銀行信貸資格審核機制的機器化學習模型設計*

唐春蘭

(內(nèi)江師范學院，四川內(nèi)江 641112)

0 引言

從銀行改革信貸制度開始，在信貸業(yè)務中建立“一級審批”機制。若想實現(xiàn)推行貸款全審批制度，就要實現(xiàn)審貸分離[1]。但是市場發(fā)展很快，在競爭日趨激烈的商業(yè)銀行中，信貸業(yè)務發(fā)展迅速[2]。在我國現(xiàn)行商業(yè)銀行信貸審批制度的實際運行過程中，逐漸暴露出其弊端。在以往研究中，主要是在經(jīng)濟新常態(tài)背景下，估算銀行企業(yè)貸款風險影響因素，建立直接風險評估與預警模型。盡管該方法可以更精確地評估信貸風險，但它的缺點是需要大量可靠歷史統(tǒng)計數(shù)據(jù)作為基礎[3]。在面對新的授信申請人時，由于客戶信用歷史數(shù)據(jù)缺乏，所以使用上述審核機制決策科學化程度大大降低。在新客戶缺乏信用歷史數(shù)據(jù)情況下，選擇優(yōu)質(zhì)客戶，降低不良貸款率，合理配置資金資源成為銀行信用評級機制的一種機械化學習模式設計。在長期運營過程中，傳統(tǒng)商業(yè)銀行積累了大量的用戶資源和用戶信息。這一資源和信息有效利用，對商業(yè)銀行產(chǎn)品開發(fā)將有很大幫助。但目前商業(yè)銀行在分析和處理客戶信息以及利用大數(shù)據(jù)技術方面存在著一定技術障礙。鑒于此，提出了銀行信貸資格審核機制的機器化學習模型設計。

1 機器化學習模型構建

1.1 客戶信息處理

采用機器學習方法時，首先要確定樣本空間，定義邊界條件，以保證科學研究水平的科學與有效。在機器學習中，這些條件可用于確保數(shù)據(jù)完整性。高效分析窗口是收集待分析數(shù)據(jù)時間窗口，其選取標準為連續(xù)一個時間段歷史數(shù)據(jù)[5]。目前網(wǎng)絡金融迅猛發(fā)展，對商業(yè)銀行產(chǎn)生了沖擊。商業(yè)銀行產(chǎn)品開發(fā)戰(zhàn)略也必須考慮到這一因素[6]。所以，在機器學習中樣本對象選擇方面，采用下列標準客戶信息處理方案：

(1)2013年12月以后開戶對象不在統(tǒng)計范圍。

(2)客戶信息不完整，例如年輕人、工作單位等，不在統(tǒng)計中。

(3)排除兩個月以上沒有辦理金融業(yè)務的賬戶，即在兩個月內(nèi)沒有存款、取款或其他業(yè)務的賬戶，或在賬戶余額不超過100元的賬戶，以確保參與機器學習樣本的有效性。

(4)資料經(jīng)過平均處理。舉例來說，單個用戶的賬戶余額使用平均余額表示賬戶余額的保持量。它也包括月平均存款、月平均償還貸款和欠款余額，這種處理方法可以避免短期的客戶操作對機器學習的影響。

1.2 信息篩選與分類

建立模型數(shù)據(jù)時，將數(shù)據(jù)源分為以下三個方面：

(1)原始數(shù)據(jù)庫。該模型能夠存儲用戶信息原始數(shù)據(jù)，為員工畫像算法提供數(shù)據(jù)基礎，能夠?qū)τ脩魝€人信息和信任信息進行統(tǒng)計，構建完整用戶評價模型。為了保證模型計算有效性，在建立系統(tǒng)之前，首先需要規(guī)劃和設計數(shù)據(jù)庫。

(2)建立數(shù)據(jù)庫。數(shù)據(jù)庫架構規(guī)劃完成后，需要通過收集具體信息來構建整個數(shù)據(jù)庫。經(jīng)過初步數(shù)據(jù)收集和處理，需要進一步補充有關數(shù)據(jù)資料，豐富數(shù)據(jù)庫資料儲備。建立數(shù)據(jù)庫時，要充分考慮數(shù)據(jù)轉換環(huán)節(jié)效率，數(shù)據(jù)轉換太多會影響系統(tǒng)運行效率，數(shù)據(jù)庫還可以存儲部分完整數(shù)據(jù)模型。

(3)補錄數(shù)據(jù)。在數(shù)據(jù)庫建設完成后，測試表明模型不能滿足正常運行要求，需要更多來自不同渠道數(shù)據(jù)信息，以豐富數(shù)據(jù)庫。

(4)數(shù)據(jù)核對。需要對所有需要收集和排序數(shù)據(jù)進行處理之后，檢查數(shù)據(jù)內(nèi)容。對不同數(shù)據(jù)源進行變量賦值后確定其屬性，對重復字段精簡，有效地降低了數(shù)據(jù)冗余，是數(shù)據(jù)驗證的基本原則。

1.3 模型構建

基于上述標準，構建機器學習模型，如圖1所示。

由圖1可知，將機器學習與研究課題結合，應用于商業(yè)銀行信貸風險分析。首先收集和組織顧客信息，該信息主要分為兩類，分別是商業(yè)銀行客戶信息和客戶服務信息。其中客戶的基本信息包括客戶名稱、身份證號碼、性別、年齡、聯(lián)系方式、銀行賬戶等；而客戶服務信息包括資產(chǎn)服務、債務服務、中間服務和國際服務等歷史數(shù)據(jù)。然后采用機器學習應用模型就是以這兩種分類為基礎，通過聚類分析，了解客戶在商業(yè)銀行中對金融服務使用情況；其次，在聚類分析基礎上挖掘關聯(lián)規(guī)則，考慮時間因素，探尋信用違約中不同類型客戶特征，從而有針對性地進行風險控制。

