设为首页 | 加入收藏 | 关于我们

主页 > 金融观察 > 专题 >

  • 叶望春:金融科技赋能区域性银行风控转型与发展
  • 作者:和讯 日期:2019-12-28 23:32 来源:和讯网 字体大小:[]
    更多
  • 【导读】:区域性银行是金融服务三农和中小微企业的主力军,是普惠金融的重要组成部分,更是为国民经济发展提供融资支持的毛细血管。然而,风控能力一直制约着区域性银行业务发展。本文认为金融科技将从五个方面助力区域性银行提升风控能力,实现赋

           区域性银行是金融服务三农和中小微企业的主力军,是普惠金融的重要组成部分,更是为国民经济发展提供融资支持的毛细血管。然而,风控能力一直制约着区域性银行业务发展。本文认为金融科技将从五个方面助力区域性银行提升风控能力,实现赋能,并指出了当前金融科技助力风控的几个误区。

      近年来,随着移动互联网、大数据、人工智能、第五代移动通信(5G)等新技术在银行的深入应用,移动银行、开放银行等新模式的涌现,在为银行带来发展新机遇的同时,也对其风控能力提出了新要求。银行是经营风险的机构,信用风险、市场风险、流动性风险、操作风险、合规风险、声誉风险等都需要严格管控。对于以贷款业务作为主要收入来源的国内银行业而言,信用风险管理尤为重要。当前,在客户远程化、服务场景化、交易实时化、决策数据化的大趋势下,银行特别是广大区域性银行,必须顺应客户行为变化,与时俱进,充分利用金融科技助力风控能力提升。

      高不良率凸显区域性银行风控之痛

      由于具有地缘优势,广大区域性银行是正规金融服务三农和中小微企业的主力军,是普惠金融的重要组成部分,更是为国民经济发展提供融资支持的毛细血管。然而,风控能力一直制约着区域性银行业务发展。据统计,我国区域性银行不良率高达3%,远高于国有银行和股份制银行。究其原因,一是区域性银行地区相对集中,受经济影响波动相对较大。二是区域性银行在风控方面仍然偏重抵押担保物,缺乏新型的风控措施和研发能力。三是由于场景和资源有限,区域性银行缺乏足够的数据积累和专业的风控人才队伍。随着人工智能、大数据、生物识别、关系图谱、智能反欺诈等风控新技术逐渐被大行广泛应用,而区域性银行仍由于缺乏运用新技术所需要的资金、人才和经验等因素而停滞不前,与大行的差距逐渐被拉大。

      当前,为打破自身条件的禁锢,更好、更快地提升自身的风控能力,很多区域性银行开始与金融科技公司合作,希望可以“借船远航”。但同时,市场上充斥着鱼龙混杂的金融科技风控工具,包括新的数据源、模型、软件、系统和策略等。从实践来看,区域性银行与金融科技公司合作仍存在三大痛点。一是标准不统一。多数金融科技公司或平台采用决策树、逻辑回归等建模,并进行产品设计和数据挖掘,但很多是“黑箱”,市场缺乏统一标准,客户很难选择。二是业务不契合。许多金融科技公司提供的风控产品,是从互联网风控产品设计出发,与区域性银行信贷业务、流程和产品契合度偏低,区域性银行仍需不断的提出改造需求,花费大量的成本和时间,依然难以直接找到适配的产品。三是质量不可靠。市场上众多数据源存在数据单一、片面以及不精准的问题,基于这些数据源做出决策则让区域性银行面临巨大的隐患。

      金融科技助力区域性银行提升风控能力

      金融壹账通经过实践发现,区域性银行可以借助金融科技,打造适合自身的智能化风控服务系统,快速提高风控能力和综合竞争力,同时掌握风控决定权,实现真正赋能。具体表现为下个五个方面:

      助力之一:实现线上全流程贷款,多数据源智能反欺诈

      随着生活节奏的加快,人们希望随时随地得到金融服务的需求越来越强烈。这给银行尤其区域性银行带来了商业机会——可以不受物理网点的限制吸引客源。但另一方面,远程面审、智能双录、申请材料上传、信息的线上验真等都需要科技的支持。在此过程中,基于多数据源的交叉验证和历史黑名单可以有效防范欺诈风险;知识图谱可以帮助识别新贷款申请中可能与历史黑名单及其他可疑记录的交叉点,对高欺诈风险申请进行预警;微表情、声纹识别等技术为发现欺诈风险提供新的可能工具, 这些金融科技手段和工具让线上远程开户、贷款申请、客户服务成为可能。

      助力之二:供应链特定场景与多数据源交叉验证,降低信息不对称

      中小企业融资的风控是世界难题,因为中小企业经营状况、现金流不稳定,财务信息相对不完整,信用体系相对不完善。

      在供应链金融中大的核心企业及其确权的供应商一般都会由大银行或外资行提供融资服务,留给区域性银行的机会相对较少。区域性银行提供供应链金融服务中遇到的最大困难是验证企业信息、交易的真实性,以及如何控制资金流,形成风险的闭环。

