银行信用风险(银行信用风险主要来自几个方面)硬核推荐

文章因版面限制，被节选后发表于《中国金融》2018年第9期，此为未删减原文。\x0a文章指出金融企业可利用金融科技尝试构建“从数据/信息看当下，从特征看未来”的方法论，打造覆盖全流程的信用风险管理体系。

 

信用风险是金融领域的核心风险，银行作为最重要的金融中介机构之一，信用风险管理是永恒的课题近年来，我国经济、金融环境发生了巨大的变化，经济发展步入中高速增长的新常态，利率市场化改革基本完成，供给侧结构改革持续推进，金融宏观审慎监管体系更加完善，货币政策回归稳健，防范化解重大风险任务艰巨。

在新形势和新常态下，银行如何更加前瞻、有效地开展信用风险管理，提升风险防控能力，是亟待认真思考、解决的重要问题新兴的数字化技术、金融科技（FinTech）技术异军突起，新的金融科技技术为我们解决这一问题提供了全新的视角。

通过大数据分析、人工智能等关键的技术应用，改变“从历史看未来”的方法，尝试构建“从数据/信息看当下，从特征看未来”的方法论，打造覆盖风险识别、计量、决策、实施全流程的信用风险管理体系一、我国银行在信用风险管理领域面临的挑战和主要问题

我国银行从计划经济时代的国家银行转变为真正意义上的现代金融机构时间并不长银行信用风险管理的理念、流程、技术、工具等都在不断的发展完善信用风险管理正在由打分卡、专家评分等主观判断和定性分析为主的信用风险评价体系逐步向应用现代数量模型的内部评级法为主的信用风险评价体系转变。

当前，银行信用风险管理面临的背景发生了显著变化，利率市场化改革的推进，同质化竞争加剧，利润增速放缓；互联网金融兴起，金融科技快速发展对银行业传统的业务模式造成冲击；经济增速放缓，信用风险持续暴露我国银行面临的内外部环境已发生较大变化。

外部环境的变化会影响经济主体的行为模式，用不变的方法计量和评估信用风险可能导致结果的偏差2012年一季度至2017年四季度，6年间，全国商业银行不良贷款率从0.94%上升至1.74%在银行传统的以内部评级体系为核心的信用风险管理体系下，个人信贷业务反欺诈问题凸显、中小企业传统的信贷风控手段乏力、公司客户信用风险更加复杂多样，风险管理的压力和难度加大。

二、应用FinTech解决信用风险管理领域痛点问题的内在逻辑（一）FinTech的核心技术特征能够有效解决信用风险管理中的问题信用风险产生的根源是借贷双方的信息不对称信用风险管理的过程就是通过分析大量的客户及其相关的信息，总结共同的或相似的特征，找出特定的规律，遵循并应用这些规律去进行信用风险识别、计量、决策和实施的过程。

如何更加准确、全面、清晰地了解客户信息，分析研究这些信息，降低信息不对称的程度，并据此作出正确的决策，是银行信用风险管理的痛点和难点大数据可以通过整合大量数据，包括客户在银行内部的信息和外部机构的信息，如人行征信、纳税、海关、工商、消费、交易等信息，通过信息整合，有效甄别客户信用风险，降低商业银行获取信息的成本，促使传统模式下难以度量的信用风险显性化。

大数据、人工智能等金融科技最核心的技术特征是解决海量数据和信息的整合、分析、应用的问题，覆盖的信息源更广、运算速度更快、应用领域更宽，能够提供的信息更加全面和充分，能够有效解决银行面临的信息不充分、信息不准确、信息更新不及时等核心痛点问题，据此作出的信用风险判断与决策更加科学、合理，信用风险监控和预警更加前瞻、主动，信用风险管理的整体成果更加显著、有效。

此外，建立在FinTech应用基础上的科技驱动的信用风险管理体系能够深入挖掘客户价值，大幅提升授信效率，在风险管控的同时强化银行的差异化竞争优势（二）FinTech应用的方法论重塑银行信用风险管理体系银行传统的信用风险管理是以客户信用评级为核心的单一维度的信用风险管理。

