基于評價模型的信貸風險量化研究及突發因素策略調整

摘 要：由于中小微企業存在經營規模小、抗風險能力弱和治理結構不完善等特點，導致中小企業信貸存在較大的風險和不確定因素。因此，在分析中小微企業信貸風險的基礎上，確定其信貸策略已經成為商業銀行面臨的緊迫問題。本文針對中小微企業的信貸策略問題，建立基于熵權TOPSIS的信貸風險評估體系，對其信貸風險進行量化分析，引入RAROC資本收益率來為貸款定價，使用支持向量機作信譽評級，通過收益最大化、風險分散化來確定信貸策略。

關鍵詞：信貸風險;RAROC資本收益率;信貸策略;熵權TOPSIS;支持向量機

本文索引：張海藤.基于評價模型的信貸風險量化研究及突發因素策略調整[J].中國商論，2021（14）：-092.

中圖分類號：F832.4 文獻標識碼：A 文章編號：2096-0298（2021）07（b）--05

中小微企業是我國經濟社會發展的重要基礎，在實際中，由于經濟變化，中小微企業經營規模相對較小、抵押資產少、抗風險能力弱和管理運營結構不完善等自身原因，小微企業的信貸風險開始顯現，因此銀行通常要根據信貸政策、企業的交易發票數據信息和上下游相關企業的影響力，向實力強、供求關系相對穩定的企業提供相應額度的貸款，并可以對信譽高、信貸風險相對較小的企業給予一定的利率優惠。銀行首先根據中小微企業的綜合實力、信譽對其信貸風險作出量化評估，然后依據信貸風險等因素來確定是否放貸及貸款額度、利率等信貸策略。

1 信貸風險評估模型

1.1 基于熵權TOPSIS的信貸風險評估體系

首先將企業的信貸風險進行量化，并建立多因素評價體系，繼而以各單項指標為評價對象構建盈利能力、風險控制能力和成長能力為評價因素的單項指標評價體系，采用熵權TOPSIS方法，計算出最后評價指數進行風險評級，分為AAA、AA、A、BBB、BB、B，以及小于等于CCC級。其次根據量化風險等級建立信貸策略，這里為實現承擔可接受風險的情況下銀行獲得收益最大化，引入資本收益率，以此來確定不同企業下的貸款額度分配。

首先建立起綜合評價體系，第一層為目標層，即信貸風險評估（A1）;第二層為準則層，其中包括盈利能力（B1）、基本信譽（B2）、成長能力（B3）;第三層為指標層，具體包括8個指標，如圖1所示。

某項指標的指標值變異程度越大信息熵就越小，該指標提供的信息量越大，該指標的權重也就越大[1]。所以可以根據各項指標值的變異程度，利用信息熵工具，計算出各指標的權重：

首先計算信息熵：

其中：

其次將熵值轉化為熵權：

計算出具體指標權重：

{0.0058，0.0056，0.0793，0.1493，0.2186，0.1699，0.2056，0.1713}

基于已有的量化指標數據，采用TOPSIS方法，計算每個指標到最優、最劣解的歐式距離，來代表其信貸風險的高低程度，距離越大說明風險越大。

首先利用歸一化處理的指標數據和表中計算出的單項指標下的具體指標權重相乘得到計算加權規范矩陣：

最優解由最大值構成，最劣解由最小值構成

其次計算出歐氏距離：，

最后算出評價指數：

→1即評價指數越大，風險管理系數越大。

通過文獻可知，AAA評級各項指標都較好，處于較優的狀態;AA評級則處于盈利能力和基本信譽較好，成長能力指標上存在風險;A評級則基本信譽較好，但其余兩項指標都存在一定的潛在風險;B評級都處于正常指標狀況;C評級各項指標都存在明顯風險和不確定性，D評級則涉及違約風險[2]。基于此，我們將具有違約風險的數據直接評級為D并剔除，進行等級劃分。