      基于垂直交易场景,金融科技能够帮助区域性银行找到数据源,并通过多方数据验证交易的真实性。尤其在当前贸易战背景下,从中央到各级政府都非常关心中小企业的融资问题,政府可以提供非常好的场景及数据源,例如2019年海关单一窗口联合中国银行建设银行、平安等金融机构开展对中小企业的金融服务。通过海关数据,金融机构可以验证通关货物的真实性及真实价值,包括其纳税、退税等信息。如果申请企业同意将货款直接打入银行账户偿还贷款,就可以实现资金的闭环。当然这里还有货物保险、售出价格等其他因素,结合企业所属的行业因素,我们可以比较准确地计算出借款企业的风险敞口从而进行定价,特别是对于税金贷、退税贷等相对小额频繁的贷款申请,可以免去企业尽调、抵押等环节,给予企业价格合理的小额无抵押贷款,帮助企业提升运营周转效率。随着业务量的加大,样本和贷后数据的积累,可以借助人工智能(AI)技术不断迭代学习、训练风控模型,使其更加精准,从而进一步降低可持续经营的中小企业的融资成本。

      在供应链金融中,核心企业对供应商的延迟确权问题较为普遍,随着大部分交易、付款、结算系统线上化、数据化,物流、信息流、资金流数据等多维数据交叉验证,叠加保理、质押等手段可以实现非确权下的风险闭环,帮助供货商在核心企业未确权情况下获得融资。

      当然核心企业的分销商、零售商融资在供应链金融中是更值得探索的部分。相比供应商,核心企业对支持分销商、零售商有更大的动力,因为这关系到其自身销量和业绩。但由于市场风险即产品能否最终卖给终端消费者的风险是客观存在的,金融科技企业可基于历史销售、还款数据分析分销商、零售商的还款能力,同时通过合理设计交易结构,使零售商销售款能直接还贷并让核心企业承诺一部分回购等等,来实现交易及风险的闭环,在为零售商提供简单、便捷、低成本的融资的同时,也降低了其面临的市场风险,从而提高了供应链的稳定性。

      企业融资中业务及交易文件的真实性检验一直是困扰金融机构的难题,银行及其他出借方在此耗费了大量人力、时间及其他资源。通过大数据技术进行多方数据交叉验证可以取代部分或大部分的文件核验等传统工作。其他技术,例如区块链、加密算法等,由于其防篡改、不可逆的特性,在确保源头交易等数据验真的前提下,可以保证整个交易流程数据的真实性、可靠性,确保供应链金融中交易的真实性。

      助力之三:打造贷后生态圈,风险预警前移,资产处置提效

      传统贷后管理面临客户量大、信息获取不及时、风险排查效率低、抵质押物处置难、对人的主观判断依赖过重等挑战,基于多源大数据、AI工具、关系图谱等科技手段的多维度预警体系,以及一体化的贷后闭环管理生态圈,可以帮助银行提前全面识别风险、快速采取风险缓释措施、降低风险事件发生可能性和风险事件发生后的损失。

      借助于内部数据积累、政府部门数据、合作及机构数据、互联网数据,可以对客户进行多维度的画像并实时监测,包括其经营状况、所在行业情况、工商信息、法院信息、资产状况、关联实体情况等等,而内嵌的行业模型、企业风险模型、企业主风险模型、股权链模型、家族链模型、供应链模型、债权链模型等风控工具可以预测风险事件的可能性和发展方向。

      互联网和信息科技大大提高了资产方、资金方、服务方和管理方之间的合作可能和效率,智能化的催清收平台通过信息撮合、科技输出、策略设计等服务将不良资产催清收交易方高效地集合起来,大大降低信息不对称,提升了不良资产的处置效率和效果,降低银行不良负担,从而有资金和精力为更广范围的企业提供金融服务。

      助力之四:简化银行的业务流程,提升客户体验,优化资产组合风险

      科技给银行带来的另一大好处是简化业务流程,极大缩短业务审批时间,进而提升客户体验,达到风险正向选择的目的。

      以申请贷款为例,过去客户需要到银行网点提交申请,并填写一大堆材料,然后等待银行工作人员将信息录入系统,再经过后台审批才可以得知最终的结果,整个流程非常冗长。现在客户可以在家中、办公室或咖啡馆,将信息由自己或银行工作人员的移动端应用程序(APP)录入,在录入简单的个人或企业申请信息后,系统会自动在黑名单、征信及其他系统中核对,直接给出初步审核结果,避免浪费被拒申请人的时间及由此带来的负面客户体验。通过数据源间的交叉验证,例如海关对货物的检验、货物价值的核验,税务对企业纳税情况的验证,核心企业资源计划(Enterprise Resource Planning,ERP)系统对供货及付款情况的验证等等,在科技支持下,系统可以自动完成多达70%的贷款申请信息的填写,省去流程中大量的物理验证环节,节省客户大量时间,同时降低人工操作带来的操作风险。

