俞勇

恒豐銀行首席風(fēng)險官、中國人民大學(xué)兼職教授，清華大學(xué)深圳研究生院校外導(dǎo)師，先后在美國摩根大通銀行、美國運通公司等從事新資本協(xié)議、戰(zhàn)略規(guī)劃、風(fēng)險管理、金融衍生品交易與定價模型、金融信息安全等工作，曾任職于平安銀行風(fēng)險管理部兼新資本協(xié)議辦公室總經(jīng)理、中國銀行業(yè)監(jiān)督管理委員會監(jiān)管二部，參與起草《商業(yè)銀行資本充足率管理辦法》等中國銀行業(yè)監(jiān)管法規(guī)文件，具有全面的國際銀行先進風(fēng)險管理工作經(jīng)驗和國內(nèi)銀行風(fēng)險管理工作經(jīng)驗。著有《貨幣、銀行與經(jīng)濟》、《銀行全面風(fēng)險管理與資本管理》、Asset Returns and Demographic Effects、Quality Choice Simulation and Implication Based on Individual Conjoint Analysis 等。本文原標(biāo)題為《從“干了再算”到“算了再干” 談一談風(fēng)險量化模型 》，刊載于《當(dāng)代金融家》2015年第7期。

當(dāng)前，大型金融機構(gòu)已被監(jiān)管機構(gòu)批準(zhǔn)使用內(nèi)部模型來計量風(fēng)險和監(jiān)管資本；中小金融機構(gòu)的積極性也很高，力求借鑒資本管理高級法，調(diào)整資產(chǎn)組合，提高資本使用效率，推進管理流程再造，由“干了再算”向“算了再干”轉(zhuǎn)變。

　　以上趨勢令人鼓舞。我們看到，強化風(fēng)險量化管理的理念正在對中國金融業(yè)提高識別、計量和控制風(fēng)險的能力產(chǎn)生重要的影響,中國金融業(yè)風(fēng)險量化管理水平正在迅速提升。

　　如何更好地“算了再干”？為了回答這一問題，本文談一談金融機構(gòu)的風(fēng)險量化模型。為保證風(fēng)險量化模型的開發(fā)質(zhì)量和實施效果，金融機構(gòu)所有的風(fēng)險量化模型都應(yīng)該參考模型建設(shè)和管理技術(shù)行業(yè)標(biāo)準(zhǔn)進行開發(fā)、評估和文檔歸檔。下文總結(jié)了國內(nèi)外信用風(fēng)險量化模型建設(shè)和管理的先進經(jīng)驗，全面遵循這些要求有利于模型的建設(shè)、使用、監(jiān)控、審批、上線。

　　模型的設(shè)計

　　模型的設(shè)計對模型最終是否能實現(xiàn)其目標(biāo)起著舉足輕重的作用。為了保證模型的設(shè)計可以滿足模型的目標(biāo)，審批人員應(yīng)需要關(guān)注的是從哪些方面對模型的設(shè)計進行評估。總結(jié)來說，以下方面要特別留意。

　　要解決的業(yè)務(wù)問題

　　建模人員應(yīng)該用簡單易懂的語言對模型要解決的業(yè)務(wù)問題進行描述。這些描述應(yīng)該包括一個或多個已達(dá)成共識的業(yè)務(wù)原則或核心價值，如客戶的行為、銀行員工的參與度、競爭對手的動作、經(jīng)濟形勢的變動、合規(guī)的需要、公司戰(zhàn)略的考慮等。例如，信用卡部門要設(shè)計一個申請評分模型來測算新客戶出現(xiàn)不良貸款的風(fēng)險。這個模型在新客戶審批過程的應(yīng)用中，需要審批人員和客戶進行溝通，手動輸入一些關(guān)鍵的模型變量數(shù)值，在很多情況下還需要對模型的評分結(jié)果進行覆蓋。這種模型在業(yè)務(wù)中的應(yīng)用方式就需要在模型設(shè)計開發(fā)的過程中，考慮如何解決驗證客戶提供信息的真實性、員工手動輸入數(shù)據(jù)的可靠性、對模型評分結(jié)果覆蓋的審批案例如何進行表現(xiàn)監(jiān)控等問題。