根據表1的評級與總體得分的關系表，通過MATLAB軟件運行基于熵權TOPSIS的信貸風險評估體系算出每個企業的總體得分，得到以下評級結果，如表2所示。

于正常及以上水平，占總企業的57%，存在明顯風險和不確定性的C級企業占比21%，涉及違約風險的D級企業占比22%，將予以剔除。

1.2 建立信貸策略模型

首先確認利率，由于利率與違約率呈現“U”型關系[3]，即當利率過高或過低都會提高企業的違約率，同時也會對客戶流失率造成影響，綜合考慮在承擔風險的情況下保證利益的最大化，我們以企業償付能力、信用狀況、企業類型為指標，基于央行基礎貸款利率向上調整。

這里企業償付能力為歸一化后的企業凈利潤，信用狀況為風險指數ε，按照企業類型不同引入進行調整：

根據數據進行利率與客戶流失率之間的函數擬合，考慮到隨著利率的增加客戶流失率逐漸增加，且存在上限，這里采取反比例函數進行函數擬合：

建立信貸策略是為了實現在承擔可接受風險的情況下獲得收益最大化，因此這里引入資本收益率。是指根據銀行風險偏好確定值的基礎上，通過客戶風險調整后的收益率，測算出客戶具體貸款價格的方式[4]。其基本公式如下：

在使最大化的情況下確定不同企業下的貸款額度分配。

目標：

其中：

其中為人工信譽等級，為風險評估等級，為企業編號。

根據學者研究[5]，不同信用等級下的違約損失率和違約概率，如表3所示。

因此利用表3的不同信用等級下的違約損失率和違約概率，在使最大化的情況下確定不同企業下的貸款額度分配。

從圖2可以看出，占總企業數43.09%的B級信用等級企業獲得了56.81%的貸款額度，雖然A級企業基本信譽和盈利能力都比較好，但是A級企業占總企業數13.82%相對較少，因此分配了21.65%的貸款額度，C級企業雖然占比35.26%，但是由于信用存在明顯風險和不確定性，只獲得19.05%的貸款額度。

2 基于向量機的信貸等級預測

由于一部分企業無信貸記錄，即無人工評定信譽等級，所以這里引入支持向量機算法進行分類預測，再建立貸款總額為1億元的企業額度分配的政策，并給出最終銀行在計算風險和損失的情況下的最優收益。

SVM理論上可以在全局意義上逼近任意非線性函數，它根據結構風險最小化原則提高模型的泛化能力，即使在統計樣本量較少的情況下，也能獲得較好的統計規律[6]。以下對SVM非線性回歸的原理作簡明闡述。

給定一個實數集，假設其服從未知函數，其中表示第個樣本的輸入向量，為第個樣本的目標值，為樣本容量。

為利用數據集回歸出函數，SVM采用的擬合函數形式為：

式中：為權重向量;為偏置;為非線性映射函數。

式中：為經驗風險：為正則化項，其作用為避免決策函數過擬合;為懲罰參數。為不敏感損失函數。

為獲得和，引入松弛變量和，從而的最小化可寫成：

上述問題可通過Lagrange優化方法求解，并可得到：

式中：、為與第個樣本對應的Lagrange乘子。

將式子代入得到決策函數：

本文的核函數為RBF核[7]，方程為：

式中：為核函數的內核參數。

根據選取核函數不同、選取訓練集和測試集比例不同，運用支持向量機作分類預測，得到表4準確率表格。

結合表4數據對比，我們選取訓練集為90%，測試集為10%，采取RBF核函數進行分類預測。

得到人工企業評級后，采用熵權TOPSIS模型，先計算出權重為{0.0422，0.0247，0.1383，0.2165，0.1773，0.1617，0.1488，0.0905}，從而計算未給出風險評級企業的風險管理指數。

基于RAROC收益最大化模型，給出各企業的貸款額度，如表5所示。

3 基于突發因素的貸款額度再分配

根據《國民經濟行業分類》對企業類型分類，在國家統計局中收集疫情期間行業經濟波動數據，通過熵權TOPSIS算出影響指數，且根據經濟影響方向分成三個級別：正向顯著影響、無顯著影響、負向顯著影響。基于宏觀調控因子，根據影響方向不同，采用影響指數、凈利潤百分比、資金流動性進行貸款額度和利率模型修正。

