2、监管科技基础：金融监管体系、监管数据、监管报告、合规管理的基本概念与术语
监管科技（RegTech）的落地，首先要求从业者建立一套统一的“监管语言”。金融监管体系、监管数据、监管报告与合规管理，构成了监管科技平台架构的四大基石。理解这些基础概念，不是背诵定义，而是要厘清它们之间的数据流转关系、职责边界与逻辑层级。本章将围绕这四个核心域展开，帮助你在后续的规则数字化与平台架构设计中，找到正确的锚点。
2.1 金融监管体系：规则的分层与来源
金融监管体系是监管科技平台处理“规则”的源头。在中国语境下，监管规则呈现明显的金字塔结构。理解这一分层，是规则数字化（将自然语言规则转化为可执行逻辑）的前提。
2.1.1 核心原理：规则分层与效力位阶
金融监管规则自上而下分为五个层级，效力逐级递减，但颗粒度逐级细化。监管科技平台在解析规则时，必须遵循“上位法优先、下位法细化”的原则，同时处理不同层级之间的映射关系。
| 层级 | 制定主体 | 典型文件 | 规则特征 | 数字化难度 |
|---|---|---|---|---|
| 法律 | 全国人大及其常委会 | 《中国人民银行法》《商业银行法》 | 原则性、稳定性强 | 高（需人工解读） |
| 行政法规 | 国务院 | 《金融机构反洗钱规定》 | 操作性增强 | 中高 |
| 部门规章 | 央行、金融监管总局、证监会 | 《金融机构客户身份识别和客户身份资料及交易记录保存管理办法》 | 明确行为规范 | 中 |
| 规范性文件 | 监管机构内设部门 | 《关于规范现金管理类理财产品管理有关事项的通知》 | 具体执行口径 | 中低 |
| 行业标准与自律规则 | 行业协会、交易所 | 《证券期货业数据模型》 | 技术细节、数据格式 | 低（可直接转换） |
2.1.2 判断方法：规则适用性分析
在平台架构中，规则引擎需要判断“某条规则是否适用于当前业务场景”。判断流程如下：
- 业务场景识别：明确业务类型（如对公贷款、零售理财）、产品属性、客户类型。
- 规则层级匹配：先定位到最高层级的适用法律，再逐级向下筛选。
- 效力冲突检测：当下位法与上位法冲突时，自动标记并提示人工复核。
- 时效性校验：检查规则的有效期、修订版本、废止状态。
2.1.3 案例拆解：反洗钱客户身份识别规则
以《金融机构客户身份识别和客户身份资料及交易记录保存管理办法》为例，该规则涉及“客户风险等级划分”“身份资料保存期限”等要求。在数字化过程中，我们将其拆解为：
- 触发条件：客户建立业务关系、单笔交易金额超过5万元人民币等。
- 数据字段：客户名称、证件类型、证件号码、交易金额、交易时间。
- 动作要求：核对身份证件、登记基本信息、保存资料至少5年。
通过将上述要素转化为JSON Schema，规则引擎即可在交易发生时自动触发校验。
2.2 监管数据：从原始数据到监管指标
监管数据是监管科技平台处理的核心对象。它不仅仅是“数据本身”，更包含了数据模型、数据质量、数据口径等元数据层面的要求。
2.2.1 核心原理：监管数据的“三性”要求
监管数据必须满足准确性（数据真实反映业务）、完整性（无遗漏字段）、一致性（跨系统口径统一）。在平台架构中，这对应着数据校验引擎、数据补录流程和数据标准管理模块。
2.2.2 操作流程：监管数据标准化处理
- 数据源接入：通过API、文件传输、数据库直连等方式获取业务系统数据。
- 数据映射：将业务字段映射到监管数据字典（如EAST、1104报表字段）。
- 质量校验：执行非空校验、枚举值校验、逻辑关系校验（如贷款余额=贷款发放额-还款额）。
- 指标计算：按照监管公式计算资本充足率、不良贷款率等指标。
2.2.3 实战场景：EAST报送数据质量治理
某城商行在EAST（监管标准化数据）报送中，发现“贷款借据表”的“放款日期”字段存在大量空值。排查发现，信贷系统在历史数据迁移时未保留该字段。平台通过以下步骤解决：
- 数据探查：统计空值率（约12%），定位到2018年以前的历史数据。
- 补录方案：从影像系统中OCR识别合同签署日期作为近似值，并标记“人工复核”。
- 规则固化：在数据接入层增加“放款日期非空”校验规则，阻断后续新增脏数据。
2.3 监管报告：从数据到报送的最后一公里
监管报告是监管数据的具体呈现形式。监管科技平台的核心价值之一，就是实现“数据—报表—报送”的全链路自动化。
2.3.1 核心原理：报表的“三要素”
每一张监管报表都由模板结构（行列定义）、数据来源（取数逻辑）、校验规则（表内、表间勾稽关系）构成。平台需要将这三要素全部数字化。
2.3.2 对比分析：传统报送与RegTech报送
| 维度 | 传统手工报送 | RegTech平台报送 |
|---|---|---|
| 数据获取 | 人工从各系统导出Excel | 自动从数据仓库取数 |
| 校验方式 | 人工核对，易遗漏 | 系统自动执行数百条校验规则 |
| 报送时间 | 提前3天准备 | 实时生成，一键报送 |
| 差错率 | 约2%-5% | 低于0.1% |
| 审计追踪 | 难以追溯 | 全链路留痕 |
2.3.3 操作流程：监管报告自动化生成
- 模板解析：将监管下发的XML/Excel模板解析为内部报表模型。
- 取数配置：通过可视化界面配置“报表单元格=数据仓库SQL查询结果”。
- 试算与校验：执行表内校验（如资产=负债+所有者权益）和表间校验（如1104报表与EAST数据一致性）。
- 报送与归档：通过监管报送通道提交，并保存报送快照备查。
2.4 合规管理：从被动应对到主动防御
合规管理是监管科技平台的业务价值终点。它涵盖合规风险识别、评估、监测、报告的全流程。
2.4.1 核心原理：合规管理的“三道防线”
- 第一道防线：业务部门——负责执行合规要求，在业务流程中嵌入控制点。
- 第二道防线：合规管理部门——负责制定合规政策、监测合规风险。
- 第三道防线：内部审计——负责独立评价合规管理的有效性。
监管科技平台主要服务于第二道防线，通过自动化监测手段提升合规管理的覆盖面和时效性。
2.4.2 判断方法：合规风险热力图
平台通过“发生可能性×影响程度”两个维度，对合规风险进行量化评级。例如：
- 高风险：反洗钱违规（可能被暂停业务）、数据泄露（可能被重罚）。
- 中风险：适当性管理不到位、信息披露不完整。
- 低风险：内部流程文档缺失、培训记录不完整。
2.4.3 案例拆解：合规监测闭环
某证券公司利用监管科技平台，对“员工代客理财”行为进行监测。初始现象是合规部收到客户投诉，反映理财经理私自操作账户。平台分析过程如下：
- 数据接入：接入交易系统日志、员工办公电脑操作日志、客户账户流水。
- 规则配置：设置“同一IP地址在非工作时间登录客户账户”“员工设备与客户账户存在资金往来”等预警规则。
- 结果输出：系统在一周内识别出3个可疑账户，经人工核实后确认2起违规行为。
- 整改跟踪：平台生成整改任务，要求业务部门在5个工作日内完成客户回访和账户权限回收。
复盘经验：该案例的关键成功因素在于“跨系统数据关联分析”，单一系统数据无法发现此类隐蔽违规。