　　目標(biāo)變量的定義

　　建模人員應(yīng)該對目標(biāo)變量的定義進行如下描述：明確描述目標(biāo)變量的定義，并說明為何這樣的定義與要解決的任務(wù)問題是相關(guān)的；明確定義目標(biāo)變量的表現(xiàn)時間窗（performance window）和觀察時間窗：例如，目標(biāo)變量可以定義為未來12個月貸款出現(xiàn)至少一次60天或60天以上逾期的概率。在這個定義里，“未來12個月”為表現(xiàn)時間窗，“貸款出現(xiàn)至少一次60天或60天以上逾期”為觀察時間窗。如果模型需要滿足監(jiān)管部門的要求，此定義是否滿足監(jiān)管部門的要求；為何選擇這樣的定義而不是其他定義；對定義可能產(chǎn)生的誤解進行澄清，如定義是在客戶層面還是賬號層面的，定義是在觀察期之間的表現(xiàn)還是在觀察期結(jié)束的時間點的表現(xiàn)等。

　　樣本的選擇

　　建模人員應(yīng)該對建模樣本的選擇進行如下描述：樣本選擇的方法，如有隨機抽樣和非隨機抽樣（有目的抽樣），其中隨機抽樣方法包括簡單隨機抽樣、等距抽樣、分層隨機抽樣、整群抽樣幾種常用類型；非隨機抽樣也稱為有目的抽樣，包括全面抽樣、最大差異抽樣、極端個案抽樣、典型個案抽樣幾種常用類型；樣本的大小，為了增強可測性和檢驗的準(zhǔn)確性，應(yīng)該盡量增大樣本容量，但同時還應(yīng)考慮可行性和經(jīng)濟成本；建模樣本、保留樣本、驗證樣本的劃分；樣本可能有的偏差，如必須通過審批的條件限制、經(jīng)過客戶自然流失后的樣本、外部因素的變化對樣本的影響如產(chǎn)品特征、競爭對手的策略、經(jīng)濟周期、季節(jié)性因素等。

　　分析的方法

　　分析方法的描述應(yīng)該包括以下內(nèi)容：數(shù)據(jù)獲取渠道的描述，主要分為直接渠道和間接渠道：直接渠道主要指通過統(tǒng)計調(diào)查獲得的第一手統(tǒng)計數(shù)據(jù)，如辦理信用卡業(yè)務(wù)時客戶填寫的個人信息資料、當(dāng)下十分流行的大數(shù)據(jù)方法等；間接渠道通常指通過查閱資料或者通過其他網(wǎng)站、平臺獲取的二手?jǐn)?shù)據(jù)，如通過WIND或Bloomberg獲得數(shù)據(jù)；模型的結(jié)構(gòu)，根據(jù)所作的假設(shè)分析對象的因果關(guān)系，利用對象的內(nèi)在規(guī)律和適當(dāng)?shù)臄?shù)學(xué)工具，構(gòu)建各個變量間的等式關(guān)系或其他的數(shù)學(xué)結(jié)構(gòu)。同時，在建模過程中還應(yīng)注意細(xì)節(jié)問題，如客戶的分群、子模型的架構(gòu)等；建模技術(shù)，在建模過程中常用到的數(shù)學(xué)方法和計算機技術(shù)，如logistic回歸、決策樹、普通線性回歸、分層分析、聚類分析、時間序列等；變量的處理，如變量的剔除、轉(zhuǎn)換、最大最小值的設(shè)置、缺失值的處理、變量相關(guān)性的處理等。

