導語：大數據分析在外匯管理的運用一文來源于網友上傳，不代表本站觀點，若需要原創文章可咨詢客服老師，歡迎參考。

摘要：當前，大數據正日益成為國家基礎性戰略資源，大數據在金融監管等領域將擔任越來越重要的角色。與此同時，外匯管理要適應新形勢的要求，就必須更新外匯管理理念和方式，深化外匯管理體制的改革和創新，完善外匯管理的大數據監測分析。本文從數據挖掘技術的角度出發，在介紹大數據定義、分析方法及主要應用場景的基礎上，闡述了大數據分析方法在外匯管理領域的具體運用，并對開展大數據分析工作提出相關建議。

關鍵詞：大數據;金融監管;外匯管理

一、大數據定義及常用分析方法

（一）定義。對于什么是大數據，迄今為止并沒有公認的定義。麥肯錫全球研究所給出的定義是：一種規模大到在獲取、存儲、管理、分析方面大大超出了傳統數據庫軟件工具能力范圍的數據集合，具有海量的數據規模、快速的數據流轉、多樣的數據類型和價值密度低四大特征。（二）數據挖掘常用分析方法。數據挖掘就是對觀測的數據集（經常是很龐大的）進行分析，目的是發現未知的關系和以數據擁有者可以理解并對數據擁有者而言有價值的新穎方式來總結數據。常用方法類型介紹如下：一是關聯分析。是在未有既定目標情況下，探索數據內部結構的一種分析技術，目的是在一個數據集中發現、檢索出數據集中所有可能的關聯模式或相關性，但這種關系在數據中沒有直接表示或不能肯定。常用的關聯分析算法有：Apriori算法、FP-growth算法。該技術目前廣泛應用于各個領域，如我們在電商平臺瀏覽商品時都會顯示“購買此商品的顧客也同時購買”等提示語，這正是我們日常生活中接觸最多的關聯分析應用實例。二是聚類分析。是在沒有給定劃分類別的情況下，根據數據相似度按照某種標準進行樣本分組的一種方法。它的輸入是一組未被標記的樣本，聚類根據數據自身的距離或相似度將其劃分為若干組，使組內距離最小而組間距離最大。常用的聚類算法有K-Means、K-Medoids、DBSCAN、HC、EM等。當前，聚類分析在客戶分類、文本分類、基因識別、空間數據處理、衛星圖片分析、醫療圖像自動檢測等領域有著廣泛的應用。三是回歸分析。是指通過建立模型來研究變量之間相互關系的密切程度、結構狀態、模型預測的有效工具。常用的回歸模型有：線性回歸、非線性回歸、Logistic回歸等。四是決策樹。是一個預測模型，在已知各種情況發生概率的基礎上，通過構成決策樹來求取期望值大于等于零的概率、判斷可行性的決策分析方法，是直觀運用概率分析的一種圖解法。常用算法有CART、C4.5等。五是人工神經網絡。是人腦的抽象計算模型，是一個大型并行分布式處理器，由簡單的處理單元組成。它可以通過調整單元連接的強度來學習經驗知識，并運用這些知識推導出新的結果，屬于機器學習的一種。

二、大數據分析在金融監管領域主要運用場景

當前大數據在前瞻性研究、風險防控、客戶分析、輿情監測等方面都取得了巨大的成效，在金融領域實現了廣泛應用,有效地提升了金融監管的針對性，為金融管理、風險識別帶來了無限的可能性，成為當前不可或缺的分析手段之一。一是運用大數據開辟“線上溯源，線下打擊”的治假新模式。2015年5月,某省“雙打辦”聯合某電子商務企業發起行動。某電子商務企業首先運用大數據手段識別售假線索、鎖定犯罪嫌疑人、分析串并背后團伙，根據警方需求批量輸出線索用于偵查破案。行動期間，該省侵犯知識產權立案數同比上漲120%，破案數同比上漲77.3%。與傳統打假模式相比，“大數據治假”模式實現了對犯罪嫌疑人線索信息的實時收集，為執法部門線下查處和打擊提供了更精細、精準的線索和證據。二是運用大數據提升監管有效性。2016年，某交易所通過監控發現滬股通標的股票成交、股價漲勢存在明顯異常。運用大數據方法對歷史資料進行關聯匹配映射分析后發現，來自香港的證券賬戶與開立在內地的某些證券賬戶有操縱市場的重大嫌疑，根據上述線索，監管部門查獲唐某等人跨境操縱市場的違法事實，成為滬港通開通以來查處的首例跨境操縱市場案例。大數據方法為資本市場的進一步對外開放提供了新的監管思路。三是運用大數據實現風險分析、風險評級，打擊電信詐騙。通過收集和整理各行業、機構的黑名單，利用多樣化的機器學習模型及大數據關聯分析等技術，為銀行、個人等提供風險管控和反欺詐的服務；運用數據挖掘技術，發掘與相關賬戶信用相關的預警信息，形成預警信號并向相關風險管理系統主動推送，進而跟蹤預警信號處置流程，直至得出最終結論或風險管控方案，形成一個風險預警、通知、處置和關閉的閉環處理流程。四是運用大數據助力風控。例如，某電子商務企業旗下小貸平臺建立了決策系統，借助大數據分析結果選擇風險可控的企業開放信貸服務，實現貸前小額貸款風險管理控制，提升集約化管理的效率。該平臺信用貸款部分客戶的貸款年化利率可低至12%，對比原先降低6個百分點。依靠平臺和數據優勢，該平臺在風險控制方面已形成了多層次、全方位的微貸風險預警和管理體系，實際運行中該平臺的不良貸款率一直保持在1%以下，風險控制成效良好。

