本部分主要梳理與分析國外監管科技發展狀況。我們認為，思考以下幾個要點對本部分內容的理解有幫助：

（1）國外監管層對監管科技的態度如何？是欣然接受還是躊躇不前？它們又采取了哪些具體實踐？

（2）以監管沙盒為代表的創新型監管實踐的本質是什么？能代表監管模式的發展趨勢嗎？

（3）監管科技市場真的一片生機勃勃嗎？對于監管科技行業而言，核心的是在于技術嗎？ 

1、監管層的監管實踐

監管機構是監管科技生態系統的核心，規則的來源，合規的仲裁者，以及最強大的市場召集者參與者?！保–ambridge Centre for Alternative Finance，2018）。在2015年，監管機構鼓勵發展監管科技之時，便彰顯出其在監管科技領域的一番雄心。

（1）監管層對監管科技的應用

我們認為監管科技的應用實踐主要分為兩個分支領域：合規端和監管端。合規端，指運用于金融機構合規管理的監管科技；監管端，指運用于監管端的監管科技。其中監管端的應用實踐便是監管層的監管實踐。

監管科技在監管端的運用主要體現在數據收集和數據分析兩個維度。（詳見圖表5）

數據收集方面的實踐：合規報告采取實時采集、上報的實踐（盧旺達央行，澳大利亞證券投資委員會，德意志交易所，美國證券交易委員會）；引進多維度數據驗證（新加坡金融管理局）、可視化解構和重構數據（荷蘭央行）、云存儲和云計算（美國證券會、英國金融行為監管局）的數據管理實踐。

數據分析方面的實踐：引用虛擬助手，使用人機互動的形式幫助被監管對象解惑答疑的實踐（菲律賓中央銀行、英國金融行為監管局）；市場監管的實踐，集中在證券市場的內幕交易和操縱（澳大利亞證券投資委員會）；不端行為方面的實踐，集中在反洗錢、違規銷售、恐怖主義融資等方面（意大利、新加坡等央行/金融管理部門）；微觀審慎和宏觀審慎方面的實踐主要集中在信用風險評估和宏觀風險評估（荷蘭央行、意大利央行）。

（2）監管層對監管科技的態度

看似眼花繚亂的監管實踐，實則是并不能證明監管部門對監管科技的應用是大膽且開放的，相反，甚至可以說是謹小慎微的。

英國劍橋大學新興金融研究中心（CCAF）與世界銀行展開的針對111家監管機構調查發現，正在運營某一監管科技或即將運營某一監管科技的機構只有16%，目前考慮實施的機構占比27%。（詳見圖表6）

西方國家，以美國為代表，依據“成本—收益”原則進行公共政策決策，監管科技以降低監管成本和合規成本為出發點，但并非美好的事情總是有美好的結局，監管科技的引進面臨短期成本激增，而效果無法短期衡量的窘境，比如美國行政管理和預算局（OMB）和美國總審計局（GAO）對聯邦政府的信息化項目總是指手畫腳，認為成本一直過高，而其中的典型代表就是EDGAR系統的重新設計。

（3）監管層對監管實踐的探索

西方國家監管科技的應用并非想象中的那么開放，然而，其監管模式、理念、思想，確實大步流星，總是快人一步，尤其以監管沙盒、創新指導窗口、創新加速器三大監管模式為代表。（詳見圖表7）

鑒于各國的國情不同，創新實踐也有所差異，我們以英國、澳大利亞、新加坡在監管沙盒方面的實踐為例，進行對比分析：

• 管理方式。有審批制和備案制。審批制指企業提交監管沙盒申請，監管機構進行審批；備案制指允許符合條件的金融科技公司在監管機構備案后，即可進入沙盒。審批制代表有英國和新加坡，備案制代表有澳大利亞。

