《中国金融》|商业银行实施资本计量高级方法的思考

作者|梁世栋「中国邮政储蓄银行零售业务总监」

文章|《中国金融》2024年第21期

图片

2023年11月,国家金融监督管理总局公布《商业银行资本管理办法》(以下简称《资本办法》),构建了符合我国国情的差异化资本监管框架,完善了资本监管三大支柱制度体系,是贯彻落实党中央关于加强和完善现代金融监管决策部署的重要举措,是促进银行业高质量发展的又一重要制度安排。在高级方法方面,《资本办法》调整了内部评级法风险参数,限制了高级方法适用范围,并一以贯之地坚持强化全面风险管理能力建设,督促商业银行以计量促管理,为稳妥有序推进实施资本计量高级方法提供了全面指引。


商业银行推进实施高级方法的重要现实意义


2012年《商业银行资本管理办法(试行)》颁布以来,资本约束、风险量化、全面风险管理开始真正成为商业银行经营管理的重要内核,多家银行获批使用资本计量高级方法,标志着银行业风险治理能力迈上新台阶。当前,国内系统重要性银行已有20家,按照金融高质量发展要求,更广泛、更深入地推进实施高级方法有着重要现实意义。

一是坚持高质量发展,有利于切实提升服务实体经济质效。资本是银行最稀缺的资源,是服务实体经济的重要基础。当前,银行普遍面临息差、风险、资本压力,提升自主定价、资产组合管理能力,提高资本使用效率,不仅是银行应对挑战的现实需要,更是落实高质量发展要求的重要举措。采用资本计量高级方法,可以实现精细到客户、债项颗粒度的风险量化,提高风险管理敏感性,校正经营目标、资产配置、产品设计、业务决策之间的风险标准偏差,为精细化的资源配置奠定技术基础。《资本办法》将应用作为实施高级方法的重要前提,要求银行通过应用来检验计量质量,系统性地督促银行将计量成果运用于客户准入、信贷政策、贷款定价、减值准备、经济资本、考核评价等领域,银行据此建设精细化的管理体系,将显著提升客户筛选、自主定价、预算管理、组合管理能力,有效盘活信贷资源,提高资源配置效率,提升服务实体经济质效。

二是坚持风险为本,有利于全面提高风险管理能力。资本管理的本质是风险管理,良好的全面风险管理能力是资本计量高级方法实施的基本要求。当前,经济金融环境仍较为复杂,全方位提高风险管理质量,准确识别、评估风险,夯实资产质量基石,增强风险缓释能力尤为重要。《资本办法》坚持审慎的高级方法验收和持续监管标准,对风险计量模型以及内部评级体系设计、运作、治理、数据等提出了全面系统的要求,突出考察风险暴露分类、违约认定、评级管理、担保管理等关键环节的工作质量,对业务规范化管理和数据质量控制提出了更高要求。商业银行通过构建合理有效的治理架构、完备规范的政策制度、审慎精准的计量模型、清晰高效的业务流程、充足准确的数据积累、稳健可靠的信息系统,可以进一步拉齐总分行、业务线、重点岗位的风险管理要求,系统性提高业务全流程管理的精细化程度,更好地同步落实资产风险分类、预期信用损失评估等监管要求。同时,《资本办法》大幅提高信息披露标准和管理要求,为商业银行不断完善信息披露提供了标尺,有助于增进商业银行与市场参与者的沟通交流,增强市场对商业银行风险管理能力的信心。

