股份制商業(yè)銀行互聯(lián)網(wǎng)金融的風(fēng)險(xiǎn)預(yù)警探討

趙喜倉(cāng)，毛茜

（江蘇大學(xué)財(cái)經(jīng)學(xué)院，江蘇鎮(zhèn)江212013）

0 引言

近年來(lái)，中國(guó)的互聯(lián)網(wǎng)金融快速發(fā)展，傳統(tǒng)銀行在面臨互聯(lián)網(wǎng)金融企業(yè)帶來(lái)的沖擊及利率市場(chǎng)化的雙重壓力下，加速轉(zhuǎn)型升級(jí)，紛紛試水互聯(lián)網(wǎng)金融。相較于大型商業(yè)銀行偏好于電商平臺(tái)方面的拓展，股份制商業(yè)銀行熱衷于對(duì)網(wǎng)貸等創(chuàng)新業(yè)務(wù)進(jìn)行探索。然而，在發(fā)展互聯(lián)網(wǎng)業(yè)務(wù)、推進(jìn)普惠金融的同時(shí)，各種風(fēng)險(xiǎn)問(wèn)題也逐步暴露。因此亟需優(yōu)化現(xiàn)有的風(fēng)險(xiǎn)管理系統(tǒng)，風(fēng)險(xiǎn)預(yù)警則是風(fēng)險(xiǎn)管理的第一步。

不同于大型商業(yè)銀行有雄厚的資金背景及政府信用背書(shū)，股份制銀行受到人力、資源各方面的限制，同時(shí)其轉(zhuǎn)型升級(jí)的需求更為迫切。互聯(lián)網(wǎng)金融業(yè)務(wù)比傳統(tǒng)業(yè)務(wù)具有更高、更復(fù)雜的風(fēng)險(xiǎn)，因此利用人工智能等技術(shù)構(gòu)建風(fēng)險(xiǎn)預(yù)警系統(tǒng)就顯得尤為重要。已有研究主要是對(duì)銀行發(fā)展互聯(lián)網(wǎng)金融業(yè)務(wù)的理論探究及操作風(fēng)險(xiǎn)方面的研究，對(duì)股份制商業(yè)銀行互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警的研究較為稀缺。此外，在指標(biāo)確定方面，仍然采用傳統(tǒng)的經(jīng)濟(jì)指標(biāo)研究，較少結(jié)合客戶(hù)行為等各類(lèi)非結(jié)構(gòu)性指標(biāo)對(duì)風(fēng)險(xiǎn)進(jìn)行動(dòng)態(tài)監(jiān)測(cè)。因此，本文從股份制商業(yè)銀行的自身特色出發(fā)，結(jié)合互聯(lián)網(wǎng)金融業(yè)務(wù)的特點(diǎn)，利用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建風(fēng)險(xiǎn)預(yù)警模型，分析影響風(fēng)險(xiǎn)的關(guān)鍵因素，以滿足金融創(chuàng)新背景下股份制商業(yè)銀行的需求,具有深刻的理論價(jià)值和重要的現(xiàn)實(shí)意義。

1 指標(biāo)選取與模型構(gòu)建

1.1 指標(biāo)體系

股份制銀行互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)主要是指由于信息不對(duì)稱(chēng)，無(wú)法正確評(píng)估借款人的信用行為，在借款人違約的情況下銀行遭受損失的風(fēng)險(xiǎn)。本文結(jié)合國(guó)內(nèi)外相關(guān)文獻(xiàn),根據(jù)股份制商業(yè)銀行實(shí)際情況，選取個(gè)人特征、工作情況、資產(chǎn)負(fù)債情況、信貸歷史記錄和新發(fā)放貸款情況5個(gè)方面的24個(gè)指標(biāo)進(jìn)行分析。其中，借款人的年齡、學(xué)歷程度、工作年限、月收入、單位規(guī)模、職位、工作城市級(jí)別、城市所在經(jīng)濟(jì)區(qū)域、逾期金額、逾期次數(shù)和逾期金額占貸款總額百分比、貸款用途、貸款金額和貸款期限為定量指標(biāo)；借款人性別、婚姻狀況、是否為事業(yè)單位、有無(wú)房產(chǎn)、有無(wú)車(chē)產(chǎn)、目前有無(wú)貸款、以往是否申請(qǐng)過(guò)貸款、以往是否成功申請(qǐng)貸款、以往有無(wú)還清貸款和貸款類(lèi)別等為定性指標(biāo)。本文選用專(zhuān)家打分法對(duì)指標(biāo)進(jìn)行賦值（見(jiàn)下頁(yè)表1）。