　　模型驗證過程

驗證模型是否有效的描述應(yīng)包括：隨機保留樣本的描述，如選取記錄集中的一部分（通常是2/3）作為訓(xùn)練集，保留剩余的部分用作測試集。選取隨機保留樣本的標(biāo)準(zhǔn)、比例、特征等方面的描述；Bootstrap驗證，是非參數(shù)統(tǒng)計中的一種重要的統(tǒng)計方法，在執(zhí)行上常需借助計算機技術(shù)得以實現(xiàn)。舉例來說，當(dāng)總體可用正態(tài)分布描述時，其sampling distribution服從正態(tài)分布或服從t分布；但當(dāng)總體不服從正態(tài)分布或未知時，我們采用計算機模擬或用漸進分析的方法更加有效；交叉驗證，基本思想是在某種意義下將原始數(shù)據(jù)進行分組，一部分作為訓(xùn)練集，另一部分作為驗證集，首先用訓(xùn)練集進行測試，再利用驗證集來測試得到的模型，以此作為評價模型的性能指標(biāo)。常見方法有Hold-Out Method，K-fold Cross Validation，Leave-One-Out Cross Validation；外來樣本的驗證，通過外部獲取的樣本對已有的模型進行檢驗，判斷模型的有效性。

　　模型的局限性

　　一般來說，模型的局限性可以分為客觀的、不能加以修正的局限性和可以通過人為修正的局限性。驗證客觀局限性的描述主要包括：系統(tǒng)的局限性；模型的局限性等；驗證主觀局限性的描述主要包括：建模時間的規(guī)劃；建模人員的配置、人員水平等；業(yè)務(wù)和數(shù)據(jù)的理解上的局限性；樣本的局限性；外部因素對模型的影響，如競爭對手的壓力、合規(guī)時限的壓力等。

　　模型的進度

　　主要包括有限資源的有效配置，在可以利用的資源數(shù)量一定的條件下，通過調(diào)配進度使項目工期盡可能短；建模時間的規(guī)劃，幾個有效時間節(jié)點的把控，如是否有外部競爭或合規(guī)方面的壓力而需要在短時間內(nèi)完成建模等。

　　數(shù)據(jù)處理

　　如何進行數(shù)據(jù)處理，是一個非常關(guān)鍵的環(huán)節(jié)。對于該環(huán)節(jié)，綜觀國內(nèi)外經(jīng)驗，可以從以下八個方面給予關(guān)注。

　　建模原數(shù)據(jù)源的描述分析

　　建模數(shù)據(jù)的評估主要包括：數(shù)據(jù)的獲取渠道，如內(nèi)部數(shù)據(jù)集市、歷史數(shù)據(jù)存檔、第三方公司提供的數(shù)據(jù)等；數(shù)據(jù)的樣本記錄數(shù)及每一條記錄所代表的含義；數(shù)據(jù)的變量的個數(shù)；數(shù)據(jù)的收集時間。
　　

模型變量的描述

　　模型變量的描述應(yīng)該包括對每一個變量定義的準(zhǔn)確描述及變量的值所對應(yīng)的含義。定義和使用變量時，通常要把變量名定義為容易使用閱讀和能夠描述所含數(shù)據(jù)用處的名稱，而不要使用一些難懂的縮寫如A或B2等。例如:編寫一個銷售蘋果的軟件時，我們需要兩個變量來存儲蘋果的價格和銷量。此時，可以定義兩個名為Apple_Price和Apple_Sold的變量。每次運行程序時，用戶就這兩個變量提供具體值，這樣看起來就非常直觀。

　　建模樣本的大小和目標(biāo)變量的分布

　　對此部分的描述應(yīng)該包括：建模樣本的大小是如何決定的；如何獲得各個細(xì)度的數(shù)據(jù)記錄并有效的控制成本；目標(biāo)變量的分布，包括異常值、多峰性分布、負(fù)值的處理等。
　　

數(shù)據(jù)時間窗定義

　　對此部分的描述應(yīng)該包括：目標(biāo)變量表現(xiàn)的觀察時間：采用滾動時間窗或固定時間窗的方法；模型獨立變量的觀察時間；模型目標(biāo)變量和獨立變量數(shù)據(jù)是否有時間不足的情況，如有些樣本的目標(biāo)變量表現(xiàn)觀察期不足，模型變量的觀察時間不足等。

