证券公司风险数据管理示范实践落地：统一风险数据字典与境外子公司治理路径拆解

证券公司风险数据管理示范实践落地统一风险数据字典与境外子公司治理路径拆解摘要中证协 2026 年 10 月 13 日发布《证券业务示范实践第7号——证券公司风险数据管理》把穿透式全景式风险管控落到数据侧一套覆盖母子公司的统一风险数据字典、一条境外子公司风险数据治理路径、一套前置到源端的质量规则。本文拆解这份示范实践给出的三类产物、字典的字段级模板与报送口径双向映射方法、境外子公司先接通—再统一—后穿透的分期路径以及 AI 问数进风险集市的前置条件附落地检查清单与四个常见坑。前言风险数据管理这件事在券商里长期是每年应付一次的活。我调研过的几家公司报送给监管的风险数据分散在七八个系统里客户信息在 CRM、持仓在交易系统、担保品在单独的担保品系统、舆情在采购的外部数据源。风控部门每个月要做一次数据对齐本质上是人工把不同系统的口径掰到一致。这个过程有两个必然结果一是慢月报永远在最后三天赶二是错同一个融资融券余额在不同系统里含义不同改口径要开会。跨境业务一来问题翻倍。境外子公司的监管规则、会计口径、系统能力都和总部不一样总部定的质量标准到子公司执行时往往要打折。2026 年 10 月 13 日中证协发布《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》给出的正是针对这两类问题的落地路径。它明确了一个目标——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也给了三条具体抓手统一风险数据字典、境外子公司治理路径、质量规则前置。下面按问题拆解—字典怎么建—境外怎么推—AI 怎么接—检查清单—避坑六段展开。一、先看清三个结构性难题《示范实践》要解决的不是某个系统数据不准而是三个结构性问题。难题一风险数据的三多一少表现具体形态后果系统多交易、担保、信用、舆情、财务各自成库同一指标多个来源取哪张表靠经验口径多同一指标在报送口径与内控口径下算法不同报送数 ≠ 内部风险数解释成本极高报送多监管报表、集团报表、内部管理报表三套一套数据三处维护改一处漏两处统一治理少缺统一字典、统一主键、统一责任主体出问题找不到人改不动三多一少的根因不是技术是字典缺位。没有一份权威的、覆盖母子公司全业务条线的数据字典任何口径统一都只能靠开会。难题二境外子公司的结构性差异《示范实践》对这块的表述很克制但指向明确境外子公司普遍面临境内外监管规则差异显著、信息系统建设滞后于业务发展。这两句话翻译成工程语言就是总部定的数据架构和模型设计规范到境外子公司可能既不合规、也没有系统承载。难题三质量规则只装在出口不装在源头多数公司的做法是数据报到总部在应用层跑一批校验规则不合格就打回。这么做的代价是——问题在最后一公里才被发现修补成本最高。一次数据不合格子公司的业务人员要回头翻原始凭证一来一回是几天。二、统一风险数据字典怎么建《示范实践》给的要求可以拆成两句话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。这四样东西不是并列的四份文档而是一条链数据架构分几域、几类实体 ↓ 约束 模型设计规范表怎么建、键怎么定、字段怎么命名 ↓ 对齐 数据治理标准口径、质量、责任、变更 ↓ 沉淀 统一风险数据字典唯一权威口径载体2.1 字典的字段级模板我把字典条目建议的最小字段列成表。这九项缺任何一项字典就退化成一个名词表。#字段说明示例1指标/数据项名称全公司唯一命名含命名规范前缀RISK.MARGIN.BALANCE2业务定义一句话讲清在算什么客户融资融券未了结合约的应收余额3计算口径分子分母、包含/排除项写全含未到期利息不含已强平合约4统计范围主体范围、账户范围、时间口径集团口径信用账户业务发生日5单位与币种元/万元本币/原币元人民币6来源系统与表权威来源唯一指定信用交易系统cr_margin_pos7报送口径映射对上报表的对应项与差异说明监管报表 X 表第 N 行含/不含项差异8责任主体业务责任人 技术责任人信用业务部 / 数据平台组9质量门槛与时效完整性、准确性阈值T1 或实时准确率 ≥ 99.5%T1 08:30 前就绪第 7 项报送口径映射是券商特有的刚需。内部风控口径和监管报送口径不一致是常态不是错误。关键是把差异显式写在字典里而不是每次靠人回忆。risk_metric:code:RISK.MARGIN.BALANCEdefinition:客户融资融券未了结合约应收余额caliber:includes:[未到期利息]excludes:[已强平合约,已核销部分]time_basis:业务发生日scope:{entity:集团,account:信用账户}source:{system:信用交易系统,table:cr_margin_pos}reporting_mapping:-report:监管报表X表line:第N行diff:报送不含未到期利息差额需在报送前扣减owner:{business:信用业务部,tech:数据平台组}quality:{accuracy:99.5%,freshness:T1 08:30前}2.2 主键与实体对齐先行字典里最容易被低估的是主键。风险数据要穿透靠的是实体能对齐客户经纪客户号、信用客户号、机构客户编码是否统一到同一个cust_uid合约融资合约与融券合约是否共用一套contract_id规则交易对手集团客户是否做集团合并视图同一实控人下多个法人主体。这三个实体对不齐穿透式就只能停在口号上。建议做法字典每条数据项都要标注连接键用哪一套并且把映射质量1:1 / 1:N写进去。2.3 字典的维护机制字典不是一次编完就完事。