【《H银行互联网贷款减值管理存在的问题调查分析案例》12000字】

H银行互联网贷款减值管理存在的问题调查分析案例目录TOC\o"1-3"\h\u28068H银行互联网贷款减值管理存在的问题调查分析案例 119243第一节贷款风险分池环节问题分析 126114一、互联网贷款类似信用风险组合的划分标准过宽 121096二、互联网贷款内部信用风险的评价标准过于单一 44322第二节减值管理关键参数量化环节问题分析 823328一、违约概率基础取值与互联网贷款剩余期限匹配度不足 831062二、违约损失率取值的客观性不足 1615893三、减值管理关键参数综合优化后量化结果对比分析 213877第三节前瞻性调整环节问题分析 231466一、前瞻性调整的适用性待提高 2319868二、前瞻性调整的管理机制缺乏韧性 26第一节贷款风险分池环节问题分析贷款减值管理工作的第一个重要环节是完成贷款风险分池。商业银行应当确保将同质的风险暴露充分汇集至同一个贷款资产池中，以便可以对该贷款资产池的违约概率和违约损失率进行一致地评估。因此，贷款风险分池结果将直接影响后续减值管理关键参数的量化，是互联网贷款减值管理的重要基础工作。一、互联网贷款类似信用风险组合的划分标准过宽贷款风险分池的第一步是对贷款进行类似信用风险组合划分。H银行在减值办法中提及，关于类似信用风险特征的识别，根据借款人性质区分公司客户和零售客户。在进行零售客户分组时，考虑借款品种及担保品类型。实际操作中，零售借款的品种分为线下零售贷款和互联网贷款，线下零售贷款根据贷款用途进一步细分为个人住房贷款和个人经营贷款等品种，而互联网贷款没有进一步细分。互联网贷款均为信用类贷款。因此，互联网贷款全部被分为一个类似信用风险组合。这样的分组显然是不合理的。因为即使仅从互联网贷款产品类别这一个维度来看，互联网贷款也明显不都具备类似信用风险，这点可通过客观数据直接体现。（一）风险指标显著不同的贷款产品不具类似信用风险风险指标是贷款资产质量的直观体现。H银行各类互联网贷款产品的风险指标统计结果显著不同，这直接说明不同互联网贷款产品的信用风险特征有明显差异。以2019年末数据为例，H银行互联网贷款整体不良率为1.77%，逾期率为2.83%，而这两项风险指标在各类互联网贷款产品之间相差甚大。具体情况如下：蚂蚁借呗和微粒贷规模相当且合计金额占比超过67%，不良率分别为2.52%和1.37%，前者比后者高出近一倍，逾期率分别为3.93%和2.70%，也有明显差异；平安普惠在规模上紧随其后，2019年末不良率为零，逾期率极低，主要是因为该产品于2019年9才开始投放且规模快速增长，尚未进入信用风险暴露期；蚂蚁花呗、税联e贷分别于2019年7月、8月开始投放，也因其投放时间尚短，不良率和逾期率均极低，信用风险特征暂无法从风险指标中体现；京东金条和网易来钱金额占比相对较小，但2019年末全额不良，是因为H银行已于2018年下半年终止投放该两类产品，处于全面清收期；网商贷是除京东金条和网易来钱外，不良率最高的产品，逾期率仅次于蚂蚁借呗；规模位于中位的自营类产品H闪贷，其不良率和逾期率均极低。表4.1H银行2019年末各互联网贷款产品资产质量情况单位：人民币百万元（除百分比外）互联网贷款产品类型2019年末不良贷款余额逾期余额不良率逾期率蚂蚁借呗11,200.81282.61440.102.52%3.93%微粒贷11,143.47153.09300.861.37%2.70%平安普惠4,836.57-2.600.00%0.05%网商贷3,818.8298.77139.072.59%3.64%H闪贷1,626.710.552.260.03%0.14%蚂蚁花呗223.980.111.750.05%0.78%税联e贷60.51--0.00%0.00%京东金条44.4144.4144.41100.00%100.00%网易来钱3.083.083.08100.00%100.00%合计32,958.36582.62934.131.77%2.83%数据来源：H银行内部业务数据从客观风险指标可见，H银行各类互联网贷款产品的信用风险特征是显著不同的，笼统归为一组只会导致它们的信用风险特征被彼此干扰。（二）风险参数显著不同的贷款产品不具类似信用风险风险参数方面以历史违约概率为例，尽管根据贷款减值管理流程，历史违约概率是在贷款完成风险分池后根据分池结果基于迁徙矩阵统计的参数，但风险参数的统计结果本身就是信用风险特征的量化指标，故可验证贷款分组的合理性，即历史违约概率数据表现显著不同的贷款产品不具类似信用风险。特别地，本文在参数层面评价H银行的互联网贷款减值管理办法需以历史数据作为支持，故以2019年末为研究时点，蚂蚁花呗、税联e贷和平安普惠这三类投放不足半年的业务，其历史风险参数表现不具备参考性和评价性，同时京东金条和网易来钱这两类已处于全面清收期的业务，其历史风参数也不具备参考性。因此，本文中仅对蚂蚁借呗、微粒贷、网商贷和H闪贷这四类产品进行历史风险参数统计分析。以H银行减值管理办法中建立的贷款违约概率历史数据取值模型分别统计蚂蚁借呗、微粒贷、网商贷和H闪贷以12个月为周期的历史违约概率数据，与互联网贷款作为整体统计的违约概率基础数据进行对比，如表4.2所示。表4.2H银行四类互联网贷款产品历史违约概率数据统计对比表阶段划分蚂蚁借呗微粒贷网商贷H闪贷互联网贷款整体阶段一3.10%1.12%4.02%1.00%1.74%阶段二31.74%19.10%35.16%13.25%31.25%阶段三100.00%100.00%100.00%100.00%100.00%数据来源：经对H银行内部业务数据进行计算所得由上表可见，四类互联网贷款产品的历史违约概率数据是显著不同的，且与互联网贷款作为整体统计的历史违约概率也有明显差异，再次说明不同互联网贷款产品的信用风险特征是十分不同的，笼统归为一组会导致风险参数的量化不具匹配性，无法真实反映各类互联网贷款产品的信用风险情况。综上，将互联网贷款整体归为一个类似信用风险组合是不适当的。H银行互联网贷款类似信用风险组合划分标准过宽导致类似信用风险组合划分结果不足以有效体现同一组合内贷款的信用风险特征，无法实现全面、真实、有效、匹配的贷款减值管理，进而不利于实现精细化信用风险管理，也不利于为不同贷款产品的发展规划提供有效准确的风险数据支持，阻碍全面风险管理思想的落实。二、互联网贷款内部信用风险的评价标准过于单一贷款风险分池环节的第二步是对贷款进行信用风险分类，即对贷款建立内部信用风险评价标准。只有制定合理适当的内部信用风险评价标准，商业银行才能及时识别信用风险，有效进行风险区分和风险排序。本文第三章中介绍了H银行互联网贷款的内部信用风险评价标准且该评价标准是符合会计准则及监管相关原则性要求的。尽管H银行对互联网贷款三阶段划分引入了四个维度的标准，分别为逾期天数、五级分类、客户评级和预警状态，但实际操作中后三个标准均完全依赖于逾期天数。逾期天数与五级分类和三阶段划分存在简单的映射关系，如表4.3所示。