1.2 風(fēng)險(xiǎn)預(yù)警模型構(gòu)建

1.2.1 模型構(gòu)建流程

本文首先運(yùn)用不同的方法對(duì)內(nèi)、外部原始數(shù)據(jù)進(jìn)行采集，包括用戶(hù)數(shù)據(jù)、交易數(shù)據(jù)、行為數(shù)據(jù)、文本數(shù)據(jù)和其他類(lèi)數(shù)據(jù)；然后對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，使原始數(shù)據(jù)格式規(guī)范統(tǒng)一；接著按照“七三”原則,對(duì)數(shù)據(jù)隨機(jī)進(jìn)行訓(xùn)練樣本（占70%）和測(cè)試樣本（占30%）的劃分。將訓(xùn)練樣本導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行機(jī)器學(xué)習(xí)，用測(cè)試樣本來(lái)驗(yàn)證其準(zhǔn)確性，通過(guò)增減原始字段及進(jìn)一步的預(yù)處理來(lái)不斷優(yōu)化改進(jìn)模型的準(zhǔn)確性；最后根據(jù)測(cè)試結(jié)果進(jìn)行分析和分級(jí)預(yù)警。具體流程如下頁(yè)圖1所示。

1.2.2 模型的參數(shù)設(shè)置

根據(jù)Kolmogorov定理，經(jīng)充分學(xué)習(xí)的三層BP網(wǎng)絡(luò)可以逼近任何函數(shù)，本文用SPSS19的多層感知器構(gòu)建三層BP神經(jīng)網(wǎng)絡(luò)預(yù)警模型，分別為輸入層、隱含層以及輸出層。由上文建立的股份制商業(yè)銀行互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警指標(biāo)體系可知，輸入層節(jié)點(diǎn)為24個(gè)。輸出層節(jié)點(diǎn)為1個(gè)，即風(fēng)險(xiǎn)預(yù)警結(jié)果。為了便于結(jié)果的輸出，對(duì)輸出結(jié)果進(jìn)行賦值：低風(fēng)險(xiǎn)客戶(hù)賦值0，預(yù)警信號(hào)為不緊急不重要；中風(fēng)險(xiǎn)客戶(hù)賦值1，預(yù)警信號(hào)為不緊急但重要；高風(fēng)險(xiǎn)客戶(hù)賦值為2,預(yù)警信號(hào)為緊急且重要。

表1 預(yù)警指標(biāo)說(shuō)明及賦值

從輸入層到隱含層的激活函數(shù)選擇雙曲正切，其函數(shù)格式為：γ(c)=tanh(c)=(ec-e-c)/(ec+e-c)。從隱含層到輸出層的激活函數(shù)選擇Sigmoid,其函數(shù)格式為：γ(c)=1/(1+e-c)。

2 實(shí)證分析

2.1 數(shù)據(jù)來(lái)源及樣本選取

本文樣本數(shù)據(jù)來(lái)源于某股份制商業(yè)銀行數(shù)據(jù)庫(kù)。目前該股份制商業(yè)銀行將大數(shù)據(jù)分析運(yùn)用到網(wǎng)絡(luò)融資方面，依托大數(shù)據(jù)分析技術(shù)，通過(guò)分析客戶(hù)的基本信息、交易信息，結(jié)合客戶(hù)的征信信息，以及其他信息，對(duì)客戶(hù)信用進(jìn)行預(yù)測(cè)預(yù)警。本文從該行2017年1月至5月末的業(yè)務(wù)數(shù)據(jù)中隨機(jī)抽選1000個(gè)網(wǎng)絡(luò)貸款作為樣本數(shù)據(jù)，涵蓋了“點(diǎn)即貸”、與銀聯(lián)商務(wù)合作推出的“POS貸”、融資易網(wǎng)絡(luò)消費(fèi)貸款等線上產(chǎn)品的相關(guān)數(shù)據(jù)。

