智慧銀行視角下的商業銀行負債質量管理

王彥博 張彥超 楊璇 張軍

2021年3月，銀保監會《商業銀行負債質量管理辦法》出臺，明確要求銀行從負債的來源穩定性、結構多樣性、與資產匹配合理性、獲取的主動性、成本適當性及項目真實性六個方面加強負債質量管理，對銀行構建更加全面的負債業務管理體系提出了新的要求。

商業銀行負債管理發展概述

銀行負債管理理論主要經歷了“存款負債論”“購買負債論”“銷售負債論”等發展階段。我國銀行業早期主要遵循“存款負債論”開展業務，該理論重點關注存款狀況并由此來指導貸款業務，其優點在于盡可能地保障了銀行的安全性與流動性，但卻犧牲了銀行的盈利性。而后，銀行負債管理逐步轉向“購買負債論”，該理論指出銀行為確保其流動性必要時可進行主動負債，但伴隨負債擴張而產生的風險也相應增大。同時，隨著同業資金監管的逐步增強，該理論的發展面臨著進一步的挑戰。“銷售負債論”則認為負債管理的任務是以客戶為中心，以客戶需求為導向，設計出滿足客戶需求的產品并銷售給客戶，提升負債產品銷售主動性，從而提升客戶服務能力。

近年來，各類新興金融業態快速發展，銀行負債成本逐步抬高，負債業務的復雜程度和管理難度日益增高。事實上，監管機構一直以來高度關注銀行負債管理質量。2020年1月，銀保監會提出要盡早推進制定負債質量監管辦法的進程，從而進一步提高商業銀行負債的匹配性以及穩定性;2020年3月，央行發文強化存款利率管理，督促整改不規范存款“創新”產品，推動銀行負債成本的下降;隨后，監管部門加強結構性存款和互聯網存款督促整改，加大異地存款、違規吸儲的管理力度;2021年1月，《商業銀行負債質量管理辦法（征求意見稿）》向社會征求意見;2021年3月，《商業銀行負債質量管理辦法》出臺并施行，它是我國第一份針對商業銀行負債進行規范的系統性政策文件，從負債質量管理體系、負債質量管理要素、負債質量管理監督等方面對商業銀行系統化地管理負債質量提出了明確的要求。

機器學習與數據挖掘相關技術在銀行負債管理方面的應用探討

有監督學習分類技術。構建有監督學習分類模型的目的是要對未來一個未知類別標簽的數據樣本進行類別標簽預測，來識別該樣本的類別歸屬;在此之前，對現存若干已知類別標簽的數據樣本進行學習是必不可少的，而在這個學習過程中通常會為每個類別標簽都收集一定數量的數據樣本;分類器就是在用來學習的數據中萃取出X標簽特征字段對Y標簽（類別標簽）的映射函數、機制或規則集。在商業銀行負債業務場景下，有監督學習分類技術可用于對存款業務的未來流失情況進行預測。

有監督學習趨勢預測技術。有監督學習趨勢預測技術用以構建連續值函數模型，其任務就是輸入目標字段Y以往的數值和相關X標簽特征字段信息，實現對目標字段Y未來數值的估算。在商業銀行負債業務場景下，有監督學習趨勢預測技術可用于對主動負債業務成本進行有效地定價分析。

無監督學習聚類技術。無監督學習聚類技術源于“物以類聚”的思想，根據數據特征屬性來對數據樣本進行分群。當數據樣本不帶有類別標簽時，可以使用聚類技術促使可能帶有潛在相同類別標簽的數據樣本聚為一群，所以說聚類可以被看作是一種無監督的分類。在聚類分析中，類別中樣本的相似性越大、類別間樣本的差異性越大，聚類的效果就越好。對樣本相似性和差異性的度量，通常使用歐幾里得距離方法。在商業銀行負債業務場景下，無監督學習聚類技術可用于對銀行負債業務流失情況進行定義。

無監督學習關聯規則挖掘及分配規律挖掘技術。為研究超級市場商品項目之間諸如“購買啤酒會導致尿片被購買”這類產品交叉銷售問題，無監督學習關聯規則挖掘問題于1993年被提出。在關聯規則挖掘的諸多算法改進中，一個重要的方向是數量關聯規則挖掘;在市場應用中，數量關聯規則可以簡單表示為<面包[9， 14]>→<火腿[12， 20]>，該表達式可解釋為“當人們購買9～14個面包時，他們傾向于同時購買12～20個火腿”。更進一步，分配規律挖掘技術可以從數據中發現<面包[0.25]+火腿[0.35]>→<牛奶[0.40]>這樣的表達式，其可解釋為“當人們把25%和35%的資金分配到面包和火腿的購買中時，他們傾向于同時將40%的資金分配到牛奶的購買中”。分配規律挖掘技術不僅可以表明各項目之間重要性的相關程度，而且實現了總體之間的“分配”規則，即描述了總體是如何被分配在各項目之間的。在市場應用中，分配規律挖掘可以用來表示顧客對于多種商品的資金分配習慣;而將牛奶、面包、火腿等商品替換為儲蓄存款、理財、基金、貸款、中間服務等金融產品，分配規律挖掘技術則可用于探索“銷售負債論”中的銀行資產類、中間服務類等產品與負債產品的交叉銷售策略。

