大数据助推信用风险管理创新

1、大数据助推信用风险管理创新 当前，商业银行发展的内外部环境发生了剧烈的变化，面 临多重挑战。一方面，金融脱媒和利率市场化已是大势所趋，外 部宏观环境的变化使得银行的业务发展愈加艰难；另一方面，以 电子商务为代表的互联网企业已突破了支付领域，开始全面拓土 至传统银行业务领域。在这种背景下，通过大数据的应用，准确 定位市场机会和挖掘新的业务增长点，成为银行实现战略转型的 有效途径。 商业银行大数据战略背景 银行业务领域和盈利空间不断受到挤压。随着资本市场不断 完善和金融创新不断发展，国内银行收入来源以利息为主、利润 增长依赖信贷扩张的传统发展模式正在面临严峻挑战，银行需要 尽快进行经营模式转型，寻

2、找市场机会和新的业务增长点。 大数 据的应用可以帮助银行更好实现业务扩展的准确定位，通过对客 户结构化和非结构化数据的分析应用， 准确预判业务的潜在需求 人群，并根据不同客户群的特征制定差异化的业务拓展策略，从 而提高客户粘合度和运营效率，为银行的经营转型提供有力支 持。 电子商务企业的蓬勃发展改变了企业和个人的金融行为和 习惯。电子商务企业的核心竞争优势是掌握了用户的核心信息资 源，其金融服务建立在用户经营或消费等核心信息基础之上，因 此具有渠道优势和较快的推广速度。 一方面， 电子商务企业通过 对客户信息的分析开发专属产品， 实现客户的精准化营销和差异 化服务，建立与客户更紧密的粘性；在此

3、基础上，电子商务已从 单纯的支付中介逐步扩展交易撮合、支付代理、融资、保险等一 系列金融中介服务，开始蚕食银行的经营优势。因此，银行也必 须充分利用自己掌握的客户信息和数据资源， 利用大数据技术加 强在客户营销和市场拓展方面的竞争力。 另一方面， 随着电子商 务的兴起，客户在电子商务平台上进行的经营和交易信息与银行 割裂，加剧了银行信息不对称问题， 客户信用风险表现形式更加 多元化，信用风险管理难度加大，在这种情况下，银行需要推进 大数据技术的应用， 构建更加丰富的客户信息平台， 关注客户各 类信息之间的关联性， 从而发现潜在的风险因素并预判风险变化 趋势。 商业银行具备开展大数据研究与应用的

4、先天条件。 银行拥有 广阔的大数据资源， 亿级客户每日交易往来的数据积累形成了庞 大的结构化数据资源， 但现有技术手段和工具对这些数据的利用 仍然有限。企业自身信息系统中产生的运营数据大都是标准化、 结构化的，这些数据只占到了企业所能获取的数据中的15%。对 于企业而言， 85%的数据是广泛存在于外部系统、物联网、电子 商务等媒介的结构和非结构化数据。 这些数据的产生往往伴随着 社交网络、移动计算、传感器等新兴渠道和技术的涌现和应用。 现阶段， 银行业务的载体与社交媒体、 电子商务的融合越来越紧 密，仅对原有 15%的结构化数据进行分析已经不能满足发展的需 求。因此，银行需要借助由大数据构建的

5、企业经营全景视图来进 行风险管理、产品营销、业务创新等活动，进而寻找最优的模式 支持商业决策。 信用风险管理创新的必要性 随着国内经济向“新常态”的逐步转型、 金融市场改革的持 续深化、 以及现代化信息技术的快速渗透， 银行传统的信贷风险 管控体系面临严峻挑战。 一是经济增长换档回落以及经济结构深 入调整带来资产质量下行压力； 二是企业跨地域、 集团化经营业 态的发展，风险传导机制复杂，增加风险管理难度；三是银行信 贷规模增长以及客户结构深刻变化， 传统信贷业务模式下的信贷 风险控制方法存在较高的优化需求， 基于大数据新型信息化风险 监控模式成为大势所趋。 因此通过大数据技术实现跨平台、 跨业

