大数据背景下的商业银行风险管理量化解决方案

2017-11-01

金融经济 2017年16期

(江苏银行，江苏南京 210000)

管薇薇

(江苏银行，江苏南京 210000)

随着金融深化程度的不断加深，经济进入新常态，商业银行所处经营环境的不确定性与日俱增，风险管理能力将成为影响甚至决定商业银行持续健康发展的关键因素。目前中国商业银行资产质量虽然总体可控，但面对新一轮的经济转型和社会信息化的快速变革，绝大多数商业银行正承受着不良贷款双升、盈利增速下降的发展压力。因此，商业银行迫切需要改变和提升风险管理手段来应对变化莫测的市场环境，才能实现长期的可持续发展。

在此背景下，本文结合当前快速发展的大数据技术，提出了量化的方式来管理商业银行的风险，为商业银行提升整体风险管理水平的开辟了新道路。

大数据；风险管理；量化

一、商业银行风险管理的传统方式的缺陷

长期以来，商业银行的风险管理方式以人工管理的定性判断方式为主，这种风险管理方式存在以下几方面缺点：一是定性管理方式无法准确识别和衡量风险。这种管理方式受制于风险管理人员的知识水平、对风险的敏感度、个人的风险偏好等主观因素影响较大；二是事后的风险管理无法有效防治风险。风险管理真正的目的在于风险的防患于未然，风险预判能力的不阻碍了商业银行风险管理水平的提升；三是人工的风险管理方式效率低下。风险管理需要调查的大量信息和风险事件缺少有效率的信息搜集方式，尤其是面对金额小体量大的小微企业，人工风险管理效率低下的问题更加突出。

上述分析表明：传统的风险管理方式已越来越无法适应信息化时代的发展需要。商业银行只有提高自身的信息获取能力，变被动管理风险为主动防范风险，变“人工管风险”为“系统控风险”，才能全面提升自身的风险管理水平。

二、商业银行风险管理量化的实现方法

本文提出的风险管理量化解决方案是以大数据技术为基础，通过“数据+模型+系统”的方式完成风险管理的量化转变，下面将以信用风险为例具体阐述风险管理的量化解决方案。

1.搭建大数据平台奠定风险管理量化的基础

商业银行在风险管理中主要依赖两类信息：一是银行自身系统内的客户数据、账户数据、交易数据等；二是人行征信提供的客户征信报告。这两类数据覆盖的人群都非常有限，对于目前中国近14亿人的口来说，上述两类数据能覆盖到的客户仅为4亿左右，占比不足3%。信息获取能力不足的问题可通过搭建大数据平台来解决，具体步骤分为：数据收集、数据整合和数据除噪。

数据收集——解决信息不对称问题。在对客户授信的过程中，商业银行需要对客户进行全方位的判断和评估，包括客户的基本情况、是否已发生风险事件、未来还款能力、经营情况、对外投资情况等。与这些信息相关的数据有：工商、法院、公安、税务、电力、通信等，引入这些外部数据可以帮助商业银行对客户做出更及时和全面的判断，提升商业银行对新客户的风险识别能力。

除结构化数据外，大数据技术还能实现非结构化数据的结构化引入。“网络爬虫”技术就能够对所有公开网站、新闻、论坛等在线媒体进行24小时不间断的扫描，再通过语义分析、情感分析等文本挖掘技术对非结构化数据进行分类处理，实现数据的非结构化向结构化转换。“网络爬虫”的优势不仅在于强大的数据获取能力，还在于它能做到数据实时不间断的供应，为商业银行在第一时间获取风险信息提供了渠道。

数据整合——打破数据竖井限制。多渠道获取的数据在未经整合的情况下会形成彼此独立的数据竖井，产生无法逾越的数据鸿沟。只有打破这种松散的数据结构才能实现数据的互通，挖掘出数据表层之下隐藏的信息。因此需要对不同来源、不同类型的数据进行数据整合。

数据整合常用的做法是利用不同数据库的相同主键字段建立库到库的映射关系。例如：利用统一社会信用代码(或过去的组织机构代码)连接不同的企业数据库；利用个人证件号码连接不同的个人数据库。经数据整合后，大数据平台中的数据供应能力大幅上升，为后续的风险管理应用打下了良好的基础。

数据除噪——实现数据的自我纠错。尽管大数据可以带来海量的数据信息，但其中也不可避免掺杂着许多无效的，甚至错误的数据，这些错误数据形成了影响后续应用效果的“数据噪声”。因此，大数据平台还应当具备数据“除噪”的功能，在纷繁复杂的数据中剔除无效的和错误的数据，保留和提供有效的和正确的数据。

数据除噪的方法有很多，常用的包括：阈值设定、合法性校验、交叉验证等，下面以最简单的“年龄”字段为列来说明三种数据除噪的方法。

阈值设定法是利用年龄数值一般具有一定范围限制的特点，将年龄字段的数值设定在一个区间范围内进行校验，如[0，150]。如年龄字段中的数值在此范围内，则认为数据可信，否则数据不可信。

合法性校验是对数据存储类型的一种校验，对于年龄字段来说，正常情况下应当以数值表示。因此可对该年龄字段中的数据类型进行判断，数据为数值型则认定合法，否则认定该数据不合法。