信用风险管理模型主要是内部评级模型、评分卡等银行评价信用风险的指标主要关注企业自身，对关联风险、市场风险、系统性风险的评价与关注较少；在评价体系中定性指标较多，定量指标较少，风险权重的确定主观性较强；最后的评级结果体现的实际上是一种排序，按照信用风险程度的高低进行排序，区分出所谓的“好”客户与“坏”客户。

这类模型是基于客户历史和过去的行为、数据等预测未来的方法论，不能真实、准确、及时地反映当前信用风险的程度，容易掩盖信用风险的真实程度，无法前瞻性地预测未来信用风险情况的变化，信息不对称的问题没有得到有效的解决。

大数据的应用，一方面，通过建立以数据为基础、全面反映和了解事实的风险决策方法，改变静态分析和预测判断的方式，建立动态决策的机制和模型，从而更加准确地进行决策，提高决策效率另一方面，大数据技术可将金融机构大量的客户相关的数据信息进行整合、汇总分析，识别其中的可疑信息和违规操作，强化风险管控，提升风控能力。

基于大数据的信用风险评估方法更加贴近现实，能够有效预测、防范客户违约的风险AI技术推动智能风控信用风险管理应用人工智能的技术逻辑是利用大数据和关联知识图谱对客户进行精准的用户风险画像，综合、全方位的评价其信用风险状况；应用神经网络、开发反欺诈和风险预警模型，提高风险管控能力。

智能信用风险管理可应用于贷前审核、贷中评估、贷后监控、逾期催收、风险预警等信贷业务全流程各环节中总之，FinTech应用从时间和空间两个维度上对银行信用风险管理的内涵和外延进行扩展，对信用风险管理体系进行优化。

从时间维度来看，一方面，缩短分析数据和信息收集的节点与当前的距离，从历史看当前的方法逐步向基于当下的分析判断、从当前预测未来的方法转变；另一方面，信用风险管理从单一环节的风险识别、评价向全流程的风险识别、计量、分析、决策、实施的全流程管理转变。

从空间维度来看，一方面，拓宽信息的来源，除了客户自身的信息之外，广泛应用行内外大数据；另一方面，拓宽信息的主体，除了授信客户自身之外，与其关联的企业、企业主、关系人等信息均须纳入到信用风险管理的信息来源中。

在管理手段上，逐步从人控向“数控”、“机控”转变，从被动式地风险防御向主动式地风险监控、预警转变（见下表）

表1 基于FinTech应用的信用风险管理与传统的信用风险管理对比表三、FinTech在银行信用风险管理领域的应用路径和场景研究FinTech技术中核心的大数据和人工智能因其对数据和信息的处理、分析、学习能力，能够对银行传统的信用风险管理体系进行优化，拓宽信用风险管理的外延，丰富信用风险管理的手段。

（一）搭建基于FinTech应用的银行信用风险管理体系以FinTech应用为切入点，对银行原有的信用风险管理模式、架构进行优化、完善，打造职责、制度、数据、模型、流程、系统“六位一体”的全流程信用风险管理体系（见下图）。

图1 基于FinTech的“六位一体”信用风险管理体系示意图基于FinTech应用的银行信用风险管理职责更加广泛一方面，现有职责需要重新梳理，将分散在各部门间的信用风险管理相关的职责进行整合，统一归口到信用风险的牵头管理部门。

另一方面， FinTech应用拓宽了银行信用风险管理的内涵和外延，涉及数据统一管理（包括数据接入、清洗、使用等）、模型开发、系统构建、流程再造等传统意义上不属于“信用风险管理”范畴的职责也应被纳入到新的信用风险管理体系中，一定意义上甚至成为新型信用风险管理体系的核心组成部分。

