邱钰娟：构建跨学科智能风控研究体系

cnofor

    2008年金融危机之后，传统风险模型在极端市场环境中的局限被重新审视。一个问题也由此贯穿邱钰娟此后十余年的学习与研究：在市场真正失序之前，交易、资产负债和行为数据中，是否已经出现可以识别和量化的预警信号？从约翰·霍普金斯大学攻读经济学、应用数学与统计学，到乔治·华盛顿大学工程博士阶段，邱钰娟的研究横跨货币制度、极值统计、机器学习和区块链网络，但始终围绕同一主线——如何更早识别金融风险的形成与传导。
; u5 r5 C7 U. l8 q# {    2014年至2019年，邱钰娟聚焦货币局制度与金融尾部风险统计建模。她将中国香港、新加坡、马来西亚、东非多区域货币体系历史数据进行对比，补齐多货币框架，比较不同制度下货币系统与经济稳定的关系，为后续极端风险研究锚定核心议题。同时，她还瞄准全球银行业通用监管指标Var，将时序模型与极值混合模型结合，用于改善股票指数、黄金等资产在剧烈波动环境下的尾部风险估计，为 VaR、预期损失和压力测试提供方法参考。
    此外，邱钰娟将人工智能深度学习与时序统计融合，突破传统信用建模的静态局限。行业长期依赖模型评估信贷违约，忽略了客户财务行为的连续变化趋势。邱钰娟提出时序预测框架，通过分析连续月度行为，识别还款、余额和资金使用中的渐进变化；提出的新模型架构相较于基准模型有显著性能提升。传统风控难以同时捕捉链上交易变化与协议间的风险传导，邱钰娟在研究中融合图注意力网络及叙事分析，纳入硅谷银行等跨市场爆雷案例构建统一预警框架，为系统性风险识别与预警提供新的方法。这些研究成果不仅拓展了金融风险建模的理论边界，也为银行、金融机构及监管部门提升风险识别效率、降低潜在信贷与市场损失提供了可落地的理论支持，从而有助于减少极端事件带来的经济损失，增强金融体系的稳定性与资源配置效率。
5 t' E( H6 n" i9 I4 e1 b* R    邱钰娟的独特之处在于，她并非象牙塔中的研究者。博士在读期间，她同时全职任职于头部金融科技公司。这种“白天做业务、晚上调模型”的双线模式，让她始终坚持理论创新服务行业底层痛点。她表示，未来还将持续深入研究，为金融风险管控提供方法论的突围。（解冰云）

来源：中国商报