機器學習算法下的銀行融資類放貸決策機制研究

麥慶達

（廣東培正學院經(jīng)濟學院，廣東 廣州 510830）

廣義上的金融工程不僅為銀行面臨市場、信用等風險的企業(yè)貸款工作提供新的測量工具，其在金融科技的應(yīng)用更為緩解小微公司融資壓力提供了有效的傳導(dǎo)路徑。同時為了應(yīng)對疫情造成的經(jīng)濟下行壓力，金融監(jiān)管部門均采用了放松銀行監(jiān)管、推遲債務(wù)償還和加大信用擔保等策略，如：下調(diào)逆周期資本緩沖比例使銀行優(yōu)化其為企業(yè)融資的功能，推遲實施修訂后的各類業(yè)務(wù)披露要求以減緩銀行運營負擔和加強部門與國際等聯(lián)動，提出針對性強的援助方案。在“求穩(wěn)”狀態(tài)下，考慮對貸款的疫情因素并擴大放貸總規(guī)模時，通過宏觀指標、情景壓力測試和大數(shù)據(jù)分析等方式量化風險，是商業(yè)銀行重要的研究課題。

1.文獻綜述

最早的風險模型基于現(xiàn)代投資理論。為了給出模型最優(yōu)的貸款分配決策，利用Monte Carlo模擬對關(guān)鍵參數(shù)如貸款期限內(nèi)各年度的收益率和標準差等進行獲取，并且人為地加入各類約束條件，如VaR風險限額、國際慣例的法律法規(guī)和經(jīng)營管理等，最后建立收益最大化為目標函數(shù)并計算[1]。從2008年金融危機開始,國際會計準則理事會(International Accounting Standard Board，簡稱 IASB)針對與Basel框架下的EL(預(yù)期損失）=PD(違約概率)*LGD(違約損失率)*EAD(違約風險敞口)建立了預(yù)期信用損失模型，提出IFRS9等新的減值計提方式；相關(guān)研究[2]認為實施新的信用風險監(jiān)管模型，涉及的損益和信用風險需要集合財務(wù)和風險管理兩大部門分布的數(shù)據(jù)計算系統(tǒng)，在操作上需要考慮不同資產(chǎn)相關(guān)參數(shù)的預(yù)測能否滿足歷史數(shù)據(jù)上的充分性和可靠性；學者[3]據(jù)此認為新的監(jiān)管會影響國有銀行和股份行的貸款策略，提出商業(yè)銀行應(yīng)該重新審視市場的風險敞口、加強“以公允價值計量金融資產(chǎn)當期損益變動”類資產(chǎn)DV01的動態(tài)預(yù)警等作出前瞻性判斷，鼓勵商業(yè)銀行使用利率衍生品進行風險的對沖，并要求進一步加強對客戶的信用評級能力。

而防范系統(tǒng)性風險的關(guān)鍵在于金融機構(gòu)之間的關(guān)聯(lián)網(wǎng)絡(luò)，研究者[4]通過因子分析法測度、系統(tǒng)風險因子歸因法去分解溢出的因子負荷，構(gòu)建并檢驗系統(tǒng)內(nèi)單一金融機構(gòu)對系統(tǒng)性風險的貢獻程度。有學者[5]針對企業(yè)間的擔保關(guān)系進行復(fù)雜網(wǎng)絡(luò)理論下的指標測度：從擔保的角度出發(fā)，構(gòu)建評價網(wǎng)絡(luò)抵御風險能力的穩(wěn)態(tài)風險密度和風險傳播速度兩大指標，但具有一定節(jié)點選取的主觀性和計算上的復(fù)雜性。

2.理論分析與研究假設(shè)

