京公网安备 11010802034615号
经营许可证编号:京B2-20210330
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
在数据驱动决策的体系中,数据分析按照分析目的可分为描述性分析、诊断性分析、预测性分析与指导性分析四大类型。其中,诊断性分 ...
2026-09-01网络请求是Python爬虫开发、接口测试、数据拉取的核心基础功能,Python生态中主要依靠 urllib 和 requests 两大库实现HTTP请求操 ...
2026-09-01 很多数据分析师面对业务问题时,常常感到“知道要分析,却不知道用什么方法”。其实,数据分析并非无章可循——从三大基础范 ...
2026-09-01在数据库设计与业务数据维护中,自增ID是数据表最常用的主键字段,用于唯一标识每一条业务数据,正常状态下ID应保持连续递增。但 ...
2026-08-31在数理统计、数据分析、经济测算与日常量化评估中,平均值是刻画数据集中趋势、反映整体水平的基础核心指标。在实际应用中,最常 ...
2026-08-31在数据驱动的时代,数据分析早已不是“凭经验、靠感觉”的零散操作,而是一套具备固定逻辑、标准化流程的系统方法——这就是数据 ...
2026-08-31在大数据时代背景下,海量行业数据亟需通过专业化工具挖掘潜在价值,辅助企业业务决策、优化运营模式、规避经营风险。Python凭借 ...
2026-08-28SQL是数据分析领域最基础、最核心的工具,承担着取数、清洗、统计、分层、归因的全流程工作。不同于单纯的语法练习,实战化SQL数 ...
2026-08-28 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-08-28随着新零售模式的快速普及,零售行业从传统的“货品驱动”全面转向“用户驱动”。门店交易数据、线上消费记录、浏览轨迹、复购频 ...
2026-08-27在数据分析、爬虫采集、接口开发、数据归档等场景中,JSON与CSV是两种使用率最高的数据存储格式。JSON为键值对结构化格式,适配 ...
2026-08-27 很多数据分析师每天都在计算指标、制作报表,但当被问到“什么叫指标数据元”“指标数据标准包含哪些核心维度”“指标数据质 ...
2026-08-27在数据分析工作中,时间序列是最常见的数据类型之一,订单时间、日志时间、交易时段、统计周期等数据均离不开时间处理。原始数据 ...
2026-08-26在数据分析与数据预处理工作中,原始数据普遍存在录入错误、系统故障、偶然极值等问题,极易产生异常数据。异常数据会严重干扰数 ...
2026-08-26 很多数据分析师能熟练写SQL、做透视表,但当被问到“数据是从哪里来的?经过哪些加工才进入数据仓库?ETL具体做了什么?”时 ...
2026-08-26在数理统计与数据分析领域,多因素方差分析与线性回归模型是研究变量关系、因素影响、数据差异规律的两大核心工具。二者均属于经 ...
2026-08-25数据分析的核心价值不在于数据计算与图表制作,而在于清晰、精准、有逻辑地输出结论、支撑业务决策。日常数据分析报告普遍存在结 ...
2026-08-25 很多数据分析师能熟练地写SQL、做透视表、算描述性统计,但当被问到“如何预测用户流失概率”“如何归因销量下滑的关键因素 ...
2026-08-25平均数是数据分析、数理统计与日常运算中最基础、最常用的统计量,核心作用是浓缩一组数据的整体水平、刻画数据集中趋势。在众多 ...
2026-08-24在MySQL数据库中,InnoDB存储引擎作为主流事务型引擎,默认事务隔离级别为可重复读(Repeatable Read,RR),这与SQL Server、Or ...
2026-08-24