股份制商業(yè)銀行互聯(lián)網(wǎng)金融的風險預警探討

趙喜倉，毛茜

（江蘇大學財經(jīng)學院，江蘇鎮(zhèn)江212013）

0 引言

近年來，中國的互聯(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)帶來的沖擊及利率市場化的雙重壓力下，加速轉(zhuǎn)型升級，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方面的拓展，股份制商業(yè)銀行熱衷于對網(wǎng)貸等創(chuàng)新業(yè)務進行探索。然而，在發(fā)展互聯(lián)網(wǎng)業(yè)務、推進普惠金融的同時，各種風險問題也逐步暴露。因此亟需優(yōu)化現(xiàn)有的風險管理系統(tǒng)，風險預警則是風險管理的第一步。

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，股份制銀行受到人力、資源各方面的限制，同時其轉(zhuǎn)型升級的需求更為迫切?；ヂ?lián)網(wǎng)金融業(yè)務比傳統(tǒng)業(yè)務具有更高、更復雜的風險，因此利用人工智能等技術(shù)構(gòu)建風險預警系統(tǒng)就顯得尤為重要。已有研究主要是對銀行發(fā)展互聯(lián)網(wǎng)金融業(yè)務的理論探究及操作風險方面的研究，對股份制商業(yè)銀行互聯(lián)網(wǎng)金融風險預警的研究較為稀缺。此外，在指標確定方面，仍然采用傳統(tǒng)的經(jīng)濟指標研究，較少結(jié)合客戶行為等各類非結(jié)構(gòu)性指標對風險進行動態(tài)監(jiān)測。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)務的特點，利用BP神經(jīng)網(wǎng)絡構(gòu)建風險預警模型，分析影響風險的關(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,具有深刻的理論價值和重要的現(xiàn)實意義。

1 指標選取與模型構(gòu)建

1.1 指標體系

股份制銀行互聯(lián)網(wǎng)金融風險主要是指由于信息不對稱，無法正確評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險。本文結(jié)合國內(nèi)外相關(guān)文獻,根據(jù)股份制商業(yè)銀行實際情況，選取個人特征、工作情況、資產(chǎn)負債情況、信貸歷史記錄和新發(fā)放貸款情況5個方面的24個指標進行分析。其中，借款人的年齡、學歷程度、工作年限、月收入、單位規(guī)模、職位、工作城市級別、城市所在經(jīng)濟區(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；借款人性別、婚姻狀況、是否為事業(yè)單位、有無房產(chǎn)、有無車產(chǎn)、目前有無貸款、以往是否申請過貸款、以往是否成功申請貸款、以往有無還清貸款和貸款類別等為定性指標。本文選用專家打分法對指標進行賦值（見下頁表1）。

1.2 風險預警模型構(gòu)建

1.2.1 模型構(gòu)建流程

本文首先運用不同的方法對內(nèi)、外部原始數(shù)據(jù)進行采集，包括用戶數(shù)據(jù)、交易數(shù)據(jù)、行為數(shù)據(jù)、文本數(shù)據(jù)和其他類數(shù)據(jù)；然后對數(shù)據(jù)進行預處理，使原始數(shù)據(jù)格式規(guī)范統(tǒng)一；接著按照“七三”原則,對數(shù)據(jù)隨機進行訓練樣本（占70%）和測試樣本（占30%）的劃分。將訓練樣本導入BP神經(jīng)網(wǎng)絡模型進行機器學習，用測試樣本來驗證其準確性，通過增減原始字段及進一步的預處理來不斷優(yōu)化改進模型的準確性；最后根據(jù)測試結(jié)果進行分析和分級預警。具體流程如下頁圖1所示。

1.2.2 模型的參數(shù)設(shè)置

根據(jù)Kolmogorov定理，經(jīng)充分學習的三層BP網(wǎng)絡可以逼近任何函數(shù)，本文用SPSS19的多層感知器構(gòu)建三層BP神經(jīng)網(wǎng)絡預警模型，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)金融風險預警指標體系可知，輸入層節(jié)點為24個。輸出層節(jié)點為1個，即風險預警結(jié)果。為了便于結(jié)果的輸出，對輸出結(jié)果進行賦值：低風險客戶賦值0，預警信號為不緊急不重要；中風險客戶賦值1，預警信號為不緊急但重要；高風險客戶賦值為2,預警信號為緊急且重要。

