論在財務風險管理中的大數據應用所面臨的問題

【摘要】隨著大數據技術手段逐步融入現代財務風險管理中，傳統的財務風險管理面臨著前所未有的技術變革。大數據帶來的風險預測能力提升使得財務風險管理者對風險的發生因素、時點和風險內在邏輯因素都有了全新的認識，風險管理者變得越來越依賴于大數據。但是在這種革命性變化中，由于對大數據的認識與使用仍欠缺成熟的經驗，在財務風險管理領域，大數據仍舊會面臨新的風險與挑戰。本文從一名財務風險從業者的角度來闡述大數據應用中存在的三重挑戰。

【關鍵詞】大數據 數據量饑渴 模型迭代 風險管理復雜性

財務管理利用財務執行的一般原則，管理資金運行，規劃經營行為，借助會計準則，成本控制與編制預算實現對當前與未來的掌握與操控。財務風險因素在基于面向未來的財務管理行為中占據了越來越重要的位置，成為財務管理的核心內容[1]。傳統的風險管理基于經驗和過往事例比照，并不能有效的應對多重干擾和未知因素的出現，風險管理往往流于形式，過多的依賴不確定的主觀判斷，風險的預估和應對都不能準確的量化。長期依賴非量化指標讓財務主體很難有效應對市場競爭與變化。

在傳統的風險管理技術工具箱中，可應用的預測工具較少，使得風險管理者往往缺乏有效的手段。以金融行業為例，傳統的工具箱中，風險價值度量（VaR）方法已被用于評估市場風險數十年[2]。VaR是一種基于統計方法，依托歷史數據計算某一概率水平下最壞情況的投資組合所造成的預期回報。這種用于在給定的置信區間和固定的時間段內測量投資組合風險水平的工具箱在過去幾十年內證明并不能非常有效的幫助金融行業在長期時間段內擺脫不確定性風險因素的出現。除去VaR，確定風險標的水平常用的蒙特卡洛方法也被證明缺乏可靠性[3]。作為一種重復采樣算法，蒙特卡洛模擬僅僅是依據往期收益軌跡，然后進行大量模擬試驗，最后對所得結果進行平均，并以此來作為風險發生的標的值。VaR與蒙特卡洛模型都不能有效的預測突發性風險事件的出現。顯然，傳統的風險管理工具是有根本性缺陷的。

而大數據的出現為回報性更好的投資決策、競爭決策提供了現實可能性。結合大量的歷史數據和數學模型，依托大數據支持的交易算法不僅可以用來尋求最優的決策組合，也在關于未來預期展望下的風險評估方面有著巨大的優勢。正是大數據的出現，才首次將風險管理代入為一種可以完全量化的經濟行為，從而讓風險變得更加透明可控，進而改變了以往的財務管理格局。

然而，除去明顯的優勢之外，大數據捕獲不斷增長的數據量的能力與處理這些數據量所依托的技術方法仍然面臨著多重挑戰。

一、數據量饑渴

財務主體面對日益激烈的競爭環境和市場需求，不斷尋求利用技術來提高效率。很多風險管理者相信，通過超越對手的更高效數據獲取能力，自己便可以從眾多競爭對手中脫穎而出。但事實上，大量數據的存在和獲取并不能保證信息的獨占或者霸權。相反，僅僅是大量的數據本身，對于風險管理而言并非具有很大實際意義。從初始數據的歸類上，大數據可以分為結構化與非結構化數據。非結構化的數據是無組織意義的信息，這種信息中包含有大量“噪音”，不能應用于任何預先設定好的模型中。而往往決策者更加關心獲取的數據是這種非結構化數據。誠然，多數非結構化數據從表面上看起來是有意義的，例如從電商平臺收集的用戶信息或者用戶偏好，但是對于風險評估來說，其依賴的數學模型往往需要經過平整與處理后的低“噪音”數據，賦予數據集合更明確的意義，使得用于模型預測的數據只存在有意義的變量和數據。這種低“噪音”的結構化數據空間組織在關聯的數據庫中，是進行模型計算的前提，才能夠在不濫用大量預測因子的情況下提供準確的樣本外預測[4]。但是，這種降低數據“噪音”的嚴格需求目前僅僅存在于技術端，多數從事財務風險控制的管理者并不具備足夠的技術意識。他們的關注點集中在數據獲取速度和規模，并以此作為考量大數據管理的重要指標。這會刺激市場上過量數據的出現，使得大數據交易市場變得過度繁榮，反過來又會讓風險管理者陷入一種數據量持續增長的假想中。在這種狀態下，所有的財務風險管理者必然做出大數據永遠處于增長的判斷，或者是挖掘的深度增加，或者是采集范圍的擴張。大數據饑渴就因此出現。