金融風險的測度理論體系經(jīng)歷了三個發(fā)展階段；從金融衍生品的“希臘字母”監(jiān)控利率變動與產(chǎn)品價格之間的關(guān)系，并刻畫不確定性特征；到現(xiàn)代提出的四個風險公理：單調(diào)性、一次齊性、平移不變性和次可加性；最后是ES和 Var僅在損失的區(qū)間上計算最大損失或平均損失，對與指導(dǎo)個別銀行業(yè)務(wù)時不具有特殊性。因此，有必要加入機器學習模型，對風險監(jiān)管提供金融科技解決方案。實證的目的主要是從經(jīng)濟資本(Economic Capital)的角度出發(fā)，而實踐中可考慮計提的損失是否滿足巴塞爾協(xié)議的監(jiān)管資本。相較于不同的風險計量方法，機器學習算法可以實時針對用戶的可追溯歷史數(shù)據(jù)，去更新用戶的信譽評級；這種對預(yù)期損失的前瞻性、客觀性觀測，是傳統(tǒng)基于隨機模擬、信用轉(zhuǎn)移矩陣所不具有的。

假設(shè)1：商業(yè)銀行的利潤計算過程中，若真實場景下客戶并未發(fā)生流失，但計算利潤時已經(jīng)按照損失率計提了部分利潤，那么可以直接認為利潤減值就是監(jiān)管下防范流動性風險的計提。

假設(shè)2：考慮到欺詐場景下的樣本數(shù)據(jù)失衡，應(yīng)該盡量采用異常檢測算法(anomaly detection)、基于不同抽樣技術(shù)的學習算法或者其他能夠調(diào)整模型bias的機器學習算法；區(qū)分不同信譽等級用戶情況下，幫助前中臺設(shè)計貸款年利率產(chǎn)品，并建立風控指標進行內(nèi)部監(jiān)管。

3.實證研究

需要注意的是，模型運算前，輸入變量均進行了標準化，具體公式為：(X-X_mean)/X_std，計算時分別對特征變量進行運算。數(shù)據(jù)來源于某商業(yè)銀行收集的123家企業(yè)進銷項發(fā)票數(shù)據(jù)、商業(yè)銀行貸款利率與不同信譽等級A級、B級和C級客戶的流失率，構(gòu)建輸入變量發(fā)票作廢率、信譽評級、銷項發(fā)票作廢率、銷項負數(shù)發(fā)票率、銷售收入增長率、交易次數(shù)O、歷史銷項稅額O 、企業(yè)平均所交稅額O、交易次數(shù)I和企業(yè)平均所交稅額I。實驗使用SAS9.0、OriginPro 2019b和Python3.7。建立違約概率公式(1)PD（Probability of Default）,其中X為輸入的控制變量矩陣。

3.1 描述性統(tǒng)計與檢驗

特別在欺詐場景中，尤其需要考慮樣本不平衡的數(shù)據(jù)集。在該實驗數(shù)據(jù)中，正負違約樣本的比例為1:3.6。實驗為了簡化分析過程，不再贅述變量間的統(tǒng)計學含義，回歸前發(fā)現(xiàn)方差膨脹因子小于10，變量間不存在多重共線性，但回歸過程中仍會出現(xiàn)奇異矩陣（最后解決方案是加入噪聲）; DurbinWatson檢驗輸出值2.085，變量之間不存在自相關(guān)，同時white檢驗結(jié)果拒絕原假設(shè)，認為變量間存在異方差。

3.2 模型結(jié)果與參數(shù)尋優(yōu)

銀行放貸的決策首先要對企業(yè)違約的概率進行預(yù)測。因此機器學習模型應(yīng)該以某些企業(yè)發(fā)生違約行為的觀測點作為正樣本。而參數(shù)需要在實驗數(shù)據(jù)集上訓(xùn)練分類器，通過對每個特征的初始化，然后迭代運算找出最優(yōu)的特征和數(shù)據(jù)集特征輸入數(shù)量。在當前特征變量中修剪掉對模型預(yù)測貢獻度低的特征。以RFE貪婪優(yōu)化算法作為目標函數(shù)，找到模型性能最佳的特征集合。運行結(jié)果特征數(shù)在第5個時，能夠達到得分最高。針對二分類問題評價指標，采用機器學習中的ROC/AUC評價指標，建模的結(jié)果：其中Sensitivity(指在所有真實結(jié)果為正的數(shù)據(jù)中，模型預(yù)測出來正值的比例) 第一次大于0.95。模型的邏輯回歸預(yù)測準確率（預(yù)測出所有企業(yè)行為的類別：違約或不違約的狀態(tài)）達到0.8、AUC（曲線下面積）達到0.89，預(yù)測能力較強。在應(yīng)用該模型時，根據(jù)收集的企業(yè)進、銷項票據(jù)和評級等歷史數(shù)據(jù)提供的信息，設(shè)置概率閾值為0.408，可以準確預(yù)測出100%的企業(yè)違約樣本，但是也會錯誤作出約15%的正常企業(yè)出現(xiàn)違約的判斷（模型風險）。在業(yè)務(wù)中考慮衍生變量在邏輯斯蒂回歸模型中的權(quán)重，可參考。正是根據(jù)上述預(yù)測出的概率Defaulti，建立數(shù)學公式(2) 商業(yè)銀行風控部門可以對中小企業(yè)進行貸款數(shù)量的確認變量和計算出損失變量（3）；同時，根據(jù)年利率與用戶流失的歷史數(shù)據(jù)，繪制出信用評級A，B，C的不同客戶流失率與商業(yè)銀行貸款年利率圖像。根據(jù)擬合函數(shù)公式可擬合得出函數(shù)，如表1所示：

