株式会社renue
AI導入・DXの悩みをプロに相談してみませんか？
AIやDXに関する悩みがありましたら、お気軽にrenueの無料相談をご利用ください。 renueのAI支援実績、コンサルティングの方針や進め方をご紹介します。
銀行のリスク管理部門の業務内容｜VaRからバーゼル規制対応まで徹底解説
リスク管理部門は、銀行全体のリスクを統合的に管理する部門です。信用リスク、市場リスク、オペレーショナルリスクの「3大リスク」に加え、近年はサイバーリスク、気候変動リスク、モデルリスクも管理対象に含まれます。
本記事では、リスク管理部門の主要業務（統合リスク管理、市場リスク管理、信用リスク管理、オペリスク管理、規制対応）を具体的に解説します。
リスク管理部門の主要業務
業務1：統合リスク管理（ERM）
業務の詳細
- リスクアペタイト・フレームワーク（RAF）：経営陣が許容するリスク水準を定義し、各部門のリスクテイクを制御する枠組みの運営
- 統合ストレステスト：複数のリスクカテゴリーを横断するシナリオ（金融危機、パンデミック等）を設定し、銀行全体への影響を分析
- リスクレポート：経営陣（取締役会、リスク委員会）向けの統合リスクレポートの作成
- リスク文化の醸成：全社的なリスク意識の向上、リスク管理に関する研修・啓発
この業務で人間にしかできないこと
- リスクアペタイトの設計（「どの程度のリスクを取って、どの程度のリターンを目指すか」の経営判断）
- ストレスシナリオの設計（過去に経験のない事象の想定）
- 経営陣へのリスク情報の「翻訳」（数値データを経営判断に役立つ形に変換）
業務2：市場リスク管理
業務の詳細
- VaR（Value at Risk）の算出：保有ポートフォリオが一定の確率で被る最大損失額を日次で計算
- バックテスト：VaRモデルの精度を検証（実際の損失がVaRを超えた回数を計測）
- ストレステスト：リーマンショック級のイベント等、極端なシナリオでの損失を推計
- リスクリミットの監視：トレーディング部門が設定されたリスク上限を超えていないかを日次で確認
- 新規商品のリスク評価：新しい金融商品を取り扱う前に、リスク特性を評価・承認
この業務で人間にしかできないこと
- VaRモデルの限界の理解と補完（テールリスク、モデルリスクの定性的判断）
- リスクリミット超過時の対応方針の判断
- 新規商品のリスク評価における「未知のリスク」の想定
業務3：信用リスク管理
業務の詳細
- ポートフォリオ分析：融資ポートフォリオ全体の信用リスク（業種集中、大口与信集中等）を分析
- 与信限度額の管理：個社別・業種別・国別の与信限度額の設定と遵守状況の監視
- 引当金の計算：予想信用損失（ECL）モデルに基づく貸倒引当金の算出
- クレジットVaR：信用ポートフォリオ全体のリスク量を統計的に計測
業務4：オペレーショナルリスク管理
業務の詳細
- 事故・事務ミスの管理：事務ミス、システム障害、不正行為等のオペリスク事象の収集・分析
- RCSA（リスク・コントロール自己評価）：各部門が自部門のリスクを評価し、統制の有効性を検証
- KRI（重要リスク指標）の監視：事務ミス件数、システム障害件数等の先行指標をモニタリング
- BCP（事業継続計画）：自然災害、パンデミック時の業務継続計画の策定と訓練
- サイバーリスク管理：サイバー攻撃への対策と、インシデント対応計画の策定
業務5：バーゼル規制対応
業務の詳細
- 自己資本比率の算出：CET1比率、Tier1比率、総自己資本比率の算出と規制水準の遵守
- レバレッジ比率：総資産に対する自己資本の比率の管理
- 流動性規制：LCR（流動性カバレッジ比率）、NSFR（安定調達比率）の算出
- TLAC（総損失吸収力）：G-SIBs（グローバルなシステム上重要な銀行）に求められる破綻時の損失吸収力
- ピラー3開示：リスク情報の外部開示文書の作成
AI化の可能性と限界
AIで効率化できる業務
- オペリスク事象の自動分類：事故報告テキストをLLMがバーゼル分類に自動マッピング
- 規制開示文書のドラフト：ピラー3開示の定型セクションをLLMが自動生成
- リスクレポートの自動生成：リスク指標の集計とコメンタリーを自動化
- サイバーリスクの検知：ログ分析によるAI異常検出
人間にしかできない業務
- リスクアペタイトの設計：経営の根幹に関わる判断
- ストレスシナリオの策定：未経験の事象を想定する創造力
- VaRの限界の補完：数理モデルが想定しないリスクへの対処
- 経営陣へのリスク提言：データを経営言語に変換する力
- 規制当局との折衝：金融庁検査、日銀考査への対応
まとめ
銀行のリスク管理部門は、統合リスク管理、市場リスク、信用リスク、オペリスク、バーゼル規制対応の5つの業務で構成されています。AIは事象分類やレポート作成で効率化に貢献しますが、リスクアペタイト設計、ストレスシナリオ策定、モデルの限界の補完、経営提言は完全に人間の専門領域です。
設計観点の整理: 銀行リスク管理部門AI導入の3大落とし穴