二、數學模型的迭代風險

對于所有市場主體來說，大數據的數學模型應用基礎無外乎算力、變化和速度。云平臺普及后，過去制約數學模型復雜化和迭代速度的算力因素被逐漸緩解，在算力充足的前提下，模型變化速度就成為財務風險管理者眼中的核心競爭力，幾乎所有的財務風險管理者都相信，越來越多的數據和更加先進復雜的模型系統可以幫助實時預測未來危機的癥狀、時點，甚至去嘗試描述危機本身的內在邏輯，以便及時采取行動來防止或削弱危機。所以，對于數學模型性能的追求就變成一種自發動力。但任何有效的數學模型必須經過不斷的學習訓練，而這種學習訓練所依托的只能是既往的數據信息，于是數學模型的快速迭代就將面臨兩種風險。一是模型本身可能缺乏充分且可驗證的學習訓練就面臨升級，從而造成整個數學模型體系存在缺陷。二是當市場上所有財務主體都依賴大數據帶來的快速響應行為，將會改變市場周期，而這會導致既往用來訓練數學模型的樣本信息不能有效反應當下的市場變化，從而使迭代后的模型仍舊落后。

這兩種迭代風險之間存在的矛盾也會互相作用。市場上所有財務主體致力于取得風險預知優勢，進而促進更快的模型迭代，更快的迭代行為也反過來影響了所有財務主體的市場行為，從而導致了市場的更快變化，所采集的大數據本身攜帶信息的時效性被進一步壓縮，留給模型迭代的訓練時間減少，可靠性下降。往復循環，將導致數學模型過快迭代后的預測失準。

三、大數據增加了風險管理復雜性

相比財務管理的其它領域，新的信息和技術組合暫時并沒有給風險管理帶來像交易管理那樣帶來決策信息的便利性。仍舊以金融行業為例，風險管理常常是從運營以及與客戶關系的角度來解決的，建立專門針對欺詐的預防機制和對客戶進行信用等級評分[5]。大數據在金融市場相關的應用反而給風險管理者造就了更加復雜的局面。這主要是由于下列情況造成的：理論上，樣本外預測需要更高的準確性才具有現實意義。而在實踐中，識別并及時分析快節奏的市場環境中可能包含有高價值信息內容的非結構化數據，且還需要進行連續的樣本外預測，從技術上相比其它大數據應用，復雜程度呈指數化增加，因而呈現給管理者的預測信息也會相應的更加復雜，甚至與經驗結論相矛盾，讓風險管理者的決策行為充滿不確定性，降低了大數據技術應用帶來的便利優勢。

以前述提到的蒙特卡洛算法為例。在足夠的算力下，基于大數據的蒙特卡洛算法演變為蒙特卡洛共識算法。即將結構化的樣本數據在每個蒙特卡洛算法模型上獨立運行，然后隨機“抽獎”抽取結果組成新的樣本數據集。最后的結果可以看做在云計算平臺上單獨運行了很長一段時間的一組蒙特卡羅模擬[6]。突發的風險事件將作為稀有事件通過每一步模擬中逐步減少方差來發現，且數據樣本空間過程由于缺乏模擬本身之間的獨立性，通過大量的模擬能夠實現模型收斂。但是，這種可能存在諸多收斂后極值點，從技術上來說這些極值點應該被更好的算法調整消除掉，但現實卻難以實現。于是擺在風險管理者面前的局面變得比以往更加復雜、信息更多導致決策困難。這反而違背了大數據應用于財務管理的初衷，但確是當下風險管理面臨的現實。

從上面的論述可知，大數據的引入，深刻改變了財務領域中的風險管理行為，但是這種改變并不是沿著一條已知或可知的既定路線演進，如果不對大數據本身有著充足的了解，以及有賴于算力的增加，僅靠增加數據量和迭代數學模型，并不能從根本上改變人們對風險行為的認知。盡管風險會因為大數據的引入而逐漸變得透明，但是風險本身的發生規律也會因為整個市場的大數據化而發生改變，大數據化本身也不能保證風險管理一定向著更具預見性更可控的方向發展。在財務管理中，大數據的加入是不可改變的事實，只有保持清醒的認識，才能讓大數據發揮應有的作用，而這還有賴于財務從業者對大數據本身，包括算法學、信息學與計算機科學的深刻認知與熟練掌握。從某種意義上來說，這才是大數據帶給財務管理領域的變革，其對人的要求遠遠超越了大數據帶來的經濟行為改變。

參考文獻：

[1]宋枝平.財務管理在現代管理中的重要作用[G].北京：中國經貿，2012.

[2]Philippe Jorion.風險價值VAR：金融風險管理新標準（第3版）[M].北京：中信出版社，2010.

[3]趙麗麗.基于蒙特卡洛模擬的VaR方法在房地產市場風險度量中的應用[D].濟南：山東大學，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

作者簡介：王博，1983年4月出生，性別：女，滿族，籍貫：北京市，對外經濟貿易大學商學院在職人員高級課程研修班學員，現工作于北京科航投資有限公司。