改进风险计算和监管报告

监管报告挑战

近年来，随着全球监管机构对报告的要求越来越复杂，监管报告的成本和资源负担急剧增加。为了跟上不断变化的发展步伐，金融机构必须设法更高效、更准确地满足日益复杂的数据要求，同时从战略层面改进数据架构，提高绩效，促进增长。

时至今日，仍有许多金融服务机构将大量时间和技能资源浪费在制作监管报告上。如果没有自动化系统来执行数据质量检查和消除数据孤岛，银行将需要花费无数个小时来审查报告，以确信自己提交的监管报告是准确的。此外，根据需要的细粒度级别访问数据也是一个挑战，因为不同系统捕获数据的级别是不同的，例如，贷款系统在账户和事务级别获取数据，贷款生成系统在查询级别获取数据，信用卡系统在卡和事务级别获取数据。通过在一致的细粒度级别上分析数据，金融机构可以全面地了解运营、客户和市场。这样，他们能够在上下文中查看数据，识别以不一致方式汇总或分类数据时可能漏掉的关系、模式和趋势。

为了解决这些问题，金融服务机构正将风险计算、监管报告和合规性方法重新定义为一个整体流程，将从数据捕获和分析到报告和提交监管机构（最后一英里）的整个流程实现端到端自动化和治理。

利用机器学习和 AI 更高效地管理合规性和风险

下图展示了我们如何结合使用 Oracle 组件和功能（包括高级分析、AI 和机器学习）创建面向监管报告和风险计算的功能全面的数据平台，助力改善数据集成、数据质量、标准化、数据处理、数据沿袭和敏捷性。该数据平台为金融机构打下了坚实基础，可帮助其满足监管要求、及时准确地生成报告并执行有效的风险计算。

该图展示了面向医疗卫生行业的 Oracle Data Platform 如何通过绩效监视来支持基于价值的护理。该平台包括以下五个支柱：

1. 1. 数据源和数据发现
2. 2. 摄取、转换
3. 3. 持久化存储、整理、创建
4. 4. 分析、学习、预测
5. 5. 评估、行动

“数据源、探索”支柱包括三类数据。

1. 1. Oracle 应用包括 Fusion SaaS、Oracle E-Business Suite 和 EPM。
2. 2. 业务记录（第一方数据）包括交易、收入和利润。
3. 3. 第三方数据包括外汇汇率数据、市场反馈数据和商品价格数据。

“摄取、转换”支柱包括四个功能。

1. 1. 批量传输使用 OCI FastConnect、OCI Data Transfer、MFT 和 OCI CLI。
2. 2. 批量摄取使用 OCI Data Integration、Oracle Integration Cloud 和 Data Studio。
3. 3. 更改数据捕获使用 OCI GoldenGate 和 Oracle Data Integrator。
4. 4. 流摄取使用 OCI Streaming、Kafka Connect 和 DB 工具。

所有四种功能均单向连接到“持久保存、整理、创建”支柱中的云端存储。

“持久保存、整理、创建”支柱包括五个功能。

1. 1. 服务数据存储使用 Oracle Autonomous Data Warehouse。
2. 2. 计算农场使用 HPC。
3. 3. 云端存储，基于 OCI Object Storage。
4. 4. 批处理，基于 OCI Data Flow。
5. 5. 数据治理，基于 OCI Data Catalog。

这些功能在支柱内互联。云端存储/数据湖不仅单向连接至服务数据存储，还双向连接至批处理和计算农场。

两个功能连接至“分析、学习、预测”支柱：服务数据存储不仅单向连接至分析和可视化功能，还双向连接至 AI 服务功能。云端存储连接到 AI 服务功能。

“分析、学习和预测”支柱包括三个功能。

1. 1. 分析和可视化使用 GraphStudio、Oracle Analytics Cloud 和 ISV。
2. 2. AI 服务包括 OCI Anomaly Detection、OCI Language、OCI Forecasting 和 OCI Vision。
3. 3. 服务数据存储、分析和可视化以及对象存储为 OCI Data Catalog 提供元数据。

“评估、行动”支柱包含如何运用数据分析来支持风险计算和监管报告解决方案。这些应用分为两组。

1. 1. 第一组“人员和合作伙伴”包括合规性和监管报告以及风险汇总和报告。
2. 2. 第二组“应用”包括信用风险分析、市场风险分析、风险价值分析、运营风险分析、流动性风险分析以及压力测试和场景分析。