表1 不同等級用戶流失率與銀行貸款利率的關(guān)系

由此，商業(yè)銀行可通過建立函數(shù)方程式，擬合不同等級客戶流失率與銀行貸款利率的關(guān)系，若缺失內(nèi)部的客戶信譽評級，還可根據(jù)無監(jiān)督學習如異常檢測算法，利用歷史數(shù)據(jù)對企業(yè)的信譽評級預(yù)測變量進行多分類問題的建模。在已有（或獲取）信譽評級后，可以直接使用Logistic模型對客戶違約率進行預(yù)測計算，也可以僅根據(jù)企業(yè)的進、銷項數(shù)據(jù)進行衍生特征的計算，得到客戶違約率并根據(jù)公式計算loank，其中k∈N，為會計準則監(jiān)管下的第k筆貸款。最終，建立銀行利潤最大化的關(guān)系式profiti=best_interest×loank×(1 ?Lossi),其中，profiti代表單個貸款企業(yè)提供的貸款利潤，Lossi代表擬合模型下得出的不同信譽用戶的流失率；best_interest可由銀行根據(jù)同業(yè)拆借市場、央行貸款準備金率和監(jiān)管保證金比率等進行自由浮動。以上，商業(yè)銀行的中小企業(yè)貸款業(yè)務(wù)在系統(tǒng)的模型構(gòu)建下完成[6]，其中涉及的企業(yè)數(shù)據(jù)更是需要貸前、貸中和貸后不斷監(jiān)管，在利率市場化指導(dǎo)下，進一步監(jiān)控風險。

4.結(jié)語

通過實證研究發(fā)現(xiàn)，企業(yè)的違約概率、信譽評級是銀行風控部門需要關(guān)注的關(guān)鍵指標。在特殊環(huán)境和條件下，隨著政策建議小微企業(yè)貸款延期還本付息和發(fā)放更多普惠小微企業(yè)的信用貸款，商業(yè)銀行或政府監(jiān)管部門能否對貸款企業(yè)運營狀態(tài)數(shù)據(jù)的及時分析、監(jiān)控并采取措施，是決定商業(yè)銀行信用風險大小是否被及時發(fā)現(xiàn)、緩解并避免上升為系統(tǒng)性風險的關(guān)鍵動作。除此以外，在實證過程中，可以有效結(jié)合數(shù)理統(tǒng)計分析方法和大數(shù)據(jù)下的“黑盒”算法，用于提高業(yè)務(wù)數(shù)據(jù)特征的可解釋性和提高對高維度數(shù)據(jù)的整合運算；配合巴塞爾協(xié)議與商業(yè)銀行高層的戰(zhàn)略目標，有效制定企業(yè)的數(shù)據(jù)生命周期的管理方法，不斷在風險測度的單調(diào)性（優(yōu)質(zhì)資產(chǎn)風險更?。?、一次齊性（可按倍數(shù)放大）、平移不變性（即對沖投資組合的損失需要提供準備金）和次可加性（風險管理的有效性）上開發(fā)適合內(nèi)部使用的監(jiān)管模型，結(jié)合壓力測試等多種手段，有效提升監(jiān)管科技效用，是嚴格控制風險、降本增效和精細運營的必然手段。