建立FinTech应用于信用风险管理的制度体系一方面，是对原有制度的调整，重新明确信用风险管理的内容、职责另一方面，通过制度确定新技术应用的范畴、标准和规范大数据是FinTech应用于信用风险管理的核心。

在传统模式下的信用风险管理中，客户自身的数据是主要来源引入大数据后的信用风险管理体系，不是完全摒弃原有的客户数据，相反，银行内部数据是标准配置，既包括客户提供的财务数据，也包括在银行已经形成的存贷款、结算、中间业务等各项相关业务的数据、信息；在此基础上，合理应用外部数据，扩宽数据的覆盖范围，丰富客户信用风险的测量维度。

模型是FinTech在信用风险管理中应用的主要载体引入FinTech后，信用风险管理的模型主要有以下几个特点：一是在种类上更加丰富，在原有的评级模型之外，重点是建立各种风险监控和预警模型；二是建模方法上更加先进，利用大数据、人工智能等技术，通过知识图谱、因子分析、机器学习等手段，建立动态、智能化的风险管理模型；三是模型应用的范围更加广泛，从客户准入、授信决策、预警监控、流程设计等环节，覆盖信用风险管理的全流程。

应用FinTech的信用风险管理会在两个方面改变业务流程首先是嵌入业务流程中的信用风险识别环节更加前置，从授信决策前移至客户筛选与准入；其次是信用风险监控流程与业务流程的衔接更加紧密，形成两条并行的线路，在不同的流程节点将风险监控的结果进行反馈，及时调整业务流程或业务制度，形成良性互动，建立起识别风险、发起预警、控制流程、反馈问题、调整完善的信用风险管理循环机制（见下图）。

图2 基于FinTech应用的信用风险管理循环机制独立的信用风险管理系统是落实Fintech应用的重要手段这一新型的信用风险管理系统应当是独立于核心生产系统，能够对接生产系统，监控业务流程，发出预警指令，相当于信用风险管理的中枢。

基于Fintech开发的各类模型均在这一独立系统进行部署，具有灵活的可扩展性，能够及时根据信用风险管理的需要新增各种风险场景、预警信号、快速部署模型、调整模型参数等，实现针对不同业务品种的模块化的配置，也能够支持不同机构的定制化、差异化的管理需求。

（二） FinTech在信用风险管理领域应用的场景及主要方法FinTech在信用风险管理领域的应用主要包括客户风险画像、反欺诈和信用风险监控预警管理三大场景1.基于大数据和知识图谱的客户风险画像客户画像的概念最早由交互设计之父Alan Cooper提出，是指从真实的客户行为中抽象出客户的特征，目的是为企业活动中与客户相关的决策提供信息基础，指导产品服务研发和市场营销。

客户风险画像是一种多维度、立体式的客户风险识别方法，能够全景式地展现客户的风险特征客户风险画像应用的技术前提是大数据和知识图谱知识图谱是一种基于图的数据结构，由“节点”和“边”组成在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。

在银行的数据中，存在大量的“实体”和“关系”通过知识图谱技术，将这些实体和关系建立连接，建立复杂的关系网络，从“关系”的维度深度整合银行内外部的大数据信息，能够更有效地挖掘潜在客户、预警潜在风险根据画像的主体不同，客户风险画像可以分为个人客户风险画像、企业客户风险画像两种。

个人客户风险画像的维度相对较少，以芝麻信用的客户画像为例，主要包含了用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度银行在进行个人客户风险画像时，维度可以更加丰富，加入包括关联关系、行为习惯、风险特征、资金状况、生命周期等（见下图）。

图3 个人客户风险画像示意图企业客户风险画像的维度与个人客户画像相比更多企业客户自身的信息维度本身要比个人客户信息维度多，如财务信息、行业信息等；来自内外部可供利用的大数据信息也更多，如账户结算信息、税务、海关、公检法、水电煤气、舆情等信息。

