基于差異化策略的商業銀行個人存款價格精細化管理研究

付子墨

目前，商業銀行個人存款普遍缺乏清晰的定價指導，價格大多呈“一浮到頂“的現象。這造成了銀行面臨存款付息成本抬升，存貸利差收窄的壓力。為提升銀行個人存款價格精細化管理水平，本文以B分行為例進行了個人存款差異化定價的探索。首先，本文分析了個人存款定價的影響因素。然后，本文探討了以金額為主維度、以客戶利率敏感性為次維度的個人存款差異化定價。其中，基于金額分層的差異化定價采用了非線性插值法，基于客戶利率敏感性的差異化定價采用了Logistic回歸評分卡模型。結果表明，該個人存款差異化定價方法能實現存款量價優化，有效地降低銀行存款成本，促進效益提升。

一、前言

隨著利率市場化不斷推進，同業間市場競爭加劇，“存款搬家”現象明顯。為了促進個人存款業務的發展和加強下轄行自主定價能力，B分行對經營部門采用“寬授權”的模式進行個人存款價格管理，將總行授權幾乎全部轉授至業務部門和二級分支行。但結果是存款成交價格以“一浮到頂”為主，掛牌利率為輔。其中掛牌成交多為滾存業務帶來的交易。存款經辦行未能有效挖掘掛牌利率到授權上限之間的定價空間。新發生定期存款“上浮到頂”的趨勢推動個人存款利率上升較快，付息成本管控壓力加大。

在以規模為主要目標的發展局面下，個人存款缺乏價值衡量標準，也缺乏圍繞存款價值創造的監控評價體系。這造成個人存款重規模輕效益的現象，價格管理較為粗放。為了促進個人存款業務發展的同時也關注價值創造能力，實現業財融合發展，B分行需要建立一套基于差異化策略的精細化價格管理方式。由于目前個人活期存款均執行掛牌利率，本文僅針對整存整取定期存款進行差異化定價研究。

二、個人存款定價的影響因素分析

本文通過分析個人定期存款定價的影響因素，期望找出提升個人存款差異化定價的有力抓手。實務中，新發生定期存款定價一般會綜合考慮新增存款規模、客戶金融資產總量（存量AUM）、客戶歷史價值（存量EVA）、存款期限、運營費用、價格授權上限等因素。

為了驗證這些因素對個人存款定價的影響程度，本文隨機選取了2021年發生的758筆個人定期存款業務作為樣本，研究存款價格與AUM（客戶持有金融資產）、EVA（經濟增加值）、存款金額、存款期限、運營費用、價格授權上限的相關關系。

本文運用相關分析來判斷各因素與個人存款價格的相關性及其影響程度。通過顯著性檢驗P值來判斷相關性。P值<0.01為高度相關，P值<0.05為顯著相關，超過0.05的則相關關系不顯著。從結果可以看出，價格授權上限、客戶存量AUM值與個人存款定價高度相關，存款金額、期限與存款定價顯著相關，客戶價值（存量EVA）和運營費用與存款定價的相關關系不顯著。其中價格授權上限與存款價格相關系數最高。

三、個人存款差異化定價的模型研究

鑒于目前B分行經營機構存款差異化定價能力不足，個人存款定價仍主要依賴于分行價格授權政策。為加強個人存款價格精細化管理，本文嘗試對個人整存整取定期存款進行以存款金額為主維度、以客戶利率敏感性為次維度的差異化定價研究。

（一）基于金額分層的主維度定價

對于B分行各期限的個人整存整取定期存款，價格下限為掛牌利率，價格上限為當地存款利率自律機制所要求的利率上限。為改變目前二級分支行個人定期存款價格體現出“一浮到頂”和掛牌成交兩級分化的困局，本文首先開展了按存款金額分層進行差異化定價的探索。

