大数据建设:智慧金融审计的未来之路

全文总计 3343 字,阅读时间 9 分钟,快速浏览仅需 2 分钟。

内容摘要:应用大数据技术是实现审计全覆盖的必由之路,大数据审计建设是影响审计事业未来发展的核心事项。金融审计大数据建设是审计信息化建设工作的重要组成部分,研究认为金融审计大数据建设应着力从三个核心要素开展,即金融审计大数据分析的计算平台、金融审计的大数据标准和金融审

GB/T 7714-2015 格式引文:[1].大数据建设:智慧金融审计的未来之路.[J]或者报纸[N].审计观察,(20191):14-17

正文内容

  应用大数据技术是实现审计全覆盖的必由之路,大数据审计建设是影响审计事业未来发展的核心事项。金融审计大数据建设是审计信息化建设工作的重要组成部分,研究认为金融审计大数据建设应着力从三个核心要素开展,即金融审计大数据分析的计算平台、金融审计的大数据标准和金融审计分析处理数据的技术方法。“三要素”的建设目标应该为,金融审计大数据分析计算平台的云架构化、金融审计大数据的标准化和金融审计数据分析技术方法的模型化。实现三个要素的“三化”目标是真正实现金融审计智能化的技术前提。

  实现金融审计大数据分析计算平台的云架构化

  金融审计大数据的采集、存储、预处理、建模和分析均需在大数据分析平台进行,平台的性能直接影响金融审计大数据分析的效率和效果。基于结构化数据、关系型数据库的传统分析平台,难以满足具有多源异构特征的金融审计数据大规模存储和高强度计算的需要。因此,需要建设金融审计大数据分析的云架构平台。

  金融审计大数据云平台主要功能是满足金融大数据分析的需要,其建设必须突出金融审计行业大数据分析的特点:一是金融审计对大数据分析计算的精度要求较高。现代金融,一个最显著的特征就是海量的数据,金融审计要和海量大数据打交道,因此,对分析计算的精度具有较高的要求,综合考虑各类架构计算平台运行特点,可以考虑搭建混合架构的金融审计大数据分析云平台。二是跨数据库关联分析要求高。金融审计大数据包括银行、证券、保险、信托、债券、金融衍生品等众多领域数据,进行审计分析时,需要跨不同业务领域和行业数据库进行数据关联比对分析,进而发现审计线索。这种大规模跨数据库调用数据会消耗大量时间和网络资源,降低大数据审计分析效率,在金融审计大数据云架构规划时要充分考虑金融审计数据分析这项特殊需求。三是安全性要求极高。金融安全是国家经济安全的重要内容,数据安全是大数据审计分析的前提和生命线。金融审计大数据云平台的安全性,需要大数据审计专有云服务机构对未经授权的用户访问实施有效控制,并对金融审计大数据进行加密,在平台构建中规划合理的数据架构来支撑。

  实现金融审计大数据的标准化

  数据的采集、存储、转换、更新、访问、交换都需要有一套金融审计行业适用的数据标准。标准的制定是金融审计大数据建设一项艰巨的基础设施工程,这项工作既要有行业层面系统性规划,又要有基于对每一项金融审计业务深刻理解基础上的细节性设计,进而构建金融审计结构化和非结构化的数据标准体系,搭建标准化的数据高速公路。

  金融审计标准化数据包括商业银行、政策性银行、证券、保险、期货、债券、金融衍生品、货币市场金融产品等领域。其中商业银行数据是金融审计大数据标准化的核心内容,但商业银行审计大数据来源于各项业务活动,信息互联互通性差,具有“信息孤岛”性质。因此,制定商业银行审计数据标准是解决审计数据“信息孤岛”的根本途径,也是不同信息管理系统之间数据交换和操作的基础。金融审计数据标准化可以解决金融大数据有效利用的问题,便于数据的挖掘、利用、分析,实现数据的使用价值。商业银行审计结构化数据接口标准体系的构建强化了金融审计功能,扩大了审计业务广度和深度。目前,商业银行审计数据接口标准2.0版已经进入应用阶段,为今后对更多商业银行开展信息化审计、商业银行审计大数据标准体系的构建及系统建设奠定了坚实的基础。

