互联网+时代下商业银行信用风险智慧模型体系构建思考

胡明国

（作者单位：中国工商银行运行管理部）

当前经济金融形势深刻变化，金融领域的技术变革、跨界融合、场景创新正在改变商业银行的经营环境，商业银行因势而变、顺势而为，正加快推进新一轮金融科技创新、智慧银行战略的实施，信用风险管理作为商业银行经营的基础和核心，也亟须构建适应商业银行新时期新战略的机制体制和运作模式。同时，互联网+ 快速发展使得各类风险因素交织叠加、相互促发、传导扩散的可能性加大，欺诈风险的渠道多样化、形式隐蔽化、手段智能化趋势日益严峻，叠加监管趋严趋紧等因素影响，信用风险的预测、识别、缓释和控制难度持续加大，商业银行资产质量管理面临较大挑战。如何有效识别并主动防控风险显得非常重要。“方法百千条，模型第一条”可能是现实期待，而如何有效构建智慧模型，银行依然面临挑战。本文尝试从回归信用风险本源角度，从模型监控什么、模型怎么构建、模型如何保鲜三个方面，研究构建兼具普适性、专业性以及智慧性的模型体系，持续提升模型供给能力，强化信用风险主动管控，未雨绸缪。

一、信用风险分类初探

构建智慧模型体系根本是要解决实际问题，而建模前提则要清楚为什么建模、针对什么建模，即回答好“监控什么”的问题，只有监控对象或目标清晰了，建模方向才会清楚。因此，建模前需要对信用风险进行研究分类，按照信贷业务全流程管理需要，以及“什么样人—干什么事—有什么结果”逻辑将信用风险划分客户主体风险、融资行为风险、融资结果风险（即还贷能力）。融资主体风险根据不同客户类型差异设计，融资行为风险根据所处流程节点不同又区分为融资背景风险（侧重贷前）和资金使用风险（侧重贷后）（详见图1），形成信用风险分类的纵向逻辑；同时外部欺诈风险、员工履职风险又贯穿于信贷业务全流程始终，形成信用风险分类的横向逻辑，进而构建起纵到底、横到边的矩阵分类体系。知晓信用风险是什么、风险在哪，智慧建模也就有了目标和方向。

图1 信用风险分类研究框架示意图

二、智慧模型构建研究

适应互联网+ 以及金融科技的快速发展，按照创新应用、整合管理、智慧运营的理念，立足于信用风险实际，统筹场景化、构件化、集成化、智能化等多种手段，实施纵向全流程、横向多维度的建模，通过“多点反馈、集成确认、智能定位”的识别方式，全景展现信用风险特征全貌，清晰呈现信用风险演进轨迹、趋势变化，实现对信用风险的整体分析与分类控制，推动信用风险监控由单维、单指标向企业集成整合的转变，推动信贷业务由传统监控向智慧监控转变。

（一）建设内容研究

按照“分类设计—多点反馈—集成确认”的框架流程，将模型子库、模型分组、模型集群、模型体系，以及模型实施路径有机链接起来。通过构建融资轨迹网络，深入挖掘客户在融资全流程中其与交易对手、关联体在融资行为、结算习惯、经营偏好上呈现出的比较典型的、倾向性的特征，客观还原融资轨迹，精准识别融资风险、员工履职风险，为智能高效建模、实质风险管理、提高资产质量提供支撑。

1.模型子库。按照信用风险分类逻辑有针对性设计模型规则/因子/指标库，确定每个模型规则/因子/指标的构建逻辑以及数据来源、提取方法、实现路径（如专家规则、机器学习），是否需要匹配客户的行业属性、资产规模，或产品属性等设计关注系数[关注系数是指不同客户类型对同模型因子/规则/指标强弱关联性有差异，以全行均值为初始阈值，阈值越大说明关联性越强，反之越小]，从模型底层构建起兼具统一性与灵活性的多维模型架构，如“过渡融资”模型以“融资总额/销售收入”为基础，匹配客户的行业差异、产品差异、区域偏好等因素分类设计关注系数，关注系数越高、关联性越强。

2.分类设计。基于每类风险场景及特征，匹配新型技术手段及方法差异设计模型群（组）进行目标监控，做到信用风险有的放矢的管理，分类设计逻辑（详见图2）为：模型体系—模型集群（某类风险）—模型分组（具体场景）—模型子库（底层架构），模型子库涉及具体阈值、技术算法等内容亦要与相应场景相匹配，以保证模型分类监测效果。适应互联网+ 新形势新变化，以及商业银行信贷业务全流程管理，建议借鉴现代战争海陆空一体化思路，构建起集主体风险、融资背景、资金使用、还贷能力以及识假反假、员工履职于一体的模型集群体系，通过系统化手段实现信用风险的多维识别、精准打击；前五个方面侧重于风险类模型，员工履职侧重于管理类模型，进而实现业务管理、人员管理的紧密结合，以及业务流、人员流、信息流三流合一的监控。

图2 智慧模型体系框架示意图

图3 多点反馈—集成确认示例图

3.多点反馈。依托模型分类体系，对信贷业务同周期触发多个模型（组）时，按照客户、机构、员工、产品维度集成展现其全部风险特征；对客户跨周期、跨流程触发模型（组），通过关联监控的逻辑，区分模型间强关联、弱关联等，从信贷业务全生命周期管理的长时间轴集成展现实质风险特征，为全面、准确识别风险奠定基础，从根本上推动单维、单因子、单环节监控向企业集成监控转变。

