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、信用等風險的企業貸款工作提供新的測量工具，其在金融科技的應用更為緩解小微公司融資壓力提供了有效的傳導路徑。同時為了應對疫情造成的經濟下行壓力，金融監管部門均采用了放松銀行監管、推遲債務償還和加大信用擔保等策略，如：下調逆周期資本緩沖比例使銀行優化其為企業融資的功能，推遲實施修訂后的各類業務披露要求以減緩銀行運營負擔和加強部門與國際等聯動，提出針對性強的援助方案。在“求穩”狀態下，考慮對貸款的疫情因素并擴大放貸總規模時，通過宏觀指標、情景壓力測試和大數據分析等方式量化風險，是商業銀行重要的研究課題。

1.文獻綜述

最早的風險模型基于現代投資理論。為了給出模型最優的貸款分配決策，利用Monte Carlo模擬對關鍵參數如貸款期限內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和經營管理等，最后建立收益最大化為目標函數并計算[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)建立了預期信用損失模型，提出IFRS9等新的減值計提方式；相關研究[2]認為實施新的信用風險監管模型，涉及的損益和信用風險需要集合財務和風險管理兩大部門分布的數據計算系統，在操作上需要考慮不同資產相關參數的預測能否滿足歷史數據上的充分性和可靠性；學者[3]據此認為新的監管會影響國有銀行和股份行的貸款策略，提出商業銀行應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當期損益變動”類資產DV01的動態預警等作出前瞻性判斷，鼓勵商業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。

而防范系統性風險的關鍵在于金融機構之間的關聯網絡，研究者[4]通過因子分析法測度、系統風險因子歸因法去分解溢出的因子負荷，構建并檢驗系統內單一金融機構對系統性風險的貢獻程度。有學者[5]針對企業間的擔保關系進行復雜網絡理論下的指標測度：從擔保的角度出發，構建評價網絡抵御風險能力的穩態風險密度和風險傳播速度兩大指標，但具有一定節點選取的主觀性和計算上的復雜性。

2.理論分析與研究假設

金融風險的測度理論體系經歷了三個發展階段；從金融衍生品的“希臘字母”監控利率變動與產品價格之間的關系，并刻畫不確定性特征；到現代提出的四個風險公理：單調性、一次齊性、平移不變性和次可加性；最后是ES和 Var僅在損失的區間上計算最大損失或平均損失，對與指導個別銀行業務時不具有特殊性。因此，有必要加入機器學習模型，對風險監管提供金融科技解決方案。實證的目的主要是從經濟資本(Economic Capital)的角度出發，而實踐中可考慮計提的損失是否滿足巴塞爾協議的監管資本。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據，去更新用戶的信譽評級；這種對預期損失的前瞻性、客觀性觀測，是傳統基于隨機模擬、信用轉移矩陣所不具有的。

假設1：商業銀行的利潤計算過程中，若真實場景下客戶并未發生流失，但計算利潤時已經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管下防范流動性風險的計提。

假設2：考慮到欺詐場景下的樣本數據失衡，應該盡量采用異常檢測算法(anomaly detection)、基于不同抽樣技術的學習算法或者其他能夠調整模型bias的機器學習算法；區分不同信譽等級用戶情況下，幫助前中臺設計貸款年利率產品，并建立風控指標進行內部監管。

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。數據來源于某商業銀行收集的123家企業進銷項發票數據、商業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，構建輸入變量發票作廢率、信譽評級、銷項發票作廢率、銷項負數發票率、銷售收入增長率、交易次數O、歷史銷項稅額O 、企業平均所交稅額O、交易次數I和企業平均所交稅額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據集。在該實驗數據中，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計學含義，回歸前發現方差膨脹因子小于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，同時white檢驗結果拒絕原假設，認為變量間存在異方差。

3.2 模型結果與參數尋優

銀行放貸的決策首先要對企業違約的概率進行預測。因此機器學習模型應該以某些企業發生違約行為的觀測點作為正樣本。而參數需要在實驗數據集上訓練分類器，通過對每個特征的初始化，然后迭代運算找出最優的特征和數據集特征輸入數量。在當前特征變量中修剪掉對模型預測貢獻度低的特征。以RFE貪婪優化算法作為目標函數，找到模型性能最佳的特征集合。運行結果特征數在第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，建模的結果：其中Sensitivity(指在所有真實結果為正的數據中，模型預測出來正值的比例) 第一次大于0.95。模型的邏輯回歸預測準確率（預測出所有企業行為的類別：違約或不違約的狀態）達到0.8、AUC（曲線下面積）達到0.89，預測能力較強。在應用該模型時，根據收集的企業進、銷項票據和評級等歷史數據提供的信息，設置概率閾值為0.408，可以準確預測出100%的企業違約樣本，但是也會錯誤作出約15%的正常企業出現違約的判斷（模型風險）。在業務中考慮衍生變量在邏輯斯蒂回歸模型中的權重，可參考。正是根據上述預測出的概率Defaulti，建立數學公式(2) 商業銀行風控部門可以對中小企業進行貸款數量的確認變量和計算出損失變量（3）；同時，根據年利率與用戶流失的歷史數據，繪制出信用評級A，B，C的不同客戶流失率與商業銀行貸款年利率圖像。根據擬合函數公式可擬合得出函數，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系

由此，商業銀行可通過建立函數方程式，擬合不同等級客戶流失率與銀行貸款利率的關系，若缺失內部的客戶信譽評級，還可根據無監督學習如異常檢測算法，利用歷史數據對企業的信譽評級預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測計算，也可以僅根據企業的進、銷項數據進行衍生特征的計算，得到客戶違約率并根據公式計算loank，其中k∈N，為會計準則監管下的第k筆貸款。最終，建立銀行利潤最大化的關系式profiti=best_interest×loank×(1 ?Lossi),其中，profiti代表單個貸款企業提供的貸款利潤，Lossi代表擬合模型下得出的不同信譽用戶的流失率；best_interest可由銀行根據同業拆借市場、央行貸款準備金率和監管保證金比率等進行自由浮動。以上，商業銀行的中小企業貸款業務在系統的模型構建下完成[6]，其中涉及的企業數據更是需要貸前、貸中和貸后不斷監管，在利率市場化指導下，進一步監控風險。

4.結語

通過實證研究發現，企業的違約概率、信譽評級是銀行風控部門需要關注的關鍵指標。在特殊環境和條件下，隨著政策建議小微企業貸款延期還本付息和發放更多普惠小微企業的信用貸款，商業銀行或政府監管部門能否對貸款企業運營狀態數據的及時分析、監控并采取措施，是決定商業銀行信用風險大小是否被及時發現、緩解并避免上升為系統性風險的關鍵動作。除此以外，在實證過程中，可以有效結合數理統計分析方法和大數據下的“黑盒”算法，用于提高業務數據特征的可解釋性和提高對高維度數據的整合運算；配合巴塞爾協議與商業銀行高層的戰略目標，有效制定企業的數據生命周期的管理方法，不斷在風險測度的單調性（優質資產風險更小）、一次齊性（可按倍數放大）、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）上開發適合內部使用的監管模型，結合壓力測試等多種手段，有效提升監管科技效用，是嚴格控制風險、降本增效和精細運營的必然手段。