具體方法就是在最低價格（掛牌價格）和最高價格（監管自律上限）之間采取插值法確定存款金額分層和每一層的利率。存款金額分層涉及兩個方面，分層層數和每一層存款金額跨度。業務實際中，分層數不應過少。分層切的過少，不能充分體現定價差異化。分層層級也不應過多。如表2所示，分層切的越細，可享受高價金額層越多，通過差異化定價管控存款付息成本的難度越大。根據實際經驗，金額分層一般以3或4層為宜。

確定分層層數后，金額分層還需要明確每一層的金額間距和起始利率水平。通過插值法進行切分時，需滿足分層后存款利潤總額能不斷增加的條件。常見的插值形態有三種，凸向原點、線性插值和凹向原點。如下圖所示，形態 1為凸向原點。隨著金額增加，開始價格上升較快，利潤率下降較快。然后價格逐漸減緩上升速度，利潤率降幅放緩。形態2為線性插值。金額每增加一塊錢，價格增加固定的基礎點（BPs）。形態3為凹向原點。隨著金額增加，開始價格上升較慢，利潤率下降較慢。然后價格逐漸加快上升速度，利潤率下降速度增快。

圖? 金額分層的插值方式

根據實踐，凸向原點的形態1更滿足利潤總額隨金額增加而增長的條件，也更符合客戶體驗和切點劃分規則。對于低金額層客戶，雖然價格的快速上升會造成利潤率下降，但也有利于吸引存量客戶增加存款和獲得新客戶。通過“以量補價”的方式帶動利潤總額的提升。對于高金額層客戶，雖然形態1相比其他形態存款價格較高，利潤率相對較低，但更容易實現穩存增存的目標。通過“量能補價”也能帶動利潤總額增長。

（二）基于客戶利率敏感性的次維度定價

僅根據存款金額對客戶分層定價，同一金額區間內的客戶執行同一價格，定價差異化程度仍顯不足。為了進一步加強個人定期存款精細化管理水平和加大存款定價差異化程度，可根據客戶利率敏感性進一步做價格細分。

這里所定義的客戶利率敏感性是指客戶本身不受除客戶自身原因之外的其他因素干擾對價格的接受程度。接受程度可以用客戶的存款產品持有情況來衡量。對于個人存款產品，客戶要么持有，要么支取。對于取值只有兩種情況的變量不能滿足一般線性回歸模型的取值要求，國內外研究大多采用Logistic回歸的分析方法。根據Logistic回歸的基本原理，本文構建的被解釋變量與解釋變量之間的多元分析模型如下：

其中Logit（）為被解釋變量，為解釋變量，為常數項，為解釋變量的參數。Logistic回歸雖然形式上與多元線性回歸一致，但模型服從二項分布而非正態分布，回歸系數的估計采取極大似然估計法而非最小二乘法。具體建模過程如下：

1. 收集客戶歷史行為數據和定義客戶類型。本文選取B分行2020年-2021年個人客戶業務數據構建利率敏感性模型。從個人客戶歷史一段時期行為數據分析可以看出，客戶對資產配置類產品存在不同的偏好。近年來個人存款呈現長期限化和價格以“上浮到頂”為主的特點。客戶大多偏好期限較長、價格上浮幅度較高的存款產品。滾存產品（上期結存的利息和本金滾入下期）根據約定可實現系統自動轉存，但利率相對較低，大多為掛牌價格。對利率較為敏感的客戶會將滾存產品到期時或未到期提前支取。

本文對2020年個人客戶持有的滾存產品進行研究，觀察其未來12個月提前支取情況。若12個月內滾存產品未發生提前支取情況，則將客戶定義為利率不敏感型客戶。若12個月內滾存產品發生提前支取行為，則將客戶定義為利率敏感型客戶。

根據上述對客戶類型的定義，通過對相關數據的清洗和截取，本文共獲取建模樣本56873個，其中利率敏感型客戶樣本37524個，利率不敏感型客戶樣本19349個。根據模型驗證的要求，按照“七三”原則，隨機抽取樣本總體70%的樣本用于建模開發，剩余樣本總體30%用于模型測試。

2.構建模型變量。根據相關業務經驗和個人存款定價管理實踐，收集了全部可能影響客戶敏感程度的指標。進入模型的變量分為5大類14個子類共52個指標。5大類指標涉及客戶基礎信息、資產配置、資產水平、行為特征和賬戶信息。