　　數(shù)據(jù)源有效數(shù)據(jù)的頻率和缺失值處理
　　

對此部分的描述應(yīng)該包括：樣本變量數(shù)據(jù)的有效頻率；樣本記錄中有效記錄的頻率；某些變量或記錄數(shù)據(jù)缺失的原因，這些缺失原因是否會對模型產(chǎn)生影響或偏差；在建模過程中，如何對數(shù)據(jù)源的各種數(shù)據(jù)缺失原因進行考慮?！　?/p>

每個模型獨立變量的缺失值頻率；模型獨立變量的缺失值是否有具體的含義；缺失值出現(xiàn)的頻率是否穩(wěn)定；有缺失值的變量在模型中的重要性及表現(xiàn)的穩(wěn)定性；每一個變量對缺失值的處理方法，包括采用中位數(shù)、平均數(shù)、最大或最小值、最好或最壞值替代，單變量處理，多變量處理，以變量減少、建模或評分、或拒絕原因算法為目標(biāo)的處理等。
　　

變量最大、最小值處理

　　對此部分的描述應(yīng)該包括：每個變量的最大或最小值；對最大或最小值的處理方法；處理后對這些變量取值范圍的影響以及數(shù)據(jù)記錄表現(xiàn)的影響；以變量減少、建?；蛟u分、或拒絕原因算法為目標(biāo)的最大或最小值設(shè)置；這些設(shè)置是否能防止所有可能出現(xiàn)的取值錯誤。
　　

變量轉(zhuǎn)換

　　對此部分的描述應(yīng)該包括：單變量轉(zhuǎn)換，如反正弦、對數(shù)、開方、Box-Cox等；多變量轉(zhuǎn)換，如變量之間相除、相減、相加、相乘等；變量取值的劃分或歸成大類；變量轉(zhuǎn)換的處理程序及編程方法；這些設(shè)置是否能防止所有可能出現(xiàn)的取值；采用Weight of Evidence（WoE）方法（該方法在生態(tài)風(fēng)險評估ERA領(lǐng)域使用多年，能結(jié)合多方面數(shù)據(jù)給出總體風(fēng)險評估）進行分欄并計算Information Value來驗證。

　　數(shù)據(jù)的外部因素

　　可能影響目標(biāo)變量表現(xiàn)的外部因素主要有：國家或區(qū)域的經(jīng)濟環(huán)境；宏觀經(jīng)濟指標(biāo)；產(chǎn)品特征；獲客渠道；主要競爭對手的策略；天氣因素；季節(jié)性周期因素等。
　　

模型的選擇

　　模型審批人員應(yīng)該對建模的方法及模型的表現(xiàn)是否能夠到達(dá)預(yù)期的目標(biāo)進行診斷和評估，這是一個至關(guān)重要的步驟。從具體實施的角度而言，評估應(yīng)該至少包含以下九個方面內(nèi)容。
　　

子模型分割方法

　　模型分割（子模型）的方法應(yīng)該包括以下內(nèi)容：分割優(yōu)化的標(biāo)準(zhǔn)及目的：如對無數(shù)據(jù)記錄的處理、模型表現(xiàn)的連續(xù)性考慮、變量相關(guān)性的區(qū)格、變量預(yù)測能力的區(qū)格等；選擇分割的手段，如歷史數(shù)據(jù)分析、CART分析、貝葉斯樹等；采用分割后對模型的表現(xiàn)所帶來的提升的數(shù)據(jù)支持，尤其要說明表現(xiàn)的提升足以覆蓋由于分割所帶來的模型復(fù)雜度增加的負(fù)擔(dān)。
　　

