资负管理框架重塑！

资产负债管理在数字智能化下应用趋势的一些思考

商业银行资产负债管理的目标，是通过对资金、收益和风险管理，实现经营过程中企业的流动性、安全性和盈利的统一。国内商业银行目前通行的组织架构是设置专门部门来负责全行的资产负债管理（ALM）。其管理职能，从最初的财务会计报告编制开始，在资金和金融产品两个维度对银行的资产负债进行汇总解读；又逐步过渡到管理会计的职能，即增加了对期限的管理，防止现金流、利率以及货币的错配。管理会计的职能不仅包括对银行账簿的管理，同时对交易账簿也要进行管理。

随着巴塞尔II和III的监管体系落实，以及银行本身转向以风险管理驱动为主的企业文化的形成，资产负债管理从传统的企业融资和内部转移定价责任，逐渐包括了对各类风险进行管理的职责，这些风险包括流动性风险管理、银行账簿利率风险管理、外汇风险管理、集中度风险管理等。银行开始以风险资本视角统筹对资产负债的管理责任，资产负债表明确承受风险资本的约束。而如何在资本约束下管理资产负债表，既考验管理者智慧，也考验监管者智慧。

在上述职能转变的过程中，不同银行的管理水平参差不同，职能转变进度快慢不等，由于资金流动和风险的交错，以及整体资产负债视角管理的要求，大多数银行并未按照银行账簿和交易账簿分设部门，而是将两者放在一起，统称司库、或资金部或资金中心（英文名称：Treasury）进行统筹管理。国外的商业银行，特别是欧、美、日等发达地区和国家的商业银行，则不会有这种部门。国外银行通常是通过司库+风险管理部+资产负债管理委员会的职能组合，去统筹资产负债业务，行使资产负债管理职能。其中最重要的资产负债表管理（BSM）职责，由司库部门承担。

本文所述的资产负债管理概念，不仅包括狭义的BSM管理，更包括对资产负债下各类主要风险的管理。在当前数字化和智能化时代，如何实现资产负债业务的高效和先进管理的核心在于（1）对银行资产负债业务进行完善的数据管理；（2）融合先进风险计量的管理功能；以及（3）通过AI智能实现对业务管理的能力，同时规避智能化带来的黑箱风险，满足监管的要求。

一、完善资产负债数据管理体系

资产负债管理活动贯穿于资产负债表内和表外，既追求绩效（KPI），又关注风险（KRI），因此先进的资产负债管理体系必须从传统的财务和会计视角的数据管理理念，扩展到风险和资本管理理念。也就是说，完善的资产负债数据管理体系，必须在头寸和转移定价的维度上，加上风险维度。

而且，资产负债管理跨界银行账簿和交易账簿，在相关信用风险和市场风险计量的基础上，扩展至更细化的风险计量和管理指标，包括交易对手信用风险和集中度风险、利率风险、外汇风险、流动性风险、错配风险（期限、货币、利率等）、重定价风险等，这些风险指标的计量，又会涉及信用和市场风险的基本计量（如资产估值）。

因此资产负债数据管理体系数据模型的构建，需要基于以下四个维度。

● 产品维度：包含资产项目、负债项目、所有者权益及表外项目（机构、部门、客户通常是产品的持有者和所有者，因此归入产品维度项下）。

● 交易维度：交易属性，适用的风险参数、所属的计量方法和风险指标等。

● 管理维度：客户信息、财务信息、组合结构、交易对手、交易台实施与实现-商业银行业务系统构架BIT Architecture for Data-Driven Banking

完善的资产负债数据管理体系必须对接银行内部支撑业务运营的IT系统，通常包括：

● 存储并提供客户信息的客户服务系统。

● 处理各类业务交易（存款、贷款、汇款、资金交易等）的交易处理系统。

● 负责资金清算与会计核算的账务处理系统。、

● 负责业务报表和数据分析的管理信息系统。

● 基础的风险计量模型，如信用评级系统、市场风险估值系统等。

在集中的资产负债管理信息系统中，以上各类系统则做为一体化系统的子模块存在，通过资产负债管理的数据底座，实现资产负债各类风险计量和报表的生成。相关的资产负债数据底座，其数据物理逻辑必须和其他业务系统（模块）的数据结构兼容或统一，这些业务数据包括：

