新形势下的内部评级体系建设：实践与展望

刘吕科  民生银行总行风险管理部高级经理

一、新形势下内部评级法的新特点

内部评级法本质上就是一个风险计量体系，通过内部评级体系、客户评级、债项评级产生的PD和 LGD ，我们能够很好地计算每一笔债项、每一位客户、每一类产品、每一个机构、每一个区域的预期损失和非预期损失的情况。有了这样一系列的量化结果之后，我们就可以把我们的风险计量结果有效地用在风险管理的全流程之中，提高整个银行经营的精细化和科技化水平。当然作为一个体系，内部评级包括以下几个部分：评级或评分模型、评级治理架构、评级政策流程、评级结果应用和数据与 IT 管理。实际上现在衡量一家银行的风险管理水平怎么样，内部评级体系的前瞻性、结果的准确性和可靠性是一个很重要的评价维度。并且在新形势下，内部评级体系不仅承担着风险预测的职能，更重要的也是未来传统商业银行实施数字化转型、拥抱金融科技发展趋势的一个主要抓手。在新形势下，内部评级体系在管理、优化、验证等一系列工作过程当中，相比于国内大型商业银行内部评级体系普遍开始构建的 2008-2012 年，一个重要的变化就是大家普遍对内部评级的作用是非常认可的。上到董事会，下到基层员工，普遍都把内部评级作为一套语言体系，作为一套评价体系和量化工具，而不再像以前称之为 “ 花瓶论 ” 。现在这种思潮已经没有了，相反大家对内评体系在整个风险管理，甚至银行经营中的重要性是越来越看重的，这个实际上也为我们管理优化内部评级体系提供了很好的思想基础。

新形势下，内部评级体系所要适应的大环境呈现以下“新特点 ” 。首先，新常态经济环境下，国内整体经济增长放缓的趋势明显，客户风险特征已发生较大变化。基于经济上行期（ 2008-2012 年）数据构建的客户评级模型已难以适应新的经济环境，难以准确刻画新环境下授信客户的违约特征。其次，随着金融创新的不断发展，商业银行新产品与新业务不断涌现，传统的风险计量体系已难以有效的实现风险计量的全覆盖。比如供应链金融向下的债项客户的风险计量，以及对一些夹层基金和非标资产，如果我们还是依然用原来的内部评级体系，对这些创新性的金融产品，是很难刻画它们的风险特征和风险水平的。第三，得益于前几年互联网金融机构的持续探索，信息技术及数据统计技术的发展为采用大数据方法优化评级模型提供了便利条件。这些便利条件包括：其一，可使用的信息来源扩大；其二，信息技术进步提高了系统运行效率，提高了大数据指标加工与运算效率；其三，大数据和机器学习建模技术应用日益成熟。前几年商业银行的内部评级体系无论在方法上还是数据引入上都与互联网金融机构几乎没有可比性的，这两年同业开始逐步引入一些除财务、内部信息以外的大数据，并且在方法上也在逐步进行创新。

二、新形势下内部评级法的老问题

虽然形势变化变大，但是我们依然面临着很多依然困扰着我们的潜在的问题。

第一，模型覆盖信息较为“滞后 ” 。内部评级主要采用客户前一年甚至前两年财务报表反映的历史经营状况去预测客户未来一年的风险变化，风险评价的前瞻性较差。

第二，模型优化与部署周期长。在大部分银行现行内部评级管理模式下，从发现模型劣变问题，到启动优化，再到模型开发完毕、需求撰写完毕、提交到科技开发部门，然后进行测试直到优化模型上线，至少要持续半年以上时间。半年的时间实际上是很影响我们模型的正常开展的，并且对于一些特别敏感的模型敞口，模型本身的效果都是随着时间衰减的。

第三，模型风险较高。内评体系从财务数据录入、填报补录信息到客户类型选择、定性评价、调整与限定事项选择、评级推翻等一系列评级操作，任一环节出问题均可能导致模型结果偏离客户实际风险状况，很大程度上扭曲模型结果。