4.集成确认。对客户融资业务具备的多个风险特征有效归并起来、集成展现，按照监管要求以及银行偏好，统一认定风险标准，有助于更加全面、准确地开展风险核查，研判风险性质和风险程度，在强化实质性风险管理的同时提高监控效率，为基层减负。

（二）实施路径思考

互联网+ 时代、场景为王时代，我们倡导并主动拥抱互联网、拥抱新技术，但更应注重模型实质效果，这就需要在传承中创新、创新中发展、发展中提升，匹配风险场景找到适合的建模方法，并将各种建模方法关联起来嵌入系统、形成有机整体，真正发挥模型集群作用，确保智慧模型体系的有效性。建模路径包括但不限于如下四种：

1.场景化建模。场景化的根本目的是解决实际问题，让人、系统知晓模型监控目的，知晓什么业务有什么风险，该如何监控。通过梳理，将认知业务、场景乃至风险进行必要归类提炼，为建模提供支撑，也为模型规则/因子/指标搭建提供场景来源。具体到信用风险来讲，需要从融资主体、融资背景、资金使用、还贷能力以及识假反假、员工履职等六个方面统筹考虑场景化建模。

2.构件化建模。构件化建模的根本目的是提升解决实际问题的效率，侧重于在模型底层方面，通过模型子库中的规则、因子、指标等不同组合，按照管理需要、匹配场景，灵活定制、快速部署，推动模型研发由“固定版本”“人工批跑”等模式向“灵活定制”模式的根本转变，满足风险管理的紧迫性需要。

3.集成化建模。集成化建模的根本目的是解决用户认知问题全面性，避免“盲人摸象”的风险监控错觉，通过模型的分类设计、多点反馈、集成确认的方式，将模型识别到信贷业务全流程的风险特征按照客户或机构、员工、产品维度全景呈现给监控人员或管理者，便于其精准研判风险，同时减少核查量、为基层减负。

4.智能化建模。智能化建模的根本目的是提升解决问题的精准性、有效性，通过应用新型技术手段对信用风险信息进行深度挖掘、归类提炼、自我学习等方式寻找风险特征、完善模型设计，形成与专家经验有效补充，提升风险监控核查效率；此外，通过智能建模和大数据分析，也为未知领域的风险研究、前瞻预判提供有益的尝试。

三、模型迭代调优思考

模型作为风险识别引擎在业界已得到大家高度认可，而模型自身的核心是能够紧跟监管变化、形势变化以及管理变化进行自我调优、自我保鲜，调优、保鲜只有始终贯穿于模型全生命周期，方能持续保持模型建设的有效性。

（一）设计前调优

模型本质决定其只是工具，没有实际业务、具体场景，再先进模型也无用武之地，也解决不了实际问题，因此设计阶段模型调优的核心侧重于模型的合理性、及时性，如模型规则/因子/指标是否有实际意义、是否符合业务逻辑、是否能够解决实际问题、是否能够快速上线，以及实施路径是什么（专家建模、智能建模）等，这些都要经过充分研究、反复论证、持续调优，方能为模型的有效型建设提供前提，同时亦要考虑未来形势变化，预留潜在指标变量等；如从财务角度设计还贷能力模型集群，仅设计“货币资金”模型，未考虑“存货高企”因素，或“存货高企”模型未考虑行业差异、速动率差异等，很难客观预测企业还贷能力，模型合理性自然会受到质疑，有效性也难以保证。

（二）验证中调优

模型验证的根本目的是将模型从理论转为实战，为模型投产上线、高效运转奠定基础，加之验证基本都是使用历史数据在验证或测试环境中开展，因此验证阶段模型调优的核心侧重于模型的全面性、精准性。首先要找尽可能全的数据样本（如黑白样本，多地区、多周期样本等）、品种尤其贴近业务实际的；其次要开展模型的功能性、合理性乃至破坏性全面验证测试；再次检验模型是否达到预期设计目的，是否能够客观、精准识别风险，对每个模型规则/因子/指标的设计逻辑、实现路径、阈值设置，以及关联性等方面进行全面分析、验证、调优。

（三）投产后调优

模型研发都是基于历史规律、数据开展，利用大数据预测未来宏观趋势肯定没有问题，但精确到某个客户、某笔融资等微观领域是否有风险则本身也会面临挑战，因此投后阶段模型调优的核心侧重于模型的有效性、动态性。需要深入分析模型规则/因子/指标所隐含的业务内涵是否变化、对应风险场景是否变化，模型构件是否变化，管理偏好是否变化等等，通过模型子库调优，或阈值调整（阈值在设计阶段要考虑集团总部或业内默认值、分支机构偏好值）等，实现模型在生产环境下高效运转。对于投后阶段，还应统筹构建包括覆盖率—命中率、成本—收益、频率—影响等指标评价模型运转情况，从数据角度开展模型评价与持续调优。

智慧模型体系本质上是将业务场景与新型技术、专家智慧高度结合，在合适的建模理论或逻辑指引下，对信用风险进行全面、准确的梳理，通过系统化手段开展有效的监测与识别，提升信用风险主动驾驭能力。虽然目前大数据、云计算、区块链等新型技术比较成熟，应用领域比较广泛，但真正应用在商业银行风险管理方面仍有很大提升空间，亟须业界共同努力、加快研究，切实提升商业银行信用风险模型供给能力，助力商业银行在新一轮金融变革中保持领先优势。