3.進行變量分箱和篩選。篩選出模型變量后，需要將其中數值型變量轉化為分類變量，這一過程叫變量分箱。變量分箱可以降低變量的復雜性和提高模型的穩定性。本文對變量采取等頻分箱的方法。為了避免有的變量分箱數量過多，需要合并成較少的分箱類別。分別計算每個分箱的利率敏感型客戶和不敏感型客戶的樣本比例，將比例接近的臨近分箱進行合并。對于有多個合并方法的情況，分別計算出每種方法下變量信息價值（IV值），選擇IV值最大的合并方法。IV值越大表示該分箱方法的變量對好壞客戶的區分度越大，此時分箱效果最好。計算公式如下：

其中，表示第i個分箱中的利率敏感型客戶占敏感型客戶總量的比例，表示第i個分箱中的利率不敏感型客戶占不敏感型客戶總量的比例。

分箱后還需要對變量進行WOE編碼，計算每個分箱的WOE值。WOE編碼是評分卡模型常用的編碼方式。具體公式如下：

由于進入模型的變量較多，每個變量的預測能力不同，需要通過計算每個變量IV值來衡量變量預測能力。IV值小于0.1的變量預測能力較弱，應從模型中予以剔除。經過篩選后，共有14個解釋變量被挑選了出來。

4.Logistic回歸結果及其驗證。經過對變量的初步處理后，本文采用Forward Stepwise（向前選擇）方法對變量進一步剔除并進行回歸。即變量選擇過程中逐步將變量一個一個放入模型，每增加一個變量后都要檢查去除無助于模型預測能力的變量。經過篩選共有8個變量包含在回歸方程中，都通過了P值的顯著性檢驗。回歸結果如下表所示，表中列示了最終進入模型的變量和常數項的回歸系數、標準誤、Wald卡方值和P值（Sig）。

評估評分卡模型的區分度可以采用K-S值系數。一般而言，K-S值在0.2以上表示結果可接受，0.4以上表示模型區分能力良好，0.5以上表示模型區分能力很強。本研究中運用于開發樣本、預留樣本的K-S值分別達到0.47和0.41，模型區分能力較強。

5.將模型轉化為評分卡。運用Logistic回歸方法建立的模型被解釋變量為滾存是否提前支取的概率比的對數值（即），不易理解，且在實際應用中不易掌握。為了提高模型的實用性，需要對回歸結果進行評分轉換。轉換公式為：

其中，為客戶滾存提前支取與不提前支取之比;A為線性變化系數，通常含有一個對數值;B為調整常數，目的是將評分值調整到目標區域。本文將B調整常數取值為400分。滾存提前支取與不提前支取比（）每翻一倍，則分數提高25分，即A=25/In2。得到的評分卡模型為：

其中，Score為客戶利率敏感性得分，X1為客戶產品期限結構偏好，X2為客戶資產持有水平，X3為客戶結算資金占比，X4為客戶存款占比變化，X5為客戶到柜面頻率，X6為客戶存款購買渠道偏好，X7為客戶存款偏好程度，X8為客戶提前支取次數。

根據上述客戶利率敏感性評分模型，還可以為各變量評分，形成一個評分卡的形式。每個分箱的分值可以表示為。也就是說影響每個分箱分值的因素有三個，分別為參數A，變量系數和分箱的WOE編碼值。將客戶信息對應到各分箱就可以得到該樣本每個變量的分數。最后將基礎分數和每個變量得分匯總就可以得到該客戶的利率敏感性得分。

得分較高的客戶特征為偏好長期限存款、持有資產水平高、結算型資金占比低、存款投資偏好降低、經常跑柜面且常議價交易、喜存程度相對較低、具有不提前支取或僅少量提前支取行為的客戶。反之則為利率低敏感型客戶。

