Page 46 - NO.114銀行家雜誌
P. 46

ೊᓃอၲ
                 Hot  News







              元。英國金融行為監理總署(Financial  Conduct
              Authority,  FCA)也預測,到 2020 年各國所有
              金融法規將達 30 億頁。這將造成銀行沉重的
              負擔,特別是中小型銀行。
                  在此新局勢下,金融機構若僅只是雇用

              更多的人來做法遵工作,將顯得效率低落,
                                                               到2020年,FCA預測各國所有金融法規將達30億頁,對金融業是項沉重
              不僅成本大增,也非長久之計。此外,由於監                             負擔。(圖/達志影像)
              理法規是陸續頒布,因此業者相關對應,料想                                  監理科技對金融業者的好處,包括優化監
              也不是一次建制完成,故而可能較缺乏結構性                             理作業的流程,也使監理的環境更清楚,讓業
              整合。特別是 2008 年金融危機後,由於法規                          者可發展出更佳的風險管理系統與法遵合規成
              變動所增加的巨量資料,若不用更先進的分析                             本,活化其資產以創造更多生產力。也讓業者
              技術,將使得對這些資料的分析解讀能力受                              有創新產品的誘因,經由擴展各層次的消費服
              限。這些都使得 RegTech的發展更具急迫性。                         務,來讓業績與獲利成長。




                       各國監理機關所運用的監理科技
                  表1
                   RegTech      澳洲     義大利    盧安達     菲律賓     墨西哥     荷蘭    英國     新加坡     奧地利     美國
                 運用科技項目        證投會      央行     央行      央行     銀證會     央行    FCA    金融局      央行     證交會
                 資料蒐集

                 應用程式介面          @                      @
                 數據輸入法           @                                                           @       @
                 數據拉動法           @              @       @                    @
                 機器可讀監理                                                      @       @
                 雲端計算            @                              @      @     @                       @
                 聊天機器人                                  @                    @
                 資料分析
                 大數據             @       @                      @      @     @       @               @
                 人工智慧                                           @      @     @       @               @
                 自然語言處理          @       @                      @            @       @               @
                 機器學習            @       @                      @      @     @       @       @       @
                 監督學習            @       @                             @     @                       @
                 非監督學習           @                                     @     @               @       @
                 主題模型                                                        @                       @
                 隨機森林            @       @                                   @                       @
                 圖像識別                                                        @
                 神經網絡                                                  @                     @      @
                資料來源:BIS, 2018






         46   台灣銀行家2019.6月號






   1          5%     JOEE
   41   42   43   44   45   46   47   48   49   50   51