目前商業(yè)銀行按照國(guó)際通用標(biāo)準(zhǔn)將貸款劃分為正常、關(guān)注、次級(jí)、可疑和損失五類(lèi)。本文根據(jù)貸款五級(jí)分類(lèi)標(biāo)志，將信用評(píng)級(jí)為正常的定義為低風(fēng)險(xiǎn)；將信用評(píng)級(jí)為關(guān)注、次級(jí)的定義為中風(fēng)險(xiǎn)；將信用評(píng)級(jí)為可疑、損失的定義為高風(fēng)險(xiǎn)。通過(guò)整理數(shù)據(jù)，1000個(gè)樣本數(shù)據(jù)中低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)客戶(hù)數(shù)分別為662個(gè)、130個(gè)、208個(gè)。

2.2 結(jié)果分析

本文在訓(xùn)練網(wǎng)絡(luò)時(shí)選擇在線訓(xùn)練類(lèi)型，優(yōu)化算法選擇梯度下降。模型運(yùn)行結(jié)果如表2所示。由表2可以看出BP神經(jīng)網(wǎng)絡(luò)已經(jīng)完成訓(xùn)練，700個(gè)訓(xùn)練樣本中，466個(gè)低風(fēng)險(xiǎn)樣本、83個(gè)中風(fēng)險(xiǎn)樣本和151個(gè)高風(fēng)險(xiǎn)樣本均被準(zhǔn)確地判斷出來(lái)，預(yù)測(cè)準(zhǔn)確率100%，說(shuō)明神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)性能良好。

表2 模型分類(lèi)結(jié)果

調(diào)用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，輸入300個(gè)測(cè)試樣本。從模型的測(cè)試樣本精確度來(lái)看，模型對(duì)196個(gè)低風(fēng)險(xiǎn)樣本的預(yù)測(cè)準(zhǔn)確率為100%；在47個(gè)中風(fēng)險(xiǎn)樣本中，被誤判為低風(fēng)險(xiǎn)的有1例，被誤判為高風(fēng)險(xiǎn)的有3例，預(yù)測(cè)準(zhǔn)確率為91.5%；在57個(gè)高風(fēng)險(xiǎn)樣本中，被誤判為中風(fēng)險(xiǎn)的有1例，預(yù)測(cè)準(zhǔn)確率為98.2%。模型對(duì)測(cè)試樣本預(yù)測(cè)的整體準(zhǔn)確率為98.3%。由此可見(jiàn)模型預(yù)測(cè)結(jié)果與樣本實(shí)際基本吻合，基于BP神經(jīng)網(wǎng)絡(luò)的股份制商業(yè)銀行互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警模型具有良好的風(fēng)險(xiǎn)預(yù)測(cè)能力。

ROC曲線可以直觀地鑒別預(yù)測(cè)優(yōu)劣。在AUC>0.5的情況下，AUC曲線下面積越接近于1，說(shuō)明效果越好。AUC在0.5～0.7時(shí)表明有較低準(zhǔn)確性；AUC在0.7～0.9時(shí)表明有一定準(zhǔn)確性；AUC在0.9以上時(shí)有較高準(zhǔn)確性。由圖2可見(jiàn)，AUC>0.5且線下面積接近1，說(shuō)明神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果有極高的準(zhǔn)確性。

圖2 ROC曲線

如圖3所示，第一組箱形圖中，第一個(gè)箱形圖表示對(duì)于觀察類(lèi)別為低風(fēng)險(xiǎn)的樣本，預(yù)測(cè)分類(lèi)為低風(fēng)險(xiǎn)的預(yù)測(cè)擬概率。在y軸0.5標(biāo)記之上的箱形圖部分代表分類(lèi)中顯示的正確預(yù)測(cè)值；0.5標(biāo)記以下部分代表不正確預(yù)測(cè)值。所以無(wú)偏離樣本的分類(lèi)錯(cuò)誤。

圖3 觀察預(yù)測(cè)箱形圖

第二組箱形圖顯示的是對(duì)于中風(fēng)險(xiǎn)樣本的預(yù)測(cè)擬概率。第五個(gè)箱形圖表示對(duì)于觀察類(lèi)別為中風(fēng)險(xiǎn)的樣本，預(yù)測(cè)分類(lèi)為中風(fēng)險(xiǎn)的預(yù)測(cè)擬概率。由圖可見(jiàn)，大部分樣本在y軸0.5標(biāo)記之上，即大部分樣本被正確分類(lèi)，少部分樣本被錯(cuò)誤分類(lèi)。此外，箱體下方的圓點(diǎn)顯示超過(guò)四分位差1.5倍距離的樣本數(shù)值，星號(hào)顯示超過(guò)四分位差3倍距離的樣本數(shù)值。

