外匯微觀監管的“信息化時代”
來源:新華網 更新時間:2021-07-02

國家外匯管理局自成立以來,就肩負著推進貿易便利化,防范跨境資金風險的光榮使命。面對新時代要求,不斷健全完善“宏觀審慎+微觀監管”兩位一體管理框架;同時,探索依托監管科技手段提升外匯微觀監管的質量和效率。外匯局研發的“外匯非現場檢查分析系統”,為首個用于外匯違法違規行為的監測分析系統。近年經過多次智能化升級,該系統實現從“人工為主,機器為輔”到“人機互融,增強智能”的“兩步走”,為更加精準地打擊外匯違法違規行為,防范和化解跨境資金流動風險提供了重要抓手。

一、非現場系統發展歷程

(一)第一階段·人工為主,機器為輔

2001年中國加入WTO,外匯管理也開始進一步樹立市場機制觀念,推進貿易便利化進程。而隨著金融市場規模的快速擴張和電子化的發展,金融業務數據的種類和條數增長迅猛,信息化監管逐漸成為國際主流的金融監管理念。

為加強對外違法違規行為的非現場分析,外匯局研發使用了“外匯非現場檢查分析系統”,并于2010年起在全國推廣使用。該系統以簡潔明了的用戶界面實現數據庫查詢功能,用于輔助一線檢查人員檢查辦案。在數據層面,系統數據來源主要是整合國家外匯管理局內部各業務條線跨境交易數據、控制信息數據和主體信息數據,配合部分海關進出口數據,形成了跨境物流+資金流的“數據倉”,搭建了結構型數據庫。在算法上,國家外匯管理局集合多年的外匯微觀監管實踐經驗,通過對可疑交易行為特征的梳理和總結,建立了較為全面的專家規則庫,通過計算機語言將規則轉化為系統指標,撲捉超過預設閾值的可疑行為。

“外匯非現場檢查分析系統”上線后,在幫助外匯檢查人員破獲違規案件方面取得了顯著成果。但本階段監管科技應用主要依靠檢查人員的智慧和經驗,非現場系統的定位則是“輔助工具”,主要用于發現程序性違規,或是單個業務條線中具有典型突出特征的違規行為,更適用于發現表面不合理的違規行為。因此,該階段的系統在整個發展路徑中尚處于數據準備和規則積累的基礎階段,非嚴格意義的大數據和人工智能應用。

(二)第二階段·人機互融,增強智能

2017年,國務院在《新一代人工智能發展規劃》中提出的“智能金融”概念,指出我國要建立金融大數據系統,提升金融多媒體數據處理與理解能力,建立金融風險智能預警與防控系統。國家外匯管理局積極探索監管科技,提出建設“數字外管”等頂層設計要求,形成大數據實時監測和管理平臺,利用大數據和人工智能加強事中、事后監管,提升“微觀監管”精準打擊能力。

2017年起,伴隨著金融科技的發展,外匯局開始探索利用大數據和人工智能來加強事中、事后監管,對“外匯非現場檢查分析系統”進行智能化升級,形成“外匯非現場檢查分析系統(新版)”。新版系統通過豐富并拓展內外部數據源,融合大數據、關系圖譜、專家系統等技術,實現海量金融數據的模型化、可視化分析,提高監管的針對性和有效性。

一是數據層面趨向于豐富“大數據”基礎。一方面,在大數據時代要求數據字段越全越好、時序越長越好、顆粒越細越好的背景下,外匯局積累的全口徑、長時序、細顆粒的跨境收支數據,適應了監管科技的發展要求;另一方面,納入了其他監管部門的專有數據及市場采購等企業基礎信息數據。

二是引入“關系圖譜”實現可視化分析,借助多維數據穿透隱性關系,鎖定涉嫌違法犯罪團伙。“關系圖譜”將收付款關系、股權關系等多類關系型數據,利用圖數據技術展示出來。憑借這一“關系圖譜”,有助于外匯檢查部門從可疑企業出發,鎖定地下錢莊等違法團伙。

三是構建“特征矩陣”實現“模型式”和“場景化”分析,精準發掘異常企業。“特征矩陣”是基于多個外匯業務場景的多項違規特征建立的系統化異常篩查模型,可定期對企業符合違規特征的程度進行綜合性打分,并推送違規特征符合度高的高分企業作為篩查目標,促進了線索生產流程的智能化和自動化。

四是完善“負面主體”信息庫,助力線索拓展和機器學習。負面主體是機器學習的核心資源,有監督學習可通過學習負面樣本行為模式,總結其特征和規律,再在新群體中尋找與其行為最類似的可疑主體;無監督學習則可通過黑箱學習,產生大量不可解釋的異常主體結果,通過負面主體協助研判,識別和鎖定其中 的高危群體。國家外匯管理局通過對近年來外匯違規處 罰主體相關信息進行全面梳理,構建了相關負面主體信息庫,作為AI機器學習的關鍵資源,并構建了非現場檢查分析模型,用于分析可疑線索和主體,進而查實違規案件。