表4.3H银行互联网贷款内部信用风险评价映射表逾期天数风险分类三阶段划分未逾期正常阶段一逾期1天～90天关注阶段二逾期91天～180天次级阶段三逾期181天～360天可疑阶段三逾期361天及以上损益阶段三即实质上，H银行仅引入了逾期天数这一项客观易获取的信息作为标准，并针对所有互联网贷款均采用逾期超过90天作为不良和已发生信用减值的判断依据。这样的信用风险评价标准过于单薄。（一）仅凭逾期无法充分评价互联网贷款信用风险尽管以逾期天数作为互联网贷款内部信用风险评价标准简单易操作，但贷款信用风险评价本身是一个复杂的过程，它需要基于对借款人信息进行充分了解、分析和综合评估后得出结论。贷款信用风险与借款人的债务偿还能力和偿还意愿直接相关，逾期本身只是借款人债务偿还能力变弱或偿还意愿下降引发的客观结果，它仅是信用风险迹象，并不是信用风险根源，存在一定的滞后性，故仅通过逾期评价信用风险，无法实现真正意义上的信用风险预警，可能存在一定数量暂未逾期但借款人还款能力或还款意愿已对其贷款质量产生不利影响的情况，仅通过逾期无法将其此类贷款风险及时识别出来，由此会引发未充分识别信用风险上升导致的风险隐患。（二）已发生信用减值贷款的判断标准过于单一在将逾期天数作为互联网贷款内部信用风险评价唯一标准的基础上，H银行还将逾期超过90天作为判断贷款不良和已发生信用减值的唯一标准。将逾期超过90天的互联网贷款划入不良是当前监管的底线要求，以逾期超过90天作为已发生信用减值的标准也未违反新金融工具会计准则的相关要求，但考虑互联网贷款均为信用类贷款且客户准入门槛相对较低，采用监管底线要求仅从对贷款信用风险的常规认知层面已显不妥。同时，本节第一部分已提出，不同互联网贷款产品的信用风险特征是不同的，故即使仅通过逾期天数判断贷款阶段划分，也应根据各类互联网贷款产品的自身特点，考虑设置差异化的逾期天数作为已发生信用减值的判断标准。可引入滚动率模型做量化分析，进行直观说明。1.滚动率模型说明滚动率模型是用于定义账户好坏程度的分析工具，可利用滚动率模型原理分析各类互联网贷款产品处于各逾期区间贷款的好坏程度。简而言之，滚动率分析是观察账户在观察时点前一段时间的最坏逾期阶段，并追踪其在观察时点后一段时间向其他逾期阶段发展的情况。2.滚动率指标内涵以H银行的蚂蚁借呗和微粒贷为例，以2018年12月31日为观察时点，取观察时点所有蚂蚁借呗、微粒贷的贷款笔数，均为200万笔左右，分别统计它们的逾期区间，然后追踪它们一年后表现。基于H银行现状，本文关注以逾期超过90天作为已发生信用减值的判断标准是否合理，因此将逾期状态分为四个层次，C：未逾期、M1：逾期1天～30天、M2：逾期31天～60天、M3：逾期61天～90天、M3+：逾期超过90天。根据统计，得到如表4.4和表4.5所示结果。表4.4蚂蚁借呗一年期逾期滚动矩阵（借款笔数百分比）M0M1M2M3M3+M095.55%1.70%1.01%0.40%1.34%M180.05%1.67%1.23%0.88%16.17%M265.38%1.56%1.33%1.27%30.46%M337.32%1.30%1.43%1.95%58.00%M3+17.92%1.13%1.53%2.44%76.98%数据来源：经H银行对内部业务数据统计及计算所得