交叉验证法是唯一可以在不同来源的数据中相互验证数据质量的一种方法。对年龄字段来说，我们可以利用身份证号码与年龄进行交叉验证(假设身份证号码准确)：通过提取身份证号码的7～14位(即出生年月日)，并简单计算获得客户的准确年龄，即通过身份证号码验证了年龄数据的准确性。

2.风险管理模型向风险量化模型的转换

实现风险管理量化的核心在于构建风险量化模型，风险量化模型可为风险的识别、测量和后续处理提供标准统一、管理连续的整体方案。在实践中构建风险量化模型的方法需要根据不同的风险管理目标来选择，常用的风险量化模型包括：指标量化模型、规则量化模型或决策量化模型。

指标量化模型是最简单的一类风险量化模型，通常一个公式就表达了一个风险管理的需要，适用于较为单一化的风险管理目标。例如：对单一客户的风险限额管理问题就可以采取指标量化模型的方法，将单一客户限额设定为如下公式：

单一客户限额=Min[偿债能力代理指标*(1+行业平均整张能力)*行业基准干干倍数*客户评级调整系数*定性调整系数*银行期望占比，单一客户贷款集中度监管要求或具体业务要求上限]

用上述公式计作为商业银行对单一客户限额的控制指标，就轻松实现了风险管理的定量转化。值得注意的是，用于计算该指标的变量或参数可能来自监管部门的规定、行业实践的标准，也可能来自商业银行的内部业务系统，有些参数(如“客户评级调整系数”)本身也是另一个指标量化模型的计算结果。

规则量化模型适用于名单制管理或事件触发类的风险管理的目标，即对个别性、突发性的风险事件的管理，如用于识别客户准入过程中的反欺诈模型。

反欺诈模型通过搜集一系列的规则量化模型形成反欺诈规则库，对授信业务中的欺诈风险可通过与规则库的比进行识别。一般将外部欺诈分为两类：一类是来自客户申请信息的欺诈；另一类是来自申请交易行为的欺诈。两类规则库又分别包含若干类细分规则，细分规则中存储着识别具体欺诈的客户名单或规则列表。

以申请反欺诈中的“风险名单库”为例，该名单库收集了各类风险客户的名单(如：涉诉、失信、有严重违约史等)，通过将客户与风险名单库中内的名单进行比对，识别出存在风险的客户。同事还可根据风险严重程度，将名单区分为黑、灰两个等级，规则量化模型在业务流程中将对两个等级的名单触发不同的处理方式：对黑名单客户直接实施业务阻断，拒绝客户的信贷申请需求；对灰名单客户暂不阻断信贷申请流程，但会在后续的额度审批和客户定价中采取适当的风险补偿手段。

决策量化模型是最复杂的一类风险量化模型，多用于多维度影响下的风险管理目标的实现，下面以客户风险定价为例说明量化模型的构建方法。

客户风险定价模型是利用风险补偿法对不同风险层级的客户进行差异化定价，即对风险水平低的客户给予较优惠的贷款定价，对风险水平高的客户则要求定价后的收益足以覆盖各项风险成本。

客户定价模型以客户分层模型为前提，从风险与综合收益双维度对进行客户进行分层，具体的客户分层方法可由商业银行的风险偏好确定，用于判定客户层级的各类指标是通过相关性分析、主成分分析和经济学判断等方法选取的。下图给出了某商业银行确定的客户分层示例：

图1 客户分层模型示例

客户分层模型确定后，再对各层客户的综合收益进行指标分析，选取最能体现客户综合贡献的差异化指标作为客户定价折让的计算指标，结合统计检验和业务合理性检验等确定各指标对综合贡献度的影响，并确定出客户差异化定价的具体折让点差标准。

以上只是简要介绍了客户风险定价模型的构建方法，实际操作中的决策量化模型设计较为复杂，需用到大量的建模和统计学知识。作为一种典型的决策量化模型，客户风险定价模型的决策结果帮助商业银行在风险控制与盈利增长之间寻找到了平衡点。

图2 网贷申请流程中的风险管理量化全流程

3.风险管理量化的全流程实现

只依靠单个、分散的风险量化模型不能从根本上提升商业银行的风险管理水平，只有在业务的全流程中均实现风险管理的量化，才能减少风险管理的人工参与程度，提升系统管控风险的占比。风险管理量化全流程可以是单个系统内的全流程，也可以形成跨系统联动的全流程。本文仅以企业网贷申请业务为例，说明单个系统内的风险管理全流程建设方法。

企业客户在网贷业务申请过程的任何环节都可能存在风险，因此系统应在每个业务流程节点设置相应的风险量化模型。下图给出了企业网贷业务申请流程中的风险量化模型嵌入业务流程的方式：跟随网贷申请流程，在每部业务决策点依次设置了业务拒绝规则模型、反欺诈规则模型、申请评分模型、客户风险等级模型、自动审批模型。这种“业务流程+风险量化模型”方式，将业务发展与风险管理有效融合在一起，不仅解决了长期以来困扰商业银行的业务发展与风险管理间的矛盾，更提高了风险管理的有效性，从本质上提高了商业银行在信息化时代的核心竞争力。

此外，这种由系统控制的风险管理量化全流程方案还有利于将整个风险管理的效果累积并记录在系统中，形成可持续的风险量化管理目标。