      基于云计算的云端部署可以让区域性银行的数据库更加标准化,极大地加快技术、模型的更新速度,极大地降低成本。现在先进的云技术可以完全保证数据的安全性,相比本地化部署的区域性银行,领先机构的云服务被黑客攻击或因其他情况泄露客户信息的概率大大降低。

      助力之五:大幅降低运营成本,覆盖更广泛的普惠金融群体

      智能客服、智能催收、银行云的应用、流程智能化等等都可以大幅度减低银行的运营成本。前面提到,只有风险定价>资金成本+运营成本+预期信用损失,贷款项目才可以长期持续下去。压缩运营成本,可以让金融机构接受预期损失稍高的客群,从而达到普惠金融的目的。

      要厘清当前金融科技助力风控的几个误区

      误区一:过度相信科技,认为金融科技可以改变风控的本质

      这种想法在前几年非常流行,认为科技会颠覆金融,无所不能。但从实践来看,金融的核心是风控。金融科技时代在金融和科技的关系中金融是主体。无论科技怎么日新月异,金融的本质不会改变,贷款需要还款,投资需要回报。在2008年美国金融危机之前银行及各金融机构犯的一个巨大错误就是过分相信大数据分析借款人的还款意愿,而忽略了借款人的还款能力。在要求一个月收入8000元的群体每月还款12000元时,无论这群人过去还款记录多么完美、收入多么稳定,所有的数据分析都很难改变高逾期率的现实。杠杆过高、现金流不稳定永远是非欺诈情况下还款的最大障碍。

      科技可以让银行获得更准确的数据,更好地预测借款人还款意愿的高低,更准确地预估借款人的收入和现金流,更好地设计交易结构让借款客户的收入、现金流流入银行还款账户以达到风险闭环,帮助反欺诈,很大程度降低风险,更准确地实现风险定价。同时也可以简化银行的决策审批流程,改善客户体验,并实现正向客群选择。但是这些不消除风险的存在,也不会减低实际风险,风险管理的原则包括风险定价不改变。

      误区二:金融科技可以帮助金融机构满足所有的融资风控需求

      金融科技很大程度上可以帮助社会实现普惠金融,帮助更多的长尾群体尤其是中小企业得到相对低成本的融资。但是不是风控做好了,只要不是欺诈,只要是真实、有场景的消费、经营性融资需求,金融机构就可以满足呢?显然并非如此。虽然理论上讲风险定价,只要收费大于成本——这里的成本包括资金成本、运营成本和信用损失,融资模式就可以持续进行下去。但现实中由于监管和金融机构自身的限制,金融机构不可能无限高地收费,如银行收费不能超过基本利率的4倍或24%,其他非银机构不能超过36%。因此一些高风险客群,即便是有真实场景的融资需求,但由于过度消费或经营没有可持续性,很难通过正规渠道满足融资需求。高风险客群的波动性相对高很多,在设计产品、定价阶段必须进行必要的压力测试。

      误区三:风险管理就是风控模型和风控政策,最多加上贷后催收

      这是非常大的一个误区。风险管理是一个渗透于业务全流程的管理,从目标人群的锁定、获客渠道、获客方式、产品定价到审批、风控模型直至贷后预警、贷后政策、贷后催收、重组都会直接影响到贷款损失率。很多时候获客渠道和获客方式已经决定了产品目标人群的风险水平,如果不能进行合理的风险定价,就可能导致产品因缺少合适的目标客群支撑而难以持续运行并最终失败。

      优秀的风控人员不但必须熟悉数据,善于运用大数据工具,而且需要了解市场、客群,依靠常识做出正确地判断。风控人员应该参与到业务的每一个环节,把控、预判、管理可能的风险。同时风控应该是一种文化,需要前中后台的通力合作,每一个人都应具备对风险的敬畏和防范意识。如果仅靠风控模型、风控政策的围追堵截,只会让市场越走越窄。

      误区四:模型过度拟合,起不到区分好坏客户的作用

      谈到利用大数据、AI技术就很难绕开模型。一直困扰很多机构的是:模型在训练数据上表现非常好,但一进入实战就失去了区分能力。有的机构明明数据样本充足,数据源有效,并不断地“维护”模型,不断地训练模型,有的甚至每个月拿到新数据都会调整模型变量,这么“努力”,但贷款质量在实战中仍然表现很差,这是为什么呢?很可能是过度拟合了。过度拟合是模型训练太多,用于训练的数据中掺杂了太多噪音。

      那么过度拟合是怎么造成的呢?主要原因有两个:一是样本点太少;二是模型太复杂。国内常见的问题是模型太复杂。

      完全避免过度拟合是不可能的,但在建模过程中,我们要努力保证模型的稳定性,好坏排序正常且保持分离。需要降低模型复杂度,而且模型中的变量保持较低的相关性。这样的模型在实战、在市场中才会发挥积极作用。

      

     

相关阅读

标签: