模型风险管理简述

我国金融数字化转型创新迅猛发展。但随着大数据应用越来越广泛，各类模型数量越来越多，算法越来越复杂，隐藏在模型设计构建和应用中的风险也受到金融监管和行业的高度重视。

2020年7月，中国银保监会发布《商业银行互联网贷款管理暂行办法》，首次明确给出了“风险数据”、“风险模型”的文字定义，并对模型风险管理制定了明确的标准。如何按照监管要求，结合自身业务实际，在兼顾质量—效率—成本的原则下，快速搭建起有效的模型风险管理体系，成为金融机构，特别是在大数据应用较深的互联网消费信贷和普惠金融行业，在构建自主风控能力方面的巨大挑战。

随着以大数据、机器学习、深度学习为基础的人工智能技术在金融行业的深入应用，金融机构数字化转型也在快速推进。纵观过去十年国内金融模型的发展，我们发现，从最初金融机构依赖规则作决策，到逐渐接纳模型，再到如今金融机构已经深刻认识到模型的重要性，并开始大规模开发模型并将其全面应用到自动化信贷业务全流程场景中。

回顾模型风险管理在监管层面的历史，最早是美联储于2011年发布的《模型风险管理监管指引（SR11-7）》，它被认为是模型风险管理的里程碑，除了明确定义了模型风险管理外，还提出了组织结构、政策、程序、实践、标准等多方面的指导原则，逐步发展成为行业标杆性监管文件。

企业级模型风险管理框架和体系搭建包括三个核心层面:

一是政策和流程层，以三道防线为核心的基本组织架构，覆盖全行模型风险管理的方针政策和模型生命周期相关的规范，呼应监管文件中对于模型风险管理的各项要求，可以为模型带来有效审查与质疑；

　　二是分析和验证层，针对模型的全生命周期管理，设计了从模型需求、模型设计、模型开发、模型验证、模型评审、模型部署、模型投产、模型监控到模型退出等九个阶段，其中还包含模型验证方法论操作手册以及模型相关的指标体系等，能够对模型健康的可持续性提供有力保证。

三是系统层，通过模型全生命周期管理平台、模型风险监控平台、模型资产管理平台等系统工具，实现对于模型风险管理的落地实践。

在对模型风险进行评估时，可以从两个角度考虑:

1. 模型解释性风险

基于统计理论的机器学习方法，往往不具有解释性，这一特性在深度学习中尤为明显，往往模型输出结果可以提供很高的准确概率，但对其原理无法从相关专业知识中找到解释。

1. 模型数据使用合规

模型训练与测试上线需要大量的数据，其中有很多的敏感数据，在使用这些敏感数据时需要经过相关授权同意，并对使用的技术手段提供必要证明，来保证数据使用过程中不会因为模型本身的问题导致数据泄露或篡改。当前支持此要求的技术手段，包括并不限于同态加密、隐私保护计算、隐私集合求交、联邦学习等方案。