  金融审计大数据标准应具备如下特点:一是在细节方面要具备科学性、准确性。金融审计大数据采集的粒度要掌握科学的尺度,若数据采集粒度过大、字段包含的经济含义过于广泛,会影响信息的原始性,进行数据分析时,数据分析模型无法捕捉到审计对象真实的历史信息,会发生虚数真审的情况,将严重误导数据分析模型,无法分析出有价值的信息线索,甚至会得出错误的结果。若审计数据采集粒度过小,会影响数据标准的通用性,导致从不同金融机构采集的数据很难关联分析,金融大数据审计分析无法顺利开展。因此,金融审计大数据标准要在对每一项审计业务深刻理解的基础上,进行科学准确的细节性设计,才能保证采集存储的大数据好用、管用。二是要具备较强的兼容性和扩展性。既要考虑到金融审计业务的共性,也要关注各个金融机构的特点,在设计审计大数据标准时要充分考虑兼容性,使各类金融机构的主要数据都能涵盖在金融审计大数据标准的框架下,否则有些数据无法纳入标准体系,造成金融审计数据不完整,将严重影响数据整体分析的效果。随着金融审计业务的不断发展,未来会有新的数据需要采集分析,因此,金融审计大数据标准还要充分考虑到数据扩展的需求。

  金融审计大数据关联分析正由银行业分析向金融领域分析拓展。根据金融风险审计、金融政策跟踪审计和金融机构经济责任审计的需求,需要综合商业银行、政策性银行、证券、保险、期货、债券、金融衍生品、货币市场等领域金融数据,对这些领域的金融审计大数据标准化的工作也亟待开展,应该在逐步完善商业银行大数据标准的同时,开展其他金融审计大数据标准化工作。

  实现金融审计大数据分析方法的模型化

  金融审计大数据云平台、大数据标准体系两个要素是实现金融审计大数据分析的基础设施,金融审计大数据分析模型是发现审计线索、解决审计问题的直接工具,金融审计大数据发挥价值的关键节点就在于模型构建的科学性,其直接影响金融审计大数据分析的效果。科学的金融审计模型的构建是一项科研性很强的工作,要基于对金融审计业务的全面深入认识和对计算机实现算法的深刻理解,且只有二者有机结合、高度统一才能研究构建出真正解决实际问题的金融审计大数据分析模型。

  一是基于审计专家经验的查询类分析模型的构建。此类模型依赖于金融审计实践中形成和积累并已被证明有效的审计专家经验,是基于已知先验知识构建的金融审计大数据分析模型。通过此类分析模型实现审计专家经验的知识化、模型化,让金融审计专家经验以知识的形式得以固化和传播,以模型的形式得以快速推广和应用,产生实际的审计生产力。多年来,全国审计机关积累和总结了宝贵的计算机审计专家经验、审计方法和审计技术创新案例,在此基础上对其进行更新和完善,构建种类比较齐全的查询类大数据分析模型库。同时,可在审计专网建立金融审计大数据分析模型众创和共享平台,集全国金融审计人员智慧不断添加新的大数据分析模型,以实现模型建设高效、高质量发展。

  二是基于机器学习的数据挖掘类金融审计大数据分析模型的构建。要让金融审计大数据资源真正成为数据宝藏、切实发挥审计功能,就要对数据中蕴藏的价值进行深度挖掘分析,让数据说话,这就需要运用机器学习算法构建金融审计大数据挖掘模型。与基于审计专家经验的查询类大数据分析模型不同,基于机器学习的数据挖掘类大数据分析模型发现的是事先没有已知经验的金融审计知识和规律,是机器学习算法通过对金融大数据中隐藏知识的挖掘,来发现金融审计线索和分析解决金融审计问题。构建数据挖掘类大数据分析模型的门槛相对较高,需要对深度学习、支持向量机、人工神经网络、决策树、贝叶斯、最小二乘等算法的数学机理透彻理解,熟练运用计算机语言,实现对审计大数据的分类、关联规则、聚类、时间序列等数据挖掘分析。同时,梳理和归纳可以通过数据挖掘模型解决的金融审计问题,构建人工智能金融审计问题库。目前的机器学习算法适合于解决分类、关联规则、聚类、时间序列等问题,但并不是所有的金融审计问题都可以使用机器学习工具分析,因此需要将基于机器学习的数据挖掘类和基于金融审计专家经验的查询类二者结合,共同构成金融审计大数据分析模型体系。正是因为基于机器学习的金融审计数据挖掘类大数据分析模型有其特定的应用场景,需要系统地梳理金融审计业务问题,分门别类地构建出可以用机器学习工具挖掘分析的人工智能金融审计问题库。

  综上所述,分析平台架构一致、数据标准统一和方法模型通用是金融审计大数据建设的三个基本要素,而大数据金融又是有效贯彻落实党的十九大关于“构建党统一领导、全面覆盖、权威高效的监督体系”要求的技术前提和基础,应紧紧围绕这三个要素从整体上着眼科学系统规划、从细节处着手扎实稳步推进,守正笃实、久久为功,充分发挥金融审计的智慧和力量,不断建设完善以金融审计大数据技术为基础的“智慧金融审计”体系。

推荐10篇