• 適用范圍。根據國情有所不同，新加坡監管沙盒適用范圍局限在金融科技領域，英國和澳大利亞監管沙盒適用范圍擴展至金融模式（有別于傳統的金融業務）。

• 監管主體。新加坡金融監管局即新加坡中央銀行負責監管沙盒；隸屬于英國財政部的英國金融行為監管局負責監管沙盒；澳大利亞則是證券和投資委員會負責。

因國情不同呈現出的差異，說明監管需要結合實際國情，然而這種因地制宜式的變通，并不掩蓋監管創新的共性本質，即本質上一種公共對話、相互協作的監管模式。

對于西方監管層的創新實踐，有兩種截然相反的聲音：

第一種聲音認為應該支持，監管創新實踐是包容式政企協作，是避免本國企業創新被扼殺而被國外趕超、培育潛在創新科技的路徑。

第二種聲音認為應保持清醒，“沙盒機制讓監管方與被監管方的距離過于緊密”（美國證券交易委員會委員Hester Peirce），這種緊密程度一旦突破臨界點，則可能成為公開尋租的領地；“幼兒才會在沙箱中玩耍，成年人需要的是遵守規則?！保~約金融服務部負責人Mario Vullo）。

我們認為，對于創新性監管實踐應保持開放、包容的態度，西方最新的監管實踐本質上是基于后現代公共行政的話語理論，搭建公共能量場，開展對話，而后現代公共行政的理念早已在政府管理領域中應用嫻熟，在金融監管中的應用也是順水推舟，在保持對話的正當性（程序的正當性、參與者的正當性）的前提下，對話型監管創新是一條目前較好的金融實踐之路。

2、國外監管科技市場

（1）整體市場

我們在第一部分中提出監管科技應用場景的劃分方法有兩種，其中以監管科技市場提供的產品和服務形成的自然的細分區隔屬于市場式劃分。在本部分，我們按照此劃分方式來梳理監管科技的細分市場。

我們根據公開資料，按照eKYC/AML/CFT、監管報告、身份驗證和欺詐預防、合規、治理、數據管理和風險管理等幾大維度進行了整理，部分典型代表如下圖所示（見圖表11）。

隨著監管趨嚴，全球監管科技市場將迎來爆發，聯邦金融分析公司（Federal Financial Analytics）大膽預測到2020年，這一市場的規模將達到1187億美元。

Infoholic Research LLP在報告《2023年全球監管科技市場：驅動力、約束、機會、趨勢和預測》中預測：在2018-2023年期間的全球監管科技市場利潤復合年均增長率為25.4%，2023年達到72億美元。

• 整體營收情況

Owler.com針對60多名監管科技投資者采訪發現，監管科技企業規模呈現馬太效應，25%的頭部企業每家營收超過1000萬美元，而營收低于100萬美元的企業占總企業的40%。同時受訪者表示在2018年—2023年之間，監管科技企業的營收年復合增長可以達到23%—25%。

• 不同融資階段的表現

根據CB insights的數據，2013年至2017年上半年，監管科技市場總共發生555次投融資事件，共募集資金4680萬美元，平均單次融資843萬美元。（詳見圖表9）

• 不同融資階段的表現

監管科技企業平均成立28個月后，且在第一款產品上市16個月后，才迎來第一輪融資，此時公司雇員平均只有13人；第二輪融資距第一輪融資按產品問世計算是9個月，按公司成立時間計算是18個月；第三輪融資距上一輪融資的時間比第二輪相較第一輪的要長，與此同時融資金額則較第一輪增長近9倍、第二輪增長近2倍。（詳見圖表10）

不難看出，監管科技初創企業的生存狀態并不佳，平均成立近兩年半，產品問世接近一年半以后，才獲得第一輪融資，相較于其他熱門行業，監管科技行業在資本方看來并非如媒體宣傳的那樣如火如荼，而是呈現冷靜的態度。

• 區域分布

Fintech Global發布《全球監管科技評論與監管科技100》（The Global RegTech Review & The RegTech 100），在全球400多家企業中評選出最優秀的100家，而在這100家中，英國上榜26家、美國上榜21家、愛爾蘭、澳大利亞和瑞士共上榜21家、其他國家合計上榜32家。英美兩國合計占比達47%。

（2）案例解讀

案例1：Ayasdi

Ayasdi成立于2008年，是具有Stanford基因的創業公司，首席執行官古吉特·辛格，總裁古納爾·卡爾松，副總裁哈蘭·塞克斯頓，三人都是斯坦福數學博士，其團隊成員以數據科學家為主，目前團隊規模為超過200人。