圖數據挖掘與社交網絡分析技術。圖數據挖掘技術常被用于對社交網絡的分析和探索中。圖作為常見的數據結構之一，能夠有效且可視化地描述事物間的復雜關系。隨著圖數據庫技術的不斷發展，圖數據分類、聚類等數據挖掘技術也蓬勃發展。在商業銀行負債業務場景下，大量客戶之間的關系數據，尤其是客戶之間的交易轉賬行為作為社交網絡數據集，可用以構建客戶交易網絡，并通過運用圖技術遍歷交易鏈，識別供應鏈，刻畫產業鏈;同時，圖模型可用以量化分析企業客戶在網絡中的影響力，發現客戶交易網絡中的核心客戶，并通過核心客戶交易鏈、供應鏈、產業鏈向上下游拓展業務，在實現銀行批量獲客的同時，通過對鏈上客戶提供支付結算等現金管理服務，打造低成本存款在銀行體內循環的良性生態，以智能營銷拉動負債業務增長。

智慧銀行視角下的負債管理研究

對公存款業務流失預測

如何有效驅動大數據人工智能技術為商業銀行負債管理賦能，已成為學界和業界各金融機構關注的焦點。負債產品的日益豐富源于業務端在對監管要求的充分理解和熟悉掌握后進行的不斷創新，而大數據人工智能技術對于拓展負債渠道和來源存在巨大潛力。隨著金融脫媒加劇，不少銀行對公存款業務流失情況日趨嚴重。基于國內某商業銀行對公存款客戶真實數據，我們探索與商業銀行實踐緊密結合的對公存款業務規律，從而實現對對公存款流失的預測。

我們首先采用無監督學習聚類技術對存款業務流失進行定義，明確對公一般性存款季日均比上季度下降超過55%為流失;而后采用有監督學習分類技術，在綜合考量客戶基本特征、業務特征和交易特征等信息的基礎上，構建對公存款業務流失預測模型。從模型效果來看，通過運用混淆矩陣對模型進行評估，結果表明該模型能夠預測出近50%未來存款下降的客戶（即模型在測試集上的Recall指標接近0.5），并且具有超過70%的預測精準性（即模型在測試集上的Precision指標> 0.7）。從實現經濟效益來看，我們對挽留客戶所帶來的存款日均金額進行測算，通過歷史數據得到該銀行各季度客戶流失率平均值和最低值，并嚴格地選取最低值作為流失率基準;隨后，我們統計了自模型應用以來各季度的客戶流失率，并通過與基準流失率進行比較，計算出模型應用后每個季度少流失客戶的比率、客戶數及帶來的存款日均金額。實證結果顯示，試應用該模型1年左右的時間，能夠挽回對公存款年日均約4億元人民幣。

通過對相關業務進一步分析發現，不同存款水平的客戶，其存款下降原因及表現特征各不相同。在綜合考量客戶基本特征、業務特征和交易特征等信息的基礎上，我們結合業務實際對不同存款規模的客群分別進行存款流失定義。例如：存款余額高于5000萬元人民幣的客戶對公存款月日均環比下降超過100萬元人民幣;存款余額不高于5000萬元人民幣的客戶對公存款月日均環比下降，即認為發生流失。通過運用有監督學習分類技術分析得出該銀行對公存款流失主要與產品到期和客戶交易行為有關，比如客戶定期存款到期后無法銜接其他金融產品、客戶表外業務到期導致資產類業務帶來的存款沉淀流失等。新的存款業務流失預測模型可以將之前按季度進行預測升級為按月度進行預測。從模型效果來看，通過運用混淆矩陣對模型進行評估，結果表明新的模型能夠預測出60%以上未來存款下降的客戶（即模型在測試集上的Recall指標>0.6），并且具有超過70%的預測精準性（即模型在測試集上的Precision指標>0.7）。同時，該模型能夠在客戶存款下降前給出未來存款可能發生下降的客戶名單，并給出客戶存款下降的可能原因及輔助信息，以便于一線人員有效地挽留客戶，降低存款流失率，提高存款穩定性，進而提升了負債質量管理水平。