2025-2026年時点の公開文献（日本銀行「金融システムレポート別冊」2025-09、金融庁「AIディスカッションペーパー」2025-03、BIS／ECB内部モデルガイド、中国銀保監/人民銀行公開報告、ORX Machine Learning in Op Riskほか）を踏まえ、銀行リスク管理部門における生成AI／機械学習導入で繰り返し観察される「設計上の落とし穴」を3つの論点として整理する。特定ベンダーや社内プロジェクト事例には触れず、公開ガイドライン・業界報告に限って設計観点を提示する。
① 生成AIガバナンス×FSR別冊2025-09×金融庁AIDP第1.0版×Three Lines of Defense×Model Risk Management
日本銀行は2025年9月30日、「金融システムレポート別冊：金融機関における生成AIの利用状況とリスク管理」を公表し、約5割の金融機関が既に生成AIを利用中、試行を含めると7割強、検討まで含めると9割強が既に関与している状況を報告している（業界公開レポート参照：日本銀行 FSR別冊 2025-09）。一方、「利用状況のモニタリング」「サードパーティリスクへの対策」「実務ルールの見直し」といった継続運用項目については約5割が「改善の余地あり」と回答しており、リスク管理部門のガバナンス設計が追いついていない実態が浮かび上がる。
金融庁「AIディスカッションペーパー（第1.0版）」2025-03-04公表は、金融分野でのAI利活用における健全性・公正性・説明責任の論点を整理し、特にリスク管理部門が担うべき「リスクアペタイト・フレームワーク（RAF）」「モデルリスク管理（Model Risk Management, MRM）」「Three Lines of Defense（第1線=業務/第2線=リスク管理・コンプラ/第3線=内部監査）」へのAI組み込み時の責任分界点を明確化することを要請している（金融庁 AIDP第1.0版 2025-03）。
設計観点として整理すると、リスク管理部門のAI活用は単なる効率化ツールではなく、「モデルリスク管理フレームワーク（SR 11-7型のModel Development／Implementation／Use／Governance）」にAIモデルを組み込むプロセス設計が必須となる。具体的には（a）モデル開発時のデータ品質検証＋偏り検査、（b）独立検証機能（Independent Model Validation, IMV）によるAIモデルの性能・説明可能性検証、（c）稼働中のPerformance Monitoring＋Model Drift検知＋再学習トリガー、（d）Third Party AI Risk Management（LLM APIベンダー／Foundation Model Provider対応）、（e）生成AI固有リスク（Hallucination／Prompt Injection／Data Leakage）の管理台帳整備――を、リスク管理部門が第2線として横断的に統制する運用設計が求められる。金融庁AIフォーラム第1回（2025-06-18）資料でも、リスク管理部門を含むGovernance Layerの役割再定義が議論の中心となっている（金融庁 AI官民フォーラム 2025-06）。
② Basel IV／FRTB×Expected Shortfall×ECB内部モデルガイド2025-07×ML for Market Risk×NMRF／P&L Attribution
市場リスク管理の国際規制枠組みは、2025-01-01からEUでBasel IVの段階適用が開始された（Output Floor 50%開始、2030年に72.5%まで段階引き上げ）。Fundamental Review of the Trading Book (FRTB)は、従来のVaR（信頼水準99%×10日）に替えてExpected Shortfall (ES, 97.5%水準)をトレーディング勘定資本計算の中心指標とし、Standardized Approach (SA)とInternal Model Approach (IMA)の二重適用枠組みを導入している（業界公開レポート参照：Nordea Basel IV Overview、MathWorks FRTB解説）。
欧州中央銀行（ECB）は2025年7月に「ECB guide to internal models」を更新し、Market Risk Internal Model運用におけるNon-Modellable Risk Factors (NMRF)の扱い、Profit & Loss Attribution (PLAT) Test、Risk Theoretical P&L (RTPL)とHypothetical P&L (HPL)の整合性検証基準を詳細化した（ECB Internal Models Guide 2025-07）。IRRBB（銀行勘定の金利リスク）管理では、EVE（Economic Value of Equity）とNII（Net Interest Income）の両軸でのストレステスト結果報告が求められ、Supervisory Outlier Testの閾値超過時には追加資本が要求される。
