随着上市公司数昼的增多和注册制改革的全面铺开,融资融券标的证券和可充抵保证金证券范围迅速扩大,证券公司的融资融券业务规模和客户数量呈现快速增长的趋势,这使得证券公司风险管理的压力和难度大幅增加。券商对两融标的券风险识别及客户持仓证券的风险把控能力对两融业务顺利开展愈发重要。
目前证券行业信用业务担保证券及标的证券管理、同一客户管理、压力测试、舆情管理、客户交易目的识别等仍然以人工为主,难以实现标准化、个性化、精细化等管理,难以满足业务发展需要,且存在一定的操作风险,效率也难以保障。为协助证券企业高效掌控信用业务风险全貌,东兴证券结合知识图谱及机器学习等技术,全新研发智能信用管理平台(以下简称“平台”)。
图:智能信用管理平台
平台从下到上,分别为数据层、逻辑处理层和应用交互层。
数据层,负责数据的获取清洗和存储。将各类型的外部数据源数据适配到智能信用业务分析系统标准数据格式。
逻辑处理层,按照业务逻辑和指标配置方案,基于数据层提供的数据,利用Al分析引擎对证券风险进行评估、执行舆情分析评估。
应用交互层,使用者可以通过前端显示和平台进行交互,用户可以通过前端界面与平台进行交互,也可以利用灵活的配置方案和权重参数,定制自己需要的分析方案,以更好地满足业务需求。
平台构建证券分析、证券参数管理自动化、客户风险画像、压力测试、智能舆情五大应用场景。
其一,证券分析。通过平台建立证券评分模型,从证券的流动性风险、估值风险、财务风险和舆情风险等方面按照权重进行评分。在证券评分基础上映射出证券的折算率,可对证券的折算率实现精准的动态定期管理。在系统的辅助下,证券分析采用的指标可灵活挑选,并可根据当前行情趋势进行调整,灵活性及效率都大幅增高。
其二,证券参数管理自动化。建立灵活的担保证券范围及折算率、标的证券范围及保证金比例自动化调整模型,从交易层面、基本面、舆情等方面综合分析、评估,自动生成调整建议、调整公告、导入模板,人工复核后即可进行导入及发布。通过这种方式,操作效率大幅提高并极大减少人为错误。
其三,客户风险画像。基于大数据和人工智能技术,建立科学、有效的模型。通过模型测算客户的风险情况,根据客户资产情况、负债情况、交易特点、收益率等进行综合分析,对客户风险进行预警。平台还可以根据自定义指标对客户投资目标进行识别及分类管理。
其四,压力测试。平台可根据公司两融客户整体持仓情况,实现对单一标的、单一客户、同一客户、全体客户等口径压力测试。平台可对公司客户维持担保比例的区间分布情况进行统计分析,为业务人员提供应对极端情况所需的决策依据。
其五,智能舆情。采用业内领先的Al算法,基于深度学习及自然语言处理等多项先进技术,对信用业务担保券及质押标的券的舆情新闻进行抽取分析。此外,亦能够挖掘实体之间的关联关系,对风险较大证券进行监控,并及时做出调整处理。
智能信用业务管理平台基于行业领先的Al工程化能力、Al算法与分析模型,让业务风险更有效可控,运营更高效精准。平台使用数字化技术和自动化调整模型,提高操作效率、减少人为错误,从而降低企业的生产经营成本,同时通过对客户风险画像功能,根据客户资产、负债、交易、收益等综合分析,提供客户风险程度的评估,提高信用担保产品的质量,
帮助证券公司更好地了解客户风险和监测风险,减少风险损失,提高经济效益,增加企业收益。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。