
贺强建议完善金融监管机制 用大数据提供评价指标
3月12日全国政协委员、中央财经大学金融学院教授贺强在2015年两会上,提交了一份“关于完善金融监管机制充分释放市场活力的提案”。
贺强指出,在许多具体金融业务层面,我们还是存在管的过严、管的过宽、管的过细的问题,甚至管了很多不该管的事情。这种情况极大地阻碍了金融市场化改革的进程,制约了金融机构的自主发展,削弱了金融市场化配置社会资源的能力。
在发给中国网财经记者的这份提案中,贺强建议应当建立完善的法律法规,促使金融产品和服务的提供者充分的披露必要的信息、保障投资人权益;同时通过动态的手段对其自身的经营管理和偿付能力加以监控。
贺强还建议,利用云计算和大数据,得出量化的评价指标作为监管决策的参考和支撑。
附:贺强《关于完善金融监管机制充分释放市场活力的提案》全文
关于完善金融监管机制充分释放市场活力的提案
全国政协委员、中央财经大学金融学院 贺强教授
行业监管一般分为行政监管和市场监管,前者主要通过政府行政机构实施监管,后者以法律约束和行业自律为主。我国目前的金融监管机制是以行政监管为主、市场监管为辅。随着近年来我国金融改革的不断深化,以及互联网金融的高速发展,这一机制已经逐渐难以满足金融行业发展的需求。
党的十八届三中全会指出:经济体制改革是全面深化改革的重点,核心问题是处理好政府和市场的关系,使市场在资源配置中起决定性作用和更好发挥政府作用。我国的金融监管机构已经充分地认识到市场化思维对于金融监管的重要性。
2015年人民银行工作会议指出:2014年,在党中央、国务院的正确领导下,人民银行坚持稳中求进、改革创新,取消和下放了一批行政审批事项;人民币存款利率上限由基准利率的1.1倍扩大至1.2倍,金融机构自主定价空间和定价能力进一步提升;人民币汇率形成机制不断完善,银行间即期外汇市场人民币兑美元交易价浮动幅度由1%扩大至2%,人民币汇率双向浮动弹性增强,央行基本退出常态化的外汇干预。可以说,央行的这一系列举措实质性推动了金融市场化改革的进程。
但是,在许多具体金融业务层面,我们还是存在管的过严、管的过宽、管的过细的问题,甚至管了很多不该管的事情。这种情况极大地阻碍了金融市场化改革的进程,制约了金融机构的自主发展,削弱了金融市场化配置社会资源的能力。
为此,我们要继续深入推进金融市场化改革,进一步完善金融监管体系的建设,释放市场活力。具体包括:
一、建立完善的投资人保护和信息披露的政策法规,充分发挥市场自身的议价机制
任何一项金融产品,只要有收益,都会存在风险。消费者和投资人根据收益不同,拥有自主选择金融产品和服务的权利。对于相应产品和服务的风险承受能力,应当在金融产品和服务的提供者尽到必要的告知义务以后,由消费者和投资人自主判断。针对金融机构由于自身经营管理原因造成的风险并不属于市场风险,应由金融机构制定相应的方案加以应对。
应当建立完善的法律法规,促使金融产品和服务的提供者充分的披露必要的信息、保障投资人权益;同时通过动态的手段对其自身的经营管理和偿付能力加以监控。在满足上述要求以后,金融机构可以与各方市场参与主体共同议价,提供相应的产品和服务。
二、建立科学量化的风险评价机制,为监管行为提供数据支撑
在以往的金融监管过程中,“风险”几乎是监管机构评价金融产品和服务的唯一参考。以“风险高”为理由被叫停的金融业务比比皆是,然而风险的高低目前鲜有清晰明确的量化指标。
科学的监管应当做到有理、有据。“理”是必要的法律法规,“据”则是科学量化的评价依据。在云计算和大数据充分发展的今天,应当摒弃经验主义和教条主义,通过科学合理的模型,利用大数据技术,得出量化的评价指标作为监管决策的参考和支撑。这也是科学监管的必然趋势。
三、继续深化科学合理的分级监管制度,契合市场中发展程度不同的参与主体
自上世纪80年代,我国就开始实行分级管理制度。目前,分级管理已成为我国行业监管普遍的作法,涉及民生、经济管理、安全、信用等经济社会的方方面面。我国金融行业也普遍实行分级管理,它一般是从风险防范的角度进行的。然而近几年来,金融业态的发展产生许多变化。包括互联网金融在内的许多创新型金融产品和服务层出不穷。对于这些新兴领域,目前基本采用了“一刀切”的监管方式。
监管机构应当将更为适应市场需求的分级监管方式深化到金融体系的各个环节,通过分级管理合理配置监管资源,提高监管效率。同时,针对规模体量较大的创新产品和服务,不能单方面从可能产生的负面影响来定义监管的松紧。金融机构自身的风险控制能力以及风险承受能力也应当作为监管幅度调整的重要参考,进而避免过于从风险控制角度追求“抓大放小”,从而忽视了从行业发展角度“扶优限劣”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30在企业日常运营中,“未来会怎样” 是决策者最关心的问题 —— 电商平台想知道 “下月销量能否达标”,金融机构想预判 “下周股 ...
2025-09-30Excel 能做聚类分析吗?基础方法、进阶技巧与场景边界 在数据分析领域,聚类分析是 “无监督学习” 的核心技术 —— 无需预设分 ...
2025-09-29XGBoost 决策树:原理、优化与工业级实战指南 在机器学习领域,决策树因 “可解释性强、处理非线性关系能力突出” 成为基础模型 ...
2025-09-29