在讨论如何构建微贷的信用风险评估模型前，我们首先要说简单回顾微贷这项业务的主要特征：

 

一、总资产基本可分，也就是每一笔贷款占总贷款的比例很低，任何一笔贷款的风险都不足以对贷款整体质量产生影响；

 

二、非系统性风险高度分散，简单来说就是借款人和借款人间没有私下关系，不存在一个借款人违约，一大批关联借款人同时违约的情况；

 

三、信用风险和欺诈风险高度融合，简单来说，评估欺诈风险就是把视角降低到每个借款个体的高度，观察个体是否存在隐瞒材料或提交虚假材料的情况，评估信用风险则是把视角提高到整体贷款资产高度，观察贷款资产的违约比例，当欺诈风险无法识别的时候，自然就融入到了信用风险中。

 

有了业务的风险特征，我们就可以大致来谈谈如何构建微贷的信用风险评估模型。

 

通常来讲，构建信用风险包含三个层面的内容，一是反欺诈，提升资产质量，降低资产内部关联性；二是客户群分层分类，降低整体样本方差；三是产品定价，落实风险偏好要求和收益覆盖损失原则。

 

对于第一层面，其包含反欺诈和降低资产内部关联性两部分内容。反欺诈，或称反信息欺诈，主要通过多信息源交叉校验、信息自洽校验等分析模型来验证借款人提供信息的真伪性，简单来说就是从借款人本人外的多个渠道收集借款人信息，进而分析借款人提供的信息是否全面、是否存在隐瞒信息或提供虚假信息的问题，对造假问题突出且情节恶劣的借款人则直接筛选掉，提升贷款整体质量。降低资产内部关联性，主要是通过人群关系网络、小微企业集群等图计算模型发现具有高度关联性的借款，比如说家族类借款、企业主导员工消费借款等，对相关贷款进行合并统一管理，降低个体贷款之间的关联性，保证非系统风险得到充分分散。这一层面的模型分析评估工作需要引入较多的第三方外部信息，对借款人信息进行交叉检验，是整个微贷风险评估模型/架构中的基础部分。

 

第二层面客户群分层分类，是目前信用风险评估模型中内容最丰富的部分，其主要目的是根据用户特征，包括客户自行提供的信息、征信信息和金融机构在前文提到的过程中收集的其他外部信息，对客户群进行风险等级分类，使每个客户群的风险等级分布更加集中，或者通俗地说，就是让好客户分成一群，让坏客户也分成一群，不同层级的客户区别管理。目前对客户群分层有非常多的模型和手段，比较常用的有神经网络、深度学习等复杂模型，比较偏传统的有Logistics回归模型、LDA算法等统计学习模型，比较老的则有打分卡模型和专家认定流程（不能称为模型了）等。不过从各家微贷金融机构和商业银行个人金融业务的反馈来看，老的打分卡模型仍旧是客户群分层分类工作的中流砥柱，无论是K-S值（描述模型分类准确性的一个统计值）还是模型的预测稳定性，打分卡模型都要暂时好于其他相对“先进复杂”的机器学习（统计学习）模型，这也说明风险评估模型并不见得越复杂、越高级就会越有效。

 

第三层面产品定价，是信用风险评估模型最核心最重要的部分，也是决定评估模型最终是否能够为金融机构带来盈利的部分。金融机构需要对不同层级的客户群，根据历史借还款信息建立相应的贷款损失分布，并根据损失分布确定一个合理定价水平，这个定价既要满足“收益覆盖损失”的要求，又要对该层级的客户群具有足够的吸引力。

 

举个例子，对于无逾期记录信用卡借款用户群体，假设其12个月借款的历史损失率为1.2%，标准差为1%，非银行金融机构的放款融资成本是7%，如果将贷款利率定为9.88%，则可以保证有95%的概率不会亏钱；如果将贷款利率定为12.2%，虽然可以保证有99%以上的概率不会亏钱，但由于贷款价格过高，而相应客户群因为信用等级较好，有更多的选择空间，贷款产品在市场上就会比较缺乏吸引力。

 

对于不同的客户群，风险等级越高则贷款资产收益率越高，金融机构需要根据自身的风险偏好进行筛选，选择适合自身风险承受能力的客群，保证既有足够风险带来的资产收益率，同时风险水平不超出自身能承受的最大范围。需要注意的是，这一部分评估模型所需的损失分布函数是很难通过纯粹的模型分析和设计来解决的，必须通过一定量的初始数据积累来形成不同客户群损失分布参数，这也就是为什么一些老牌金融机构可以进行更为准确的、更具有吸引力但更安全的产品定价。

 

总体来说，微贷类业务的信用风险评估是一个多视角的工作：既要包括从微观视角出发的借款个体行为精准评估，也要包括从宏观视角出发的借款群体定价覆盖损失；既要包括利用专家经验建立客户分层模型的“预设模型法”，也要包括利用历史损失数据形成损失分布模型的“统计模型法”。而具体选择哪个视角，或者更多偏向于哪个视角进行风险评估，则要综合考虑提升风险识别能力带来的增益收入和需要额外投入资源的边际成本。

 

文章载于“悟空问答”（2018年3月3日）