表4.5微粒贷一年期逾期滚动矩阵(借款笔数百分比)M0M1M2M3M3+M097.82%0.89%0.57%0.23%0.49%M188.18%0.95%0.81%0.71%9.35%M279.54%0.97%0.97%1.09%17.43%M355.65%1.05%1.40%2.12%39.78%M3+29.13%1.13%1.89%3.27%64.58%数据来源：经对H银行内部业务数据统计及计算所得根据表4.4和表4.5所示的统计数据可得：对于蚂蚁借呗和微粒贷，处于M3+的贷款，经历一年，分别有76.98%和64.58%的贷款仍然处于M3+，质量情况确实较差，应识别为已发生信用减值的贷款；处于M3的贷款，蚂蚁借呗中有过半数贷款向M3+转移，而微粒贷仅有约40%向M3+转移。假如把条件收紧一点，那么很可能针对蚂蚁借呗选择自贷款进入M3时就认为已发生信用减值。当然这一判断还需根据历史数据做进一步分析佐证。此处的分析描述仅旨在说明，对于不同互联网贷款产品，处于相同逾期区间的贷款经历相同时间后的逾期分布转移情况是明显不同的，故仅以逾期超过90天作为所有互联网贷款已发生信用减值的唯一判断标准虽然未违反监管原则，但难以支撑实现全面、真实、有效的减值管理目标。综上，当前H银行对互联网贷款建立的内部信用风险评价标准过于单一，不足以支持全面有效地识别互联网贷款信用风险。

