浅谈金融科技时代下的商业银行智能风控

近年来，我国经济增速逐渐放缓，加上国际贸易摩擦频发，间接引发各类信贷违约事件，银行业整体面临着不良贷款上升的局面。根据中国银保监会的数据，2017年我国银行业整体不良贷款余额为15795亿元，此后的几年里，该指标快速上升，特别是受疫情影响比较严重的2020年，整体不良贷款增长率超过了25%。截至2022年二季度末，商业银行不良贷款余额3万亿元，不良贷款率1.67%，处于较高水平。

随着金融科技领域的持续发展，新兴金融业态不断出现，为客户提供了极大便利，尤其是个人客户与小微企业能够更加便捷的获得金融服务，快速的抢占着传统银行的市场份额。同时，人们对金融服务的时效性与个性化需求也越来越高，商业银行若仍使用传统的风控模式，通过人工审批和评分卡建模，借助企业或个人征信报告、企业财务报告和抵押物等信息评估客户的信用风险情况，已经无法满足在金融科技时代商业银行对金融服务及时、精准、便捷以及低成本的风险管理业务的需求。

在上述背景下，商业银行风险管理必将迎来“智能化”时代，只有大力发展智能化的风险管理，才能适应未来数字化社会的发展趋势。伴随着社会信息化、数字化体系建设，商业银行主要业务的线上化程度越来越高，监管机构也对商业银行的业务流程、数据标准、数据质量、数据报送等方面提出了更高要求。因此，各大银行开始积极布局金融科技，应用先进技术手段推进数字化转型，给智能风控奠定了强有力的基础。

智能风控将科技手段与风险管理紧密结合，通过信息数字化，依托人工智能、大数据、云计算、区块链等技术，寻找与风险评估有关联的关键信息，串联各类数据并建立分析模型，实现对目标风险水平与风险偏好的精准分析。智能风控体系的建设依托于构建完善的数据来源，尽可能消除信息不对称，充分利用大数据分析模型，在贷前审批和贷中、贷后管理环节做好风险识别与预警。

1.构建高质量数据库，快速识别捕捉客户信息

完整准确的数据源是精准识别风险和有效评估风险的基础，商业银行需要扩大数据采集来源，构建完善的数据库，提升智能风控质量。一方面充分利用行内个人客户和对公客户信息等现有数据资源开展分析；另一方面，通过与行业协会、政府部门、司法机构、信息技术平台等外部机构合作，提高外部数据的实效性，拓宽信息来源，拉长信息跨度，确保银行与客户的信息能够完全对称，为银行的风险识别提供强有力的数据支撑。

针对个人客户，商业银行内部用于贷款风险控制的数据主要基于贷款客户的基本信息，如年龄、受教育程度、银行账户流水、行业、所在地区、负债信息等，这些数据变量和贷款客户的还款行为具有较强的关联性，是进行风险管理的首选数据。同时，银行外部的客户信息，例如消费行为、违法行为、客户偏好、生活方式、身体健康状况等也可以反映客户的风险水平。上述各类数据需要充分发掘，积累足够时间跨度的历史数据并充分分析，从中找出高风险客户的特点，评估各类变量信息对客户违约概率的影响，将这些分析结果作为影响客户信用评级的重要依据。

针对对公客户，大数据应用的场景更加多元，大数据应用的范围更加广泛，商业银行可以通过网络抓取企业所在行业的整体经营水平，企业近五年来的经营状况，企业产品线的生命周期，企业竞争对手的经营状况，企业供应链相关的上下游企业信息，企业管理层成员的个人信息以及其资产负债情况，公众对于企业的评价等，这些信息的整合对于准确评估企业贷款申请以及后续企业的偿还能力具有重要参考意义。通过大数据工具构建数据模型，对各类数据进行全方位分析，以此建立更加客观的信用评价体系。

评估信贷风险的大数据需要全面采集，不断积累。例如，有关企业的经营情况，经营状态变化，所处行业前景等数据信息是长期跟踪收集得到的，缺少全面有效反映企业状态的数据，任何分析方法对风险事件的发现都收效甚微。

