)控方面，一些券商建立了統(tǒng)一風(fēng)險(xiǎn)管理系統(tǒng)，結(jié)合內(nèi)外部數(shù)據(jù)，采用大數(shù)據(jù)等技術(shù)，提升風(fēng)險(xiǎn)管理實(shí)效，實(shí)現(xiàn)風(fēng)險(xiǎn)流程管控。例如，海通證券在公司層面建立統(tǒng)一風(fēng)險(xiǎn)管理門戶，整合風(fēng)險(xiǎn)數(shù)據(jù)集市，實(shí)現(xiàn)客戶身份識(shí)別、關(guān)聯(lián)關(guān)系識(shí)別、關(guān)系穿透、收益關(guān)系、實(shí)控關(guān)系查詢等，進(jìn)行智能輿情預(yù)警，提升了公司的風(fēng)險(xiǎn)防范能力。在智能投后方面，各家券商重點(diǎn)集中在資訊信息挖掘和分析，進(jìn)行事件分類、主體關(guān)聯(lián)，精準(zhǔn)推送相關(guān)主體風(fēng)險(xiǎn)信息，為投后提供決策依據(jù)。例如，華泰證券基于全網(wǎng)金融網(wǎng)站的實(shí)時(shí)新聞數(shù)據(jù)，借助一些模型進(jìn)行輿情分析，解析新聞關(guān)聯(lián)的公司、行業(yè)和事件，給出情緒標(biāo)簽和異動(dòng)榜單，對(duì)特定事件進(jìn)行回測(cè)，挖掘事件與標(biāo)的漲跌的相關(guān)性，為風(fēng)險(xiǎn)管理提供依據(jù)。

3 研究結(jié)論與建議

從國(guó)內(nèi)外實(shí)踐案例來看，深化人工科技賦能、加快數(shù)字化轉(zhuǎn)型已成為證券行業(yè)乃至金融行業(yè)發(fā)展的共識(shí)，頂層設(shè)計(jì)是前提，有組織、有計(jì)劃地開展智能化轉(zhuǎn)型；投后管理理念轉(zhuǎn)變是核心，逐步轉(zhuǎn)變?yōu)橹鲃?dòng)、前瞻、職能投后管理；夯實(shí)數(shù)據(jù)基礎(chǔ)是重點(diǎn)，數(shù)據(jù)是數(shù)字化、智能化前提；加強(qiáng)隊(duì)伍建設(shè)是保障；完善風(fēng)控模型是關(guān)鍵?？傮w而言，大數(shù)據(jù)技術(shù)乃至其他信息技術(shù)如何賦能投后管理，本文提出以下幾點(diǎn)建議。

3.1 著眼全局，合理規(guī)劃

千里之行，始于足下，投后管理轉(zhuǎn)型并非千篇一律，證券公司只有與自身的組織架構(gòu)、戰(zhàn)略方向、業(yè)務(wù)特點(diǎn)、人員配置等相結(jié)合，著眼于全局合理規(guī)劃，設(shè)計(jì)適合公司業(yè)務(wù)特色的投后管理體系，才能達(dá)到事半而功倍的管控效果。例如系統(tǒng)建設(shè)，投入大且不可逆，推動(dòng)后，一旦止步或者調(diào)整，將付出更多的開發(fā)成本、維護(hù)成本。又如監(jiān)測(cè)指標(biāo)，必須為一個(gè)基礎(chǔ)、一套標(biāo)簽、一套規(guī)則，從來源處保持統(tǒng)一，應(yīng)用于各功能模塊，避免同一指標(biāo)在不同系統(tǒng)模塊不同計(jì)算結(jié)果，各模塊功能及數(shù)據(jù)存在斷點(diǎn)。

3.2 擁抱科技，提升管控能力

大數(shù)據(jù)技術(shù)的應(yīng)用為證券公司提供了新的投后管理方案和思路，有效地提升了證券投后管理能力和水平。以風(fēng)險(xiǎn)監(jiān)測(cè)為例，大數(shù)據(jù)為證券帶來更多元的數(shù)據(jù)信息與更高維度的投后管理，突破時(shí)間、空間、人員等限制，支持7×24 h動(dòng)態(tài)實(shí)時(shí)監(jiān)控，有效降低信息不對(duì)稱風(fēng)險(xiǎn)，與傳統(tǒng)后知后覺、被動(dòng)管理、以人為主的投后管理形成鮮明對(duì)比，對(duì)潛在風(fēng)險(xiǎn)客戶做到早識(shí)別、早發(fā)現(xiàn)、早應(yīng)對(duì)、早回收，有效提升了投后管理能力。

