2019，构建现代金融风险管理机制，《中国金融》第1期。

2016，银监会82号文对信贷资产证券化业务影响分析及建议，《债券》第07期。

2015，资产证券化业务“三足鼎立”格局值得期待，《中国经济导报》B03。

2014，动产抵（质）押登记公示及押品管理公司的监管——从钢贸信贷风险教训中探求改革和制度建设出路，《中国银行业》第07期。

2014，国际评级机构证券公司评级方法比较，《创新与发展：中国证券业2014年论文集》

2014，《商业银行流动性风险管理办法(试行)》解读，《债券》第04期。

2012，券商在债市拥有广阔发展空间，《上海证券报》F07。

2008，国际金融公司赖金昌先生谈《物权法》担保问题，《西部金融》第01期。

2007，中国法律下的知识产权质押，《中国金融》第05期。

1990，金融发展理论与发展中国家的金融改革，《国际金融研究》第12期。

1990，发展中国家的金融改革——记发展中的储蓄与信贷国际会议，《中国金融》第10期。

1989，中国通货膨胀问题分析，《管理世界》第02期。

1988，联邦德国对货币和信贷的控制，《国际经济评论》第07期。

1988，发展中国家的货币政策工具，《金融研究》第04期。

1985，作为国家发展动力的国有工业企业:两种不同的评估分析，《国际经济评论》第05期。

一、长尾客户的人群分类

（一）长尾客户的定义与客户信息

      长尾客户的基本定义是开户6个月以上，但在三年内开户的客户，且当前余额低于1万。对于长尾客户的实际目标是在4个月内余额争取达到5万。零售银行的数据中，首先是客户行为信息，包括在网银、手机银行登录等；还有交易信息，包括转账？消费、理财、三方支付、公共缴费保险等等，转账还包括同名、跨行、行内转账等。而后是行内信息，包括行内基本信息、行内评级、关联企业、产品、代发工资、征信等。最后是资产信息，包括行内资产、储蓄等等。

（二）长尾客户的分类：结合经验

      今天我们想强调的是业务经验。在业务经验的前提下，加上一些简单的算法，就可以达到目的。业务经验其实是指银行自己作为专家，在行内发展了多年，有一些直觉可以直接利用，而不仅靠数据分析来进行。业务经验的重要性体现在有扎实丰富的经验时，可以非常快速和准确地指出人群分类的关键维度。二是资产的波动性，平稳相对波动，波动性大的人可能有更大的机会。在这个基础上审视长尾客户，判断哪些人有可能在今后几个月内资产跳升，那么就是目前资产档次相对高，或者历史上相对高，以及资产的波动大的客户，从直观上、经验上就有这种感觉。

（三）长尾客户分类案例：资产大小与波动性

      对于资产大小的高中低，资产波动性的平稳和波动，这两个简单的概念实际上谈的都是资产，只不过是从两个角度，一个是目前的状况或者历史上的状况，一个是历史上平稳还是波动。简单的两个维度就可以很有效的把人群分开。采用决策树加上前面两个维度，而这两个维度本身有很多变量，即便是资产高低也可以从不同的角度去考虑，而波动也可以有不同的计算方法，但始终只有两个维度，就可以建造出简单实用的分类图。

二、长尾客户的处理：从简单到复杂

      长尾客户在零售银行里一直是大家头痛的问题，其实一些银行可以从简单的地方开始入手，如果能把高资产人群，中资产波动人群，低资产波动人群首先处理好，可能就可以进一步处理长尾客户的问题。

      来源：2020（第十六届）中国金融风险经理年度总论坛NO.3：零售金融与小微企业金融——黄又钢《长尾客户的人群分类》

三、风险定价和风险定额的概念和实际操作

（一）风险定价和风险定额

      风险管理流程大框架主要有风险识别、数据收集、风险评估、风险策略、执行落地、监督改进。风险定价与风险定额是属于风险策略的范畴，但是与风险评估紧密相关，特别是量化的风险评估。在风险评估的基础上，也即有了风险模型之后，才有依据风险程度的价格制定，及进一步的贷款额度的确定。