Ayasdi的服務領域主要有：醫療行業、金融服務、政府部門，其中為金融服務和其他行業提供基于人工智能的AML，欺詐預防和監管風險管理解決方案是其重要業務領域，并因其在金融領域中的突出貢獻，上榜Medici組織的2018年Top 21-Regtech大獎。這家創業公司籌集的資金總額超過1億美元。

核心技術：拓撲數據分析（TDA），TDA是美國國防高級研究計劃局（DARPA）資助的最重要的技術進步之一。TDA是基于拓撲學的數學原理，它借鑒了這樣一種哲學：所有數據都有一個潛在的形狀，而這個形狀有意義。Symphony Ayasdiai的TDA方法利用了廣泛的機器學習、統計和幾何算法——根據數據進行組合和合成。

客戶：匯豐控股、花旗集團、瑞士信貸、國土安全部、強生公司和洛克希德馬丁公司等。

監管科技典型實踐：Ayasdi幫助花旗集團通過了美聯儲（Federal Reserve）的壓力測試；與匯豐控股合作合規流程的自動化。

公司產品及應用：公司核心產品為Symphony AyasdiAI，應用于AML和REGULATORY RISK中。

Symphony AyasdiAI在AML和REGULATORY RISK中的應用邏輯共同遵循：“Discover—Predict—Justify—Act—Learn”流程（詳見圖表12），以Symphony AyasdiAI在AML運行邏輯為例，說明Symphony AyasdiAI的功能：

• Discover（發現）：Symphony AyasdiAI可以對客戶進行自動分組，從原則起點開始，可調整每個場景中的閾值；

• Predict（預測）：對分組后的客戶群體增強分辨率，使用者可以在信號和噪音之間進行微妙平衡；

• Justify（校驗）：為細分和排名提供了完整的透明度，并生成了完整的文檔工作流程，包括可與內部模型治理板和外部監管機構共享的簡單決策樹；

• Act（行動）：向客戶推送更少誤判的情報；

• Learn（學習）：不斷查看新到達的數據，識別不斷變化的模式，并根據該信息建議更新細分和排名

案例2：Trulioo

Trulioo于2011年在加拿大溫哥華成立，是一家客戶身份識別服務商。公司擁有200多個獨立數據源，數據除公共記錄、信用報告和政府數據外，還包括社交網絡、移動應用和電子商務平臺上的行為數據。該創業公司已籌集了總計2790萬美元的資金。

身份驗證是一門成熟的技術，并已被廣泛應用到金融領域，Trulioo的身份驗證技術也與常見的身份驗證技術大同小異（參見圖表13）。因此Trulioo公司想要另辟蹊徑，必須掌握龐大的數據源，并且聚焦長尾市場，避開已經成熟的市場。

數據資源：全球AML監視列表解決方案，Trulioo擁有超過195個國家的400多種數據源，包括制裁名單（如OFAC，聯合國，HMT，歐盟，DFAT等）、執法清單（國際刑警組織，國家特定政府和州政府機構以及警察部隊），以及管理來自世界各地的監管機構（金融和證券委員會）、全球最大的移動網絡運營商（MNO）。

客戶： 聚焦兩類長尾，第一類，想要擴大服務到一個傳統國家的企業；第二類，傳統國家的金融行業從業者。公司服務遍布全球60多個國家，覆蓋人群超過40億人。 

核心產品：Global Gateway全球數字化驗證平臺，它通過一個API集成為組織提供了安全訪問數百個可靠和獨特數據源的途徑，用于身份驗證。

三種服務：ID Document Verification、Business Verification、 Electronic Identity Verification。

案例3：Feedzai

Feedzai2011年成立于葡萄牙，后搬至美國，由數據科學家和航空航天工程師創辦，該公司已累計籌集了7610萬美元的資金。

Feedzai公司提供一個人工智能平臺，為線上和線下支付提供端到端防欺詐解決方案。該平臺收集和分析來自多個來源的數據，并創建評分風險概況，使銀行能夠立即做出決策。

核心技術與產品：Feedzai掌握OpenML、AutoML等技術，其中將AutoML引入防欺詐領域（2018年8月），為業界首創。AutoML全稱是automated machine learning，即機器學習流程自動化，經由Feedzai的AutoML技術創建的防欺詐解決方案的速度是穿透數據科學工作流程的50倍。（詳見圖表14）