三、對大數據分析在外匯管理領域運用的思考

（一）引入大數據分析方法的必要性。近年來，外匯管理部門通過不斷完善國際收支申報體系和加強外匯管理信息化建設，掌握了海量的數據信息，為外匯管理從側重事前審批逐步轉向側重事后監測分析奠定了扎實的基礎。在當前主流的事后監測分析框架中，通常按照業務條線，采用“宏觀—中觀—微觀”自上而下遞進式分析方法。這種分析方法有一定的優點，可以實現對各業務系統的充分利用，與宏觀形勢和業務管理信息結合較為緊密。但同時也存在一些缺陷：一是數據之間關聯度不高，監測分析主要以各業務條線事后核查為主，數據相對分散，數據之間的關聯分析較弱，監測結果相對滯后；二是難以發現潛在風險苗頭，特別是在數據量巨大或關聯關系復雜等特定場景下，有時無法取得滿意的監測分析結果。在此背景下，可以考慮適時引入大數據分析方法。該分析方法是考慮在整合內部系統、互聯網等各類信息數據的基礎之上，利用數據挖掘、建模等工具方法，對企業、集團等主體、各類交易數據及互聯網信息進行多層次、多角度、多項目的情況分析，并通過反饋的結果，修改完善模型，不斷提高分析預測結果的準確性，既能解放大量人力資源，又有助于提高事中事后監管的針對性和效率，同時提高外匯管理的信息化程度。（二）大數據分析方法在外匯管理領域運用的具體思路。1.打造大數據監管中心，探索構建各類監管模型設立大數據監管中心，整合各業務系統數據及互聯網外部數據，構建各類監管模型，多層次、多角度、全方位對各類主體交易數據實施監管及風險防控，探索實現主體監管、本外幣一體化監管等，提升監管效率。一是交易數據監管。將當前各項法規、政策、制度數字化，建立合規性核查模型，通過對交易信息進行模擬仿真測試，獲取交易數據的邊界條件，判斷交易的合規性，自動報告不合規交易。二是交易風險預警。通過對以往違規的交易進行分析建模，結合當前的經濟金融形勢，對每筆交易進行風險分級，自動報告高風險的業務數據。監管部門判斷核查后，系統根據反饋結果通過機器學習等完善預警模型，不斷提升預警準確度。三是主體監管。以企業或集團公司為主體，整合利用全方位數據，運用神經網絡等技術對主體的投融資、結售匯、資金管理與調配等內部交易行為進行分析，了解不同類別主體異同點，對主體進行適當性分析評測，及時識別潛在違規行為。2.預測匯率、跨境收支走勢，了解并引導市場預期通過收集影響匯率變動、跨境收支相關因素信息，建立模型預測匯率、跨境收支走勢，并通過機器學習等方法，自動或人工調整模型，不斷提升預測結果的準確性，同時掌握902017.09市場預期，及時進行引導。一是匯率走勢預測。整理收集通貨膨脹、利率、政府債務、市場心理等影響匯率變化的信息，通過回歸等各類模型方法，分析某一項或多項與匯率之間關系，預測特定時間段匯率走勢。二是全國或地區跨境收支形勢預測。整理收集行業價格、匯率、經濟金融形勢等外部信息，觀測、分析經濟金融形勢、匯率、人民幣即期交易差價等對地區跨境收支或進出口的影響，預測跨境收支或進出口走勢變化。三是掌握人民幣匯率市場預期。收集網絡上關于人民幣匯率相關信息、搜索頻率等，通過文本分析等方法了解人民幣匯率走勢的市場預期，便于適時采取引導措施。3.輿情實時監測，快速預警反饋整理收集互聯網各大網站評論、博客等信息資源，嘗試以數據情感分析角度，實現對文本評論數據的傾向性判斷以及所隱藏的信息的挖掘并分析。一是獲取政策反響。收集各大網站某項政策的相關評論、帖子、博客等信息，通過深度學習、語義網絡等多種數據挖掘模型，分析判斷數據傾向性，以數據角度反映政策執行效果及反響，為政策的進一步完善提供參考。二是設立輿情監測平臺。運用數據倉庫、文本分析、機器學習、神經網絡等技術手段對金融敏感信息、輿論情況、政策解讀反響等進行實時監測、分析，全面覆蓋公共新聞網站、行業網站、微博、博客、論壇、貼吧等信息平臺，在第一時間捕獲相關輿情，并及時發送分析報告，合理引導市場預期。（三）初步實踐與嘗試。我們以某地區2015年1月至2016年10月涉外支出數據為例，對其與CNH、CNY進行了回歸分析。1.涉外支出與CNY回歸分析回歸預估方程為：涉外支出（億美元）=-52.15CNY+530.17。但P值為0.4912（一般認為P<0.05時通過顯著性檢驗），表明CNY與涉外支出無明顯關系。2.涉外支出與CNH回歸分析回歸預估方程為：涉外支出（億美元）=-24.05CNH+349.82。但P值為0.7526，表明CNH與涉外支出無明顯相關關系。3.涉外支出與CNY、CNH回歸分析回歸預估方程為：涉外支出（億美元）=2466.1CNH-2498.2CNY+364.6。其中CNH、CNY、截距項P值分別為2.3×10-5、1.9×10-5和0.246，表明CNH、CNY與涉外支出有顯著的相關性，截距項與涉外支出沒有明顯的相關性，擬合優度為0.5897。4.涉外支出與即期交易價差（CNH-CNY）回歸分析回歸預估方程為：涉外支出（億美元）=2489.06（CNH-CNY）+157.3，其中P值分別為3.73×10-12和1.38×10-5，表明兩項預估值的顯著水平均較為理想，擬合優度為0.6006。從上述情況可以看出涉外支出與即期交易價差存在較強的線性關系，即某地區涉外支出隨著人民幣價差（CNH—CNY）的收窄而減小，隨價差的擴大而增加。在知悉若干變量對另一變量存在影響的情況下，可使用該方法分析各自變量與因變量的具體相關性，逐步求取最優模型，獲取變量之間的線性關系，如：分析匯率與購匯金額之間的關系；分析產品進出口金額、進出口量與產品價格之間的關系。

