商业银行稽核模型精准监测策略探讨

章瑞 中国建设银行业务处理中心

随着国民经济和信息技术的高速发展，新形势下风险防控要求的提出和新产品、新业务、新流程的出现，对稽核工作提出了更高要求。在新形势下，稽核模型要顺势而为，从精准性、有效性等方面着手，找准风险靶点，实施精准管控，实现“以小成本管控大风险”。

一、稽核模型的现状

（一）总体情况。建设银行自2015年上线新一代稽核系统以来，全行借力金融科技战略研发系统功能，利用SAS数据工具和稽核监测实验室等各类稽核模型，持续加强稽核模型的全生命周期管理，为全行业务发展和风险防控提供了有力支持。稽核模型覆盖柜面、智慧柜员机、电子银行等多个渠道和存贷款、支付结算、信用卡、投资理财、电子银行、自助设备等多款产品，形成了稽核监测和风险防控网络[1]。

（二）模型分类。目前，根据作业模式、业务复杂程度、风险特点的不同，建设银行将稽核模型分为4类：1.实时监测模型。主要针对特定的交易、账户、金额等设置预警条件，以实现对资金风险的实时监测和及时预警堵截[2]；2.分析类稽核模型。主要针对柜员、客户以及不同业务的风险特征和制度流程漏洞设置预警条件，进行全量数据的风险筛查；3.核对类稽核模型。主要用于监测前后台业务凭证票面要素的正确性、完整性和合规性。目前，核对类稽核作业已实现全行集中；4.服务提醒与业务管理类模型。主要为业务管理部门和前台网点提供服务信息或关注信息，模型产生的信息直接提交业务部门和前台，无需核查及前台回复。

（三）存在的问题。1.模型报警信息量大，精准度有待提升。目前，稽核系统中的模型多针对单笔交易，侧重监控单一的业务或环节，关联并监测同一柜员或客户在某一时段发生的多笔业务的模型较少。因此，稽核人员只能针对单笔业务进行孤立的判断，不能跨产品、跨渠道地关联分析同一柜员或客户发生业务，从而导致现有模型的预警量较大但精准度不高，导致前台稽核信息核查量较大，制约了稽核监测质量和效率的提升，使模型设计的预期目标和效果难以实现[3]；2.部分模型长期无数据，占用系统资源。目前，由于业务规则、系统控制、数据源发生变化，部分模型无运行数据，占用系统资源。

二、稽核模型的特征

（一）监测连续性。稽核作业具有连续性特点，是对业务的持续跟踪，以防止每一个环节的疏漏。因此，稽核模型也具有连续监测的特征。稽核监测的连续性既包括对运行周期的连续，即每日、每周或每月对不同业务监测，也包括对单笔业务与前后顺序的连续。稽核模型的连续性，确保了风险监控的持续性和关联性。

（二）业务覆盖全面性。全渠道、全产品、全流程的系统化风险管理是目前商业银行风险管理的目标，稽核模型的业务覆盖面也应尽量全面。通过稽核模型，将全渠道、全产品、全流程的稽核监测作为日常监督作业模式，实现多维度风险管控，不仅全面覆盖各渠道、各产品的业务，而且从深度上覆盖单个柜员、客户的经办明细和交易明细。

（三）监测目标一致性。稽核模型的建立，是根据全行风险防控目标和内外部监管政策的需要提出的。模型的监测目标，应当与全行业务发展和内外部监管目标一致，即以保障全行业务发展合规、合法、规范为目标，为全行经营管理保驾护航。因此，稽核模型应该是业务管理不可分割的一部分；在风险防控的过程中，稽核模型与稽核对象在业务的风险防控上相辅相成，循环往复。

三、策略建议

（一）构建模型群组，精准监测风险。根据内外部监管需要、典型风险案例、产品创新、制度流程变化及管理难点，结合业务场景和业务流程，基于机构、员工、客户等维度关联若干个监测单一业务环节、风险点的模型，构建多维度的模型群组，实现对业务产品全流程、多视角的风险监测。以个人定期存款模型为例。目前，已有的个人定期存款模型近60个，孤立地看待每个模型的报警信息，很难判断该笔交易是否合规、合法。但若关联多个相关业务的模型报警信息，不仅可以降低核查量，便于追踪排除，而且能够提高模型精准度。

核查人员可以根据模型群组产生的报警信息，利用大数据分析工具、调阅会计凭证和监控录像等手段，跟踪排查疑点数据，深入挖掘模型及数据应用价值。

（二）高质量研发，拓展稽核覆盖面。根据产品、渠道等维度研发稽核模型，根据内外部监管需要、典型风险案例、产品创新、制度流程变化及管理难点，分析问题根源，总结风险特征，及时发现各种业务流程中的风险环节、系统缺陷、制度漏洞，高质量研发稽核模型，实现对相关问题的持续监控，拓展稽核模型覆盖面。此外，利用现有模型加强同类业务产品的风险分析，实现基于产品维度全流程、多视角的风险监测与防控。

（三）精准优化，加强模型全生命周期管理。稽核模型上线后，持续跟踪模型运行情况，验证报警信息的准确性和有效性。通过精准优化模型配置、调整模型参数，对信息量突增突减、无信息、问题率较低的模型进行精准调优，确保模型运行的精准性。模型运行稳定后，根据新一代版本更新及业务和制度的变化，对相关模型进行适当优化，并停用不适用的模型，持续加强模型全生命周期管理。