三是坚持创新驱动,有利于加快推进数字化转型。建立数字化经营管理体系,提高数字化服务水平,防范数字化转型过程中的风险,提升数字化转型成效,是推动金融高质量发展的重要内容。良好的数据质量管理和完备的信息系统是资本计量高级方法实施的基本条件。《资本办法》要求商业银行建立可靠、安全、稳定的管理信息系统,支持模型的开发、优化、校准和验证;收集和存储历史关键数据,建立数据质量控制政策程序和数据质量问题报告机制,确保数据准确、完整和适当;开展独立的计量模型和支持体系验证,健全自我纠正机制,为更广泛意义上的模型风险管理提供清晰的指引。商业银行比照上述要求,持续收集、整合内外部数据,有利于构建良好的数据收集能力、完善数据标准、提高数据质量管理和数据治理能力。通过风险参数量化和业务全流程应用,有利于强化信息系统整合,推进信息系统建设长远规划。通过模型全生命周期管理,有利于大幅提高模型风险防控能力,推进与数字化转型相匹配的风险管理体系建设。


商业银行高质量推进实施高级方法的长效机制


推进实施资本计量高级方法是一项系统性、全局性、长期性工作,商业银行要从战略目标、治理架构、系统规划、应用反馈、资源投入等方面着手,久久为功,努力建设高级方法自我纠正、自我完善的长效机制。

一是明确长远目标及资源投入。高级方法实施涉及总分行各业务条线、资本与风险管理部门、科技与数据管理部门,需要治理层支持推进、各部门间达成理念共识以及紧密衔接配合,以确保新方法与经营管理的高效融合。需要设置高层级的组织架构,明确将提高风险精细化管理水平作为首要目标,将及时、完整应用计量成果的要求清晰地传达至各业务条线、风险管理部门、综合管理部门和分支机构;设定流程优化、技术更新、教育培训等任务,将高级方法项目建设与重点信息系统、重大数据治理项目建设并行推进,强化科技资源对风险模型、业务流程、数据加总等方面工作的支持;明确“选育留用”计量人才规划,做好人才储备和培养;健全高级方法建设应用考核机制,既覆盖重点建设任务,也包含风险收益平衡结果。

二是实施系统规划及项目群管理。推进实施高级方法涉及领域广、复杂度高、周期长,需要对各项内容进行整合、分层,并结合商业银行经营管理实践,制定阶段目标和路线图,保障项目、关键节点的有效衔接。需要制定全行级、系统性的动态实施规划,全面涵盖计量模型、政策流程、数据及系统、经营管理应用、审计监督等内容,形成覆盖实施目标及步骤的落地方案;建立统筹协调的项目群管理机制,界定清晰的项目目标,明确进度管理、报告管理、自我评估、整改跟踪等组织运行机制,确保高效执行;制定文档管理规定,强化对模型、制度、系统等相关文档的规范化管理;推进资本计量高级方法基础及管理应用培训,按照高级方法推进应用节奏有序深化相关工作,强化风险精细化管理意识。

三是坚定推进全面深入应用。计量工具必须服务于业务发展和管理需要,“能用、敢用”不仅是检验建设运行质量的重要标准,也是实现“建设—应用—监测—反馈—优化”良性循环的关键。要重点聚焦核心应用,优化再造业务管理流程。例如,做实授信审批决策应用,统一实施风险参数在审批、授权、定价、额度等领域的差异化安排,稳步推进零售客户自动审批;做精贷中贷后应用,制定分层级预警及差别化的风险控制措施,统筹预警催收作业,提高贷后管理质效;做细风险监测报告应用,构建以内部评级为统一语言的运行报告机制,开展风险归因分析;落地风险成本、资本成本、减值管理应用,统筹考虑财务预算、资本配置、资产负债计划、产品定价、机构及产品考核、经营策略优化等管理事项间目标的差异化和统一性,平衡精细度和审慎性。