第三組箱形圖顯示的是對(duì)于高風(fēng)險(xiǎn)樣本的預(yù)測(cè)擬概率。其中，第九個(gè)箱形圖是對(duì)于觀測(cè)類(lèi)別為高風(fēng)險(xiǎn)的樣本，類(lèi)別為高風(fēng)險(xiǎn)的預(yù)測(cè)擬概率。在y軸0.5標(biāo)記之上的箱形圖部分代表分類(lèi)表中顯示的正確預(yù)測(cè)值；0.5標(biāo)記以下部分代表不正確的預(yù)測(cè)值。在分類(lèi)表中預(yù)測(cè)具有高風(fēng)險(xiǎn)類(lèi)別的為大部分樣本，所以箱形圖少部分被錯(cuò)誤分類(lèi)。

整體上，由箱體的長(zhǎng)短可以看出，低風(fēng)險(xiǎn)樣本相對(duì)集中，中風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)樣本相對(duì)分散。所以低風(fēng)險(xiǎn)樣本預(yù)測(cè)正確性高于另外兩類(lèi)。

3 股份制銀行互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警

3.1 風(fēng)險(xiǎn)的關(guān)鍵影響因素

由圖4可以看出，對(duì)股份制商業(yè)銀行來(lái)說(shuō)，互聯(lián)網(wǎng)金融業(yè)務(wù)的信用風(fēng)險(xiǎn)影響程度最高的因素依次為：借款人逾期金額、逾期金額占總貸款比重、逾期次數(shù)。其中，逾期金額是關(guān)鍵因素，影響程度達(dá)到100%；其次是逾期金額占比以及逾期次數(shù)，影響程度分別為49.1%和23.1%。股份制商業(yè)銀行應(yīng)對(duì)以上指標(biāo)進(jìn)行重點(diǎn)監(jiān)測(cè)與預(yù)警，有效規(guī)避和分散風(fēng)險(xiǎn)。

圖4 自變量重要性

3.2 分級(jí)預(yù)警機(jī)制及風(fēng)險(xiǎn)應(yīng)對(duì)處理

股份制商業(yè)銀行在風(fēng)險(xiǎn)預(yù)警模型對(duì)客戶(hù)信用風(fēng)險(xiǎn)進(jìn)行分析及預(yù)測(cè)的基礎(chǔ)上，根據(jù)風(fēng)險(xiǎn)的緊急程度及重要性進(jìn)行分級(jí)預(yù)警，分別為緊急且重要、不緊急但重要和不緊急不重要。風(fēng)險(xiǎn)預(yù)警為緊急且重要表明銀行必須立即采取措施進(jìn)行處理，如聯(lián)系催收、公告、必要時(shí)訴訟等。風(fēng)險(xiǎn)預(yù)警為不緊急但重要的，需要重點(diǎn)關(guān)注，進(jìn)一步調(diào)查其預(yù)警信號(hào)成因，以做出恰當(dāng)應(yīng)對(duì)。風(fēng)險(xiǎn)預(yù)警為不緊急不重要的，表明有一定程度的風(fēng)險(xiǎn)，需要對(duì)借款人的后續(xù)行為進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，關(guān)注其信用狀態(tài)的變化。分級(jí)預(yù)警制度便于股份制商業(yè)銀行對(duì)風(fēng)險(xiǎn)進(jìn)行差異化管理，及時(shí)發(fā)現(xiàn)風(fēng)險(xiǎn)并采取有效的措施進(jìn)行應(yīng)對(duì)，為風(fēng)險(xiǎn)控制打下基礎(chǔ)。