“摄取、转换”、“持久保存、整理、创建”及“分析、学习、预测”这三大核心支柱由基础设施、网络、安全和 IAM 提供支持。

我们通过三种主要方法将数据注入架构中，帮助金融服务机构简化风险计算和监管报告流程，同时提高报告准确性。

• 首先，我们需要摄取来自交易系统和核心银行应用的数据。随后可以使用第三方来源的客户数据（例如来自社交媒体的非结构化数据）丰富这些数据。频繁实时提取或接近实时提取通常需要更改数据捕获，并且使用 Oracle Cloud Infrastructure (OCI) GoldenGate 定期从事务、风险和客户管理系统摄取数据。OCI GoldenGate 也是不断发展的数据网状结构的重要组成部分，在这种结构中，“数据产品”通过企业数据分类账和多语言数据流进行管理，这些数据流执行连续的转换和加载过程（而不是在单体结构中使用的批量摄入和提取、转换和加载过程）。
• 我们现在可以使用流摄取来摄取实时交易数据。例如，在执行交易时摄取该交易所附带的所有信息，然后用于更新账户和分类账，重新计算风险并启动结算流程。为实现长期持久性，这些数据通过 HDFS/S3 连接器以原始格式（未转换格式）摄取，执行基本的转化/汇总操作后再存储到云端存储中。在摄取的同时，我们可以使用流分析实时筛选、聚合、关联和分析来自多个来源的大量数据，帮助金融机构检测业务威胁和风险。我们可以（手动）反馈关联事件和已识别的模式，并使用 OCI Data Science 对原始数据进行检查。此外，还可以生成事件来触发操作。这些操作可以直接以客户为中心，例如通过电子邮件或短信通知客户存在潜在的欺诈行为或封锁被盗用的信用卡；也可以简化内部流程，例如通知合规团队已发现的潜在问题。OCI GoldenGate Stream Analytics 是一种内存技术，可对流数据执行实时分析计算。
• 访问历史绩效数据、了解趋势和模式是准确了解和预测风险的必要步骤。这通常需要使用批量传输方法和服务（例如 OCI Data Transfer 服务）从本地部署数据存储中加载大量事务数据以及其它运营指标和数据集（例如市场数据和商品价格）。
• 虽然实时需求在不断变化，但从核心银行、客户和金融系统中提取数据最常用的方法仍然是使用提取、转换和加载流程进行批量摄取。批量摄取通常用于从不支持流摄取的系统（例如传统的大型机系统）中导入数据，或导入不需要实时分析的数据，例如贷款和抵押数据。此类数据高度结构化，具有高水平的数据质量/完整性，通常由事务应用/系统在特定时间进行批量处理，例如每隔一小时在每个整点后的 30 分或每天下午进行处理（对于复杂流程，周期可能会更长）。在源处理完成后进行批量摄取是最能够充分发挥计算效率和网络效率的摄取方式。批量摄取可以频繁进行，通常每 10 或 15 分钟提取一次，但它们本质上仍然是批量的，因为提取和处理的是一组事务​​而不是单个事务。OCI 提供各种服务来处理批量摄取，例如在 OCI Compute 实例上运行的本机 OCI Data Integration 服务或 Oracle Data Integrator。根据容量和数据类型，数据可以加载到对象存储中，或直接加载到结构化关系数据库中以进行永久性存储。

数据持久性和处理建立在三个（可选四个）组件之上。

• 摄取的原始数据存储在云端存储中，以用于算法目的；我们使用 OCI Object Storage 作为主要的数据持久性层。OCI Data Flow 中的 Spark 是用于处理事务、位置、应用和地理映射数据等数据的主要批处理引擎。批处理涉及多项活动，包括基本噪声处理、缺失数据管理和基于定义的出站数据集筛选。根据所需处理操作和所使用的数据类型，批处理结果将写回对象存储的各个层或一个持久化的关系存储库。
• 这些处理过的数据集被返回到云端存储，以进行后续持久化、整理和分析，并最终以优化的形式加载到 Oracle Autonomous Data Warehouse 提供的服务数据存储中。现在，数据以优化的关系形式持久保存，以用于整理和查询性能；或者根据架构偏好，通过作为托管 Hadoop 集群的 Oracle Big Data Service 来做到这一点。在该使用场景中，训练机器学习模型所需的所有数据都以原始形式从对象存储中访问。为了训练模型，将历史模式与事务处理级别记录相结合，以识别和标记潜在风险。通过将这些数据集与设备数据和地理空间数据等其他数据集相结合，我们能够应用数据科学技术来改进现有模型并开发新模型，以更好地管理和预测风险。这种类型的持久性也可用于存储模式的数据，这些模式是通过外部表和混合分区访问的数据存储的一部分。
• 如摄取部分所述，金融服务机构需要处理历史市场数据、实时交易数据、经济指数等大量数据。高性能计算 (HPC) 可以高效地处理和分析大型数据集，进行全面的风险评估。财务风险预测涉及使用复杂的数学和统计模型，例如蒙特卡洛模拟、期权定价模型和风险因子模型。这些模型需要强大的计算能力来准确、快速地执行计算和模拟。而计算农场中的 HPC 系统能够提供必要的计算资源，使用云计算原则以极具资源效率的方式处理这些复杂模型。