6、 务条线、 跨区域的数据整合和风险信息挖掘， 建立新型风险监控 体系具有重要的战略意义。 经济处于下行周期， 信贷风险管理难度增大。 商业银行资产 质量有周期波动的特点，并且与宏观经济周期具有较强正相关 性。经济上行周期，信贷规模顺周期扩张形成“涨潮效应”，一 旦经济进入下行周期， “落潮效应”显现， 资产价格回落导致贷 款质量恶化。目前，我国经济处于经济减速的下行周期，行业产 能过剩现象凸显， 小企业经营风险较高， 银行风险管理难度较大。 因此深化和完善风险监控体系，建立事前预警、事中控制、事后 监督的监控流程是应对系统性风险的必要举措。 交叉风险日益加剧，需要建设信息共享平台实现风险联动控

7、 制。金融全球化不断推进的背景下，从行业来看，通过供应链关 系，上下游行业之间风险传导的可能性加大。从公司来看，经营 多元化、区域分散化趋势明显，风险关联关系复杂，风险联动控 制困难。因此整合日益互联互通的数据平台， 基于广泛的数据获 取方式，完善大容量、多类型的数据存取功能，实现及时在银行 间系统共享数据是新形势下风险管理的必要路径。 大数据技术的发展将改变银行信息获取、分析和运用的渠道 和机制，为信息化风险监控创造技术条件。一方面，随着客户交 易行为的积累，运营过程产生了海量数据，有效的数据清洗和数 据挖掘技术的应用可从海量数据中识别信用风险管理过程中的 关键信息，从而提高银行数据的利用效

8、率。另一方面，银行业务 的载体与社交媒体、电子商务的融合越来越紧密， 大量的非结构 化数据信息广泛存在于物联网、 电子商务等媒介，整合客户线上 线下行为产生的结构化和非结构化信息，打破数据边界，从而降 低信息不对称风险，使银行形成对客户行为立体化的跟踪评估， 以期构建更为深化的信用风险管理全景视图。 信用风险管理创新的技术方法 基于大数据和数据挖掘技术实现信用风险预警监测的技术 手段主要分为描述和预测两类。具体包含五个方面，第一，概念 描述，数据库中存放大量的细节数据，通过简单统计量描述，可 以分析这类数据的特征、 分布以及与对比数据列的区别， 可实现 与风险相关的指标的特征分析。第二，关联分

9、析，用于发现大量 数据之间的关联规则，在信用风险分析中，关联分析可用来挖掘 客户行为与客户风险表现之间的关联规则。第三，分类和预测， 根据历史数据建立分类或预测规则，将规则应用于对未来的预测 中，常用模型为逻辑回归、决策树、神经网络、支持向量机等。 第四，聚类分析，将数据对象分为相似组群的过程。在信用风险 分析中可用于将特征相似的客户划分在一起，发现数据中潜在的 类别特征。第五，孤立点分析，找出数据仓库中行为奇异的点， 这类方法常用于欺诈行为的预测。信用风险预警模型研 发的路径可以概括为“建模目标确定一一风险因子归纳一一数 据准备一一模型构建一一模型评价一一模型应用一一模型维 护”，即确定预警

10、目标及建模样本选择范围； 归纳风险演变路径， 总结风险特征；收集整合相关数据信息，进行数据清洗和变换； 筛选具有明显风险特征的因子进入模型，进行模型估计和校验。 基于上述过程构建相应风险预警模型，从而实现对贷款发生风险 的可能性提前做出评估，实现对风险事前预警的风险监控。 信用风险管理创新的应用 个人消费贷款信用风险预警 为了对个人消费贷款未来可能出现的不良风险进行预警，可 以基于决策树方法建立多因子数据挖掘模型，通过深入分析影响 个人消费贷款的风险因素，预测和定位个人消费贷款的高风险客 户群，并根据预警结果建立有针对性的、 分层次的信用风险防控 措施。 决策树学习是一种逼近离散值目标函数的方

11、法， 在这种方法 中学习到的函数被表示为一棵决策树。 这种学习算法是最流行的 归纳推理算法之一，被成功地应用到信用风险预测等广阔领域。 从几何意义上直观理解决策树的含义， 可以将每个贷款样本看做 是 n 维空间中的点， 决策树模型的建立过程是决策树各个分支形 成的过程，每个分支在一定规则下完成对 n 维空间的区域划分， 决策树建立过程将 n 维空间划分成了若干小区域， 不同的区域即 是最终的划分结果， 决策树将此划分采用树型结构图的形式展现 出来，划分结果代表风险特征接近的一类客户群。 决策树通常有 两大类型， 分别为分类决策树和回归决策树， 分类决策树实现对 目标变量的分类， 回归决策树完成