變量剔除
　　

模型獨立變量剔除或合并的考慮因素包括：變量缺失的頻率；變量的波動性；變量組合；變量聚類，將集合分成由類似的對象組成的多個類；變量之間的相關(guān)性檢驗，如采用相關(guān)系數(shù)矩陣，Pearson 相關(guān)系數(shù)或者Spearman 相關(guān)系數(shù)方法；不同分割模型（子模型）變量的同質(zhì)性檢驗，用卡方統(tǒng)計量驗證不同子模型是否來自同一總體；變量選擇的方式：如向前選擇、向后選擇、逐步選擇等；變量的交叉驗證。
　　

模型優(yōu)化的標(biāo)準(zhǔn)
　　

對此部分的描述應(yīng)該明確定義模型優(yōu)化的標(biāo)準(zhǔn)，進而說明為何候選模型是最佳的選擇。如果選擇多個指標(biāo)，應(yīng)說明多個指標(biāo)的選擇標(biāo)準(zhǔn)，例如：KS值, 決策邊際變現(xiàn)等。對于需要滿足監(jiān)管要求的模型，要將監(jiān)管要求融入到選擇模型優(yōu)化的過程中。
　　

模型參數(shù)的確定
　　

對此部分的描述應(yīng)該明確模型選擇的方法，包括：如何確定模型的參數(shù)；如何從眾多的候選模型中選擇最終的模型；VIF（Variance Inflation Factor）檢驗，判斷模型是否存在多重共線性問題?！　?/p>

建模程序的結(jié)構(gòu)
　　

對此部分的描述應(yīng)該說明建模使用的程序的結(jié)構(gòu)，包括：處理原始數(shù)據(jù)的所有的程序，從開始到結(jié)束；程序是否具有恰當(dāng)?shù)臉?biāo)注和結(jié)構(gòu)說明，如數(shù)據(jù)處理部分，變量選擇部分，候選模型比較部分等；程序是否被妥善統(tǒng)一存檔，存檔是否可以被訪問，程序是否可以被其他人運行這些具體備注說明。
　　

建模程序細(xì)節(jié)
　　

對此部分的描述應(yīng)該選擇一段建模程序進行評估，評估內(nèi)容包括：程序的標(biāo)注是否充分，程序的結(jié)構(gòu)是否容易理解；變量的名稱、標(biāo)識是否簡單易懂；容易誤解或復(fù)雜的部分是否有特殊標(biāo)注；程序引用的模塊是否有相應(yīng)的文檔；程序格式是否恰當(dāng)使用縮進和空格；程序的作者是否標(biāo)注；在程序的開發(fā)、運行和程序的重復(fù)使用之間是否保持恰當(dāng)?shù)钠胶狻?br/>　　

模型的表現(xiàn)
　　

對此部分的描述應(yīng)該評價模型對目標(biāo)行為預(yù)測的能力，主要包括：建模樣本的表現(xiàn)；非建模樣本的表現(xiàn)：如果和建模樣本表現(xiàn)不同，要解釋表現(xiàn)不同的原因；對未來樣本表現(xiàn)的預(yù)期；對所有未來可能影響模型表現(xiàn)的不確定性因素是如何考慮的。
　　

模型是否擬合不足或擬合過度
　　

任何模型都可能會有擬合不足或擬合過度的問題，對擬合度的評估可以在幾個不同的層面展開，如使用可決系數(shù)對模型進行擬合優(yōu)度檢驗，使用模擬數(shù)據(jù)或其他歷史數(shù)據(jù)對模型進行再次驗證，是否有以往的經(jīng)驗或數(shù)據(jù)來驗證模型等。
　　

