转自：新华财经

近年来，银行模型应用范围日益广泛，大幅提升业务决策效率和精细化管理水平的同时，也衍生出模型风险这一新型风险。国际银行业模型应用开始得较早，由于模型管理不善造成的模型风险案例屡有出现，不仅给相关银行带来巨额商业损失、遭受监管处罚，还极大影响了银行声誉。比如，2012年的“伦敦鲸”事件中，摩根大通以极其激进的方式滥用风险对冲工具，导致超过其风险价值限额近一周，损失高达62亿美元。商业银行和监管机构日益重视模型风险管理，有效防范和控制模型风险具有守住商业银行大风险的战略意义和现实意义。

从模型风险的定义可以看出，模型风险的成因分布在模型的整个生命周期里，主要包括以下几个方面：

一、模型数据质量不过关

数据是建立模型的基本要素之一，数据质量从源头上影响了模型的性能表现、稳健性和泛化能力。在建模前期过程中往往会出现数据样本量不充足、样本分布不均衡、样本特征不均衡、样本独立性差以及样本异常值缺失值等现象，都会影响反映实际场景的客观程度。

二、模型设计开发有缺陷

任何模型都是对复杂现实问题的简单抽象化，需要基于一定的假设条件对未来结果进行推断预测，假设与现实之间存在一定的差距，如果假设条件不合理、参数估计不合理或者理论模型选取不恰当，都会埋下隐患的种子。此外，很多模型尚未经历一个完整的周期检验，历史数据对于评估新产品新模式风险还不充分，可能存在低估损失严重程度的情形。

三、模型验证环节不独立

模型验证是在模型开发后正式交付前，检验模型程序是否满足需求并找出与预期结果之间的差异，尽可能彻底地查找出程序中的错误，从而提出更加完善的方案，提高模型系统的可靠性和准确性的一个环节。目前缺乏统一的验证规范和成熟的验证策略，实践过程中由于技术人员数量限制，模型验证人员与模型开发人员不能相互独立，存在开发验证一手清的情况，容易形成思维惯性。

四、模型部署环节有偏差

在模型部署过程中可能会出现模型设计开发和模型部署时数据和模型不一致的情形，比如：模型部署过程中使用的数据源、数据口径、数据预处理方式和研发过程中存在一定的偏差，部署的模型和研发的模型存在差异，经过测试未能及时发现错误，有的甚至存在版本控制混乱的问题，系统升级或数据迁移影响已上线模型结果的准确性等等。

五、模型监测维护不到位

任何模型都是基于建模时点的基本面情况和可获数据建立的，随着时间的推移，不论是外部宏观环境，还是应用场景的风险特征，都有可能发生重大变化，如果不对模型进行持续的监测、重检和维护，不能及时评估模型适用性，不对模型参数进行调整、不对整个模型进行系统地优化升级，将严重影响模型的预测力和准确性，影响终端体验感。

基于此，提出应对措施及建议如下：

一、建立模型风险管理的架构

在模型管理的初期阶段，首先明确模型利益相关者的角色和职责分工，建立统一的模型库，逐步制定模型开发、验证、持续监控、年度重检等流程和标准，明晰报告路径和报告程序等。在模型风险管理资源有限的前提下，配备兼职模型风险管理人员，负责牵头模型库管理、模型的验证、审查和监测，至少保证模型验证者与模型开发者相互独立，避免既当运动员又当裁判员的情形，实现对模型开发的有效制衡。

二、建立统一的分行级模型库

梳理盘点分行范围的所有模型，覆盖所有条线、所辖层级，逐一重检，模型库信息内容应包括模型名称、模型类别、归属机构、归属层级、功能点简介、适用产品或范围、版本标识、开发者信息、验证者信息、关键时间节点、模型有效期、状态标识、风险类别等，实现全行模型统一视图。通过模型库管理，掌握全行整体的模型状态和风险水平。

三、模型全生命周期规范管理

增强模型风险管理透明度，不断健全完善模型开发、模型验证、模型审批、模型监控、模型重检、模型变更、模型退出等流程和标准，强化数据、算法、策略穿透式审查，明确关键环节的审查规范。

可以通过建立特征仓库、算法/算子仓库、场景模板仓库等，将高频特征、算法和场景范式化标准化，提升复用能力，减少简单重复的开发。

高度重视文档管理在模型风险管理中的重要作用，确保模型利益方能够充分理解模型的关键假设、数据特征与使用局限等。尤其当模型出现微调或执行政策变更时，应及时更新相应的文档记录，为模型生命周期中的各种管理痕迹留底。

四、加强人员储备提升业务素质

模型风险管理必须依靠专业且资深的技术人员，该领域的人员不仅需要具备数理统计等专业背景，熟练掌握数据分析、算法比较、模型性能比较等技术，而且需要积累丰富的业务管理经验，熟悉业务场景理解业务逻辑和规则。（乔向阳 孙艳）

编辑：穆皓

海量资讯、精准解读，尽在新浪财经APP