依托于智能化升級后的外匯非現場檢查分析系統,外匯檢查精準打擊取得了顯著成效。近三年,非現場檢查對案件罰沒款貢獻率均高于此前水平。非現場檢查分析對虛假欺騙性交易等實質性違規案件的甄別作用進一步凸顯,發現了一大批地下錢莊、虛假貿易等大案要案,案均罰沒款也顯著增長。

二、未來發展方向

近年來,國家外匯管理局在局黨組的高度重視與正確領導下,在數據拓展和技術應用方面不斷突破,做了大量基礎性工作,奠定應用大數據和人工智能的基礎。但現階段外匯管理微觀監管分析仍處于“人機互融,增強智能”的初級水平,需更深入地實踐機器學習、挖掘數據資源、提高數據加工水平,以彌補人類專家局限,實現“人機互融”的發展目標。

其一,要進一步完善大數據范圍,通過標準化、自動化、流程化的方式,搭建大數據平臺。一是要堅持外匯管理對跨境交易數據的全口徑、細顆粒采集,并根據我國對外開放的深化和外匯業務的拓展,進一步優化數據采集手段,擴展數據采集范圍。二是繼續研究契合外匯檢查業務需求的外部數據資源,以支持開展多維數據分析。三是積極探索與其他監管機構共享負面主體信息的長效機制,防止部門間形成“信息孤島”。

其二,進一步提高人工智能技術的應用水平。一是逐步將專家規則篩查轉向機器自主學習、甄別和挖掘異常主體和交易特征,更深入地實踐機器學習、挖掘數據資源、提高數據加工水平,充分發揮機器的智能感知功能。二是設計自動化、可視化的交互界面,提高外匯監管分析平臺的易用性。三是提高算法自動篩查線索能力,使系統能夠自己利用數據,總結新特征,精準識別違規行為或進行預警。

未來,外匯管理部門將繼續向著“機器為主,人工為輔”的目標努力,提高非現場分析識別虛假欺騙性交易和非法跨境金融活動等重大違規能力,精準打擊外匯違法違規行為,擔負起“在開放中適應開放,切實防范跨境資金流動風險,維護國家經濟金融安全”的光榮使命。  國家外匯管理局自成立以來,就肩負著推進貿易便利化,防范跨境資金風險的光榮使命。面對新時代要求,不斷健全完善“宏觀審慎+微觀監管”兩位一體管理框架;同時,探索依托監管科技手段提升外匯微觀監管的質量和效率。外匯局研發的“外匯非現場檢查分析系統”,為首個用于外匯違法違規行為的監測分析系統。近年經過多次智能化升級,該系統實現從“人工為主,機器為輔”到“人機互融,增強智能”的“兩步走”,為更加精準地打擊外匯違法違規行為,防范和化解跨境資金流動風險提供了重要抓手。

一、非現場系統發展歷程

(一)第一階段·人工為主,機器為輔

2001年中國加入WTO,外匯管理也開始進一步樹立市場機制觀念,推進貿易便利化進程。而隨著金融市場規模的快速擴張和電子化的發展,金融業務數據的種類和條數增長迅猛,信息化監管逐漸成為國際主流的金融監管理念。

為加強對外違法違規行為的非現場分析,外匯局研發使用了“外匯非現場檢查分析系統”,并于2010年起在全國推廣使用。該系統以簡潔明了的用戶界面實現數據庫查詢功能,用于輔助一線檢查人員檢查辦案。在數據層面,系統數據來源主要是整合國家外匯管理局內部各業務條線跨境交易數據、控制信息數據和主體信息數據,配合部分海關進出口數據,形成了跨境物流+資金流的“數據倉”,搭建了結構型數據庫。在算法上,國家外匯管理局集合多年的外匯微觀監管實踐經驗,通過對可疑交易行為特征的梳理和總結,建立了較為全面的專家規則庫,通過計算機語言將規則轉化為系統指標,撲捉超過預設閾值的可疑行為。

“外匯非現場檢查分析系統”上線后,在幫助外匯檢查人員破獲違規案件方面取得了顯著成果。但本階段監管科技應用主要依靠檢查人員的智慧和經驗,非現場系統的定位則是“輔助工具”,主要用于發現程序性違規,或是單個業務條線中具有典型突出特征的違規行為,更適用于發現表面不合理的違規行為。因此,該階段的系統在整個發展路徑中尚處于數據準備和規則積累的基礎階段,非嚴格意義的大數據和人工智能應用。

