十年前，世界遭受了严重的经济危机。 2007年金融危机的原因之一是银行风险管理缺失或不正确。为了避免再次发生危机，必须改进现有的风险评估工具并开发有效的新工具。这符合金融机构自身的利益，但也是监管机构的要求和监督。市场参与者面临更大的市场或信用风险的头寸必须得到更多资本的支持。造成这种情况的原因是多层次且复杂的。因此，风险计算中包含大量截然不同的数据。
现有的风险计算方法现在只能部分满足增加的要求。当前对评估工具的要求比以往任何时候都更加严格。这就是我们寻找合适的技术并建立能力作为概念验证的一部分的原因。
在这篇博文中，我们将重点关注交易对手风险。这适用于市场参与者，如果他仍然需要期望从其业务伙伴之一付款失败的话。在这种情况下，利润就损失了，他就必须通过相应的置换交易来弥补（置换风险）。
获取计算的输入数据是我们项目中的一个主要挑战。由于缺乏真实数据，我们决定创造价值。使用蒙特卡罗模拟将它们置于各种场景（所谓的未来场景）中。他们的结果构成了计算 PFE（未来潜在风险）等关键数据的基础。
大数据与风险管理
我们在技术实现上使用了大数据技术。这些特别适合风险 律师电子邮件列表 管理中的计算。以下三个关键词定义了大数据：
速度——数据传输和数据处理的速度
多样性——处理不同的数据源和数据类型
体积——数据的大小
下面列出了我们如何想象这三个术语在计算银行应用程序中的交易对手风险时的含义：
速度：当新事件发生时，银行职员必须迅速采取行动，并且必须应对越来越短的反应时间。手工模型计算几乎变得不可能。
多样性：输入信息的异构性使得统一处理变得困难。
交易量：每天都会发生大量交易，业务员在风险分析中必须考虑到这一点。
这三个关键特性使大数据成为计算交易对手风险的合适手段。
通过使用大数据，可以满足实时数据、历史数据和模拟场景等各种来源计算指标的要求。该处理也比较节省资源。
大数据应用的基础设施
adesso 将这项任务交给了学生，并在两个地点组建了一个团队。他们自己评估和选择技术环境。大数据环境中有一些可用的选项。最终，学生团队决定在原型中采用“Apache Spark”技术。 Spark允许缓存数据，这样就不需要复杂的数据库访问。通过计算机网络，大量数据可以在不同节点上分布和处理。 Spark 尤其可以在 NoSQL 数据库方面展示其优势。因此，“HBase”数据库完善了该项目的技术基础设施。
Apache Spark被设置为集群中的大数据提供者（右图中绿色）。这需要一个主站将数字处理工作分配给各个从站。数据存储使用Hadoop（图中红色）实现。这里也采用了主从架构。在这种情况下，两个主实例都安装在一台计算机上，由于配置不同，建议这样做。还使用轻量级 Web 服务器通过有吸引力的 Web 界面进行可视化。
展望与结论
目前，我们与smarthouse adesso Financial Solutions GmbH 合作，连接实时数据和历史数据进行分析。大数据风险管理领域的知识应在smarthouse的支持下得到扩展和巩固。
我们认为，计算交易对手风险的用例可以应用于许多其他专业领域。未来，我们认为大数据技术在银行环境中的应用是理所当然的，并将设计进一步的应用场景。