12、对目标变量取值的预测。 利用 决策树对数据建模之前， 首先需要指定目标变量， 在风险预警中， 目标变量通常是客户是否发生不良违约事件。 输入变量可以是连 续型或字符型， 描述贷款者的个人属性、 贷款特征等多方面信息。 运用决策树对个人消费贷款实施信用风险预警建模， 首先需 要根据业务意义选取一系列指标作为建模因子选择范围， 结合模 型筛选， 最终得到对客户未来不良具有预测能力的若干因子。 通 过随机抽样将样本数据以一定的比例分配给训练集和验证集， 利 用SAS软件实现模型估计。决策树根据筛选出的预测因子细分出 叶结点，再根据到达这些结点的分割方式得到定位不同客户群的 规则。 模型结果显示风险客

13、户较为集中的聚集在部分叶结点， 其 后通过对预警模型效果滚动验证并不断优化， 待模型稳定后即可 根据预测结果进行事前风险控制。 决策树建模结果显示， 决策树根据个人属性、 贷款特征等方 面的因子细分出 10类客户群，其中 8 类客户群风险较为集中。 可以通过到达这 8 类客户群的因子分割方式得到定位风险客户 群的规则。具体来看， 其中风险客户集中度最高的前 4类客户群 中，不良贷款率明显高于全量客户均值， 将这 4 类客户纳入高风 险贷款的预警范围。 之后，将满足样本条件的个人消费贷款作为 预警目标，根据决策树建模结果，定期筛选出高风险的客户群， 对预警模型效果滚动验证并不断优化， 待模型稳定

14、后得到风险贷 款预警名单，即可根据预警名单进行事前风险控制。 信用卡申请审批信用风险预警 当前，银行信用卡审核过程主要依据线下资料填写、 信息核 实以及面审结果， 审核处理复杂且周期较长， 客户体验满意度差。 而线上发卡缺乏细致的审核环节和信息确认， 会给银行带来较大 风险。同时，银行通常根据客户的申请材料信息、人民银行征信 和行内交易信息测算出申请评分， 以此作为信用卡审批的重要依 据。但是银行能够获得的信息有限， 例如申请材料内容真伪难以 完全确认， 并且多数客户与本行没有业务往来， 这些都给银行对 客户申请信用卡的风险预判带来困难。 而大数据的应用为信用卡 发卡模式带来新机遇， 随着互联

15、网和人们的生活日益紧密， 客户 的网上行为带来越来越丰富的信息， 通过对客户网上消费、 阅读、 社交等行为习惯进行数据挖掘， 可为预判客户的信用风险提供准 确而实效的信息。 客户在网上的消费行为可根据消费品种进行分类， 例如穿衣 打扮、餐饮食品、居家生活、 3C 数码、出差旅行等；可根据客 户的阅读习惯进行分类，例如时尚女人、游戏动漫、时政新闻、 汽车、房地产等；可根据客户大宗、高端、金融类商品的浏览购 买习惯进行分类，例如汽车、奢侈品、金融理财等。同样，也可 以在网上获得客户的互联网影响力信息， 例如粉丝数、 关注数等。 以上这些信息是客户真实的浏览和购买行为。 目前已有互联网公 司对这些非结构化信息进行整合， 并进行结构化数据整理， 当然， 以上信息的获取具有一定的技术门槛。 根据对银行存量信用卡客户网上行为数据和信用卡风险表 现情况的统计分析， 对具有不同网上浏览和消费习惯的客户， 通 过数据挖掘模型进行风险判断和预测， 寻找网上信息与信用卡风 险之间的关联和规律， 结合客户申请信息进行客户申请评分的计 算，以此指导信用卡审批发放和初始额度的评估。 总结 从外部来看， 经济下行、 互联网金融冲击为银行信用风险管 控带来挑战；从内部来看，银行信贷规模不断扩张、客户结构深 刻变化。 以先进信息技术架构为前提， 以大