      风险控制的核心是评估和策略的结合，风险评估即风险测量，主要通过评分卡来预估风险。而风险策略在贷款中主要通过利息、额度和期限三个维度来控制。

（二）具体实操

      具体实操中，风险定价是依据评分卡对人群的坏账率的预测，考虑成本和利润的因素之后，综合制定的利率。利息（价格）= 坏账率 （风险） + 成本 + 利润，其中，成本和利润可能不是固定数，不同人群可以有不同的成本和利润率。而风险定额是指在风险定价之后，进一步考虑还款能力，贷款需求，及利润之后，确定的贷款额度。

      来源：2020（第十六届）中国金融风险经理年度总论坛NO.13：经济资本、风险偏好和限额管理——黄又钢《风险定价和风险定额的概念和实际操作》

四、小微贷款风控模型中的算法探索

（一）股票市场与信用贷款市场的比较

      股票市场上，每家公司必须有财报，它的格式和框架是一致的。财报的数据是标准的，业绩等信息发布的时间和周期是确定的，我们可以确切的得到股票市场里的许多重要信息。其数据具有标准化、周期化的特点，来源包括上市公司财报、股票价格分析等。而信用贷款领域更多关注企业和个人，包括银行期望、企业个体及其上下游关联方、风险的评判等，其数据来源包括起源的工商、税务、发票、银行流水、水电煤费等，以及个人端的征信、第三方评估、银行信贷等数据。就分析维度而言，股票市场强调价格与数量分析，而信用贷款市场主要强调信贷的风险程度、利率、规模、期限等。

（二）机器学习算法概述

      机器学习是AI的分支，现在机器学习有非常成熟的算法。机器学习所涉及的算法主要包括深度学习、集成算法、神经网络、正则化算法、回归算法、贝叶斯算法、决策树算法、降维算法、实例算法以及聚类算法。但是在美国机器学习的运用存在黑匣子的问题，即研究团队在后端可以用机器学习分析，但难以运用于实操。就法律规范而言，一个风险管理模型的选择必须具备可解释性，但基于机器学习算法的模型却很难做到。基于此，美国目前在信用贷款领域能够落地实施的基本只有基于回归算法的评分模型。

（三）算法及应用探索

      首先，在建模方式上采用双轨模型。所谓双轨模型指同时建立传统模型以及机器学习模型，从而同时发挥两者优势，一定程度规避各自缺陷。传统模型具有可解释性强、稳定性强的特点，而机器学习模型则具有精确度高、拟合速度快的特点。

      针对人群分类采用的常用算法包括决策树算法以及聚类算法。决策树算法所涉及的特征变量数量较少，主要起到监督作用。聚类算法则表现为“黑匣子”的属性，本质上为无监督状态。就实际操作层面而言，人群分类第一步是构造人群分类，主要同时运用决策树算法与聚类算法进行。

      混搭的概念在统计里早有应用，比如两种算法相互匹配，相互兼容，相互嵌入等。

      算法探索的创新方面有两个思路。一是在单一算法层面，从数学角度和计算机角度，产生新的突破。二是两种（或多种）算法的相互嵌入和混搭形成新的算法。比如XGB 算法的构造过程。

      当前中国风控领域，特别是银行针对小微企业的贷款业务，不管哪家银行，总体还是处于比较初级的风控阶段，大多数银行还是以规则为主，主要包括准入规则。而价格定价层面的工作仍不够充分。就定价层面而言，根据风险的定价环节还存在很大的提升空间，同时，针对风险规定的额度则更存在提升空间。作为人群分类的细分，银行对贷款定价的考量主要还是从产品渠道角度出发，而不是从客户的本质角度或者企业的本质角度去考虑问题，所以总体而言提升的空间还比较大。

      来源：2020TGES系列论坛-07：投资银行业务、私募投资与风险管理——黄又钢《小微贷款风控模型中的算法探索》