此外，除了企业客户自身的信息之外，还包括更多的关联信息，如企业股权结构、管理结构、担保关系、投资关系、企业主个人的信息等企业客户风险画像将是多个风险画像的集成（如下图）下图中，每个绿色圆点均为一个企业，和A企业之间存在各种关联关系，这些主体之间又可能相互之间存在关联关系，从而形成一个庞大、动态的关联关系图谱。

通过企业风险画像，全景式地展现客户信息，深挖企业间隐蔽的关联关系，打通企业与实际控制人（自然人）之间的风险防控，能够更加有效、全面地评估客户风险、追踪资金流向等

图4 企业客户风险画像示意图对客户进行风险画像首先要构建客户信用风险标签，如：风险偏好、信用分析诱发因素、信用风评分等级、欺诈行为特征、综合风险评分等级等标签开发方法有描述性方法和预测性方法两种描述性方法是从事实层面尽可能多角度、全面地把客户描述出来，形成360度的客户全景视图。

预测性的方法是从识别到分析、再到归因及后期应用，涵盖客户贷款的全生命周期如，利用神经网络建立可识别欺诈客户风险行为模型，用相应策略设计欺诈客户标签并应用到客户准入、授信决策、风险预警等环节中，这就是一种预测的方法。

客户风险标签可根据信息的直接关联程度分为主标签和辅标签，主标签又可以在第一层分类的基础上继续向下细分，形成第二层分类在设定各项标签的基础上形成标签库设定客户风险标签时要开展标签准入核查，标签核查应遵循唯一性、有效性、完整性的原则，避免有歧义的、同质的、无适用场景的标签进入标签库。

2.应用反欺诈技术辅助授信决策客户身份及相关信息真实性的问题是银行授信决策环节要解决的关键问题大数据驱动及反欺诈规则和技术的应用（如身份识别、财务数据真实性识别、收入识别等）能够有效提升授信决策的标准化程度。

欺诈行为的分类主要有以下三种：按交易阶段可分为申请阶段欺诈和交易阶段欺诈；按欺诈主体可分为第一方欺诈和第三方欺诈；按交易渠道可分为线上欺诈和线下欺诈反欺诈应用人工智能的技术逻辑是通过知识图谱、深度学习等技术，将不同来源的结构化和非结构化的大数据进行整合，全面分析客户上下游、竞争对手、合作方、关系方、投资者等各种关系，监测并发现其中不一致的地方，提出可能存在的欺诈疑点。

反欺诈技术可以应用在账户安全管理、交易欺诈行为识别、欺诈情报识别、客户数据画像等场景中反欺诈模型的数据来源包括：客户个人信息、申请行内信息、抵质押物信息、设备地址信息（设备地址、设备流量、设备渠道）、外部信息数据等。

常用的反欺诈模型开发方法包括两类：规则和量化模型常用的反欺诈规则包括规则库和黑名单两种模式；模型包括神经网络（逻辑回归）和模糊匹配（关联分析）两种方式反欺诈常用的方法是交叉验证，具体包括三种方式：单一信息源的检查，即对从同一个数据源获取的信息进行内部校验；多信息源交叉检验，即对行外行内数据进行互相校验；链接分析，即从点到面的分析，从时间、空间维度进行的一致性检查。

在交叉验证中也会使用OCR、图像识别技术等，对纸质材料中的文字、图像进行信息提取，开展比对分析以防范个人贷款假按揭风险的反欺诈模型为例，可以设定如下规则：对拟购买房屋的价格、区域是否相同、人员情况是否相似、设备地址是否重合等角度进行比对；对申请客户提交的收入和其工资账户流水、消费记录等进行交叉验证；对首付款的来源和流向进行跟踪；通过图像识别，对客户证件信息和第三方信息的一致性进行校验等，以此来识别、防范开发商伪造交易、集中挪用个人贷款资金的假按揭风险。