3.3 辯證使用，持續(xù)迭代提升

在風(fēng)險(xiǎn)管理中，無(wú)論怎樣領(lǐng)先的技術(shù)，能夠鎖定或者探查出的往往只是異常點(diǎn)、疑點(diǎn)。雖然基于大數(shù)據(jù)的智能風(fēng)控可以緩解信息不對(duì)稱的問題，但是不能解決信息不對(duì)稱的問題，這些異常點(diǎn)、疑點(diǎn)，是否真的是實(shí)質(zhì)風(fēng)險(xiǎn)變化，仍需要風(fēng)險(xiǎn)管理人員進(jìn)行查證和專家判斷，若寄希望于科技能夠直接指向問題，其實(shí)是不現(xiàn)實(shí)也是不可取的。金融科技重要的作用在于敏捷、高效地?cái)U(kuò)大延伸觸角，持續(xù)迭代升級(jí)風(fēng)控模型，使其能夠及時(shí)地、精確地鎖定異常點(diǎn)，助力提升風(fēng)控人員的風(fēng)險(xiǎn)管理質(zhì)效。同時(shí)，證券大數(shù)據(jù)風(fēng)控還面臨著諸多挑戰(zhàn)，大數(shù)據(jù)風(fēng)控的效果取決于其源頭的數(shù)據(jù)，但是證券公司本身沒有支付數(shù)據(jù)、網(wǎng)絡(luò)數(shù)據(jù)、社交數(shù)據(jù)、征信數(shù)據(jù)等，數(shù)據(jù)往往來源于外部數(shù)據(jù)采購(gòu)，數(shù)據(jù)質(zhì)量問題、數(shù)據(jù)孤島問題是大數(shù)據(jù)賦能證券投后管理的核心問題。同時(shí)，證券大數(shù)據(jù)風(fēng)險(xiǎn)也存在系統(tǒng)割裂、應(yīng)用不足、人才不足等問題。總體而言，大數(shù)據(jù)技術(shù)乃至其他信息技術(shù)如何賦能投后管理，仍是一個(gè)任重而道遠(yuǎn)的探索過程。

4 參考文獻(xiàn)

［1］Paola Cerchiello，Paolo Giudici. Big data analysis for financial risk management［J］. Journal of Big Data，2016，3（1）：1-12.

［2］Lining Yu，Wolfgang Karl HARDLE， WOLFG-ANG KARL，et al. An AI approach to measuring financial risk［J］. The Singapore Economic Review，2019（12）：1-21.

［3］Khandani，Amir E，Adlar J. Kim，and Andrew W. Lo.Consumer credit-risk models via machine-learning algorithms［J］.Journal of Banking and Finance，2010，34（11）： 2767-2787.

［4］SYoungdoo Son，Hyeongmin Byun， Jaewook Lee.Nonparametric machine learning models for predicting the credit default swaps： An empirical study［J］. Expert Systems with Applications，2016（58）：210-220.

［5］Silvia Figini，F(xiàn)ederico Bonelli，Emanuele Gi-ovannini.Solvency prediction for small and medium enterprises in banking［J］.Decision Support Systems，2017（102）：91-97.

［6］Saqib Aziz，Michael Dowling.Disrupting Finance-FinTech and Strategy in the 21st Century：Machine Learning and AI for Risk Management［C］.London：Palgrave Macmillan，2019.

［7］肖馨，馬遠(yuǎn)，陳璐.商業(yè)銀行智能風(fēng)控探索［J］.中國(guó)金融，2019（11）：44-46.

［8］張左敏，李文婷.大數(shù)據(jù)在商業(yè)銀行中的應(yīng)用——基于風(fēng)險(xiǎn)控制的視角［J］.科技與經(jīng)濟(jì)，2020，33（4）：61-65.

［9］李小慶.基于“大數(shù)據(jù)+AI”構(gòu)建全程智能風(fēng)控體系［J］.金融科技時(shí)代，2021（6）：25-29.

［10］劉祥東，王未卿.我國(guó)商業(yè)銀行信用風(fēng)險(xiǎn)識(shí)別的多模型比較研究［J］.經(jīng)濟(jì)經(jīng)緯，2015，32（6）：132-137.

［11］趙先信.信用風(fēng)險(xiǎn)管理：從估計(jì)到看見［J］.金融電子化，2019（11）：19-23.

［12］王裕粟.基于數(shù)據(jù)挖掘的客戶信用評(píng)級(jí)模型的設(shè)計(jì)與實(shí)現(xiàn)［D］.成都：電子科技大學(xué)，2010.

［13］蔡皎潔，張玉峰.基于數(shù)據(jù)挖掘銀行客戶信用風(fēng)險(xiǎn)評(píng)級(jí)體系研究［J］.情報(bào)雜志，2010，29（2）：47-50.

［14］丁爽斯.基于大數(shù)據(jù)的互聯(lián)網(wǎng)金融欺詐行為識(shí)別研究［D］.北京：首都經(jīng)濟(jì)貿(mào)易大學(xué)，2016.

［15］江訓(xùn)艷.基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信用風(fēng)險(xiǎn)預(yù)警研究［J］.財(cái)經(jīng)問題研究，2014（27）：117-119.

［16］方匡南，范新妍，馬雙鴿.基于網(wǎng)絡(luò)結(jié)構(gòu)Logistic模型的企業(yè)信用風(fēng)險(xiǎn)預(yù)警［J］.統(tǒng)計(jì)研究，2016，33（4）：50-55.

［17］蔣子雷.基于SVM算法的上市公司信用風(fēng)險(xiǎn)預(yù)警模型［J］.現(xiàn)代商貿(mào)工業(yè)，2020，41（27）：117-119.

［18］陳毓敏，林日裕.不同債券違約預(yù)警信號(hào)對(duì)比與解析［J］.債券，2020（3）：22-27.

［19］俞寧子，劉斯峰，歐陽(yáng)炎力，等.債券違約風(fēng)險(xiǎn)預(yù)警模型探究［J］.中國(guó)市場(chǎng)，2016，906（39）：18-29.

［20］陳瀟瀾.基于機(jī)器學(xué)習(xí)的上市公司信用風(fēng)險(xiǎn)預(yù)警研究［D］.長(zhǎng)沙：湖南師范大學(xué)，2018.