以大数据技术实现对公不良(逾期)贷款的预警

来源:《中国金融电脑》杂志作者:中国工商银行股份有限公司苏州分行祁奇20世纪末,美国银行业由于经济衰退逐渐产生了巨额的不良资产,2008年美国次贷危机全面爆发,金融机构受到重创,贝尔斯、美林、雷曼兄弟相继破

以大数据技术实现对公不良(逾期)贷款的预警

以大数据技术实现对公不良(逾期)贷款的预警

  来源:《中国金融电脑》杂志

  作者:中国工商银行股份有限公司苏州分行祁奇

  20世纪末,美国银行业由于经济衰退逐渐产生了巨额的不良资产,2008年美国次贷危机全面爆发,金融机构受到重创,贝尔斯、美林、雷曼兄弟相继破产或被收购,华尔街赫赫有名的五大投行仅剩下高盛和摩根士丹利。这次危机还波及全球,给各国金融机构敲响警钟。

  由于我国商业银行较之国际金融市场相对独立,受美国次贷危机影响有限,但是近年来,不良贷款问题也一直困扰着我国银行业的发展,不良率的攀升不断侵蚀我国银行的利润或资本金,资产质量不容乐观。如何防范不良贷款成为商业银行急待解决的重要问题。

  对不良贷款的预警是有效减少不良贷款的重要方法之一。以往不良贷款预警方式落后,如客户经理去企业查看生产运行情况,抄写企业电表、水表等,这种方式一是可操作性不强,无法实时全面对贷款企业逐一进行研究;二是企业可通过制造假象,使客户经理的调查失真;三是可能造成部分受调查优质企业对银行产生不信任等不良后果。

  近年来,随着大数据技术的发展,商业银行开始借助大数据技术基于企业经营信息建立预警模型,有效降低不良贷款。目前不良贷款的预警主要是裸贷预警指标,本文介绍一种新型的预警指标——结算量变化预警。

  一、结算量变化预警

  结算量变化的理论依据:一个企业无法偿还贷款的主要原因通常是自身经营出现了问题,而经营出现问题最直接的表现是销售不畅,继而引发结算量锐减。当然也有企业短期内亏本销售,但长期依然符合上述推论。

  该理论依据需要数据支持。为此,笔者选取了2015年某地区某行首次出现逾期的112家企业进行验证。如果将结算量锐减定义为以自然月为单位,当期结算量比去年同期减少80%及以上时,即当期结算量同比不足20%,则l12家企业中一年内出现一次及以上结算量锐减的企业数量为104家,占比为93%;出现两次及以上结算量锐减的企业数量为97家,占比为87%。其中,出现不良贷款的20家企业结算量锐减次数均为两次及以上(实际情况除一家出现3次外,其他均在5次以上),占比达100%。

  为了实现更好的测试效果,我们把结算量锐减重新定义为当期结算量比去年同期结算量减少90%以上,即当期结算量同比不足10%。再进行测算,出现一次及以上结算量锐减的企业数量为99家,占比为93%;出现两次受以上结算量锐减的企业数量为88家,占比为79%。出现不良贷款的企业数量没有变化,出现过两次以及两次以上的企业数量为20家,占比l00%。

  据此可得出对公客户的逾期、不良贷款与业务量锐减存在一定的关联关系。

  由此建立模型和算法:以某一个自然月为基期,选择该月未有逾期和不良贷款,且结算量同比无锐减的对公客户(结算量同比不低于50%),选取后两个月作为比较期,该批客户中发生业务量锐减(结算量同比不足10%)的客户就是我们锁定的预警目标客户,同时进行跟踪,得出以下数据:锁定的预警目标客户半年内发生逾期的概率为26.18%(平均每月10家左右);一年内发生逾期的概率为34.03%(平均每月13~15家);一年内发生不良的概率为21.47%(平均每月8家左右)。命中率受数据所限,有些预报日期未到l2个月,实际的命中率还会更高一些(见表1、图1)。

  二、裸贷预警

  裸贷预警是当前较为流行的不良预警方法。裸贷顾名思义,即为有贷款无存款的客户。但若将一个月末存款为0的客户视为裸贷客户,显然不够科学。参照各行标准,我们将裸贷客户定义为月均存贷款余额比小于0.05的客户。