表1 預警指標說明及賦值

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 實證分析

2.1 數(shù)據(jù)來源及樣本選取

本文樣本數(shù)據(jù)來源于某股份制商業(yè)銀行數(shù)據(jù)庫。目前該股份制商業(yè)銀行將大數(shù)據(jù)分析運用到網(wǎng)絡融資方面，依托大數(shù)據(jù)分析技術(shù)，通過分析客戶的基本信息、交易信息，結(jié)合客戶的征信信息，以及其他信息，對客戶信用進行預測預警。本文從該行2017年1月至5月末的業(yè)務數(shù)據(jù)中隨機抽選1000個網(wǎng)絡貸款作為樣本數(shù)據(jù)，涵蓋了“點即貸”、與銀聯(lián)商務合作推出的“POS貸”、融資易網(wǎng)絡消費貸款等線上產(chǎn)品的相關(guān)數(shù)據(jù)。

目前商業(yè)銀行按照國際通用標準將貸款劃分為正常、關(guān)注、次級、可疑和損失五類。本文根據(jù)貸款五級分類標志，將信用評級為正常的定義為低風險；將信用評級為關(guān)注、次級的定義為中風險；將信用評級為可疑、損失的定義為高風險。通過整理數(shù)據(jù)，1000個樣本數(shù)據(jù)中低風險、中風險、高風險客戶數(shù)分別為662個、130個、208個。

2.2 結(jié)果分析

本文在訓練網(wǎng)絡時選擇在線訓練類型，優(yōu)化算法選擇梯度下降。模型運行結(jié)果如表2所示。由表2可以看出BP神經(jīng)網(wǎng)絡已經(jīng)完成訓練，700個訓練樣本中，466個低風險樣本、83個中風險樣本和151個高風險樣本均被準確地判斷出來，預測準確率100%，說明神經(jīng)網(wǎng)絡網(wǎng)絡性能良好。

表2 模型分類結(jié)果

調(diào)用訓練好的BP神經(jīng)網(wǎng)絡，輸入300個測試樣本。從模型的測試樣本精確度來看，模型對196個低風險樣本的預測準確率為100%；在47個中風險樣本中，被誤判為低風險的有1例，被誤判為高風險的有3例，預測準確率為91.5%；在57個高風險樣本中，被誤判為中風險的有1例，預測準確率為98.2%。模型對測試樣本預測的整體準確率為98.3%。由此可見模型預測結(jié)果與樣本實際基本吻合，基于BP神經(jīng)網(wǎng)絡的股份制商業(yè)銀行互聯(lián)網(wǎng)金融風險預警模型具有良好的風險預測能力。

ROC曲線可以直觀地鑒別預測優(yōu)劣。在AUC>0.5的情況下，AUC曲線下面積越接近于1，說明效果越好。AUC在0.5～0.7時表明有較低準確性；AUC在0.7～0.9時表明有一定準確性；AUC在0.9以上時有較高準確性。由圖2可見，AUC>0.5且線下面積接近1，說明神經(jīng)網(wǎng)絡模型預測結(jié)果有極高的準確性。

圖2 ROC曲線

如圖3所示，第一組箱形圖中，第一個箱形圖表示對于觀察類別為低風險的樣本，預測分類為低風險的預測擬概率。在y軸0.5標記之上的箱形圖部分代表分類中顯示的正確預測值；0.5標記以下部分代表不正確預測值。所以無偏離樣本的分類錯誤。

圖3 觀察預測箱形圖

第二組箱形圖顯示的是對于中風險樣本的預測擬概率。第五個箱形圖表示對于觀察類別為中風險的樣本，預測分類為中風險的預測擬概率。由圖可見，大部分樣本在y軸0.5標記之上，即大部分樣本被正確分類，少部分樣本被錯誤分類。此外，箱體下方的圓點顯示超過四分位差1.5倍距離的樣本數(shù)值，星號顯示超過四分位差3倍距離的樣本數(shù)值。