對公存款業務批量獲客

銀行在對公業務發展過程中，除了做好負債業務流失預警的“節流”工作外，還應充分運用多種手段“開源”批量獲客、拉動負債。傳統銀行“點對點”的獲客方式成本高、效率低，基于機器學習和數據挖掘算法開拓高效的批量獲客模式已成為業界的關注焦點。

基于大數據圖挖掘技術，我們介紹一種銀行對公存款批量獲客的方法：通過以拓撲圖來構建客戶交易網絡，描繪客戶交易轉賬行為，并使用圖模型來量化分析企業客戶在網絡中的影響力，進而鎖定潛在客戶實現批量獲客。我們以國內某商業銀行為例，基于其公司業務客戶數據，運用圖展現可視化技術，在年度時間窗口內，構建出以每名客戶為中心的“有向圖”以刻畫與該名客戶相關的周邊客戶關聯信息。通過多級交易鏈信息展現，進一步識別客戶間交易鏈關聯關系，從而對圖中與該銀行客戶形成上下游關系的對公企業數量、交易金額、交易對手分布等信息進行進一步探查。實證分析結果顯示，基于大數據圖挖掘的對公存款客戶批量獲客較傳統新客戶開發而言，成功獲客實現3.65倍的提升，并可在一年半至兩年的模型試應用觀測期末貢獻超過1000億元人民幣的新增對公存款時點余額。

對公負債定價研究

Shibor（上海銀行間同業拆借利率）作為反映市場利率變動的重要指標，對于指導商業銀行利率定價方面發揮著重要作用。另外，國庫現金存款作為商業銀行主動負債的一項重要來源，有研究表明其中標利率也與Shibor之間存在著穩定的均衡關系。

鑒于Shibor能夠在一定程度上反映貨幣市場上貨幣的供求關系，因此通過有監督學習趨勢預測技術對Shibor趨勢進行預測，在一定程度上對于商業銀行提高市場利率預判能力具有較高的指導和參考意義;商業銀行可根據Shibor趨勢，適時調整負債定價策略、負債期限結構，降低利率風險;也可根據Shibor趨勢，調整主動負債吸收策略，降低銀行付息成本。

對于Shibor的預測，早期主要運用的是傳統的金融時間序列模型。隨著大數據人工智能的發展，傳統方法的局限性日益凸顯。就目前學界的研究結果而言，無論是傳統的時間序列模型，還是單一的機器學習方法，其對Shibor值預測的偏差均隨著預測時間段的加長而增大。由于現實問題的復雜性，往往需要多次運用不同的數據挖掘技術。基于此，我們對于Shibor值的預測提出一種可能方案，即運用“回歸樹+時間序列”的方法來實現3個月（3M）Shibor值預測。該算法不僅能有效避免單一技術方法的局限性，而且能更深層次地對Shibor值的預測進行探索。

零售儲蓄存款交叉銷售

除對公存款外，零售客戶儲蓄存款由于分散程度高、抗周期性強，往往承擔著銀行負債“穩定器”的作用。從資產組合的角度出發，將零售客戶的儲蓄存款作為交叉銷售的重要產品進行配置，不僅可增強客戶資產組合穩定性，對銀行負債質量的提升也具有重要作用。

基于國內某商業銀行高凈值客戶產品持有情況，我們用“存款”“理財”和“其他”三個維度進行刻畫。從負債管理視角，鑒于儲蓄存款較理財產品而言具有資金成本低、有助于提高銀行存貸比等特點，故通過運用無監督學習分配規律挖掘技術，旨在實現客戶不流失降級、客戶金融資產總額不下降的前提下，找到最有潛力提升自身儲蓄存款占比的客戶群體，并有針對性地開展交叉銷售。基于挖掘生成的相似潛質客戶識別規律，選擇客群中儲蓄存款占比較低的客戶作為交叉銷售對象，進行名單制營銷。實證分析結果顯示，試應用該算法識別并鎖定相關客群，其中有75%的客戶繼續保持“高凈值”客戶身份，相關客群業務穩定，流失率低;同時，在該算法識別出的潛在客戶中有高達62.5%的客戶實現了不同程度的儲蓄存款新增，累計實現儲蓄存款提升約1000萬元人民幣。

結語

綜上，在智慧銀行視角下，我們運用多種機器學習與數據挖掘技術，從對公存款業務流失預測、對公存款業務批量獲客、對公負債定價研究以及零售儲蓄存款交叉銷售等多個負債業務場景出發，對商業銀行智能化負債管理提出可行性方案，以期為商業銀行在提升負債規模和降低負債成本等智能化負債質量管理方面提供有益借鑒。

（龍盈智達〔北京〕科技有限公司劉金鳳、周博韜對本文亦有貢獻）

（作者單位：龍盈智達〔北京〕科技有限公司，華夏銀行）