第二节减值管理关键参数量化环节问题分析完成贷款风险分池后，贷款减值管理进入下一重要环节——减值管理关键参数量化，这是将信用风险从抽象定性描述转换为具体定量描述的关键环节。在正式开展相关参数定量分析前，需特别说明，由于贷款风险分池是参数量化的基础，基于本章第一节讨论的有关贷款风险分池的两个问题，其对本节量化分析的影响如下：第一，由于本文对参数的定量讨论需要一定的历史数据积累作为基础，而新开展的业务和处于退出期的业务，其数据表现不具参考性。因此，下文的参数量化讨论将按照互联网贷款产品种类划分的类似信用风险组合展开，且仅对具备历史数据累积的蚂蚁借呗、微粒贷、网商贷和H闪贷作量化分析。第二，由于H银行当前的互联网内部信用风险评价标准没有违反会计准则及监管的原则性要求，加之本节对参数的定量分析旨在说明参数本身的取值模型及逻辑，故后续对参数的定量分析讨论仍基于H银行当前的互联网贷款内部信用风险评价标准。一、违约概率基础取值与互联网贷款剩余期限匹配度不足（一）基于迁徙模型的违约概率基础数据取值方法说明违约概率是贷款减值管理中最重要的风险参数之一。根据H银行减值管理办法，违约概率的选取是按照类似信用风险组合分别采用历史数据测算的。历史违约概率运用迁徙模型计算，具体操作如下：1.统计月迁徙率的历史数据H银行对各组类似信用风险组合互联网贷款分别按月统计基于贷款笔数的月迁徙情况，进而可计算得出以1个月为周期的每组互联网贷款的迁徙率矩阵。2.取平均值统计历史平均月迁徙率H银行规定，取最近36个月的月迁徙率算数平均值作为基础数据。若贷款投放时间未达36个月但不少于12个月，则按全部月份统计月迁徙率；若投放时间少于12个月，则认为该组贷款暂未积累充足的历史数据支持自身风险参数的内部评价。因此，对于有历史数据累积的互联网贷款，会得到12～36个月迁徙率矩阵，取平均值算出各组互联网贷款历史平均月迁徙率，如表4.6所示。

表4.6互联网贷款历史平均月迁徙矩阵阶段一阶段二阶段三阶段一a11a12a13阶段二a21a22a23阶段三a31a32a33表4.6所示矩阵可表示为A1=(ajk)3X3，其中，a13表示某一组类似信用风险组合中阶段一贷款经历一个月下迁至阶段三的概率，即阶段一贷款的单月违约概率基础数据；a23表示该组类似信用风险组合中阶段二贷款经历一个月下迁至阶段三的概率，即阶段二贷款的单月违约概率基础数据。3.利用矩阵相乘推算12个月周期的违约概率基础数据H银行利用矩阵A1进行12次矩阵乘法推算以12个月为周期的迁徙率矩阵A12。推算过程如下：A2=A1A1=a11aA3=A2A1=b11b……A12=A11A1=k11k