分析、学习和预测能力建立在三种技术方法之上。

• 分析和可视化服务（例如 Oracle Analytics Cloud）根据来自服务数据存储中经过整理的数据提供分析，包括描述性分析（用直方图和图表描述当前的风险识别趋势和标记的活动）、预测性分析（例如预测未来模式、识别趋势以及确定不确定结果可能性的时间序列分析）和规范性分析（提出合适的行动建议，从而做出理想决策）。这些分析结果可用于回答以下问题：本期被标记的风险与前几期相比情况如何？
• 除了高级分析之外，也开发、训练和部署机器学习模型。这些经过训练的模型可以基于当前和历史事务数据运行，帮助金融机构更好地预测和管理风险（例如通过匹配事务处理和行为模式检测洗钱行为），且结果可以持久保留在服务层，并使用 Oracle Analytics Cloud 等分析工具生成报告。为了优化模型训练，模型和数据还可以输入机器学习系统（如 OCI Data Science）进行进一步训练，以更高效地执行风险分析。这些模型可以通过 API 访问，部署在服务数据存储中，或者嵌入在 OCI GoldenGate 流分析管道中。
• 此外，我们还可以使用云原生人工智能服务的高级功能。
• OCI Anomaly Detection 是一项人工智能服务，可针对各种业务构建异常检测模型，以此标记关键事件，加快检测和解决速度。在该使用场景中，我们将部署这些模型来识别不合规行为，监视违反 IFRS 9 和 IFRS 17、CECL、LDTI、OECD、Basel 等标准和要求的情况。该标识功能可以与历史解析数据一起用于补救和流程改进。在风险评估（包括信用、流动性、市场和企业绩效风险评估）方面，OCI Anomaly Detection 可用于监视绩效指标，帮助确保当前绩效和事务不会增加整体风险。
• 我们还可以使用 OCI Anomaly Detection 按类别监视合规/不合规事件数量，确定业务中的任何特定更改是否会导致异常合规升级。此外，OCI Anomaly Detection 还可以通过监视合规性规则的使用情况来检查最近的事务处理是否显示异常使用情况，从而帮助确定不合规的根本原因。
• OCI Forecasting 可用于预测绩效指标以及外部因素（如市场状况和客户行为），分析和识别即将出现风险的可能性。
• OCI Language 和 OCI Vision 可以摄取文档和文本来扩充数据，用于执行风险管理活动。
• 数据治理是另一个关键组成部分。这是一项由 OCI Data Catalog 提供的免费服务，为数据湖仓生态系统中的所有数据源提供数据治理和元数据管理（包括技术和业务元数据）。OCI Data Catalog 还是一个从 Oracle Autonomous Data Warehouse 到 OCI Object Storage 的重要查询组件，它支持快速定位数据，无论数据存储方式如何。这允许最终用户、开发人员和数据科学家在架构中的所有持久数据存储中使用通用访问语言 (SQL)。
• 最后，我们经过整理及测试的高质量、受监管数据和模型可以在数据网格架构中作为数据产品 (API) 公开，以便在整个金融服务机构中分发。

利用合适的数据平台改进风险计算和监管报告

Oracle Data Platform 可帮助金融服务机构适应快速变化的风险管理和监管报告环境，满足全球监管机构日益复杂的报告要求，并确保他们以正确的细粒度级别访问数据。Oracle 解决方案提供了用于管理风险数据的集成环境和框架，可减少这些机构在准备监管报告上花费的宝贵时间和资源。通过使用自动化解决方案应用质量规则和消除数据孤岛，金融服务机构可以放心地提交监管申报，更高效地了解、管理和降低风险。