3、风险管理中的数据管理与准备

风险管理中的数据管理与准备

一、AI与机器学习背景下的数据治理重要性

在当今的风险管理领域，AI和机器学习的应用日益广泛，但它们的不可解释性往往掩盖了潜在的数据问题，使得现有的数据质量方法在深度学习算法的多层抽象面前显得力不从心。因此，组织可能需要借助AI来管理数据中的风险。

AI和机器学习的应用离不开现有的业务流程。为了从其应用中获益，组织需要采用全面的企业数据管理方法，涵盖数据收集、建模、下游流程、报告和披露等各个环节。实际上，对于AI和机器学习而言，数据治理与模型治理同样重要。

（一）数据治理对风险职能的重要性

历史上，许多组织缺乏战略性的数据管理和准备方法。对于金融机构来说，遵守BCBS239原则意味着它们必须通过跟踪用于风险测量和管理的数据的准确性、完整性和一致性，来强化数据聚合和报告能力。

BCBS239指南自全球金融危机后制定以来，对全球金融机构构成了重大的变革挑战。它包含四个紧密相关的主题，有助于更好、更统一地管理风险敞口：
1. 风险治理与基础设施
2. 风险数据聚合
3. 风险报告实践
4. **风险监督审查

这四个主题由11项原则支持，其中多项原则侧重于提高数据质量和数据管理，以实现更好、更统一的风险敞口管理。

序号	原则内容
1