基于多元回歸模型的銀行信貸策略研究

姚禎 章淳

摘要：文章主要針對發放貸款的研究，利用間接融資系是我國主要融資渠道，商業銀行肩負資金融通的重責，做了風險量化分析，給出合理的信貸策略。首先，把數據進行處理分析，定義信譽評級、總利潤、來往企業數、企業總稅額、銷項廢票率、每次進項平均金額這六個影響定量的變量，根據多元回歸模型，建立關于風險系數RPN的多元回歸方程，用正常最小二乘法計算各變量的系數，從而得到風險系數的多元回歸方程。其次，根據得到的方程計算得出已知的企業是否違約，并進行擬合情況分析，發現風險系數輸出與原始風險系數趨勢基本吻合。最后，劃分企業風險評估等級，根據貸款年利率與客戶流失的關系擬合二次函數，建立貸款期望模型，得到基于風險等級和信譽等級的信貸策略。

關鍵詞：風險量化分析;多元回歸模型;擬合情況分析;二次函數

當前，我國很多商業銀行對小微企業的審核標準還是同一參照，這種無差異化的信貸管理模式導致部分小微企業很難達到銀行放貸標準，比如抵押等資產，小微企業很難獲得貸款，并且沒有充分考慮小微企業的運作模式，較難反應他們的真實需求情況。其實，我國商業銀行完全可以認真研究國內小微企業的風險特征，并借助國外先進的信息技術手段，持續研發符合小微企業風險特征的風險模型和信用評分系統，為拓展小微企業貸款業務提供技術保障。2017年信貸策略偏向各季度均衡投放以外，從信貸投向來看，個人住房按揭貸款、消費貸、中小微貸款、大型企業對公貸款四大板塊將出現此消彼長的趨勢。按揭貸款狂飆難以為繼，料將萎縮系多位受訪銀行人士的共識。而中小微貸款、消費貸或將成為商業銀行的重點投向。

一、問題分析

定義信譽評級、總利潤、來往企業數、企業總稅額、銷項廢票率、每次進項平均金額這六個影響定量的變量，根據多元回歸模型，建立關于風險系數RPN的多元回歸方程，用正常最小二乘法計算各變量的系數，從而得到風險系數的多元回歸方程。而后劃分了企業風險評估的等級，根據貸款年利率與客戶流失的關系擬合二次函數，建立貸款期望模型，得到基于風險等級和信譽等級的信貸策略。

風險系數的多元回歸方程，計算出企業的風險系數，得到企業風險評估的等級，根據還款概率與客戶流失率，得到利潤優先的信貸政策。通過建立的銀行長期貸款期望模型，以及現實生活中銀行對于疫情期間信貸政策的調整，得出在疫情下該銀行在利潤與事實政策相結合的信貸策略。

二、模型的建立與求解

本文要求建立合適的數學模型，對企業的信貸風險進行量化分析。先對123家企業的數據進行量化分析得出風險系數，再研究得出當前條件下銀行對這些中小微企業的信貸策略。實際上是在對數據進行篩選、統計，并結合所建立的模型進行分析，得出風險系數（RPN），最后有效得出合理的信貸策略。具體步驟如：STEP1根據數據建立多元回歸模型，運用（OLS）普通最小二乘估計法得出風險系數的回歸方程。STEP2 分析多元回歸方程的擬合優度。STEP3 建立銀行長期貸款期望模型得出該銀行對企業的信貸策略。確定風險系數RPN為被解釋變量，多項已知數據為解釋變量根據多元回歸模型建立如下模型

其中，β1，2，3……n為權值系數，x1，2，3……n為已知或挖掘出的數據項。ε為隨機誤差項，本文中由于數據有限，ε對風險系數RPN的影響很小，故忽略不計。確定“是否違約”一欄作為被預測目標RPN的樣本。將sheet1表中“是否違約”一列進行數據量化（二分類）未違約→0，違約→1。經過一系列的擬合測試，在22種被挖掘的數據中選出其中對RPN影響顯著，也就是置信水平較高的6組數據，作為解釋變量進行量化分析。記為信譽評級。將sheet1表中“信譽評級”一列進行數據量化（數據映射）A→100，B→80，C→60，D→40。記x2為總利潤。

x2=Moneyo-Meoneyi

Moneyo表示銷項發票總金額;Meoneyi表示進項發票總金額。

記x3為來往企業數。

x3=Companyi+Companyo

Companyi表示上游公司數，Companyo表示下游公司數。

記x4為企業總稅額。

x4=Taxo-Taxi

Taxo表示銷項稅總和，Taxi表示進項稅總和。

記x5為銷項廢票率。

記x6為每次進項平均金額。

則得出RPN的多元回歸方程為

RPN=β0+β1×x1+β2×x2+β3×x3+β4×x4+β5×x5+β6×x6

得出關于風險系數的多元回歸方程如下：

RPN=1.07356+（-0.0128512）×x1+（-2.73×10-10）×x2+（4.68×10-7）×x3+（2.20×10-9）×x4+0.6547583×x5+（-1.13×10-6）×x6

考慮到中小微企業以及銀行均具有一定的不確定性，于是用兩年為一個周期對銀行的期望進行考察評估，比如向每個企業借款一萬元，以風險系數A，信譽等級A的企業為例子，當其利息為l，其一年后還錢的概率為98.3%，一年之后銀行收到的還款金額是（1+l）萬元，第二年銀行以最高的利率借貸，那么銀行在第二年末收到金額的期望值為

H=（1-l（q）×（1+q）×1.15×0.983+l（q）（1+q）×0.983

其中l（q）表示利息為q時的流失客戶率，在第二年利率取最大值，兩年后銀行借貸給所有企業的最大期望。經過數據分析，有5家金融業企業原本不予發放貸款，受疫情影響后風險等級升高;有154家企業受疫情影響，使得這些企業無法達到貸款標準，但由于現實生活中銀行對于疫情專項信貸政策的調整，給予這些企業小額貸款。貸款額度為10萬～20萬元。

三、結語

在本次模型的建立過程中，綜合運用了多種不同的計算工具，運營 Excel 分析展示數據，整理規范數據，使用 Stata 進行多元回歸運算，使用 Matlab實現神經網絡算法。建立了風險系數與企業各項指標的關系，結合實際生活中的政策，計算銀行信貸策略與企業風險、信譽的關系。通過風險評估計算出銀行的風險與收益對沖的最優解，為銀行的信貸策略提供有效的依據。運用了多元回歸，通過分析數據，更準確地提供了企業的風險系數。用matlab學習創建的神經網絡算法，對數據進行整合分析，將定性的研究轉化為對定量的研究，創建了一個較為完整的模型。基于現實生活中的實際情況，推出了較為完善的信貸策略。

參考文獻：

[1]http：//www.stats.gov.cn/statsinfo/auto2074/202004/t20200418_1739603.html國家統計局官網，2020-04-18.

[2]SimonHaykin.神經網絡原理[M].北京：機械工業出版社，2004.

[3]金俐.信貸配給論：制度分析[M].上海：上海財經大學出版社，2006.

[4]夏佳佳.經濟新常態下商業銀行不良貸款影響因素研究——基于多元線性回歸模型[J].安徽商貿職業技術學院學報（社會科學版），2020，19（02）：40-43.

[5]庫特納.應用線性回歸模型[M].北京：中國統計出版社，1990.

[6]威廉D.貝里.線性回歸分析基礎[M].上海：格致出版社，上海：上海人民出版社，2011.

[7]姜啟源.數學模型[M].北京：高等教育出版社，1993.

（作者單位：上海建橋學院信息技術學院）