（1）客户信息（CIF），如个人客户、公司客户、机构客户、其它客户；（2）交易信息（TIF），包括日期、产品、货币、期限、金额、价格等；

（3）账务信息（AIF），包括会计核算及总账科目信息；

（4）管理信息（MIF），包括全行数据仓库（湖）管理、业务和绩效管理、内部报表系统、信息技术管理（如安全系统）、第三方大数据管理等。特别是在当前智能化应用时代，资产负债数据管理体系还需要有机对接人工智能的应用管理体系。

由此看来，资产负债数据管理体系建设，是银行业务和风险管理的高度综合工作，因此必须基于企业级统一的业务数据标准上开展基本设计和开发。

业务数据标准（即数据的业务标准）是企业数据标准的一个关键子集，是指业务数据的分类聚合标准，也称业务数据口径。业务数据标准是商业银行管理信息系统（MIS）的通用语言。没有业务数据标准，会出现数据沟通理解、数据ETL和数据聚合困难，产生数据孤岛和数据垃圾。

业务数据的分类聚合通常借助树状业务编码实现。包括：

● 客户码用于区分不同的客户，如内部客户、外部客户，关联客户等。

● 交易码用于区分不同的交易，如交易台1第xx笔交易。

● 产品码用于区分不同的产品。比如资产类产品、负债类产品、权益类产品、结构性衍生类产品。

● 账务码包括会计核算码和总账科目码，用于记录账务信息。

● 统计码用于区分不同的统计项目，记录不同的统计项目口径（也称统计项目归属）。

这些业务编码需要遵循业务逻辑，采用总、分结构，逐级向上体现子、母之间的多对一汇总关系（例如，交易码→产品码→账务码→统计码），避免多对多交叉关系。

二、先进的风险计量体系

按照巴塞尔2/3，以及银保监管的监管精神，先进的资产负债管理体系必须以面向未来的风险管控为核心，围绕风险资本为主体进行管理。这意味着商业银行必须对传统以静态统计报表的管理体系进行重大改变，实现动态风险分析为基准的管理框架。

从业务功能上，传统的资产负债相关的风险计量模块和先进的体系并无大致的差异（如下图所示），但是从风险计量体系视角来看，是截然不同的理念和物理体现。

图1：资产负债计量的主要功能模块

首先，针对资产负债管理的风险计量系统（模块）采用先进的面向未来（Mark-to-Future-MtF）风险计算技术，该技术的理念哲理是对风险因子未来变化进行模拟，并对可能的资产和负债的各类风险进行计量和管理。MtF也是巴塞尔协议框架的架构，其实施范围已经从市场风险测量逐步扩展到信用风险、操作风险、流动性风险等全面风险管理领域。

下图显示了MtF的基本思想，也就是资产负债交易的产品以及组合价值，随着时间的跨度会不断变化，而我们从概率角度把握风险因子的变化，就可以描述出风险轮廓和价值变化。

图2：面向未来风险计量体系理念架构

为了实现上述的理念架构，从计量层面我们可以将计算功能分解为时间/情景/交易产品三维度，通过分别计算或模拟来汇总风险测量值。

图3；现金流计量的核心模块和流程

先进的资产负债风险计量体系，需要核心的风险计量引擎来实时、动态地计算资产负债的未来现金流。该计量引擎内嵌基础金融产品或交易的估值函数和风险计量模型，计量引擎读取资产负债的产品信息（金融工具），针对资产负债表的交易底层颗粒的信息，结合风险因子数据和各类计量参考数据，计算资产负债组合的不同交易的未来现金流，最后通过聚合可以计算不同期限和维度的现金流发布。

在实现层面，我们不仅需要计算当前时间未来的风险指标，还需要考虑资产负债的未来动态变化，通过完善的资产负债数据管理体系，实现对未来风险指标的实时计算能力。未来时间段的现金流计算是大多数资产负债风险计量指标的基础，我们以此为例子，来看看先进资产负债风险计量体系的核心组成和计算流。

