基于TOPSIS-RSR組合模型的信貸策略研究

張沁怡 胡景祺 顧超

摘 要：本文從銀行的角度出發(fā)：建立TOPSIS-RSR組合模型，對123家與302家中小微企業(yè)的信貸風(fēng)險進(jìn)行量化分析，給出相應(yīng)的信用評級結(jié)果;之后建立RAROC信貸分配模型，在年度信貸總額固定時，基于信用評級結(jié)果給出最優(yōu)信貸分配策略;建立風(fēng)險因素評估模型，量化評估突發(fā)因素對銀行信貸風(fēng)險的影響，并分析特定因素，給出信貸總額為1億元的信貸調(diào)整策略。首先從企業(yè)實(shí)力、上下游的影響力、信貸風(fēng)險及信譽(yù)三個方面，充分挖掘公司的進(jìn)銷項發(fā)票信息并結(jié)合“銀稅互動”的思想，設(shè)置41個評價指標(biāo)。隨后選取7個指標(biāo)為代表，通過層次分析法和熵權(quán)法設(shè)置每個指標(biāo)的權(quán)重，建立TOPSIS-RSR組合模型?；谠u級結(jié)果，本文從可預(yù)期因素與不可預(yù)期因素的角度，引入風(fēng)險調(diào)整資本回報率（RAROC）、在險價值等計量方法，充分考慮銀行對于風(fēng)險收益的偏好，建立RAROC信貸分配模型，基于TOPSIS-RSR組合模型的TOPSIS-RSR模型對數(shù)據(jù)進(jìn)行信用評級劃分。建立風(fēng)險因素評估模型，引入評估任務(wù)風(fēng)險的風(fēng)險矩陣法，建立風(fēng)險因素評估模型，從因素的影響程度、因素的發(fā)生概率兩個角度，量化評估影響銀行信貸決策的風(fēng)險等級，隨后設(shè)置風(fēng)險容忍度指標(biāo)。

關(guān)鍵詞：信貸策略;層次分析法;TOPSIS法;RSR秩和比綜合評價法;RAROC

一、引言

國家經(jīng)濟(jì)的蓬勃發(fā)展和我國特色社會主義經(jīng)濟(jì)使得中小微企業(yè)有繁復(fù)多樣的融資途徑，銀行貸款是其中最常見，成本較低且易于獲得的融資的種類。新世紀(jì)持續(xù)增長的第二、三產(chǎn)業(yè)融資需求對銀行的信貸風(fēng)險評估能力提出了較高的要求，從銀行的角度而言，中小微企業(yè)的短期貸款需求往往在其貸款業(yè)務(wù)中占有非常巨大的比例，許多優(yōu)秀的研究與學(xué)科前沿的技術(shù)也相繼被應(yīng)用在對企業(yè)風(fēng)險評估的過程當(dāng)中。在現(xiàn)實(shí)中，由于中小微企業(yè)的規(guī)模較小，缺乏抵押貸款，銀行通常通過企業(yè)的交易票據(jù)信息和上下游企業(yè)的影響力，來判斷企業(yè)的實(shí)力，信譽(yù)和供求關(guān)系的穩(wěn)定性，從而對其信貸風(fēng)險做出評估，然后依據(jù)信貸風(fēng)險等因素確定放貸額度和利率期限等信貸策略。對于銀行，能否根據(jù)有限的交易票據(jù)信息準(zhǔn)確地對企業(yè)信貸風(fēng)險做出判斷從而制定出對銀行有利的信貸策略對銀行的信貸業(yè)務(wù)收益和穩(wěn)定性有實(shí)質(zhì)意義。

二、TOPSIS-RSR組合模型

本文首先將評估中小企業(yè)的信貸風(fēng)險的問題分解為三個相關(guān)因素，分別是公司實(shí)力、上下游的影響力、信貸風(fēng)險以及信譽(yù);其次再將各個因素分解為多個細(xì)分因子，以不同的指標(biāo)表示，形成多個層次的結(jié)構(gòu)模型;最后，本文根據(jù)底層指標(biāo)因子對于上級因素的重要性，建立指標(biāo)權(quán)重矩陣，確定各指標(biāo)的權(quán)重。

本文根據(jù)進(jìn)銷項發(fā)票數(shù)據(jù)提取41個量化指標(biāo)，分別描述企業(yè)實(shí)力、上下游的影響力、信貸風(fēng)險及信譽(yù)等三個大方面，隨后根據(jù)41個指標(biāo)間的相關(guān)性分析結(jié)果，排除了31相關(guān)性相對較強(qiáng)的指標(biāo)，盡量避免指標(biāo)間互相解釋，只保留10個特征較強(qiáng)的指標(biāo)進(jìn)行下一步分析。