矩阵A12中，l13表示某一类似信用风险组合互联网贷款以12个月为周期的阶段一违约概率基础数据，记作PD1。l23表示某一类似信用风险组合互联网贷款以12个月为周期的阶段二违约概率基础数据。根据规定，阶段二贷款需确认整个预计存续期的预期信用损失。预计存续期对预期信用损失的影响通过违约概率体现，因此H银行通过公式（1）将以12个月为周期的阶段二违约概率基础取值l23推算成与贷款整个预计存续期限匹配的阶段二违约概率基础取值，记作PD2。PD2=1-(1-l23)^(整体预计存续天数/365) （1）其中，整体预计存续天数若小于365天，则取365天；如不小于365天，则按照实际天数取。特别地，违约概率基础取值，即PD1和PD2，均需经过前瞻信息调整后才能得出这一类似信用风险组合互联网贷款阶段一和阶段二实际应使用的违约概率，分别记作PD1'和PD2'。本节仅对基于迁徙模型的违约概率基础数据取值方法进行分析，不展开说明前瞻性调整，前瞻性调整相关说明详见本章第三节。（二）基于迁徙模型的违约概率基础数据取值问题分析通过梳理H银行互联网贷款违约概率基础数据取值方法，首先，H银行有两点可取之处。第一，H银行对互联网贷款周期短、频率快的特点有针对性考虑和处理。H银行对互联网贷款违约概率历史数据以单月为周期统计，再以历史平均月迁徙率通过矩阵相乘滚动推算至12个月周期，而对公司贷款迁徙率基础数据则直接使用12个月周期的公司贷款迁徙矩阵统计。所以，互联网贷款基础迁徙率的数据统计间隔远小于公司贷款，统计细化程度显著高于公司贷款，这与互联网贷款的特点更为匹配。第二，针对阶段二贷款的违约概率基础取值，H银行也充分考虑了新金融工具会计准则对阶段二贷款需确认整个存续期内预期信用损失金额的要求，专门建立了公式（1）计算得到与整个预计存续期限匹配的PD2。但与此同时，仍然存在优化改进空间。尽管H银行在对互联网贷款违约概率的历史数据统计上，已细化到以月为周期，但H银行采用的阶段一贷款违约概率基础取值均为12个月周期的，反映的均是12个月的历史违约概率。虽然根据新金融工具会计准则的要求，阶段一贷款的减值是考虑未来12个月内的预期信用损失，但新金融工具会计准则第四十八条中还专门提到，对于预计存续期少于12个月的金融工具，就考虑预计存续期的预期信用损失，即短于12个月。是否考虑这一细节对公司贷款而言影响可能并不重大，但对于互联网贷款则很可能会有非常重大的影响。因为互联网贷款一般期限短、周转快，有较多互联网贷款的原始期限就不长于12个月，更重要的是，互联网贷款的还款方式一般为等额本息或等额本金，因此如果按照本金偿还计划考虑本金剩余期限，大量本金预计存续期会大幅度缩短。综上，在减值评估期间可能存在大量阶段一互联网贷款敞口的实际剩余期限短于12个月。预计存续期缩短，必然对应更小的违约概率。所以针对互联网贷款PD1的取值也应当考虑与预计存续期的匹配关系。根据H银行的违约概率取值逻辑，可直接采用矩阵A1、A2……A11、A12中的阶段一下迁至阶段三的迁徙率分别作为以1个月、2个月……11个月和12个月为周期的阶段一违约概率基础数据。（三）改进结果定量对比按照上述逻辑统计蚂蚁借呗、微粒贷、网商贷和H闪贷的阶段一贷款与剩余期限的相匹配的违约损失率基础数据情况如表4.7所示。表4.7主要四种互联网贷款改进后的阶段一违约概率基础数据预计存续期（月）蚂蚁借呗微粒贷网商贷H闪贷10.00%0.00%0.00%0.00%20.13%0.05%0.19%0.06%30.34%0.12%0.49%0.15%40.60%0.22%0.84%0.24%50.88%0.32%1.22%0.33%61.18%0.43%1.61%0.43%71.50%0.54%2.01%0.52%81.81%0.66%2.41%0.62%92.13%0.77%2.82%0.71%102.45%0.89%3.22%0.81%112.77%1.01%3.62%0.90%123.10%1.12%4.02%1.00%数据来源：H银行内部业务数据

图4.1阶段一互联网贷款违约概率与预计存续期关系图数据来源：H银行内部业务数据由图4.1直观可见，对于阶段一互联网贷款，预计存续期从1个月到12个月对应的历史违约概率基础数据差异十分明显。2019年末，H银行有余额的蚂蚁借呗、网商贷原始期限均为12个月，微粒贷为24个月内，H闪贷为36个月内，但由于分期还本的约定，它们的实际风险敞口按月分布的金额较为分散。本文按照还款计划对蚂蚁借呗、微粒贷、网商贷和H闪贷的风险敞口按照预计存续期分布进行统计，统计结果如表4.8所示。