4 結(jié)論與建議

本文從股份制商業(yè)銀行互聯(lián)網(wǎng)金融的業(yè)務(wù)發(fā)展現(xiàn)狀入手，建立基于大數(shù)據(jù)分析的風(fēng)險(xiǎn)預(yù)警模型，不僅有利于幫助股份制商業(yè)銀行降低因信用風(fēng)險(xiǎn)帶來(lái)的損失，而且有助于提高自身的經(jīng)營(yíng)管理水平。在“大數(shù)據(jù)”時(shí)代，股份制商業(yè)銀行在面對(duì)新形勢(shì)時(shí)，要發(fā)展互聯(lián)網(wǎng)金融業(yè)務(wù)、加強(qiáng)風(fēng)險(xiǎn)預(yù)控制，需要做好以下工作：首先，需要轉(zhuǎn)變思想，認(rèn)識(shí)到數(shù)據(jù)的巨大價(jià)值，要有運(yùn)用數(shù)據(jù)挖掘技術(shù)獲取客戶(hù)相關(guān)信息，逐步建設(shè)完善數(shù)據(jù)倉(cāng)庫(kù)的意識(shí)；其次，要結(jié)合目前的經(jīng)營(yíng)管理水平，從簡(jiǎn)到繁，穩(wěn)步搭建以大數(shù)據(jù)分析為中心的金融風(fēng)險(xiǎn)控制體系，尤其是更新升級(jí)風(fēng)險(xiǎn)預(yù)警系統(tǒng)，這是保證其流動(dòng)性、安全性和盈利性的重要保障。

股份制銀行互聯(lián)網(wǎng)金融業(yè)務(wù)的開(kāi)展離不開(kāi)國(guó)家法律規(guī)制方面的支持。因此，建議銀行監(jiān)管部門(mén)盡快完善配套的法律規(guī)定及相關(guān)政策，保護(hù)互聯(lián)網(wǎng)金融各方的資產(chǎn)安全和創(chuàng)造公平的競(jìng)爭(zhēng)環(huán)境。比如：明確互聯(lián)網(wǎng)金融的業(yè)務(wù)范圍；對(duì)金融投機(jī)行為加大處罰力度；建立有效的準(zhǔn)入和退出機(jī)制；獎(jiǎng)勵(lì)互聯(lián)網(wǎng)金融創(chuàng)新。此外，保障互聯(lián)網(wǎng)金融市場(chǎng)有序健康地發(fā)展，提高政府監(jiān)管水平，還需加強(qiáng)輿論導(dǎo)向和輿論監(jiān)督，充分發(fā)揮互聯(lián)網(wǎng)金融投資者、參與者的外部監(jiān)管作用，多管齊下以避免金融風(fēng)險(xiǎn)的發(fā)生。

[1] Takieddine S，Kofi F，Baidoo A.An Exploratory Analysis of Internet Banking Adoption Using Decision Tree Induction[J].Electronic Fi?nance，2014,(8).

[2] Railiene G.E-Finance Innovations Through Social Activities：The Case of Lithuanian Banking Services[J].Business Excellence，2015,(8).

[3] Qin J,Wang T,Huang B.The Study of Chinese Listed Bank’s Effi?ciency Growth Mode in Internet Finance Era—Based on Full-Combi?nation DEA-PCA Model[J].Reformation&Strategy,2017,6(11).

[4] Hou S K,Gergi G.Internet Banking Adoption in Sweden:An Explor?atory Case Study of Internet Banking Adoption Among Senior Citizens[J].VDM Verlag,2009,(6).

[5] Abroud A，Choong Y V，Muthaiyah S.Adopting E-Finance:Decom?posing the Technology Acceptance Model for Investors[J].Service Business,2015,(9).

[6] 張海峰.基于大數(shù)據(jù)之上的銀行風(fēng)險(xiǎn)預(yù)警系統(tǒng)的研究與實(shí)現(xiàn)[D].長(zhǎng)春：吉林大學(xué)碩士論文，2016.

[7] 劉新海，丁偉.大數(shù)據(jù)征信應(yīng)用與啟示——以美國(guó)互聯(lián)網(wǎng)金融公司ZestFinance為例[J].清華金融評(píng)論，2014,(10).

[8] 楊虎,易丹輝,肖宏偉.基于大數(shù)據(jù)分析的互聯(lián)網(wǎng)金融風(fēng)險(xiǎn)預(yù)警研究[J].現(xiàn)代管理科學(xué)，2014,(4).

[9] 李淑錦，呂靖強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的P2P網(wǎng)貸借款者的信用風(fēng)險(xiǎn)評(píng)估[J].生產(chǎn)力研究，2016,(4).

[10] 宋曉勇，陳年生.遺傳算法和神經(jīng)網(wǎng)絡(luò)耦合的金融預(yù)測(cè)系統(tǒng)[J].上海交通大學(xué)學(xué)報(bào)，2016，50(2).

[11] 肖江，陳璐瑜.改進(jìn)的P2P信貸借款人信用風(fēng)險(xiǎn)的研究[J].信息技術(shù)，2016，40(11).