答：

       信用风险有很多的来源，但是最根本的来源是信息不对称，这几年通过大数据和很多新技术的发展，我们看到了一丝解决这一问题的曙光。但从目前情况看，与以前相比，目前的大数据技术和人工智能技术虽然有了比较大的突破，但还是必须要重视其中的一些困难点。

一、无法收集全量数据

       第一个困难点是银行可能无法收集全量数据。例如，PD模型或LGD模型输入的都是银行的历史数据，但是银行的历史数据却不能代表整个社会客户的全量情况。这是因为，银行的客户在进入银行之前，就已经进行了一次筛选，也就是说，进入到银行模型的样本，从最开始就是一些好样本，真正的坏样本在收集数据之前就已经被丢弃掉了。基于这样的数据样本所产生的模型，如果无限制地推广到没有经历过的客户上，那么银行将面临巨大的风险。

二、数据欺诈

       第二个困难点是数据欺诈。数据欺诈是指当模型建立之后，很多人都会去研究这一模型。例如，银行内部存在风控和业务人员的矛盾，业务人员会研究哪些因素会影响风控模型的结果。在业务经营过程中，业务人员可能会有意识地去影响这些因素，这是第一个方面。更重要的是另外一个方面，即客户会利用模型的短板去“制造”数据。这种情况经常发生在电商客户中。例如，商户为了证明自身经营状况良好，自己可能会进行很多假交易以欺骗银行的模型。此外，银行还面临另外一个问题，对于小微企业，这几年很多银行都在做以税务数据为基础的信用贷。通常认为税务数据是比较真实的，所以银行利用税务的数据发放贷款应该比较保险，但一些案例表明，税务数据也存在造假的可能。例如，地方政府现在有很多的优惠政策，如税收返还政策，那么有些企业就会利用这些政策的漏洞，先到税务数据库里产生一笔交税的数据，然后通过返税的方式把钱返回去，但是在数据库里只有该企业交税的数据，没有返税的结果，这个时候如果仅用那一笔税收数据带入信用风险模型的话，信用风险依然是存在的。信用风险将来会有多种风险来源，而数据本身的风险来源将会成为一个越来越重要的因素。

三、模型风险

       第三个困难点是模型风险。当市场上所有的行为趋向一致的情况下，这个市场的风险是最大的，因为它极有可能出现崩溃。如果市场参与者的很多行为都是基于类似的数据模型和类似的数据来源，那么市场上同样会出现一种趋同的行为，这个时候如果没有一个更高层次的数据一致性的验证，那么就可能会出现一些我们不太想看到的情况。所以，我们希望银保监会能够在更高的层面上对银行使用外部数据和使用模型的情况进行管控，这种管控可以避免较大的系统性风险。

       关键词：大数据，模型，信用风险，银行，金融科技

       TGES金融科技与科技风险管理研究中心