四、政策建議

（一）轉變理念，利用大數據分析手段提升監管效率。一方面，大數據分析方法著眼于從海量的數據中尋找數據內部關聯與邏輯關系，并歸納出特定主體或交易行為的規律與特征。另一方面，外匯管理部門已逐步從制定規則的角色轉向風險判斷的角色，而這又依賴于從數據中找到規律和關聯，進而識別數據變化提示的風險。大數據挖掘技術和分析方法可以極大地提高對歷史數據的利用價值，同時也為管理職責的轉變提供必需的技術支持。從這一角度來說，監管部門需及時轉變理念，在傳統事后監測分析框架之外，引入市場前沿技術分析手段，進一步提升監管效率。（二）建立大數據分析工作機制。一是可以考慮設立大數據監測中心或直屬大數據分析公司，從事外匯監測、輿情監測等數據分析專項工作，打造大數據分析團隊。二是建立統一的大數據綜合運用平臺，整合各業務系統、互聯網外部信息和工商、海關、稅務等部門信息，在此基礎上，根據監管需求及經濟金融形勢，開展各項監測工作，逐步完善各類監測模型，提升監管工作成效。（三）規范大數據結果的運用機制一是定期向相關部門通報輿情預警、匯率預期、跨境收支走勢預期等情況，為決策提供有益參考。二是實時匯總異常交易、風險預警等分析預測結果，及時向業務主管部門反饋，為其開展事后。核查等工作提供線索。（四）以區域試點模式開展大數據分析工作。當前，大數據分析在市場多領域已有應用，但在金融監管領域還未有成體系的實踐做法。建議選取部分地區開展大數據分析試點，并嘗試與外部機構合作，借鑒市場的成熟經驗及各類監測、預警和預測模型，不斷探討、完善大數據分析在金融監管領域的運用。

作者:徐珊 李慧強 單位:中國人民銀行營業管理部