第四，模型表现的洞察较为困难。造成模型表现衰减的原因有多种，可能出在模型内部，如数据来源、敞口划分、客户经理选择不当等，也可能受外部因素影响，如宏观经济环境发生变化、客群结构发生变化等，很难通过层层下钻的方式找到模型整体衰减的主要原因。

第五，内部评级体系作为一个客户分层工具，与其他相关体系（五级分类、风险预警、IFRS9 分类下的三阶段）的整合性有待强化。一家银行对同一客户的风险评价可能存在多种体系并且缺乏统筹管理，风险评价结果缺少一致性，给业务部门应用带来了较多困扰。

三、新形势下内部评级法的新思路

针对新形势下内部评级体系面临的挑战，商业银行应制定有针对性的措施，确保内部评级体系能更好适用新的经济环境，使内部评级成为护航商业银行稳健发展的有力武器。

第一，强化数据整合。内部评级实现行内不同业务系统中业务数据的整合，包括行内评审信息、交易数据、预警信息等；同时，将行外征信信息、税务、工商、股价变动、宏观及行业信息一并整合进评级模型中，提高风险预测的准确性和前瞻性。

第二，强化方法创新。现在的内部评级模型基本上都是基于传统的逻辑回归模型，它的优势是比较透明、比较简单。我们也可以构建基于大数据的机器学习模型，它的特点是不太透明、结果难以解释。但是它可以与传统评级体系进行，其结果一方面可以用来支持评审在评审审查审批决策时参考，辨识传统客户评级模型所用财务数据的准确性以及定性打分的合理性；另一方面，由于机器学习更新频率较高，其结果可以更加直观地展示客户风险状况变化，当风险状况显著升高时可以适时启动评级重评工作。

第三，强化管理创新。通过构建模型监控与管理平台，一方面可以监控模型层面和指标层面的区分能力、准确性和稳定性，及时发现模型衰减趋势，透视模型衰减原因；另一方面，能够实现模型整个生命周期的规范管理，最大限度地控制模型风险；在资源具备的条件下构建挑战者模型，如生产上模型衰减比较严重时，可适时切换备份模型，确保不因模型衰减影响风险评价的准确性。

第四，强化整合管理。通过内部评级和评审、预警、分类以及IFRS9下的三阶段等机制的联动，改变这种 “ 系出多门 ”“ 各说各话 ” 的局面，增强行内客户风险评价的一致性，并通过合理吸纳评审、预警和分类信息，进一步提高内评结果的准确性和可靠性。

四、对于内评体系的感悟

首先，我们要正确地看待内部评级。我们既不能偏信内评模型，也不能完全不相信内评模型，并且任何评级模型都不能覆盖所有信息，都存在固有缺陷。有些金融机构或者个人容易拿一些个例去挑战内部评级的准确性，但是内部评级要在组合层面具有区分意义，对于客户个案可能会存在重大偏差。比如虚假信息、财务报表表现出的结果过于理想（如科技型企业）、实际控制人主体众多、申请人不能代表全貌等情况都可能导致模型评级过高。但是评级测算过程中的客观信息偏差（如：不需要偿还的负债）、股东背景的因素、未来重大资产重组对客户主体的影响等情况也可能导致模型评级偏低。

很多人提起内部评级体系首先想到的就是评级的模型，但实际上评级模型在整个评级体系中，只是评级的一部分，更重要的是评级管理和评级应用。假设整个内评体系是100分，我认为评级模型的重要性能占到 30 分，评级管理和评级应用的重要性能占到 60 分。因为即使这个模型不准确，如果评级管理很规范，我们能够合理地借鉴和吸收评审经验，也能对评级模型自身的缺陷进行校正。反过来，如果评级管理不完善，即使评级模型再准确，它能被随意上下推翻，那么最终的结果也是不可靠的。同样的，评级应用对整个评级体系的可靠性和准确性也非常重要。如果评级模型开发完成之后，结果在整个风险管理流程之中没有应用或者就束之高阁，也就没有人去关心或优化它，慢慢地这个模型也就衰减了。相反，如果我们应用比较深入，很多人都去关心它的准确性和可靠性，在这种持续优化的过程中，会让整个评级体系的准确性和科学性得到完善。

来源：2020（第十六届）中国金融风险经理年度总论坛（11月）