2026-10-14 14:30:03
10月13日，中证协发布了《证券业务示范实践第7号——证券公司风险数据管理》（下称《示范实践》）。
《示范实践》称，存在跨境子公司的证券公司，如涉及数据出境，需要对数据类型、规模、传输路径等情况开展数据跨境评估。例如，涉及个人信息出境的，需要开展个人信息影响评估。如涉及数据入境，需要依据跨境子公司所在的国家／地区的法律法规要求开展评估，确保数据入境的合法合规。
据悉，为促进证券公司系统性提升风险数据管理能力，筑牢全面风险管理的数据基础，以高质量风险数据驱动“穿透式＋全景式”风险管控体系的构建，中证协根据调研情况，结合证券公司风险数据管理的实践经验，起草了《示范实践》。
加强境外子公司风险数据治理
中证协称，随着证券公司跨境业务的持续拓展，境外子公司风险数据治理的战略重要性日益凸显。对于境外子公司普遍面临的境内外监管规则差异显著、信息系统建设滞后于业务发展等情况，证券公司可以在实施风险数据治理时对境外子公司按以下路径有序推进加强治理。
首先是启动境外子公司风险数据治理专项工作，组建专项工作组，建立定期会议沟通机制，常态化开展境内外监管合规差异评估，动态跟踪治理过程中的各类问题并推动闭环解决。
其次是加快境外子公司风险数据中心或集市的建设，制定覆盖母子公司全业务条线的统一风险数据字典，同步输出标准化的数据架构、模型设计规范及数据治理标准。
再次是强化数据质量全流程管控，根据境外子公司实际情况，通过跨境合规路径将证券公司风险数据应用层校验规则中针对境外子公司的规则前置至子公司风险数据中心或集市，根据证券公司实际情况，由证券公司负责指导子公司落地执行，通过源端把控与过程监控，提升风险数据报送的时效性、完整性与准确性。
AI与风险数据管理结合
中证协表示，随着AI技术的快速迭代发展，其在证券公司风险管理领域的应用场景越来越受到重视。负面舆情智能分析、风险报告自动化生成、风险知识库智能问答等核心场景，正在系统性重构证券公司风险管理体系。
AI与风险数据管理之间是协同演进、互为支撑的共生关系：一方面，AI可以助力风险数据的应用，例如在风险数据集市中引入大模型能力落地“AI问数”等核心场景，协助风险管理人员更高效、更便捷地使用数据。另一方面，风险数据管理是AI在风险管理中发挥效能的核心前提与基础支撑，AI模型的预测精度与决策可靠性，高度依赖高质量、标准化的基础数据。风险数据管理通过统一数据口径、开展全流程清洗校验、对数据分类分级等，可以有效解决数据杂乱、冗余、口径不统一等问题，显著提高AI模型输入数据的准确性。
同时，风险数据管理形成的统一风险数据字典、数据架构及数据标准，可以协助打破母子公司各业务条线间的数据孤岛，为AI模型跨场景调用数据提供高效通道，为风控数字化、智能化改造奠定基础。在模型训练与部署应用的全过程中，证券公司应遵守数据安全、审计追踪等方面的内外部要求，提升数据及算法模型的可追溯性与可解释性，防范数据污染、模型偏差等衍生风险，健全AI应用的内部控制体系，加强AI访问数据权限管理，关注并妥善解决数据安全、模型安全等潜在风险。
中证协称，总体来说，AI与风险数据管理的深度融合，可以有效推动证券公司风险管理从“被动型、事后型”向“主动型、前瞻型”的战略升级。
实践中面临诸多共性问题
据悉，《示范实践》从夯实风险管理数据质量、提升风险管理数据价值的角度出发，聚焦风险数据战略、风险数据治理、风险数据架构、风险数据标准、风险数据安全、风险数据质量六大风险数据管理能力域，指导证券公司从战略层面提升对风险数据管理的重视程度。
中证协表示，近年来，随着资本市场全面深化改革持续推进，证券公司业务领域不断拓展、产品结构加速创新、集团化与国际化经营程度日益加深。风险数据的广度、深度和复杂度显著增加，对证券公司风险数据管理的精细化水平提出了更高要求。然而，证券公司在实践中仍面临诸多共性问题：源端系统分散，数据共享协同效率不高；集团内风险数据标准尚未完全统一，风险数据质量有待加强；对子公司及跨境业务的风险数据穿透式管理仍存在短板；风险数据管理机制尚需进一步优化。上述因素导致风险数据在集团层面的汇聚、整合与穿透仍面临一定制约，对风险识别、计量、监控的时效性和准确性产生一定影响。
当前，如何从战略层面提升对风险数据治理的重视程度，建立权责清晰、执行有力的风险数据治理架构，构建统一的风险数据标准体系，实施全生命周期的风险数据质量管理，并最终实现集团风险数据的集中统一管理，已成为证券公司夯实风险管理根基、实现高质量发展过程中普遍关切的难题。为此，中证协风险管理委员会结合行业实践，总结优秀经验，形成《示范实践》，供行业参考和借鉴。