风险评估管理

使用 TigerGraph 进行实时深度关联评估和监测

2600 万
信用隐形人群
89
$
亿美元
迄今最高的 OFAC 罚款金额
2
$
万亿美元
2008 年经济衰退的影响
商业挑战
传统解决方案
信用风险
监管风险
商业挑战
随着相互关联的全球金融市场在规模和复杂性上快速增加,风险评估和监控所面临的挑战变得日益艰巨。中国、印度及亚洲其他地区每年有数以亿计的消费者进入中产阶层,其中大部分人的金融交易历史记录有限,未被任何信用机构所跟踪。

美国,2600万消费者未被 FICO 和相关信用机构覆盖,截至2018 年,这一数字已增长至全国人口的 15%。这给信用风险评估和监控带来了独特的挑战。监管形势一年比一年复杂,美国海外资产控制办公室 (OFAC) 对每家被制裁银行开出的罚款金额从 12,500 美元到超过 89 亿美元不等。

因此,监管风险评估和监控的重要性不断增加。一些复杂的金融工具数量激增,如信用违约互换和抵押担保证券,不仅增加了流动性风险和监控的复杂性,而且一旦出错,就会付出数以万亿的代价。2008年的经济大衰退源于次级抵押贷款流动性风险管理不善,最终给全球增长造成了令人震惊的 2 万亿美元损失,威胁到了全球市场的稳定性。
传统解决方案无法达成目标
现有风险评估和监控系统几乎全部基于关系型数据库而构建,后者使用单独的表来存储诸如交易对手、帐户、交易、利益相关者、金融工具和衍生品等信息,每种业务实体类型各一个表。关系型数据库是很好的数据索引和搜索工具,非常适合支持交易和执行基本的统计分析。

但是,关系型数据库不利于在表或业务实体之间进行连接,难以从这些跨越多达 10 层或更多交易、帐户和人员的关系中发现隐藏的关系和风险。使用关系型数据库时,为找出潜在的关联,分析师需要将很多大型表连接起来运行查询。这种查询可能需要数小时甚至数天才能完成,导致几乎不可能对参与方和交易之间的联系进行有意义的分析。

评估和监控风险还需要超越个人帐户或人员内部数据的局限,与来自 OpenCorporates 和汤森路透 World-Check 数据库等包含政治敏感人物 (PEP) 和政府制裁实体信息的第三方信息源进行对接。就信用风险评估来说,这意味着整合各种非传统数据源,如移动钱包和电子商务交易以及小额贷款还款。关系型数据库由于自身模式僵硬,因此不适合将内部数据与多个外部数据源轻松对接。
为什么选择原生并行图数据库 TigerGraph 进行风险评估和监控?
信用风险评估和监控
高达 15% 的美国人口未被 FICO 和相关信用机构纳入跟踪范围。在美国以及中国和东南亚,金融科技初创公司 IceKredit 通过利用替代信用历史记录源,为这些“信用隐形”次级信用人口创建信用评分。

以 IceKredit 为例,他们使用 TigerGraph 处理所有财务历史记录,将传统数据源与新数据源结合,如中国微信和京东等电子商务网站上的交易,以及支付宝、Venmo 和 Paypal等移动钱包记录,还有亚洲 CashBUS 和 Crowdo 等小额贷款和P2P 借贷服务提供商的还款记录,在此基础上计算出 360 度信用风险视角。在能够接入准确的第三方数据(来自政府、公共及私人数据源)的情况下,IceKredit 使用机器学习和人工智能提供自定义高级模型和分析,用于为申请人构建全面的信用图。IceKredit 的防欺诈引擎可以进一步鉴别申请人的欺诈可能性,并将其与实际业务活动进行比较,帮助客户区分线索优先级,然后根据风险更明智地决定是否获取客户。

IceKredit 之所以能够成功发现数据中隐含的关系和联系,并实时确定和更新风险评级,图分析是关键所在。IceKredit 还使用图分析来协助调查潜在的金融犯罪行为,并提高调查效率。
监管风险评估和监控
举例来说,一家银行收到 ABC 公司开设新公司帐户的申请。在客户尽职调查 (CDD) 期间,该公司填写了相关信息,包括他们的街道地址和三名高管:Jim Smith、Wei Zhang 和 Maria Garcia。TigerGraph 通过关联识别出 ABC 公司高管 Wei Zhang 为另一家公司XYZ 的签字人,而且,一名当地政客被列为后者的显著利益相关者或所有人。通过这些信息,TigerGraph将这名当地政客与包含政治敏感人物 (PEP) 信息的第三方数据库进行了关联,而且还发现该政客的街道地址之一与他们账户申请上的 ABC 公司地址相同。这一切都增加了与 ABC 公司相关的风险,系统立即发出警报,要求银行工作人员做出进一步调查。