(二)第二階段·人機互融,增強智能

2017年,國務院在《新一代人工智能發展規劃》中提出的“智能金融”概念,指出我國要建立金融大數據系統,提升金融多媒體數據處理與理解能力,建立金融風險智能預警與防控系統。國家外匯管理局積極探索監管科技,提出建設“數字外管”等頂層設計要求,形成大數據實時監測和管理平臺,利用大數據和人工智能加強事中、事后監管,提升“微觀監管”精準打擊能力。

2017年起,伴隨著金融科技的發展,外匯局開始探索利用大數據和人工智能來加強事中、事后監管,對“外匯非現場檢查分析系統”進行智能化升級,形成“外匯非現場檢查分析系統(新版)”。新版系統通過豐富并拓展內外部數據源,融合大數據、關系圖譜、專家系統等技術,實現海量金融數據的模型化、可視化分析,提高監管的針對性和有效性。

一是數據層面趨向于豐富“大數據”基礎。一方面,在大數據時代要求數據字段越全越好、時序越長越好、顆粒越細越好的背景下,外匯局積累的全口徑、長時序、細顆粒的跨境收支數據,適應了監管科技的發展要求;另一方面,納入了其他監管部門的專有數據及市場采購等企業基礎信息數據。

二是引入“關系圖譜”實現可視化分析,借助多維數據穿透隱性關系,鎖定涉嫌違法犯罪團伙。“關系圖譜”將收付款關系、股權關系等多類關系型數據,利用圖數據技術展示出來。憑借這一“關系圖譜”,有助于外匯檢查部門從可疑企業出發,鎖定地下錢莊等違法團伙。

三是構建“特征矩陣”實現“模型式”和“場景化”分析,精準發掘異常企業。“特征矩陣”是基于多個外匯業務場景的多項違規特征建立的系統化異常篩查模型,可定期對企業符合違規特征的程度進行綜合性打分,并推送違規特征符合度高的高分企業作為篩查目標,促進了線索生產流程的智能化和自動化。

四是完善“負面主體”信息庫,助力線索拓展和機器學習。負面主體是機器學習的核心資源,有監督學習可通過學習負面樣本行為模式,總結其特征和規律,再在新群體中尋找與其行為最類似的可疑主體;無監督學習則可通過黑箱學習,產生大量不可解釋的異常主體結果,通過負面主體協助研判,識別和鎖定其中 的高危群體。國家外匯管理局通過對近年來外匯違規處 罰主體相關信息進行全面梳理,構建了相關負面主體信息庫,作為AI機器學習的關鍵資源,并構建了非現場檢查分析模型,用于分析可疑線索和主體,進而查實違規案件。

依托于智能化升級后的外匯非現場檢查分析系統,外匯檢查精準打擊取得了顯著成效。近三年,非現場檢查對案件罰沒款貢獻率均高于此前水平。非現場檢查分析對虛假欺騙性交易等實質性違規案件的甄別作用進一步凸顯,發現了一大批地下錢莊、虛假貿易等大案要案,案均罰沒款也顯著增長。

二、未來發展方向

近年來,國家外匯管理局在局黨組的高度重視與正確領導下,在數據拓展和技術應用方面不斷突破,做了大量基礎性工作,奠定應用大數據和人工智能的基礎。但現階段外匯管理微觀監管分析仍處于“人機互融,增強智能”的初級水平,需更深入地實踐機器學習、挖掘數據資源、提高數據加工水平,以彌補人類專家局限,實現“人機互融”的發展目標。

其一,要進一步完善大數據范圍,通過標準化、自動化、流程化的方式,搭建大數據平臺。一是要堅持外匯管理對跨境交易數據的全口徑、細顆粒采集,并根據我國對外開放的深化和外匯業務的拓展,進一步優化數據采集手段,擴展數據采集范圍。二是繼續研究契合外匯檢查業務需求的外部數據資源,以支持開展多維數據分析。三是積極探索與其他監管機構共享負面主體信息的長效機制,防止部門間形成“信息孤島”。

其二,進一步提高人工智能技術的應用水平。一是逐步將專家規則篩查轉向機器自主學習、甄別和挖掘異常主體和交易特征,更深入地實踐機器學習、挖掘數據資源、提高數據加工水平,充分發揮機器的智能感知功能。二是設計自動化、可視化的交互界面,提高外匯監管分析平臺的易用性。三是提高算法自動篩查線索能力,使系統能夠自己利用數據,總結新特征,精準識別違規行為或進行預警。

未來,外匯管理部門將繼續向著“機器為主,人工為輔”的目標努力,提高非現場分析識別虛假欺騙性交易和非法跨境金融活動等重大違規能力,精準打擊外匯違法違規行為,擔負起“在開放中適應開放,切實防范跨境資金流動風險,維護國家經濟金融安全”的光榮使命。



铁牛视频app下载苹果-铁牛视频app下载地址-铁牛视频app破解版ios