為了將客戶區分為高敏感型客戶、中敏感型客戶和低敏感型客戶，還需要給評分卡分值設定兩個截斷值（cutoff值）。可以綜合考慮客戶特征和模型得分，劃定出低分截斷值和高分截斷值。將最低分到低分截斷值定義為利率低敏感型客戶，高分截斷值到最高分定義為利率高敏感型客戶，高低截斷值之間為利率中敏感型客戶。對于客戶類型的得分區間的劃分可以根據管理意圖進行人工修正。

對于一位新申辦存款業務的存量客戶可以根據其評分卡得分判定客戶敏感類型，進而采取不同的定價策略。利率高敏感型客戶定期存款價格上浮幅度較大，中敏感型客戶次之，低敏感型客戶價格上浮幅度較小。

四、個人存款差異化定價模型的運用

將基于存款金額分層的主維度利率與基于客戶利率敏感性的價格加減點相結合，就可以實現個人定期存款較為精準的差異化定價。首先，考慮存款金額大小進行差異化定價，確定存款價格主維度。按照客戶單筆存款金額大小進行階梯定價，對單筆金額越大的存款給予更高的價格。其次，通過客戶利率敏感性差異化定價。通過敏感性模型對客戶利率敏感性行為進行精準預測，并針對不同的客戶利率敏感性評分結果給予差異化的存款利率加減點。

通過小范圍試點運用，新定價模型取得了較好的效果。通過差異化定價可以改善目前價格過于集中的情況，將定價差異化程度拉大，以更明確的政策導向提高對高凈值客戶的吸引作用，并加強了高邊際貢獻客戶的穩定性。同時通過將存款價格與敏感性排序相對應，對于低敏感型客戶能夠節約付息成本，對于高敏感型客戶能夠保留存款規模。這樣的差異化定價策略在同等存款規模的基礎上，降低了銀行付息成本，進而提高了每單位成本的收益。

五、進一步完善定價管理的建議

（一）加強個人存款價格授權管理

現階段影響經營機構個人存款實際執行利率的主要因素還是授權政策。目前經營機構主動差異化定價意識不強，更需要商業銀行總分行層級加強個人存款差異化定價模型的制定和應用。尤其是將差異化模型與定價系統結合實現存款產品線上智能定價，進一步提升定價管理質效。

（二）增加個人存款定價差異化維度

本文只探討了根據存款金額和客戶利率敏感性兩個維度差異化定價。個人存款定價還可以綜合考慮辦理渠道、客戶價值、區域、是否新客戶等維度，進一步深化存款價格精細化管理水平。依據這些因素分別設置不同的存款差異化利率加點，最后得到最終存款利率。即：

最終利率=金額分層差異化利率+利率敏感性加點值+客戶歷史價值加點值+渠道加點值+新客戶加點值+…

（三）關注客戶新的交易習慣

隨著互聯網金融與金融科技的快速發展，客戶交易習慣正發生著深刻變化。當前客戶更傾向于通過手機等電子渠道獲取產品信息和完成交易。可以通過捕捉客戶手機銀行瀏覽路徑，分析客戶的產品選擇行為，進一步優化利率敏感性模型。同時可根據客戶對理財產品的收益和風險權衡構建理財利率敏感性模型，并納入客戶敏感性體系中。

（四）建立完整的價格管理體系

存款價格管理不僅涉及差異化定價，還需要制定和傳導導向清晰的價格政策。此外，定價管理還要加強考核和監督。通過建立完整的價格管理體系促進銀行價格管理水平的提升和實現以價值創造為導向的存款業務高質量發展。

參考文獻：

[1]石中心，蔣賡舜，傅秀蓮.利率市場化背景下商業銀行存款定價研究[J].南方金融，2014（3）：24-30.

[2]戴媛.商業銀行建立存貸款利率定價模型的探索——基于我國利率市場化的推進[J].武漢金融，2016（2）：43-46.

[3]姜義平.銀行業存款利率定價實踐探討[J].西南金融，2017（10）：16-21.

[4]余琪.利率市場化背景下商業銀行定價管理策略研究[J].福建行政學院學報，2017（4） 104-110.

作者單位：中國建設銀行北京市分行