客戶：目前客戶有60多家機構，如花旗銀行、Capital One等。

三大服務：Feedzai提供反欺詐管理（Fraud Management）、反洗錢（Anti-Money Laundering）、開戶反欺詐（Account Opening）。

案例4：Data Visor

Data Visor2013年成立于硅谷，創始團隊為謝映蓮和俞舫，是出身微軟研究院的兩位華人女博士。Data Visor是一個機器學習驅動的防欺詐平臺，有助于解決欺詐，濫用和洗錢等復雜問題。Data Visor已籌集了總計5450萬美元的資金，并于2016進入中國市場。

核心技術：Data Visor核心技術是無監督機器學習引擎（Unsupervised Machine Learning Engine）（參見圖表15），無監督機器學習引擎與傳統的黑白名單、規則引擎、有監督機器學習的最大區別在于，無監督機器學習可以自主挖掘、檢測各種已知和未知的欺詐行為，對這些欺詐行為進行深度學習，自動產生標簽，用于機器訓練檢測模型，自動產生規則。預計 “在 2021年, 50% 的企業將會運用無監督機器學習技術到現有的反欺詐檢測系統之中?！保℅artner）

客戶：浦發銀行、財付通、獵豹移動、京東、微店、美團點評、餓了么、陌陌

核心產品：dCube和dVector解決方案。

• dCube：dCube是一個全面的欺詐管理解決方案，它將轉型的AI驅動技術與簡化的工作流程相結合，可以主動檢測和預防已知和未知的欺詐行為。dCube允許所有利益相關者在單一平臺上進行協作，消除組織瓶頸，從而提供無與倫比的靈活性并實現實時檢測和響應。

• dVector：dVector提供實時管理欺詐服務，使組織能夠自信地對通過高級上下文檢測和整體分析產生的高度準確的欺詐信號采取行動。

案例5：RegTek.Solutions

RegTek.Solutions于2017年從資本市場咨詢公司Risk Focus Inc拆分出來，并于2017年8月獲德意志交易所領投的A輪融資，2019年9月被彭博社收購。

RegTek.Solutions是一家基于規則的自動化軟件產品將貿易和交易監管報告的昂貴且高風險任務轉變為高效，可擴展，可靠的工作流程。

客戶：G16銀行在內的客戶群、德意志交易所集團等。因其具備針對不同市場的監管報告的設計能力，其客戶遍布各國。

核心技術：其官網介紹，其技術主要有RPA(機器人流程自動化)、AI、大數據等技術，其可以針對不同監管規則下的監管報告要求，定制化制定監管報告模塊，如針對EMIR（歐洲市場基礎設施監管規則）、SFTR(德國證券融資交易條例)、HKMA（香港金融管理局）、ASIC（澳大利亞證券投資委員會）等都設計了監管報告模塊（詳見圖表）。

核心產品： Validate. Trade和Reportable. Trade。從報告的質量、完整性、準確性和透明性四個維度為客戶提供監管報告服務。Validate. Trade曾被德意志證券交易所采用，其監管報告運行流程參見圖表16.

3、小結

我們認為，國外監管科技的發展現狀整體呈現如下特點：

（1）監管層對監管科技的直接應用（/直接采購）保持中性態度，既沒有一擁而上，也沒有拒不嘗試；

（2）監管層的監管實踐更多的是探索創新型監管模式，比如監管沙盒、創新加速器等，我們認為這是后現代公共行政的對話理論在金融監管中的應用，通過搭建公共能量場，開展對話。在保持對話的正當性（程序的正當性、參與者的正當性）的前提下，我們認為對話型監管創新是一條目前較好的金融實踐之路；

（3）監管科技市場龐大，但整體馬太效應較為明顯，無論是英美的監管科技企業上榜數量，還是監管科技企業中融資超2輪的企業的營收占比都說明這一點；

（4）監管科技創業企業至少在技術、數據、產品應用等方面有特別的優勢，相較之下，難點并非在技術，而在于數據。比如做身份驗證的Trulioo的技術并不突出，但其擁有龐大的數據源，且聚焦長尾市場，是其成功的關鍵；掌握無監督機器學習技術的Data Visor，也打造了全球智能信譽庫，通過高質量數據整合，最大化發揮無監督機器學習的技術力量。