• 快捷搜索
  • 全站搜索

数据驱动实现智慧风控

2017-06-29 16:21:18作者: 中国农业银行软件开发中心副总经理 姚琥 编辑:金融咨询网
劣质企业为了持续经营,依靠屏蔽、捏造信息,骗取贷款,对银行的经营安全构成了较大威胁。如何有效收集数据、形成信息、沉淀知识、提炼智慧,并将智慧落实到具体的信用风险管控的全流程,是银行业迫切需要解决的问题,也是核心竞争力所在。

供给侧改革逐步深入,使劣质企业的信用风险加速暴露,并传导到客户关系网络上的其他主体。劣质企业为了持续经营,依靠屏蔽、捏造信息,骗取贷款,对银行的经营安全构成了较大威胁。如何有效收集数据、形成信息、沉淀知识、提炼智慧,并将智慧落实到具体的信用风险管控的全流程,是银行业迫切需要解决的问题,也是核心竞争力所在。

图片2.jpg
中国农业银行软件开发中心副总经理  姚琥 

        农业银行基于“Data、Information、Knowledge、Wisdom”的DIKW 层次体系,打造了全面性、智能型、全流程的信用风险监控系统。其中Data(数据)是指原始素材;Information(信息)是指加工处理后有逻辑的数据;Knowledge(知识)指的是提炼信息之间的联系;Wisdom(智慧)指的是关心未来,具有预测的能力。

1 个风险视图:从数据到信息

        农业银行信用风险监控系统依托于“1 个风险视图”,解决了数据的全面性和数据到信息的转换问题。首先,完成了行内客户、市场、业务、交易和信贷风险控制等领域数据的全面梳理,引入了人行、银监会、公安部、最高法院、工商、海关、网络舆情、P2P 网贷、公积金、运营商等外部数据,对数据真实性进行交叉验证,形成了反映各类社会经济主体生产、交易、投资等行为的历史明细,以及习惯特征和违约记录等数据,解决了数据的收集问题;其次,以客户为中心,制定了标准统一的数据处理模式,对行内外多期数据进行归类整理、有效整合,按照主题分层的模式完成了逻辑模型的设计,形成了客户信用风险统一视图,根据产品、行业、区域、人员和机构的风控需求,组建了5 个汇总视图,共同组成了一整套高内聚、低耦合的逻辑和物理模型,解决了可信数据到有效信息的转换问题。

图片3.jpg
图1 客户信用风险视图示意图

        通过“1 个风险视图”(图1),真正做到了全面了解客户,对融资企业有了整体把握,掌握的客户信息维度多样:了解客户本身,完整、及时、准确地掌握客户的经营行为、资金流动、销售情况,有利于把握资金流、物流和信息流的匹配;同时了解客户关系网络,能够准确识别企业供应链、担保互保链、资金往来链、隐形关联链等形成的复杂关系,为识别和防控关联风险奠定基础;了解客户发展趋势,采用静态切片、动态拉链等技术手段,存储客户在每个时间点的静态画像。

1 个模型工厂:从信息到知识,再到智慧

        知识是从相关信息中过滤、提炼及加工而得到的有用资料,体现了信息的本质、原则和经验。智慧是为对事物发展的前瞻性看法,体现为一种卓越的判断力。农业银行信用风险监控系统依托于“1 个模型工厂”,解决信息到知识的沉淀和知识到智慧的提炼过程,将“事后报告”风险转变成“事前预警”风险,使信用风险监控从“人控”迈进了人机交互智能风控的新时代。

        模型工厂分成指标库、模型建模和机器学习3 个组成部分。指标库是业务专家基于长时间信用风险防控的经验,总结和提炼出来的业务规则,并将业务规则原子化而产生的。其核心在于原子化,只有原子化,才能做到通用性,才能成为事实标准体系。它可以体现客户自身(如销贷比)、客户变化趋势(如工资发放额环比)、关联客户(如关联企业违约),以及客户与各项标准的对比情况等(如现金流动负债比率与行业标准值比)。指标库基于信用风险视图加工而成,是模型建模和机器学习的必要组成部分。截至目前,农业银行已经完成了8 大类数百个风险预警原子指标的投产。
 
        模型建模是指标库按照一定业务逻辑组合而成的算法。与指标库的共同点在于二者都是业务专家长时间的经验积累,不同在于指标库强调通用性和可解释性,体现的是信息到知识的转换过程,而模型强调的是个性化和隐蔽性,体现的是知识到智慧的升华过程。风险永远在发展变化,风险监测的方法和规则也必须与时俱进、对症下药。农业银行的信用风险监控系统提供模型建模的全流程管理,确定信贷专家“五步建模”的标准方法,全面支持数学运算和逻辑运算等常规运算符,核心创新点是灵活差异,支撑业务专家自主设计“所见即所得”的预警模型,允许灵活调整预警阈值,设置区域、行业等十多个自由组合监测维度。
 
        机器学习是人工智能的核心,涉及概率论、统计学等学科。农业银行的信用风险监控系统的机器学习模块可以导入模型建模所产生的专家模型,并通过收集数据的变化情况和人工反馈结果,实现专家经验模型的自动评估和自我优化,还可支持建模人员探索统计学模型,并将模型导出并运行,有利于复杂算法的落地实施,如逻辑回归、时间序列、神经网络、随机森林等。

4 类应用功能成就智慧信贷

        农业银行通过联动业务办理、风险信息处置流程、考核评价支持和风险一站式检索4 类应用功能,将风险视图和模型工厂产生的智慧结晶运用于信用管理的全流程,取得了很好的应用效果。
 
        1.贷前审批

        严控黑名单客户准入。农业银行形成了行内外内控名单的聚合,将风险客户分为黑名单客户、灰名单客户。其后是使用内控名单管理功能,阻止黑名单客户办理信贷,阻止灰名单客户新增授信。
 
        提质增效贷前调查。根据对客户风险的整体评估,提前识别客户可能存在的风险信息项,制订专业化、定制化的贷前调查模板,要求客户经理重点调查,保证有的放矢,提高调查质量。
 
        辅助信贷智能决策。支持风险信号与信贷审批流程的实施联动,提供参数化、配置化和个性化配置功能,将风险信息及时推送到授用信审批的办理过程中去,采用“主动推送,强制查看,阅后留痕,专人跟踪”的原则,提升风控模型在授用信审批的各个环节的重视程度和处置效果。
 
        2.贷后管理

        支持业务实时锁定。提前预判存在风险的信贷业务,支持灵活编辑锁定规则,对存在风险的信贷业务从客户、行业、产品、机构等多维度实施授用信实时锁定,实现对风险敞口的硬约束。
 
        创新贷后管理模式。提前识别存量客户的信用风险,将传统的定期回访模式正在变革为“以事件触发为主、定期回访为辅”的模式,对不同风险级别的客户采用不同的贷后管理模式,做到了高风险客户重点关注、低风险客户线上回访。
 
        农业银行的信用风险监控系统建设已经取得了阶段性胜利,正朝着“既能整体把握区域、行业、产品的组合风险,又能具体到每个客户、每笔业务、每项要素,突出信用风险监控的即时性和前瞻性,将处置关口前置”的工作目标继续迈进。

(文章来源:金融电子化杂志) 

扫码即可手机
阅读转发此文

本文评论

相关文章