首先進行企業類型劃分，如表6所示。

在國家統計局中，收集到2020年2月—2020年5月的各行業受疫情影響下的經濟數據，同樣根據熵權TOPSIS模型計算出影響指數。

將疫情影響為三個等級：負向顯著影響、無顯著影響、正向顯著影響，如表7所示。

按照等級進行貸款策略的分級調整，其中設宏觀調控參數為。

當企業受到負向顯著影響時，其收益和資金流動性降低，償還貸款的能力下降，違約概率升高，貸款利率升高，貸款金額下降。具體根據影響指數、凈利潤變化百分比、資金流動性來修正貸款利率和貸款額度：

當企業在經濟上無顯著影響時，由于受到疫情影響整個市場的宏觀利率調控，會導致其貸款利率降低，其貸款金額相對不變。

當企業受到正向顯著影響時，其凈利潤顯著升高，但考慮疫情原因，波動性較大，之前處于評級低的企業違約風險往往更高，所以貸款金額將會下調：

而處于評級高的企業往往資金流動性會更大，違約概率顯著下降，所以將利率下調，貸款金額上調：

最后得到如表8所示的結果。

從表8和圖3可看出，文化、體育和娛樂業、其他、商務服務業、制造業、科學研究和技術服務業，這幾個行業在突發因素疫情過后貸款額度均有較大的增加，超過了100萬，其中建筑行業、個體經營、批發和零售業的貸款額度均下降。

4 結論

4.1 模型的優點

通過引入資本收益率RAROC來為貸款定價，方法全面地考慮了給不同企業的每筆貸款所面臨的風險、成本和收益，其所包含的指標都是一些非常準確的量化值，加強了貸款價格與風險之間的聯系，信用等級不同的企業貸款價格也不會相同，有助于緩解貸款企業的逆向選擇問題。同時，這種貸款定價方法充分強調了風險因素，將預期損失作為成本，將經濟資本作為非預期損失的抵補，強調了以風險為中心的貸款定價原則。

4.2 模型的缺點

（1）根據評級指數來劃分評價等級時有一定主觀性，同時因素還不夠全面。

（2）確定貸款利率時，沒有實際的數據去驗證，具有一定偏差。

（3）支持向量機的測試準確率還需要進一步提高。

（4）在修正信貸策略過程中，只選擇了主要的衡量指標，并且在宏觀利率調控中沒有考慮對不同類型企業的不同影響。

4.3 模型的推廣

本文的信貸模型方法對我國商業銀行為中小微企業貸款制定合理的價格有一定的借鑒意義，有利于促進我國商業銀行定價水平的提高。

參考文獻

姜啟源.數學模型[M].北京：高等教育出版社，2011：1.

秦亮.中國商業銀行信貸風險量化研究[D].武漢：華中科技大學，2009.

吳紅.電子商務客戶流失模型的比較與實證研究[D].北京：首都經濟貿易大學，2015.

魏青.基于RAROC的信貸利率定價機制研究[D].南昌：南昌大學，2014.

邢偉淇. RAROC貸款定價方法在XY銀行的應用研究[D].合肥：安徽大學，2018.

司守奎.數學建模算法與應用（第二版）[M].北京：國防工業出版社，2015：4.

徐閃賞.基于支持向量機分類預測的上市公司債信用評級研究[J].金融管理研究，2018（02）：63-82.

Credit Risk Quantitative Research Based on Appraisal Models and Strategy Adjustment of Emergent Factors

Chengdu University of Technology

ZHANG Haiteng

Abstract： Due to the small scale of operation， poor anti-risk ability， and imperfect governance structure of small and medium-sized enterprises， the credit of small and medium-sized enterprises is exposed to greater risks and uncertainties. Therefore， on the basis of analyzing the credit risk of small and medium-sized micro enterprises， it has become an urgent problem for commercial banks to determine their credit strategies. Aiming at the credit strategy of small and medium-sized micro enterprises， this paper establishes a credit risk evaluation system based on Entropy TOPSIS， makes a quantitative analysis of its credit risk， introduces RAROC rate of return on capital to price the loan， uses support vector machine to make credit rating， and determines the credit strategy through revenue maximization and risk diversification.

Keywords： credit risk; RAROC rate of return on capital; credit strategy; entropy weight TOPSIS; support vector machine