信贷风险的不确定性管理与风险体系的重要性 

季春江 宜人金科首席风险官

一、风险管理是信贷业务的核心

      这里探讨的信贷风险主要是个人信贷方面，更多的是一些基本的理念和实际工作中遇到的问题和思考。首先风险管理是信贷业务的核心，这是共识。对于信贷行业来说，有几个传统的信贷风险。首先是客户的还款意愿，主要是欺诈风险，有第一方欺诈、第三方欺诈等细节。其次传统的信用风险，牵扯到还款能力、经济状况。这是传统信贷风险中最核心的两方面。除此之外，近年来逐步显现并被风险管理人员重视的还有合规风险、信誉风险以及操作风险。

      其次中国市场在信贷风险方面具有特殊性。一是高速发展的市场环境的变化，每天的竞争环境、产品环境和客群环境都发生着非常大的变化，从而给信贷行业的从业者带来更多挑战。二是客户对信贷金融产品的理解有待提升，这与市场的发展息息相关。因为我国金融服务产品的概念发展时间相对较短，对于从业人员是一个不断探索和更新的过程，对于客户也是一个不断认知和理解的过程。当客户对产品的理解存在不足或者有偏差和误解时，可能引发一些特殊的风险。近些年来，客户对自己的信用记录越来越正视，对个人信用概念的理解程度在不断加深，这对市场的成熟和稳定起到很好的作用，但是这方面仍然有待提高。对个人信用理解的人群虽然在不断扩大，但相对于我国信贷客户的总量而言，所占比例仍存在较大的提升空间。三是监管规范的演进。这些年监管为市场的成熟和发展做出了很多贡献，但是在前进的道路上存在一些波动，也对市场造成了一些影响，这属于发展过程中的烦恼。四是数据质量的挑战。数据是信贷风险管理的一个重要基础，从数据和可以看到的信息出发去进行风险的管理和规范，这是一个基础的方法，但是市场上数据的质量是一个挑战。

二、风控体系助力抵御信贷风险的不确定性

      如何抵御信贷风险的不确定，主要应从以下四个方面着手。第一点，风控从产品定位开始，这是全流程把控的概念。产品设计决定了目标客群的选定，而目标客群的选定决定了风险的边界。整个风控其实是从产品设计就开始了，不能只局限于自己日常工作之内的范畴，要对市场和产品有很清晰的理解并结合在一起，这实际上定义了风控的边界。

      第二点，数据模型是风控最重要的工具。特别是现在这样一个大数据风控的时代，出现了海量的数据源、新的信息，并且技术的发展也为数据的采集、存储、衍生及运用提供了技术支持。大数据、AI、机器学习等技术的兴起也就是在过去五六年的时间中，这是一个技术上的巨大突破。这种突破并不是源于算法，而是技术上通过硬件、软件的手段支持。这确实给我们提供了非常强大的抓手和支持，数据的深度、广度和丰富度都比过去有了革命性的演变，技术手段上能够实现为风控业务服务。但这里也存在一个新的问题，即过度依赖于新型机器学习、模型及算法，因此要时刻警惕数据模型的局限性。因为数据模型的基础假设是利用数据模型寻找过去发生事件中的共性，并假设这一共性在将来会重复。这在大部分情况下是事实，也是从业人员利用大数据模型进行风控的理论基础，但这并不是百分之百成立的。当存在不同的市场环境时，旧有的环境并不会重复。中国市场上有很多特殊性的风险，无论是客群对风险的理解、监管规则的重大调整还是数据质量都会直接冲击数据模型的基础假设和前提底线，从而导致整个模型存在系统性的偏差，这在日常的风控中可能造成严重的后果。

      第三点，策略与模型的配合搭建数据决策的稳定框架。传统银行业务中，有强大的策略驱动/政策驱动的风控模型，政策是定性的概念，而策略是定性和定量结合的概念，既要有方向性也要量化，这是搭建稳定框架的一个提升。将第一点与第三点结合起来看，定义了风控的边界，定义了风控的方向和量化框架，那么第二点中所确定的数据模型将起到巨大作用，能够更精准地识别客户风险及产品风险。但是当面临重大的市场变化、政策变化、客群偏移、理解偏差甚至底层数据不可预测的巨大变化时，数据模型是对系统性偏移的纠正和限制措施，保证风控的稳定性，不至于出现灾难性的后果。因此，提倡策略与数据模型的配合来搭建数据决策的稳定框架。

      第四点，风控系统风险的管控及操作的管控，也就是端到端的流程把控来降低操作风险。假设机构设计了一个非常完美的策略或框架，在实施的过程中几乎不可能百分百正确，总会出现各种各样的偏差。如何将这种错误或偏差造成的不确定性最小化，就是所谓的流程把控来降低操作风险，这也是在操作风险概念定义下非常重要的方面。

三、风控体系的搭建

      从风险管理全周期来看，主要包括5道防线：获客、信息收集、中央审批、贷中监控以及贷后管理。其中，获客方面主要是销售环节置入风险评估，确保客户定位准确，进件信息真实完整；信息收集主要是高效收集客户信息并核查客户、资料、信息及意愿真实性；中央审批主要是中央集中审批，依次经过系统信息整合、反欺诈、评分、人工审核等环节；贷中监控主要是通过数据监测、电话回访等，对客户准确判断，进行风险预警或增值服务；贷后管理主要是对逾期客户进行及时管理，有针对性进行催收。同时，整个操作流程层面的支持包括风控系统层、业务操作层、合规风险层。

四、数据质量的挑战

      数据质量的好坏判断主要可以从五个维度定义。一是合规性，即确保数据本身没有问题。二是覆盖率，即对目标客群具有良好的覆盖率。就算再好的数据源，如果对目标客户的覆盖率只有10%-20%，那么对实际的风险管理并没有什么帮助，因此达到一定量级的覆盖率是很重要的。2019年市场上很多机构确实在数据合规性上出现问题，经过国家和监管机构的治理，这方面已经有了根本性的好转，但是数据的覆盖性相对来说还是存在问题。三是准确性，目前市场上数据的准确性确实有待提高。四是区隔力，即对风险的区隔力。有些数据虽然看起来很好，但区隔力不强，或者集中度太高，70%的人都落在一个区间，那么数据的可用价值其实有限。五是稳定性，无论从数据使用的范围、底层的结构以及各方面维度的稳定性，目前的市场都存在问题，很多数据源在稳定性上都没有保障。

      就目前来看，部分模型所存在的局限性并不是模型本身的问题，而是数据质量存在问题。在市场里存在各种经验和教训，不要过于强调数据模型，虽然它是重要的工具，但是要时刻警惕和清醒地认识到它的局限性以及可能造成的偏差和后果，这在日常实践中是要时刻注意的。

（责编：张璐璐）

来源：2020（第十六届）中国金融风险经理年度总论坛（11月）