2.应用智能评分模式，提升授信审批精准性

构建完善的信贷风险评估系统，推行系统智能评分模式。商业银行可构建出数字化的授信审批模式，基于现有的信息系统整合数据库储存的行内客户信息及外部数据自动给出评分，通过多维度的客户信息，商业银行可以获得更加精准的信用评价依据，构建更加准确的信用评价方法，有效提升审批结论的准确性。

针对小额标准化产品，可由银行的数字员工借助决策引擎分析客户的偿还能力和状态，进行快速审批，使得审批方式更加客观、高效，降低银行的人工成本；对于大额非标准化产品，则可采用人、机结合共同审批的方式，对照人工审批和系统自动审批的结果，分析人、机审批之间的差异性，将风险控制在授信审批前，最大限度降低银行风险。

3.推行智能风险预警系统，做好贷中贷后动态监测

针对贷中、贷后管理，商业银行需要运用数据库中不断更新的信息构建完善的风险预警系统。

一是制定数字风险指标，需涵盖各种合法性指标：行业准入、工商转入、经营情况、金融信用指标等，通过风险指标设置，如果客户违背，则系统自动触发预警，从而针对性的来控制。

二是可重点关注数据库内的客户负面信息。银行内部的负面客户信息包括：信用卡透支记录、贷款本息逾期记录、黑名单信息等；银行外部的负面信息包括：P2P/小贷公司等黑名单信息、司法诉讼案件信息、国家行政机关处罚信息(工商、税务、法院、公安等)以及互联网负面舆情信息(违规处罚、虚假宣传、欠薪倒闭等)等。基于这些负面信息，全方位对个人及对公客户在银行的风险等级进行评估，为银行的风险防范决策奠定基础。

三是利用大数据动态追踪客户贷款资金使用情况，根据客户经营情况和生产经营周期有针对性地分阶段投放贷款资金，以动态监测客户生产经营情况，提升贷中、贷后管理质效。

有效的智能风控依赖于良好的数据质量，良好的数据质量是对模型结果可信度的基本保障，是大数据驱动智能风控发展的有力支撑，但任何先进的模型算法都无法离开底层数据。

对商业银行来说，保证数据质量的难点主要有三方面。一是数据量大，数据质量问题多，部分系统上线时间较早，当时的系统构造未能充分考虑到当前的用数及分析需求，改造难度大，改造周期长，导致数据采集和维护困难；二是数据的来源和属性不同造成各个数据源系统间的数据标准存在差异，不同业务条线有自己的数据存储和应用逻辑，不同部门、不同业务、不同系统之间数据串联存在障碍，改造压力大；三是数据在传输的各个环节中，会出现由系统异常、流程设置不当、人为疏忽或管理缺陷等原因造成的数据错误、数据丢失等数据质量问题。

商业银行可从完善数据采集机制、统一数据标准、建立数据监测三个方面夯实数据质量。一是建立完善的数据采集和维护机制，覆盖数据全生命周期，实现数据动态更新，确保数据的时效性；二是基于业务数据体系，结合各项业务的统计标准要求，自上而下梳理逻辑，形成一套统一的数据标准；三是在数据传输和加工过程中建立接口质量和数据质量的双重监控机制，对接口稳定性进行可视化图表监测，对数据进行异常率、空值率等日常监测并设置预警和推送机制，以及时整改数据质量问题，确保数据准确性、完整性，为智能风控打下坚实的基础。

防范化解重大风险是金融工作的重要内容，商业银行进行数字化转型，探索智能风控新模式已成为大势所趋。智能风控通过风险事件的事前预警与事后控制，对商业银行降低不良贷款率，精准评估客户信用风险等级，提高信贷审批效率产生了积极影响。同时，商业银行需要不断提高底层数据质量，建立统一的数据标准体系，广泛采集行内外各类数据以支撑智能风控模型，从而获取可靠的信贷风险评估结果，在金融科技时代下不断提升自身竞争力。