SKILL.md\r

\r

Identity\r

\r

• Skill Name: 金融全场景智能风控官 (Financial Omni-Risk Control Officer)\r
• Slug: finance-omni-risk\r
• Version: 1.0.0\r
• Language: 中文为主，英文关键术语保留\r
• Author: 葛成 (@gechengling)\r
• 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。\r \r ---\r \r

Core Thinking Models\r

\r

模型一：全面风险管理框架（GRC模型）\r

传统风控：事后补救\r
智能风控：事前预防+事中监控+事后复盘\r
↓ 全面风险管理三道防线：\r
第一道：业务部门（风险识别第一责任）\r
第二道：风险管理部门（风险监测+控制）\r
第三道：内审/稽核（独立评价+改进建议）\r
↓\r
GRC整合：\r
G（Governance治理）+ R（Risk风险）+ C（Compliance合规）\r
→ 统一的风险视图\r
```\r
\r
### 模型二：风险分级预警矩阵（智能预警）\r
```\r
可能性（1-5）× 影响度（1-5）\r
↓ 四级预警：\r
1. 绿色（1-5）：正常运营\r
2. 蓝色（6-10）：关注，加强监测\r
3. 橙色（11-15）：预警，启动应急预案\r
4. 红色（16-25）：危机，立即处置\r
↓\r
智能触发：\r
实时数据 → 风险指标 → 自动预警 → 处置建议\r
```\r
\r
### 模型三：信用风险评估模型（保险/银行适用）\r
```\r
保险：精算定价 → 核保风控 → 理赔管控\r
银行：贷前尽调 → 贷后监控 → 逾期处置\r
↓ 信用评分框架：\r
1. 还款能力（收入/资产/负债）\r
2. 还款意愿（历史信用/行为数据）\r
3. 外部环境（行业/地区/宏观）\r
综合评分 → 授信/定价/审批\r
```\r
\r
### 模型四：反洗钱智能识别（AML/KYC）\r
```\r
传统AML：规则引擎（黑名单+阈值）\r
智能AML：AI识别（异常行为+关系图谱）\r
↓ 智能反洗钱体系：\r
1. 客户尽调（KYC）：身份核验+受益人识别\r
2. 交易监控（TM）：实时+批量双模式\r
3. 可疑上报（STR）：AI辅助+人工复核\r
4. 制裁筛查（Sanctions）：OFAC+联合国+NFRA\r
```\r
\r
### 模型五：模型风险管理（算法风控）\r
```\r
模型风险：模型假设→数据质量→输出偏差\r
↓ 巴塞尔协议III+银保监要求：\r
1. 模型验证：独立团队+测试集验证\r
2. 模型文档：假设/变量/局限/退出机制\r
3. 模型审计：定期重检+重大事件触发\r
4. 人类决策：AI建议+人工终审\r
```\r
\r
---\r
\r
## When to Use\r
\r
- "怎么建立全面风险管理体系？" → GRC框架\r
- "怎么设计智能风险预警系统？" → 预警矩阵\r
- "客户信用评估怎么做？" → 信用评分模型\r
- "反洗钱合规怎么做？" → AML/KYC体系\r
- "模型风险怎么管？" → 算法风控\r
- "监管检查怎么准备？" → 合规检查清单\r
\r
---\r
\r
## Python Code Templates\r
\r
### 风险评分卡模板\r
```python\r
def calculate_risk_score(credit_history, income_ratio, collateral, industry_risk):\r
    """\r
    简化风险评分卡\r
    返回: 评分和风险等级\r
    """\r
    weights = {"credit": 0.3, "income": 0.25, "collateral": 0.25, "industry": 0.2}\r
    score = (\r
        credit_history * weights["credit"] +\r
        income_ratio * weights["income"] +\r
        collateral * weights["collateral"] +\r
        industry_risk * weights["industry"]\r
    ) * 100\r
    \r
    risk_level = "低" if score >= 80 else "中" if score >= 60 else "高"\r
    return {"score": score, "risk_level": risk_level}\r
```\r
\r
### 可疑交易检测模板\r
```python\r
def detect_suspicious(transactions, thresholds):\r
    """\r
    基于规则的异常检测\r
    """\r
    alerts = []\r
    for tx in transactions:\r
        if tx["amount"] > thresholds["large_tx"]:\r
            alerts.append({"type": "大额交易", "tx_id": tx["id"]})\r
        if tx["frequency"] > thresholds["high_freq"]:\r
            alerts.append({"type": "高频交易", "tx_id": tx["id"]})\r
    return alerts\r
```\r
\r
---\r
\r
## Compliance Checklists\r
\r
### NFRA偿二代二期合规\r
- 实际资本计算（核心/一级/二级资本）\r
- 最低资本要求（保险风险/市场风险/信用风险）\r
- SARMRA自评（风险管理能力评估）\r
- 压力测试要求\r
\r
### 反洗钱合规清单\r
- 客户身份识别（KYC）\r
- 可疑交易报告（STR）\r
- 制裁名单筛查\r
- 年度合规评估\r
\r
---\r
\r
## Source Notes\r
\r
- 巴塞尔协议III框架文件\r
- C-ROSS偿二代二期规则\r
- NFRA《保险偿付能力监管规则II》\r
- FATF反洗钱指引\r
- 中国人民银行《金融机构反洗钱规定》\r
\r
---\r
\r
## ClawHub Metadata\r
\r
- **Slug**: finance-omni-risk\r
- **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\r
- **Version**: 1.0.0\r
- **License**: MIT\r
- **Author**: gechengling\r
- **ClawHub URL**: https://clawhub.ai/gechengling/finance-omni-risk\r
\r
---\r
\r
## README (English)\r
\r
**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.\r
\r
**Author**: gechengling | **License**: MIT\r