第三組箱形圖顯示的是對于高風險樣本的預測擬概率。其中，第九個箱形圖是對于觀測類別為高風險的樣本，類別為高風險的預測擬概率。在y軸0.5標記之上的箱形圖部分代表分類表中顯示的正確預測值；0.5標記以下部分代表不正確的預測值。在分類表中預測具有高風險類別的為大部分樣本，所以箱形圖少部分被錯誤分類。

整體上，由箱體的長短可以看出，低風險樣本相對集中，中風險和高風險樣本相對分散。所以低風險樣本預測正確性高于另外兩類。

3 股份制銀行互聯(lián)網(wǎng)金融風險預警

3.1 風險的關(guān)鍵影響因素

由圖4可以看出，對股份制商業(yè)銀行來說，互聯(lián)網(wǎng)金融業(yè)務的信用風險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)銀行應對以上指標進行重點監(jiān)測與預警，有效規(guī)避和分散風險。

圖4 自變量重要性

3.2 分級預警機制及風險應對處理

股份制商業(yè)銀行在風險預警模型對客戶信用風險進行分析及預測的基礎(chǔ)上，根據(jù)風險的緊急程度及重要性進行分級預警，分別為緊急且重要、不緊急但重要和不緊急不重要。風險預警為緊急且重要表明銀行必須立即采取措施進行處理，如聯(lián)系催收、公告、必要時訴訟等。風險預警為不緊急但重要的，需要重點關(guān)注，進一步調(diào)查其預警信號成因，以做出恰當應對。風險預警為不緊急不重要的，表明有一定程度的風險，需要對借款人的后續(xù)行為進行動態(tài)監(jiān)測，關(guān)注其信用狀態(tài)的變化。分級預警制度便于股份制商業(yè)銀行對風險進行差異化管理，及時發(fā)現(xiàn)風險并采取有效的措施進行應對，為風險控制打下基礎(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)務發(fā)展現(xiàn)狀入手，建立基于大數(shù)據(jù)分析的風險預警模型，不僅有利于幫助股份制商業(yè)銀行降低因信用風險帶來的損失，而且有助于提高自身的經(jīng)營管理水平。在“大數(shù)據(jù)”時代，股份制商業(yè)銀行在面對新形勢時，要發(fā)展互聯(lián)網(wǎng)金融業(yè)務、加強風險預控制，需要做好以下工作：首先，需要轉(zhuǎn)變思想，認識到數(shù)據(jù)的巨大價值，要有運用數(shù)據(jù)挖掘技術(shù)獲取客戶相關(guān)信息，逐步建設(shè)完善數(shù)據(jù)倉庫的意識；其次，要結(jié)合目前的經(jīng)營管理水平，從簡到繁，穩(wěn)步搭建以大數(shù)據(jù)分析為中心的金融風險控制體系，尤其是更新升級風險預警系統(tǒng)，這是保證其流動性、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)務的開展離不開國家法律規(guī)制方面的支持。因此，建議銀行監(jiān)管部門盡快完善配套的法律規(guī)定及相關(guān)政策，保護互聯(lián)網(wǎng)金融各方的資產(chǎn)安全和創(chuàng)造公平的競爭環(huán)境。比如：明確互聯(lián)網(wǎng)金融的業(yè)務范圍；對金融投機行為加大處罰力度；建立有效的準入和退出機制；獎勵互聯(lián)網(wǎng)金融創(chuàng)新。此外，保障互聯(lián)網(wǎng)金融市場有序健康地發(fā)展，提高政府監(jiān)管水平，還需加強輿論導向和輿論監(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險的發(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)之上的銀行風險預警系統(tǒng)的研究與實現(xiàn)[D].長春：吉林大學碩士論文，2016.

[7] 劉新海，丁偉.大數(shù)據(jù)征信應用與啟示——以美國互聯(lián)網(wǎng)金融公司ZestFinance為例[J].清華金融評論，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)金融風險預警研究[J].現(xiàn)代管理科學，2014,(4).

[9] 李淑錦，呂靖強.基于BP神經(jīng)網(wǎng)絡的P2P網(wǎng)貸借款者的信用風險評估[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)絡耦合的金融預測系統(tǒng)[J].上海交通大學學報，2016，50(2).

[11] 肖江，陳璐瑜.改進的P2P信貸借款人信用風險的研究[J].信息技術(shù)，2016，40(11).