针对资产类交易和负债类交易，风险计量引擎的现金流计算的配置会有所差异。相关的配置见下图4和图5。

图4：资产端的现金流计算配置图5：负债端的现金流计算配置

基于风险计量的未来现金流测算，是所有资产负债管理中各类风险指标和统计指标的基础，获得此类计算结果，资产负债的管理功能就能够轻松实现。同样，在风险计量中通过对风险因子和参数的动态调整，我们相应地可以实现对资产负债的动态计量和管理。这些动态调整包括：

● 风险因子敏感性分析：压力情景导致风险因子的变化，造成资产价格和融资成本的变动，并反映到现金流和流动性风险指标上面。该方法的传导模型是金融工具的估值定价模型。

● 客户行为模型：压力情景导致客户行为发生变化，通过客户行为模型的参数进行调整，最后反映到现金流和流动性指标。

● 动态交易策略：业务变化，或者增加新的业务类型，通过“动态交易策略”模块，将业务变化反映到头寸或组合层面的现金流变化，并计算压力情景下的流动性指标。

三、智能化的应用

近几年人工智能技术的飞速发展，使得智能化在各类银行业务管理的应用成为可能和现实，这些应用不仅在业务辅助层面在大量实践，如客户服务、信息查询、流程管理等，也在业务管理和风险计量层面获得实现。

例如，资产负债管理上我们可以采用人工智能方式对客户行为模型进行建模，可以极大的提高数据处理能力和模型准确性，同时极大地降低了相关模型的维护和更新成本。

其他可能的应用方向还包括模型验证、数据管理、规则应用、分析支持和报告生成等方面。

例如，有银行银行方使用人工智能算法开发客户行为预测模型，用于预测利率波动下客户的贷款提前还款、定期存款提前支取等行为。这些模型的输出直接用于计算资产负债现金流、净利息收入（NII）和股权经济价值（EVE），对流动性和银行账簿的利率风险管理至关重要。

人工智能在银行风险计量和业务管理的应用的监管边界是目前的持续演进的议题，国家金融监督管理总局于2026年6月18日发布了《关于银行业保险业人工智能安全开发应用的指导意见》（金发〔2026〕8号文）。该监管指导要求银行建立四条防线保障人工智能的合理实施和应用，包括：

● 第一条防线：项目周期。通过项目实施的业务与技术部门，使用模型卡、数据清单等工具进行标准化记录；落实功能边界与系统数据权限设定。

● 第二条防线：评审周期。通过风险合规部门和独立模型验证团队，对AI应用按风险等级实施差异化管理；开展上线前评审与持续监测。

● 第三条防线：季度/年度审查。通过内部审计部门在董（理）事会指导下，开展独立审计，输出年度人工智能治理报告，评估治理体系有效性。

● 第四条防线：实时监控。通过AI技术治理平台和安全运营团队（新增），实现实时护栏、硬控制自动化、漂移监测与执行阻断——把制度要求转化为系统强制力。

在资产负债管理中采用人工智能技术和应用，也必须考虑整体的智能体应用的治理问题。例如，上面采用人工智能算法建立预测客户行为的模型，不仅要考虑建模的效率和预测的准确性，还要考虑对模型应用的持续监控，并能够向监管机构解析模型的内涵，杜绝黑盒子应用规避监管的透明性。

例如，我们可以通过开发独立的挑战者模型（Challenger Model）——逻辑回归（LR）和随机森林（RF）——对银行原人工智能模型进行全维度验证与对比评估。同时，我们通过AI智能体管理平台对相关的模型和应用表现进行持续监控。

四、小结

先进的资产负债管理体系，是现代银行业务经营的重要保证。在数字化和智能化技术的叠加下，落实先进的资产负债管理成为我国商业银行管理的迫切选项。这也要求商业银行具有相关的专业能力和技术团队，确保相关的核心模块的落实，其中：

● 完善的资产负债数据管理体系是工作基础；

● 面向未来的风险计量引擎是核心关键；

● 智能化是提高应用和管理效率的加速器。