表4.8阶段一互联网贷款余额的实际存续期分布情况单位：人民币百万元实际存续期（月）蚂蚁借呗微粒贷网商贷H闪贷11,282.401,124.91421.7745.1121,716.411,080.32416.2148.8431,271.181,020.93405.4959.074842.42938.23408.8079.925832.19844.81383.59122.016861.21683.45367.49187.507657.28604.63212.32167.598677.60570.26213.2969.359681.94524.80212.5377.0110609.99474.72213.2686.5011599.05416.74192.36197.0612及以上729.042,558.81232.64484.49合计10,760.7110,842.613,679.751,624.45数据来源：经对H银行内部业务数据进行计算所得

图4.2阶段一互联网贷款余额的实际存续期分布图数据来源：同表4.8将阶段一的上述四类互联网贷款根据与预计存续期匹配的违约概率进行匹配后的预期信用损失计算结果情况如表4.9所示。表4.9PD优化前后ECL金额对比表单位：人民币百万元（除百分比外）阶段一贷款贷款余额PD优化前ECL金额*PD优化后ECL金额*优化后差异优化前拨贷比优化后拨贷比蚂蚁借呗10,760.71249.8789.99(159.88)2.32%0.84%微粒贷10,842.6191.3543.30(48.05)0.84%0.40%网商贷3,679.75110.9141.55(69.36)3.01%1.13%H闪贷1,624.4512.138.01(4.12)0.75%0.49%数据来源：经计算所得注：此表中违约损失概率取值均为75%，ECL金额均为未考虑参数前瞻性的结果。

由表4.9统计可知，是否将阶段一互联网贷款的违约概率取值细化到与其实际预计存续月份数量匹配对其减值量化结果有不可忽视的影响。笼统地使用12个月周期的违约概率会极大地放大阶段一互联网贷款的信用风险，不利于提高互联网贷款减值管理的真实性和匹配性，也不利于实现精细化信用风险管理，进而不利于为业务发展、互联网贷款定价、量化互联网贷款业务价值创造提供精确科学的指导。尤其随着H银行互联网贷款规模的不断增长，该影响会愈发重大。因此，H银行当前在互联网贷款减值管理中对阶段一贷款违约概率的量化与贷款预期存续期限的匹配度不足。二、违约损失率取值的客观性不足（一）违约损失率取值方法说明尽管H银行在贷款减值管理办法中，针对零售贷款建立了基于清收的历史平均违约损失率模型，具体操作步骤是：首先，统计违约零售贷款往年实际回收金额；其次，根据实际回收金额计算各期历史回收率；最后，取算数平均作为历史平均损失率。但在实际操作中，由于H银行的预期信用损失模型于2017年完成建立，当时仅为互联网贷款正式投放后的第一个完整自然年份，故基本没有对违约互联网贷款历史清收数据的积累，使用基于清收的历史平均违约损失率模型计算互联网贷款违约损失率的可执行性受阻。因此，H银行在2018年初首次使用新金融工具会计准则时，针对互联网贷款，采用了监管值作为违约损失率参数取值，统一使用75%，这一做法直到2019年末还未改进。（二）违约损失率取值问题分析1.统一且固定的取值无法客观反映违约损失情况H银行的违约损失率取值存在已建立模型但未使用的问题。自开始实施预期信用损失模型以来，H银行一直采用75%作为所有互联网贷款违约损失率取值。75%的来源是新巴塞尔资本协议的相关规定，即在基础内部评级法下，公司、银行和国家的无抵押次级债权取75%作为违约损失率。所以，H银行当前互联网贷款的违约损失率取值与其信用类公司不良类贷款一致，而互联网贷款的风险特征与公司贷款有显著差异，两者违约损失率一致显然是不合理的，不符合精细化信用风险管理目标。2.基于清收的历史平均违约损失率模型相关参数不完善除已建立模型未使用的问题外，H银行建立的基于清收的历史平均违约损失率模型也存在待完善的问题。虽然取值模型是依据违约损失率的实际意义建立的，不存在原则性问题，但在计算回收率时，不仅需要考虑客户的回款金额，同时要考虑催收的运营成本、人力成本等各项管理成本，还要考虑时间价值。考虑上述因素后违约损失率计算公式如下：违约基于上述描述和公式，H银行对建立的违约损失率公式主要存在如下两个问题：（1）未考虑回收成本。这一点对于互联网贷款尤为重要，因为相较于普通线下零售贷款，互联网贷款由于其交易频、金额小、客户分散等特点，导致其违约贷款追回难度更大，进而直接导致违约贷款追回成本高。如商业银行一般会专门聘请催收公司，将互联网贷款的催收工作外包，避免占用过多行内资源。因此，回收成本是考虑违约损失率不可忽略的因素。（2）未考虑回收时间。根据历史违约贷款回收数据计算违约损失率时，不可规避的是货币的时间价值。例如1万元的违约贷款，于违约后的第一年收回5,000元和于违约后的第三年收回5,000元，其定量结果是完全不同的。所以，在建立违约损失率模型时，银行应当考虑设置回收周期，即评估贷款违约后一般经过多长时间还未产生回款的话，后续的回收可能性极低，则以该时间段作为贷款违约损失率模型历史数据的统计周期，如一年、两年或三年等。总之，银行需要根据其互联网贷款的情况，设置一个适当的回收期作为模型数据的统计周期，提高模型使用效率、减少数据统计干扰。（三）改进结果定量对比本文对互联网贷款建立基于历史数据的清收违约损失率内部统计模型，并在统计模型的实际运用中考虑上述待完善问题。本文结合互联网贷款的特点，以违约后一年作为违约互联网贷款的回收期，统计互联网贷款违约后的回收情况。通过对蚂蚁借呗、微粒贷、网商贷和H闪贷历史违约贷款的数据统计，分别得出这四类互联网贷款的违约损失率。