設計観点として、機械学習・AIを市場リスクVaR／ESフレームワークに組み込む際は、「モデル透明性」と「監督当局説明可能性」の両立が設計の肝となる。公開業界レポートが指摘する活用領域は（a）データ品質自動検査＋Anomaly Detection＋Price Time Series Outlier Flagging、（b）Proxy Modelling／NMRF treatmentにおけるDeep Learningベース代替因子推計、（c）PLAT Test結果の差異要因分解（RTPL vs HPL乖離の根本原因解析）、（d）バックテスト例外発生時のRoot Cause Analysisを支援するLLMベースReport Drafting――に集約される（業界公開レポート参照：AI in Market Risk & FRTB業界解説、Transforming Risk Management with AI業界解説）。一方、IMA承認を維持するためのモデル変更管理（Model Change Policy）は伝統的に厳格であり、ML／AI導入の際には「規制モデル（Capital Calculation）」と「管理モデル（Internal Decision Support）」を明示的に分離し、前者はGovernance／Validation／Audit Trailを最大限厳格化、後者は迅速なML反復を可能にするDual-track Architectureが推奨される。Operational Riskについても、Basel Advanced Measurement Approach (AMA)に代わる新Standardized Approach (SA-OR)が2023以降段階適用されており、Loss Data Collection ExerciseにおけるML分類支援（事象のBasel II 7区分：内部不正／外部不正／雇用慣行／顧客・業務・商品・業務慣行／有形資産損傷／業務中断・システム障害／執行・配送・プロセス管理）が業界共通的に進展している（業界公開レポート参照：ORX ML in Op Risk White Paper、Boston Fed AI and Operational Losses 2025）。
③ 中国銀行業AI風控×大小模型双引擎×巴塞爾Ⅲ嵌入式×Multi-regional Risk Governance
中国銀行業では2025年に、工商銀行が「工銀智涌」企業級大模型を構築し、金融市場・信貸風控・網絡金融など50+シナリオで全栈自主可控の千億級AI大模型体系を稼働させている（業界公開レポート参照：2025年銀行業人工智能十大典型応用案例、中国電子銀行網 大模型三重奏 2025-10）。浙商銀行は「大模型+小模型」双引擎数智化大監督体系を構築し、2025年上半期に業界公開報道水準の新規業務風険モデル群を追加して、風険識別・予警・処置の全流程智能化を推進している。
中国銀行業の風控アーキテクチャとして業界公開白書が強調するのは、「大小模型協同」設計である。大模型（LLM汎用）は自然言語処理・知識生成・複雑推論を担い、小模型（XGBoost／LightGBM／GNN等の専用精准Model）は市場リスクVaR算出・信用リスクPD/LGD/EAD推計・操作リスクAnomaly Detection等の業務別精度要件に特化する（業界公開レポート参照：中国銀行家 大模型信貸応用、国内銀行大模型実践 2025-03）。業界公開レポートでは、Baselフレームワークを「モデルアーキテクチャに埋め込む」設計アプローチが言及されており、具体的には巴塞爾Ⅲ／Ⅳの自己資本比率算出ロジック（CET1／Tier1／Total Capital Ratio、LCR／NSFR、SA-OR Loss Component）をAIモデルのConstraint Layerとして組み込み、AIが生成するリスク評価結果が常に規制枠組み整合性を保つよう設計する手法が議論されている。
設計観点として、マルチリージョン展開銀行におけるAI風控Governanceには、規制枠組み差異（Basel III vs Basel IV、EU IRRBB vs 中国銀保監資本管理弁法、米国CCAR／DFAST、日本金融庁モニタリングレポート）を統一AI Platformに翻訳する設計パターンが必要となる。業界公開レポートが指摘する共通課題は（a）Cross-border Data Sharingに対する中国PIPL／EU GDPR／米GLBA制約、（b）モデル登録・審査制度差（中国網信弁公室生成AIサービス管理弁法2023-08／EU AI Act 2026-08-02 High-risk System分類／米NIST AI RMF）、（c）Foundation Model採用時のベンダーConcentration Risk（DeepSeek／Qwen／Llama／GPT各国依存）、（d）Systemically Important Bank (SIB/G-SIB)指定銀行における監督当局への説明責任拡大（Stress Testing結果＋AI Model Inventory提出）――の4点である。公開文献に基づく設計観点として、中国主要行が採用する「全栈自主可控」アプローチ（モデル開発・訓練・推論・監視の全層で国産技術に依存）と、欧米主要行の「ベンダー活用＋ガバナンス強化」アプローチには設計思想の差があり、多拠点展開行は各拠点ごとにDual Modeを並存させるマルチ・ガバナンス設計が現実解となる（業界公開レポート参照：KPMG AI Risk Modernization 2025、Deloitte CTRL+Op Risk ORX Perspectives）。
