
监管科技应用之贵州样本: 大数据、人工智能 助力防范互金风险
5月27日在贵阳结束的“2017中国国际大数据产业博览会”上,21世纪经济报道记者注意到,一些科技手段正成为监管部门的重要辅助。
而贵阳市,正着手联合百度金融等机构,借助人工智能、大数据、机器学习等科技力量打造“贵州金融大脑”,以监管科技对全省金融风险等领域实施并加强持续监测和预警。
实际上,监管科技(RegTech)在金融科技中的关注度正不断升温,且已成应用热门。
除中国人民银行成立金融科技委员会外,包括中国证券投资基金业协会、中国互联网金融协会以及中国支付清算协会也成立了金融科技专委会或相关研究工作组。
中国人民银行科技司司长李伟指出,新技术与金融业务交叉渗透,使金融业态复杂多变,潜在风险不容忽视。央行方面也指出,强化监管科技应用实践,利用大数据、人工智能、云计算等金融监管手段,提升跨行业、跨市场交叉性金融风险的甄别、防范和化解能力。
贵阳市人民政府副市长王玉祥在数博会上介绍,贵阳在去年5月推出了大数据防护金融风险平台,叠加区块链技术的2.0版本将在6月份发布。这一版本可覆盖传统金融和新金融机构,实施政府监管和一些商业化服务。接下来,贵阳还将与专门从事大数据金融风险控制模型的美国SAS公司合作,研发3.0版本的风险防控平台。
在贵州,金融云工程与地方金融风险防范工程均是2017年六大工程之一,而金融云建设与地方金融风险防范密切相关。
联手百度打造“金融大脑”监测系统
按照贵州省对金融云工程的建设设想,将综合运营大数据、云计算、区块链、人工智能等前沿科技,实现政府、金融监管部门、金融机构数据信息的汇聚、打通、应用,降低监管成本,防范化解风险。
目前,其一期工程在政用方面已经实现金融风险监测预警、地方金融审批监管、企业信息查询、打击非法集资举报分析等平台。商用领域则可以实现金融机构的网络舆情数据库、金融政策、金融机构黑名单查询、授信信息查询等资源共享平台。其二期将覆盖地方交易场所、小贷公司、融资担保公司的第三方存管、登记结算以及金融风险动态监测等功能。
贵州金融云三期主要是建设贵州金融大脑,实现对全省金融风险和地方金融机构经营风险的持续监测和预警,提升金融精准服务、服务“三农”和小微企业能力。
在数博会上,由百度金融联合贵州省金融办、大数据局等部门合作推出“贵州金融大脑”亮相。
百度副总裁张旭阳介绍,“贵州金融大脑”以人工智能、大数据、机器学习为技术基础,融合贵州省政务、企业、金融、互联网等多渠道数据,对中小微企业进行画像,金融机构可以此作为参考为中小微企业提供相应的融资服务。
监管科技的应用与威力
百度金融还表示,将继续探索与地方政府大数据合作模式,将科技能力复制到其他地区。
以庞大的地方国资系统为例,国资委过去在管理国企时受人员精力所限,基本只管理到集团一级,而国企集团下属子公司、孙公司层级庞大,难以覆盖。贵州基石数据科技有限公司业务负责人告诉21世纪经济报道记者,通过授权,公司对国有企业数据库中的国企行为信息进行分析和描述,对国企生产经营、改制重组、资产处置、关联交易、招投标过程中等方面的重点监控,如发现企业及关联企业潜在风险,并在事中出现异动在线监控,事后及时监管处置。还可以针对性设置重点关注模块,便于管理部门及时掌握企业动态并作出决策。
基石数据另一业务负责人表示,以互联网金融为例,除工商注册中涉及投资管理的企业外,还有许多公司以科技的名义注册但从事投资咨询事宜,这时就应当对企业在互联网上涉及投资宣传的一并纳入观察企业库,结合法院判决信息、企业工商信息等,多维度共同对互联网金融平台进行风险分级。
目前,新三板市场挂牌企业已达到11250家。一位股转系统负责人感叹,单靠人力已经管不过来,以技术为支撑的大数据监管成为可能,并且已经开始尝试应用。
腾讯云反欺诈平台方面介绍,平台投入无锡市使用近两个月,该市网络诈骗案件涉及的网址链接中,72%的中奖诈骗网址、85%的手机病毒链接、98%的仿冒银行和伪基站网址得到过滤拦截。通过与6省市的公安部门、运营商以及部分通信管理部门合作,平台在全国超过20个城市落地,仿冒公检法类诈骗的总金额下降超过一半。
21世纪经济报道记者在采访中了解到,许多监管部门都已经采用技术手段提升管理能力和水平。不过,背后仍需政府部门的数据打通和监管合力支撑。
一位中部地方国资机构人士表示,贵州作为大数据综合试验区,许多政府部门的数据打通上起到了较好的示范。但由于其所在地区政府部门的数据共享打通缺少顶层设计,部门间割裂比较明显,在大数据等技术支持监管等方面仍有较长的路要走。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15