Finance Omni Risk

SKILL.md

# SKILL.md

## Identity

- **Skill Name**: 金融全场景智能风控官 (Financial Omni-Risk Control Officer)
- **Slug**: finance-omni-risk
- **Version**: 1.0.0
- **Language**: 中文为主，英文关键术语保留
- **Author**: 葛成 (@gechengling)
- **Description**: 当你需要建立金融机构的全面风险管理体系（银行/保险/证券）、评估信用风险/市场风险/操作风险/合规风险、设计智能风控系统（实时监控+预警+处置）、应对监管检查（1104报表、C-ROSS偿二代、SARMRA评估）、处理风险事件（欺诈/洗钱/违规）时，使用本Skill。本技能覆盖巴塞尔协议III框架、C-ROSS偿二代规则、NFRA最新监管要求、2025-2026年金融风险热点（AI风控、模型风险、洗钱新趋势），是金融机构的首席风控官助手。关键词：风险管理，智能风控，信用风险，市场风险，操作风险，合规风险，巴塞尔III，C-ROSS，偿二代，NFRA，1104报表，SARMRA，反欺诈，反洗钱，AML，KYC。

---

## Core Thinking Models

### 模型一：全面风险管理框架（GRC模型）
```
传统风控：事后补救
智能风控：事前预防+事中监控+事后复盘
↓ 全面风险管理三道防线：
第一道：业务部门（风险识别第一责任）
第二道：风险管理部门（风险监测+控制）
第三道：内审/稽核（独立评价+改进建议）
↓
GRC整合：
G（Governance治理）+ R（Risk风险）+ C（Compliance合规）
→ 统一的风险视图
```

### 模型二：风险分级预警矩阵（智能预警）
```
可能性（1-5）× 影响度（1-5）
↓ 四级预警：
1. 绿色（1-5）：正常运营
2. 蓝色（6-10）：关注，加强监测
3. 橙色（11-15）：预警，启动应急预案
4. 红色（16-25）：危机，立即处置
↓
智能触发：
实时数据 → 风险指标 → 自动预警 → 处置建议
```

### 模型三：信用风险评估模型（保险/银行适用）
```
保险：精算定价 → 核保风控 → 理赔管控
银行：贷前尽调 → 贷后监控 → 逾期处置
↓ 信用评分框架：
1. 还款能力（收入/资产/负债）
2. 还款意愿（历史信用/行为数据）
3. 外部环境（行业/地区/宏观）
综合评分 → 授信/定价/审批
```

### 模型四：反洗钱智能识别（AML/KYC）
```
传统AML：规则引擎（黑名单+阈值）
智能AML：AI识别（异常行为+关系图谱）
↓ 智能反洗钱体系：
1. 客户尽调（KYC）：身份核验+受益人识别
2. 交易监控（TM）：实时+批量双模式
3. 可疑上报（STR）：AI辅助+人工复核
4. 制裁筛查（Sanctions）：OFAC+联合国+NFRA
```

### 模型五：模型风险管理（算法风控）
```
模型风险：模型假设→数据质量→输出偏差
↓ 巴塞尔协议III+银保监要求：
1. 模型验证：独立团队+测试集验证
2. 模型文档：假设/变量/局限/退出机制
3. 模型审计：定期重检+重大事件触发
4. 人类决策：AI建议+人工终审
```

---

## 新增内容（2026版）
**Step 2 新增评估维度（2026）**：
- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景
- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制
- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系
- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒
- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级

---

## 新增内容（2026版）
**Step 2 新增评估维度（2026）**：
- 金融大模型应用全景：50家银行已部署生成式AI，覆盖智能客服(85%替代率)/文档处理(70%效率提升)/风控决策(决策时效<3秒)三大场景
- 模型风险管理新规（2026年正式稿）：中国人民银行要求金融机构建立AI模型台账，重大模型变更须经独立第三方审计，模型偏差超±5%须启动应急机制
- 数据要素×金融：企业数据资产入表2026年扩展至金融机构，预期新增1.2万亿数据信贷规模，数据质量评分纳入央行评级体系
- 跨境金融科技监管沙盒：深圳/上海/北京三地同时推进，数字资产托管/AI跨境投顾/区块链供应链金融三类业务首批入盒
- 金融科技伦理委员会：国家金融监管总局2026年要求持牌机构设立AI伦理委员会，算法公平性/透明度/可解释性纳入年度评级

---

## When to Use

- "怎么建立全面风险管理体系？" → GRC框架
- "怎么设计智能风险预警系统？" → 预警矩阵
- "客户信用评估怎么做？" → 信用评分模型
- "反洗钱合规怎么做？" → AML/KYC体系
- "模型风险怎么管？" → 算法风控
- "监管检查怎么准备？" → 合规检查清单

---

## Python Code Templates

### 风险评分卡模板
```python
def calculate_risk_score(credit_history, income_ratio, collateral, industry_risk):
    """
    简化风险评分卡
    返回: 评分和风险等级
    """
    weights = {"credit": 0.3, "income": 0.25, "collateral": 0.25, "industry": 0.2}
    score = (
        credit_history * weights["credit"] +
        income_ratio * weights["income"] +
        collateral * weights["collateral"] +
        industry_risk * weights["industry"]
    ) * 100
    
    risk_level = "低" if score >= 80 else "中" if score >= 60 else "高"
    return {"score": score, "risk_level": risk_level}
```

### 可疑交易检测模板
```python
def detect_suspicious(transactions, thresholds):
    """
    基于规则的异常检测
    """
    alerts = []
    for tx in transactions:
        if tx["amount"] > thresholds["large_tx"]:
            alerts.append({"type": "大额交易", "tx_id": tx["id"]})
        if tx["frequency"] > thresholds["high_freq"]:
            alerts.append({"type": "高频交易", "tx_id": tx["id"]})
    return alerts
```

---

## Compliance Checklists

### NFRA偿二代二期合规
- 实际资本计算（核心/一级/二级资本）
- 最低资本要求（保险风险/市场风险/信用风险）
- SARMRA自评（风险管理能力评估）
- 压力测试要求

### 反洗钱合规清单
- 客户身份识别（KYC）
- 可疑交易报告（STR）
- 制裁名单筛查
- 年度合规评估

---

## Source Notes

- 巴塞尔协议III框架文件
- C-ROSS偿二代二期规则
- NFRA《保险偿付能力监管规则II》
- FATF反洗钱指引
- 中国人民银行《金融机构反洗钱规定》

---

## ClawHub Metadata

- **Slug**: finance-omni-risk
- **Tags**: 风险管理,智能风控,信用风险,操作风险,合规风险,C-ROSS,偿二代,反洗钱,AML,KYC,SARMRA,巴塞尔III
- **Version**: 1.0.0
- **License**: MIT
- **Author**: gechengling
- **ClawHub URL**: https://clawhub.ai/gechengling/finance-omni-risk

---

## README (English)

**Financial Omni-Risk Control Officer** — Comprehensive risk management for banks, insurers, and securities firms. Covers credit risk, market risk, operational risk, AML/KYC, Basel III, C-ROSS, and model risk governance.

**Author**: gechengling | **License**: MIT