基于上述模型，對銀行信貸資格獲取指標展開詳細分析，如下所示：

(1)貸款類型：企業(yè)貸款申請風險要高于個人貸款申請，需要分類數(shù)據(jù)，這一指標無法單獨區(qū)分企業(yè)貸款和個人貸款。商業(yè)性的理解是，個人用戶應該被定義為消費貸款，而不是與公司有關的內(nèi)容。

(2)每月償還金額：

圖1 機器學習模式

公式(1)中，money_new表示貸款金額； month_new表示償還期限。

(3)償還能力系數(shù)：

公式(2)中，salary表示薪水。

對于個人而言，償還能力的大小與工資水平密切相關。在固定的月還款金額下，申請人的工資越高，還款能力越強，違約概率越低，貸款成功的可能性越大，由此建立一個新的還款能力可變系數(shù)，該指標越大，說明借款人的還款能力越強。就商業(yè)貸款而言，按工資計算的償付能力明顯低于按月凈利潤計算的。根據(jù)現(xiàn)有數(shù)據(jù)構建公司盈利屬性是不可能的，而公司流動記錄則是公司資金在銀行中的公共和私有性質(zhì)。銀行交易總額與企業(yè)利潤呈一定的線性關系，以銀行周轉率和月償還額比率代替企業(yè)償付能力系數(shù)。

2 基于機器化學習模型銀行信貸資格審核機制優(yōu)化

2.1 完善信貸風險管理組織體系

健全信用風險管理制度，可積極借鑒國外商業(yè)銀行先進成熟的信用風險管理經(jīng)驗，全面推行縱向風險管理制度，以利于商業(yè)銀行更好地開展業(yè)務，銀行業(yè)價值觀念的提升是銀行業(yè)核心競爭力的保證。

同時，銀監(jiān)會還在《國有商業(yè)銀行公司治理指引》中明確提出，要逐步建立縱向風險管理機制。然后借鑒國外先進風險管理經(jīng)驗，對我國現(xiàn)有的商業(yè)銀行風險管理組織體系進行優(yōu)化處理，并改變現(xiàn)有的分塊管理模式，它采用縱向、縱向兩條線的管理模式，與所設分支相對分離，一定程度上擺脫了所設層級的管理約束。信貸審批只是信貸業(yè)務基本操作流程的重要一環(huán)，而各級銀行行長又肩負著業(yè)務操作和風險管理的雙重責任，因此，必須在各級機構和地區(qū)建立風險防線。通過各個部門的溝通渠道，實現(xiàn)了風險防線雙向報告制度。

2.2 整合信貸審批條件

落實并嚴格執(zhí)行商業(yè)銀行信貸要求，嚴格信貸標準，做好對貸款審批和監(jiān)管工作，為確保信貸審批工作健康有序開展，優(yōu)化審批機制奠定了基礎。確定信貸審批條件，定期向上級決策機構匯報審批條件的執(zhí)行情況；與此同時，對信貸審批條件實際執(zhí)行情況嚴格監(jiān)督，并由上級審批部門定期走訪抽查。在面臨復雜的審批流程鏈的情況下，要優(yōu)化現(xiàn)有審批流程，避免業(yè)務流程不必要重復，有效提高審批效率，減少審批次數(shù)。

2.3 實行審批授權差別化管理

在競爭日趨激烈市場環(huán)境下，顧客對商業(yè)銀行服務要求越來越高?，F(xiàn)行審批授權方式越來越難以滿足客戶需求，難以有效提高審批信貸效率。因此，在授權管理方面，可借鑒國外商業(yè)銀行先進經(jīng)驗，基于我國信貸業(yè)務的發(fā)展狀況和風險控制水平，根據(jù)自身風險管理水平和審批現(xiàn)狀，開展授信審批，逐步由目標明確單向?qū)徟D變?yōu)槎嘣獙徟?/p>

表1 不同方法審核結果對比分析

基于地區(qū)特點、機構類型、執(zhí)行客戶類型和信用產(chǎn)品類型的差異授權；在差異授權的基礎上，引入“以人為本”管理思想，針對特定個人實施個性化授權。積極改革現(xiàn)代授權方式，完善基層商業(yè)銀行內(nèi)部管理體制，從“授權到機構”到“授權到個人”。唯有如此，信貸更有針對性，提高風險控制的敏感性，通過不同管理者對貸款不同控制能力，就提高貸款管理和決策效率。與此同時，個人授權可以有效地提高被授權人的人權責任感和風險意識，使審批方式更加靈活高效。

3 實驗

為了驗證銀行信貸資格審核機制的機器化學習模型設計合理性，進行實驗驗證分析。

從遼寧省某行的銀行信貸客戶中，隨機選擇100人進行銀行信貸資格審核，分別使用傳統(tǒng)模型和機器化學習模型，對這100人審核結果進行對比分析，結果如表1所示。

由表1可知，使用機器化學習模型方法銀行信貸資格審核通過的人數(shù)更多，由此可知，使用該方法效果較好。

4 結語

基于此，提出了一種基于機器的銀行信用資格審查機制學習模型，既能進一步降低信貸風險，又能有效提高商業(yè)銀行辦理信貸業(yè)務的效率，增強市場競爭力。信貸審批機制的建立是一個復雜的系統(tǒng)工程。影響信貸審批流程的因素較多，審批機制難以優(yōu)化；信用審核人員應結合實際工作經(jīng)驗，采用先進管理理念，信用審批機制的建立為商業(yè)銀行信用機制的優(yōu)化與完善提供了理論基礎。