表4.10H银行四类互联网贷款历史违约损失率统计结果贷款类型2019年12月31日蚂蚁借呗87.27%微粒贷83.16%网商贷76.02%H闪贷54.05%数据来源：经对H银行内部业务数据进行统计及计算所得利用各产品违约贷款的统计数据，分别计算对应的预期信用损失金额进行对比，如表4.11至4.14所示，特别地，各产品使用的阶段一违约概率，均为优化后的取值，而且预期信用损失金额均为未考虑参数前瞻性的结果。表4.11蚂蚁借呗LGD优化前后ECL金额对比表蚂蚁借呗贷款余额LGD优化前ECLLGD优化后ECL差异（优化后-优化前）阶段一10,760.7189.99104.7114.72阶段二157.4937.4943.626.13阶段三282.61211.96246.6434.68合计11,200.81339.44394.9755.53数据来源：经计算所得

表4.12微粒贷LGD优化前后ECL金额对比表微粒贷贷款余额LGD优化前ECLLGD优化后ECL差异（优化后-优化前）阶段一10,842.6143.3048.014.71阶段二147.7721.1723.472.30阶段三153.09114.81127.3112.50合计11,143.47179.28198.7919.51数据来源：经计算所得表4.13网商贷LGD优化前后ECL金额对比表网商贷贷款余额LGD优化前ECLLGD优化后ECL差异（优化后-优化前）阶段一3,679.7541.5542.110.56阶段二40.3010.6310.770.14阶段三98.7774.0875.091.01合计3,818.82126.26127.971.71数据来源：经计算所得表4.14H闪贷LGD优化前后ECL金额对比表H闪贷贷款余额LGD优化前ECLLGD优化后ECL差异（优化后-优化前）阶段一1,624.458.015.77(2.24)阶段二1.710.170.12(0.05)阶段三0.550.410.30(0.11)合计1,626.718.596.19(2.40)数据来源：经计算所得综上，违约损失率作为减值管理的关键参数之一，对减值量化结果有直接影响，缺乏针对性的违约损失率基础取值不利于有效准确地反应贷款实际信用损失水平。