三、信譽(yù)評級

通過TOPSIS-RSR組合模型，量化分析得到123家公司的信用綜合得分，并轉(zhuǎn)化為百分制度及信用排名。從信譽(yù)等級與是否違約的關(guān)系來看，在模型結(jié)果中違約公司分布在C等級與D等級中，分別是4家與23家，分別占C等級11.42%，占D等級100%;在歷史信譽(yù)評級中，違約公司分布在B、C、D等級中。本文建立模型所得結(jié)果在預(yù)判違約公司時，分布較集中，都處于信用排名較弱后位置，同時，D等級公司都出現(xiàn)違約情況，因此也有效規(guī)避銀行波及違約風(fēng)險，模型充分通過信譽(yù)評級達(dá)到預(yù)判潛在違約公司的目的。

在無違約的公司中，模型結(jié)果較還原歷史信譽(yù)評級，其中無違約公司分布在A、B、C等級中，A等級共27家，占A等級100%，B等級38家，占B等級100%，C等級31家，占C等級88.57%，無D等級公司。模型所得結(jié)果在預(yù)判信譽(yù)良好的公司時，其A等級公司、B等級公司全部為實(shí)際無違約公司，因此該模型充分通過信譽(yù)評級達(dá)到預(yù)判信譽(yù)良好公司的目的。本文能有效地將信譽(yù)良好的公司歸入排名較前的等級，并充分規(guī)避潛在可能違約的公司，給予較后的排名，等級落入C或D等級。此模型充分達(dá)到量化信貸風(fēng)險的并極化，形成信譽(yù)評級的目的。有利于銀行在放貸中選擇信譽(yù)良好的企業(yè)、同時規(guī)避風(fēng)險。從銀行的角度出發(fā)，分析銀行在固定年度信貸總額的條件下，影響銀行對企業(yè)發(fā)放貸款策略的因素及作用機(jī)理，以企業(yè)作為對象，進(jìn)行優(yōu)化分配貸款資源，并基于此給出銀行整體收益最大、風(fēng)險最小的組合管理權(quán)衡多目標(biāo)表達(dá)式。此外，我們引入風(fēng)險和收益的偏好程度，從而幫助銀行選擇對該行更有益的方案。最后，通過計算機(jī)模擬，給定部分參數(shù)值和具體決策情況下，給出銀行的選擇策略。最后，在實(shí)現(xiàn)信貸組合風(fēng)險收益率最大的方面，該模型收益率達(dá)到5.60%收益率，通過該模型，實(shí)際向B等級企業(yè)發(fā)放貸款金額占比最高，其原因可能是B等級企業(yè)在信用風(fēng)險較低的同時，收益率較高，因此貸款B級公司有利于銀行滿足收益率最大化，同時實(shí)現(xiàn)控制風(fēng)險率的目的。

四、風(fēng)險因素評估

本文從銀行角度出發(fā)，綜合考慮各企業(yè)的信貸風(fēng)險和可能的突發(fā)因素，分析影響銀行信貸策略的因素以及其作用機(jī)理。并基于此給出銀行年度信貸總額為1億元時，企業(yè)的信貸調(diào)整策略。本文從投資組合中行業(yè)配置等方面入手，在特定的政策、經(jīng)濟(jì)環(huán)境影響下，具體分析銀行的決策變化。

1.行業(yè)分類

本文采用中信證券于2020年初發(fā)行的《中信證券行業(yè)分類標(biāo)準(zhǔn)2.0》中的方法，采用產(chǎn)業(yè)板塊的分類標(biāo)準(zhǔn)，將總302個公司分為8個組，分別是周期（行業(yè)）、制造、消費(fèi)、基礎(chǔ)設(shè)施與地產(chǎn)、金融、科技、醫(yī)療健康，以及不能確定行業(yè)歸屬的個體經(jīng)營公司。中信行業(yè)分類標(biāo)準(zhǔn)從投資者的角度出發(fā)，綜合考慮了我國經(jīng)濟(jì)發(fā)展的發(fā)展現(xiàn)狀以及行業(yè)間產(chǎn)品和服務(wù)的內(nèi)在聯(lián)系和關(guān)聯(lián)性。通過分析其不同指標(biāo)聯(lián)合方差的F統(tǒng)計量可以看出，中信分類標(biāo)準(zhǔn)的行業(yè)基本面同質(zhì)性較高，通過分析不同行業(yè)分類下行業(yè)內(nèi)和行業(yè)間股價相關(guān)系數(shù)可以看出，中信29個行業(yè)中有12個行業(yè)內(nèi)相關(guān)系數(shù)顯著高于行業(yè)外。中信的分類標(biāo)準(zhǔn)兼顧產(chǎn)業(yè)面屬性和市場面屬性，在投資運(yùn)用上效率更高。