  裸贷预警的理论依据非常简单,即如果账户上没钱了,还贷肯定有问题。

  图2为某地区某行2014年3月到2015年6月的裸贷客户数量统计,可以看出,2015年裸贷客户数量有所增加、季末裸贷客户数量适当降低。图3为同期不良贷款客户数量统计。

  将图2与图3合并(见图4),可知两者呈正相关关系。裸贷预警的命中率,如表2、图5所示。

  三、裸贷与结算量变化预警的对比与结合

  1.裸贷与结算量变化预警的对比

  表1中结算量变化预警191家,6个月内发生逾期50家,命中率26.18%;12个月内发生逾期65家,命中率34.03%;发生不良41家,命中率21.47%。

  表2中裸贷预警208家,6个月内发生逾期62家,命中率29.8l%;12个月内发生逾期8l家,命中率38.94%;发生不良65家,命中率31.25%。两者对比如表3所示。

  从上述对比来看,裸贷预警全面优于结算量变化预警。那么,是否结算量预警就变得毫无意义呢?深入分析,笔者发现裸贷预警与结算量变化预警相互结合可以产生更佳的效果。

  2.裸贷与结算量变化预警的结合

  我们对裸贷与结算量变化共同预警的39家贷款单位进行跟踪分析,发现12个月内发生逾期29家,占比74.36%;不良23家,占比58.98%。从图6所示的结算量变化与裸贷预警命中率对比可以看出,两者结合后预警命中率大幅提高。这里可能存在误解,即两者共同预警的命中率一定会高于各自预警的命中率。实际上,根据概率统计学,如果两者毫无相关性,且各自的命中率均低于50%,则两者随机抽样的预警命中率也低于50%。而此案例中,两者结合比各自预警命中率有大幅提高,说明不良(逾期)的产生与裸贷和结算量变化有着密切的关联性。

  四、基于企业规模的逾期和不良率分析

  取2015年某日数据,该行逾期企业一共l98家,其中小型企业118家,中型企业66家,微型企业ll家,暂无法划分类型企业1家,特殊类型企业2家;不良贷款一共121家,其中小型企业76家,中型企业34家,微型企业11家。在该行有贷款的中型企业1118家,不良占比3.04%;小型企业1832家,不良占比4.15%;微型企业135家,不良占比8.15%。

  从中不难看出,企业规模越小逾期不良风险越大(见图7)

  表4为结算量变化预警企业类型逾期、不良命中率,可以看出结算量变化预警对小型企业的预警效果要好于中型企业。

  表5为裸贷预警企业类型逾期、不良命中率,可以看出裸贷预警对中型企业预警效果优于小型企业。这可能是由于小型企业经营出现问题时,结算量波动更大。

  表6为结算量变化与裸贷结合的预警逾期、不良命中率,两者结合后对小型、中型企业预警效果均不错,无明显的偏向性。

  上述图表中有一类较特殊的企业,即未划分类型企业,这类企业客户在近一年半的时间内未出现逾期和不良,预警这些客户没有实际效果,可认为是误报。这类企业主要包括医院、学校、政府机构等单位,根据分析可知此类贷款企业非常安全,可以据此进一步优化预警模型。优化后,逾期预警命中率达到80.56%,不良预警命中率达到63.89%,如图8所示。

  综上所述,该方法具有较好的预警效果,平均预警的5家企业中4家出现逾期,预警的3家企业中2家出现不良,综合统计时间不足一年的因素,实际效果可能更佳。不足之处是预警的客户数量不够多,平均每月只能预警7~9家,因此可将其预警对象作为关注重点,但不能完全依赖其预警所有不良贷款的产生。

  ▲秃鹫资产:不良资产智库,轻金融旗下平台

  ▲创始人电话:(也是个人)

  ▲不良资产群:回复个人名片可申请

  长按识别下方二维码,关注秃鹫资产

以大数据技术实现对公不良(逾期)贷款的预警

免责声明:本站部分内容和图片转载自互联网,该文观点仅代表原作者本人,文章内容仅供参考,不构成建议,也不代表本站赞同其观点。详情参阅本站的“免责声明”栏目。

相关内容

推荐阅读

发表评论

版权声明:本站部分内容和图片源于互联网,本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。转载文章版权属于原作者所有,若有权属异议及违法违规内容请联系我们删稿。详情参阅本站“版权声明”及“举报投诉”栏目。

猜你喜欢