殘差分析
　　

殘差分析主要是：用殘差證實模型的假定,如用殘差圖判斷模型效果與樣本數(shù)據(jù)的質(zhì)量，檢驗?zāi)Ｐ褪欠駶M足基本假定，以便對模型作進一步的修改；用殘差檢測異常值和有影響的觀測值，如果異常值是一個錯誤數(shù)據(jù)，如是由記錄錯誤造成，應(yīng)該修正數(shù)據(jù)，以便改善模型效果；如果是由于模型的假定不合理，使得標(biāo)準(zhǔn)化殘差偏大，應(yīng)該考慮修正模型；如果完全是由于隨機因素造成的，則應(yīng)該將該數(shù)據(jù)視為有效觀測值，予以保留。同時應(yīng)注意的問題有:殘差是否是隨機分布的；一個或幾個記錄的變化是否會對整個模型有較大的影響；不同的取樣方法是否會產(chǎn)生不同的模型或不同的殘差分布。
　　

模型的最終審批
　　

模型審批人員在最終批準(zhǔn)模型之前，應(yīng)對以下三個方面進行評估。
　　

模型替換分析
　　

任何模型都會有幾個不同的版本，如原有模型，簡單的業(yè)務(wù)邏輯替代的模型，和第三方公司的模型。模型審批人員應(yīng)該就最終的模型版本和其他版本進行比較，進行優(yōu)劣分析，包括：如果不用這個模型，業(yè)務(wù)模式會如何展開？對原來被否決，新模型會批準(zhǔn)的樣本進行分析并評估對業(yè)務(wù)的影響；待審批的模型和其他模型相比，有哪些優(yōu)勢？這些優(yōu)勢是如何獲得的，它們是否符合基本的業(yè)務(wù)邏輯；模型在應(yīng)用的目標(biāo)客戶群內(nèi)的主要的獨立變量的分布是否符合業(yè)務(wù)邏輯？和其他模型的版本相比，它們是否和上述的新版本的模型優(yōu)勢相吻合？應(yīng)用測試技術(shù)對現(xiàn)有模型進行挑戰(zhàn)，模型上線的版本策略如過度階段和原模型或其他規(guī)則共用等。
　　

監(jiān)控策略
　　

模型的監(jiān)控策略應(yīng)包括以下內(nèi)容：監(jiān)控的主要指標(biāo)，頻率；監(jiān)控報告的審閱人員及存檔流程；對于監(jiān)控的指標(biāo)來講，穩(wěn)定性指標(biāo)和準(zhǔn)確性指標(biāo)通常只是最低標(biāo)準(zhǔn)；穩(wěn)定性指標(biāo)應(yīng)該包括模型目標(biāo)變量和獨立變量的穩(wěn)定性監(jiān)控；模型指標(biāo)的參考客群是如何定義的；模型的目標(biāo)應(yīng)用客群如果發(fā)生變化，如何能夠識別目標(biāo)客群的變化？如何對模型的表現(xiàn)進行有效的跟蹤？監(jiān)控程序是否經(jīng)過調(diào)試和驗證；如果數(shù)據(jù)導(dǎo)入出錯，如何對錯誤信息進行識別和報警？如果模型運行失敗，業(yè)務(wù)開展的備用方案是什么？識別模型失敗的流程和重新啟動模型運行的流程各是什么？在什么情況下，建模人員需要對模型進行重新評估或重新建模？明確定義這些情況下主要表現(xiàn)指標(biāo)的臨界值。
　　

未來規(guī)劃
　　

模型的未來規(guī)劃應(yīng)描述模型如何進一步提高，具體包括：如何獲得更客觀全面的樣本？客觀全面的樣本應(yīng)該包括正常業(yè)務(wù)運營之外的樣本，例如申請審批的樣本應(yīng)包括所有申請客戶的表現(xiàn)而不僅僅是通過審批的客戶的表現(xiàn)；對于審批模型的臨界值附近的樣本，業(yè)務(wù)是否需要加大樣本收集的力度為未來的建模做準(zhǔn)備；樣本收集的經(jīng)濟成本和流程成本各有多大？投入是否值得？未來的業(yè)務(wù)規(guī)劃的大方向是什么？模型的樣本采集策略應(yīng)如何配合業(yè)務(wù)發(fā)展的需要？是否有其他數(shù)據(jù)源或建模技術(shù)能夠進一步提升模型的表現(xiàn)？