3.打造基于大数据分析和AI技术的智能化风险监控预警体系智能化的风险监控预警体系包括五个方面的内容：（1）内外部数据整合方案；（2）自下而上和自上而下相结合的预警方法和工具开发，包括预警指标/特征工厂、预警模型；（3）风险预警管理机制、组织架构、制度流程以及团队建设；（4）基于数据智能洞察的全流程应用（客户画像、预警指标和特征工厂、智能化审批决策、押品估值、信用分析体系设计、流程优化、风险客户识别）；（5）风险预警系统规划（见下图）。

图5 智能化的风险监控预警体系示意图银行应建设统一的数据采集和数据分析平台，实现数据层采集、分析、应用的统一管理数据采集对接行内外各项数据源，包括行内各项业务数据、客户信息、外部采集的宏观经济、工商税务、海关、环保、涉诉、征信、媒体数据、信息等。

数据分析通过文本理解、文本分析技术，通过一定的规则将非结构化数据转化成结构化数据，为开发模型提供数据基础智能化的风险预警模型按照自下而上、自微观而宏观的顺序可划分为四个层次：债项层信用风险、客户层逾期风险、客户生态圈层关联风险、中宏观场景层系统性风险（见下图）。

图6 智能化风险预警模型分层示意图智能化风险监控预警模型的开发常用方法包括：多元逻辑回归、非线性优化、神经网络、决策树、判别分析等应用以上方法开发的预警模型主要有：（1）决策树分析模型，如，结合客户信用等级评分（高、低）、支付能力（强、弱）、支付意愿（强、弱），进行二维的组合判断，每个分枝对应不同的风险等级。

（2）规则预警模型，如运用大数据模糊匹配与图论技术构建黑名单预警规则；利用知识图谱分析关联关系，建立风险预警业务规则（3）组合动态预警模型：预测哪些资产组合可能会发生风险，实现前瞻性预警（4）基于循环神经网络（RNN）的情境预警模型，在风险事件的时间序列分析中应用，对于特定的时间发生序列及时间间隔，预测客户未来发生风险的可能性，实现不同时间距离上的前置性预警。

根据各类预警模型及预警规则，可建立一套完整的预警体系，设置不同等级的预警信号，建立预警处置和应对机制，采取相应的处置措施（见下图）。

图7 预警信号处置机制示意图监控预警的应用是整个信用风险管理体系形成闭环的关键环节，将预警结果及时反馈至业务流程，甚至直接介入业务流程，进行刚性控制同时，还应建立相应的反馈机制，对模型给出的预警结果进行定期的检验，及时调整模型参数，不断对预警模型进行优化，再应用到业务实践中。

风险预警的结果也可应用于信贷管理全流程，如组合管理、限额管理、客户绩效管理、定价管理、客户定位、产品设计、风险偏好和信贷政策、资本管理等拓展环节中四、未来需要关注和解决的问题金融科技的兴起时间较短，在我国发展较快，特别是在互联网金融及非银机构的业务领域中应用广泛，但如何有效延伸至银行信用风险管理体系，仍是全新的课题。

虽然已在金融机构及银行内部管理中有所应用，但各类模型的有效性、新型信用风险管理体系的合理性等都有待实践检验大数据技术应用的前提是数据质量一方面，海量数据的来源合法性、合规性如何进行验证，仍是摆在银行面前的难点。

另一方面，维度众多、体量巨大的外部数据如何进行有效整合、利用，防止“数据轰炸”和无效数据，提高数据的可用程度，也是值得关注的问题在数据使用的过程中，需要高度重视数据安全和消费者个人隐私、合法权益的保护此外，对于新技术应用引起的金融监管生态的变化以及由此引发的金融监管行为如何调整，在兼顾监管效率和公平的基础上，如何提升监管行为的有效性，仍是值得探讨和研究的方向。

文章因版面限制，被节选后发表于《中国金融》2018年第9期，此为未删减原文作者简介：袁媛：中国人民大学财政金融学院金融学专业在读博士研究生，现就职于中国邮政储蓄银行总行授信管理部本文仅代表作者观点，不代表所在机构意见。