2.評估因素的影響程度

本文基于美國空軍綜合評估任務(wù)風(fēng)險的風(fēng)險矩陣法，結(jié)合問題實(shí)際優(yōu)化為矩陣判斷法，以不利結(jié)果發(fā)生的概率與后果的嚴(yán)重程度來量化風(fēng)險的等級，首先評估因素的影響程度，其次計算因素的發(fā)生概率，最后評定因素的風(fēng)險等級。

（1）評估因素影響程度

由于企業(yè)經(jīng)營期間遇到的可預(yù)見因素與隨機(jī)因素較難獲得歷史數(shù)據(jù)，本文采用問卷調(diào)查法收集專家意見，對每一特定因素進(jìn)行評估。首先將因素的影響程度劃分為5個等級，從輕到重依次為忽略不計、微小、中度、嚴(yán)重、至關(guān)重要，分別賦值為1分、2分、3分、4分、5分，如表所示。

（2）確定因素發(fā)生概率

只有可預(yù)見因素的發(fā)生概率可以通過對已知信息的分析和統(tǒng)計調(diào)查數(shù)據(jù)合理估計。本文將因素發(fā)生的概率分化為5個等級，如表所示。

五、結(jié)論

本文通過參考比較給定的信譽(yù)評級作為準(zhǔn)確值，衡量模型準(zhǔn)確率;通過是否違約作為輔助評判準(zhǔn)確率的標(biāo)準(zhǔn)。具體步驟如下，首先，根據(jù)歷史信譽(yù)評級各等級所占比例，分析排名與等級間的關(guān)系，如下圖所示，并基于模型求得排名，劃分等級。其次，從給定的信譽(yù)評級與是否違約兩維度分析準(zhǔn)確率。最后，為了提高適用性，適當(dāng)加入5%容錯率與等級容錯率，容錯率應(yīng)當(dāng)接近排名與等級間正態(tài)分布規(guī)律。最終從歷史的信譽(yù)評級作為準(zhǔn)確率指標(biāo)而言，得到如下準(zhǔn)確率結(jié)果。

從是否違約作為準(zhǔn)確率指標(biāo)而言，得到如下準(zhǔn)確率結(jié)果。

由此得到，從歷史的信譽(yù)評級與模型結(jié)果相比較而言，0%容錯率下，準(zhǔn)確率達(dá)到60.98%，在5%容錯率下，準(zhǔn)確率達(dá)到69.92%，在等級容錯下，準(zhǔn)確率已達(dá)91.87%，準(zhǔn)確率已達(dá)到較高。從是否違約作為準(zhǔn)確率評判標(biāo)準(zhǔn)而言，模型結(jié)果中違約集中在C與D中，符合能夠預(yù)判是否違約的標(biāo)準(zhǔn)。因此，可以得出模型具有準(zhǔn)確性。本文通過改變影響因子個數(shù)及權(quán)重來檢驗?zāi)Ｐ偷拿舾行?。其中，在三個評價因素，即公司實(shí)力、上下游的影響力、信貸風(fēng)險以及信譽(yù)三個因素中分別加入三個影響因子，作為擾動因子。使用絕對條件數(shù)，分析加入擾動因子后，對結(jié)果的準(zhǔn)確率的擾動變化，條件數(shù)越小，反映模型的敏感性越弱，即不敏感。

在檢驗RAROC信貸分配模型中，新加入的擾動因子，并通過不同因子個數(shù)下加權(quán)平均量化企業(yè)信貸風(fēng)險差值，作為實(shí)際擾動量。最終得到結(jié)果，并分別針對給定的信譽(yù)評級A、B、C、D與是否違約，作為劃分標(biāo)準(zhǔn)，計算具體對每個劃分的敏感程度，可以得出加入因子產(chǎn)生的實(shí)際擾動量對準(zhǔn)確率影響不大，本文建立模型具有不敏感性。

參考文獻(xiàn)：

[1]房斌.P銀行小微企業(yè)信貸風(fēng)險評價體系研究[D].西安石油大學(xué)，2020.

[2]王珺，王一伊.銀行信貸資源動態(tài)優(yōu)化管理模型[J].長春工業(yè)大學(xué)學(xué)報，2020，41（03）：209-213+313.

[3]唐金海，王青，謝正文，鄔曉燕.商業(yè)銀行外包風(fēng)險管理研究——以A銀行為例[J].商場現(xiàn)代化，2020（10）：88-90.