建议三条机制唯一入口所有口径变更只能通过字典提交流程不接受口头对齐版本化字典条目带生效日期与版本号历史报送可回溯到当时口径变更影响面自动提示字典条目与报表、指标、下游模型建立关联改一条自动列出受影响清单。三、境外子公司治理路径先接通、再统一、后穿透《示范实践》对境外子公司给了三条明确动作我把它整理成一条分期路径。3.1 第一步专项工作组 常态化合规差异评估原文要求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。这一步的产出不是系统是一份**《境内外监管差异清单》**。清单至少要覆盖差异维度要问的问题典型结论形态数据范围哪些数据境内要报、境外不要求反之呢需新增/可豁免字段清单口径定义同名指标在两地定义是否一致差异项 转换规则保留期限数据留存年限要求是否不同最长要求为准出境合规是否涉及个人信息出境是否需评估的判定结论报送时效时限与格式要求差异对系统的时效约束3.2 第二步建设境外子公司风险数据中心或集市《示范实践》明确要求加快境外子公司风险数据中心或集市的建设并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。这里的取舍很关键是建中心还是建集市形态适用条件代价风险数据中心子公司业务量较大、系统能力较好、需要本地留存建设与运维成本高风险数据集市业务量有限、以报送和汇总为主本地分析能力弱依赖总部我的建议是先集市、后中心先用集市把能报得出、报得准解决等业务量与本地监管要求都上来了再考虑升级为中心。别在第一期就按最高形态立项。3.3 第三步质量规则前置到源端这是《示范实践》里最有工程价值的一条通过跨境合规路径将总部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由总部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。拆成动作就是规则分拣把总部规则集分成通用规则与仅适用境外子公司的规则规则下发只下发后者减少子公司的执行负担本地执行在子公司集市/中心的入仓环节跑校验不合格不入仓过程监控总部看到的是规则执行率 拦截量而不是月底的一堆不合格提示。关键指标建议规则前置后把月末返工单数和首报通过率作为验收口径。我见过一家机构做前置改造后首报通过率从六成提到九成以上——收益主要来自错误在源头就被挡住而不是修得更快。3.4 数据出境别漏了评估这一步《示范实践》还提到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涉及个人信息出境的需开展个人信息影响评估如涉及数据入境需依据跨境子公司所在国家/地区的法律法规要求开展评估。这一块的合规判断涉及具体法规适用落笔前必须以监管原文与法务意见为准。【待人工核验】工程上建议做一件事把出境/入境评估结论作为数据资产的一个属性挂在目录里。这样后续新增字段、新增传输路径时系统能自动提示这条链路是否已评估而不是等人想起来。四、AI 问数进风险集市的前置条件《示范实践》提到AI 与风险数据管理是协同演进的共生关系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也是重点方向。但AI 问数能不能用取决于三个前置件是否就位前置件要求缺了会怎样语义层指标口径、同义词、统计范围可被机器读取答得流利但口径错权限与用途按用户角色、用途动态判定可读范围问数成为权限旁路证据链每次回答记录取数范围、口径版本、结果集引用结论无法解释、无法审计顺序不能反。字典先行 → 语义层才有内容权限模型先行 → 问数才不会越界证据链先行 → 问数才敢进正式流程。五、落地检查清单阶段关键动作产出物验收判据0 立项明确覆盖范围母子公司、业务条线范围清单范围无争议1 盘点风险数据源与系统盘点数据源清单覆盖全部报送与内控场景2 建字典九字段模板落库统一风险数据字典 v1核心指标 100% 有责任人3 对齐内部口径 ↔ 报送口径双向映射差异对照表差异项均有说明与转换规则4 境外专项工作组 差异评估 集市/中心差异清单、子公司集市规则执行率可监控5 前置校验规则下发源端执行规则集与拦截看板首报通过率、返工单数改善6 智能化语义层 权限 证据链就绪后接问数AI 问数试点答案可解释、可审计六、四个坑坑一只编字典不改流程。字典编得漂亮但口径变更仍然靠群里吼一句。字典必须成为唯一变更入口否则三个月后就是一份过期的参考文档。坑二向子公司下发全部规则。规则全量下发子公司执行不动最后变成规则挂在系统里没人跑。只下发适用规则并明确谁执行、谁监督。坑三把境外治理做成总部意志的延伸。忽略当地监管差异和系统现实方案落不了地。先出差异清单再定架构。坑四字典字段只填业务含义不填质量门槛。没有门槛的字典无法驱动监控。每条核心数据项都要有准确率/时效阈值并接监控。总结第一券商风险数据的问题根因是字典缺位不是某个系统不准。统一风险数据字典是这件事的地基。第二字典的最小字段集是九项其中报送口径映射“连接键用哪一套”质量门槛是最容易漏、又最影响穿透的三项。第三境外子公司走先接通、再统一、后穿透的分期路径专项工作组出差异清单 → 建集市/中心 → 质量规则前置到源端。第四质量规则前置的收益主要在少返工不在修得快。用首报通过率和返工单数来验收最直接。第五AI 问数的顺序是字典 → 语义层 → 权限 → 证据链顺序反了就是给自己埋雷。一句话先把同一个数字在全公司代表什么意思这件事写进字典再谈穿透和智能。你们公司在建统一数据字典时最难啃的是哪一类口径——报送与内控的差异还是母子公司之间的差异欢迎评论区交流。标签数据治理、数据标准、数据治理落地实战、数据字典、证券行业