三、减值管理关键参数综合优化后量化结果对比分析基于本节对互联网贷款减值管理关键参数量化提出的问题，此处对综合优化后的结果进行了统计对比，如表4.15所示。表4.15减值管理关键参数综合优化后量化结果对比表单位：人民币百万元（除百分比外）阶段划分贷款余额PD、LGD优化前ECLPD、LGD优化后ECL优化后差异优化前拨贷比优化后拨贷比阶段一26,907.52464.26200.60(263.66)1.73%0.75%阶段二347.2769.4677.988.5220.00%22.45%阶段三535.02401.26449.3448.0875.00%83.99%合计27,789.81934.98727.92(207.06)3.36%2.62%数据来源：经计算所得注：此表中ECL均为未考虑前瞻性调整的结果。由上述对比情况可知，阶段一违约概率与贷款本金实际预计存续期的匹配对于互联网贷款信用风险量化结果的影响十分明显，整体导致本文重点统计的四类互联网贷款的预期信用损失金额呈现较大幅度的下降。同时，违约损失率取值的客观性也对互联网信用风险量化结果有直接影响，尤其对于违约概率为100%的阶段三贷款，违约损失率取值的适当性直接影响其预期信用损失的充分合理，这对管理没有其他风险缓释的信用类违约贷款十分重要。以上均充分体现对减值管理关键参数进行精细化管理的重要性。贷款减值管理的风险量化结果应当是准确适当的，既不应不充分也不应过分审慎。只有提高参数量化的匹配性和准确性，才能既强化信用风险管理能力，又为业务管理层面提供科学依据，促使互联网贷款业务健康高效发展。

第三节前瞻性调整环节问题分析新金融工具会计准则引导下的贷款减值管理办法，最具变革性和成长性的变化点即需要考虑减值的前瞻性。故银行在制定贷款减值管理办法时须充分识别判断相关的前瞻性信息，并通过适当的模型进行量化，以调整基于历史迁徙率统计推算出的历史违约概率和基于历史违约贷款回收率统计的历史违约损失率，使它们分别成为可以体现前瞻性的违约概率和违约损失率。H银行当前的前瞻性调整模型是基于前瞻因子评分机制建立的。前瞻性调整流程可概括为图4.3，即H银行先识别相关宏观经济指标作为的前瞻因子，对前瞻因子评分得到经济周期变化分数，将经济周期变化分数通过函数关系转换为宏观系数，再利用宏观系数对减值管理关键参数基础取值进行调整。图4.3H银行前瞻性调整流程一、前瞻性调整的适用性待提高（一）前瞻因子的针对性有待提高H银行引入相关宏观经济指标作为前瞻因子，对各项前瞻因子进行评分，建立如表4.16所示的经济周期变化评估评分卡。

表4.16经济周期变化评估评分卡评估项目评估要点与标准权重国内外宏观经济环境分析全球主要经济体经济形势对美、日、欧等国际主要经济体宏观经济形势的分析和判断10%中国宏观经济形势对中国GDP的走势的分析和判断10%对中国CPI走势的分析和判断10%对中国社会消费品零售总额走势的分析和判断10%中国货币金融运行形势对中国M2走势的分析和判断10%对中国社会融资规模总量的分析和判断10%对中国金融机构贷款总量走势的分析和判断10%对中国股市走势的分析和判断10%银行相关外部经济环境分析贷款客户金融运行形势对中国居民人均可支配收入走势的分析和判断10%贷款质量金融运行形势对中国商业银行不良贷款走势的分析和判断10%合计得分（加权平均）100%专家调整（+-10分）最终得分评分说明：分数从1～99分。温和为50分；超过50分为偏悲观预测，分值越高越悲观；低于50分为偏乐观预测，分值越低越乐观；专家调整的区间是正负10分，最终得空区间控制在1～99分，1～50分代表“繁荣”，50-99分则代表“衰退”，50分代表“稳定不变”。从表4.16所述H银行的前瞻因子评分机制可见，目前H银行对前瞻因子的使用缺乏针对性，分别体现在前瞻因子的选取和使用。选取层面，H银行作为一家城市商业银行，近几年来其业务发展战略坚持属地原则，对互联网贷款的客户源要求也不例外，注重属地性，而H银行选择宏观经济指标中显然缺少湖南省的相关情况，与其