四是严格把控基础风险管理关键环节工作质量。基础风险管理关键环节工作质量是推进实施高级方法的底层基础。需要围绕风险暴露划分管理、评级评分管理、违约管理、风险缓释管理等关键领域,持续提高管理效率。例如,强化风险暴露划分管理,细化总分行尽职调查及基础信息全流程质量管控,做实客户统一管理,推进数据确权等工作,规范划分、调整及监督机制;强化评级评分基础管理,加强模型数据质量控制,通过自动抓取信息、设置系统校验、增加复核、事后检查等方法,确保评级信息准确;强化评级评分过程管理,通过系统自动计算评级评分,全面记录作业过程,关注发起、认定、推翻、更新等重点环节,杜绝不合理人工干预;强化违约管理,细化违约判断标准,优化系统认定功能,全面规范记录历史违约信息,实现全行共享,强化人工违约认定管理,建立认定触发机制,提高识别准确性;强化风险缓释管理,细化合格缓释认定标准,形成完整、准确的风险缓释合格性标识,建设押品全流程管理的统一系统,强化内外部数据整合积累,提升自主押品估值能力,确保押品估值客观、独立、及时、审慎。

五是突出强化模型风险管理。内部模型是高级方法实施过程中的核心工具。建模假设或基础定义不当,以及模型构建所用数据、开发、验证、使用不规范等,都可能引发新的风险。因此,需要健全模型的风险治理框架,明确模型全生命周期中各方职责,清晰界定开发和验证主体相互制衡、协同配合责任,提升验证独立性,增强验证结果激励约束作用;健全模型管理机制,明确模型需求设计、开发、验证、评审、上线、优化迭代、退出等关键环节要求,确保实现模型全生命周期管理;完善系统自动监测功能,及时捕捉模型运行风险因素并采取相应措施;加强模型资产集中统一管理,搭建管理平台,提升模型全流程溯源能力,实现对特征数据、模型代码、开发、测试过程等文档的统一存储和管理,打造全生命周期信息流实时传递的全景视图。


以推进实施高级方法为基础加快提升智能风控技术水平


近年来,商业银行以内部模型建设应用为契机,构建了较强的风险量化能力、扎实的数据系统、规范的模型风险管理体系,开始综合利用人工智能、大数据等技术,引入多种算法模型,在营销、反欺诈、预警、运营、合规等场景推广应用,大幅提高特征数量、数据处理效率及结果精准度,增强智能风控能力,更好地提高金融服务实体经济水平,满足人民群众需要。

一是提升个人客户主动授信服务能力。个人客户便捷、安全、多样化的需求对金融服务的速度和质量提出双重要求。如何利用智能风控技术和平台,提前筛选客户、制定专属风控方案是实现“一键触达”式信贷服务的重要基础。商业银行可基于人口特征、征信信息、货币资产、收单交易等历史数据对客户进行画像,利用大数据算法构建风险预测模型,筛选目标客户;基于客户基本属性、渠道黏性、手机银行活跃性、资产管理规模、交易流水等特征,打造专属风控方案,形成差异化的定价和额度策略,配套便捷申请流程,秒批秒贷,实现风险管控与客户体验的平衡;建立企业级反欺诈平台,根据客户申请贷款时的登陆和操作等信息,实现可疑欺诈客户自动拦截。

二是提升普惠及公司业务风险智能防控能力。在普惠信贷等领域,通过专家规则可以筛选高风险或者具有显著特征的客群,但是也存在规则叠加增加打扰率问题,算法模型将大量单一隐性特征凝聚成具有强区分能力的组合特征,可以提高普惠信贷相关风险智能防控能力。为更好地运用各类风险信号以及关系信息,商业银行可以构建基于企业、业务等关联关系的图数据库底层能力,将企业的工商、供应链、产业链、交易、实控人等信息进行有效链接,并与业务数据进行关联。商业银行可以在关联图谱基础上,建立批量风险客户/白名单客户关联查询功能以及社群关系模型,提升关系网络内客群的风险识别能力,在业务开展中实现营销、审批、预警等的整合联动,进一步赋能普惠及公司业务发展。

三是提升智能合规运营能力。随着数字化能力建设的推进,内控合规及运营管理工作逐步从以流程制衡为主转变为制衡与实时动态监测干预并重。在反欺诈、反作弊领域,建立与人民银行、公安部门及金融同业的实时联防联控机制,实现疑似受害人线上交易的实时侦测与阻断。引入图数据库和图神经网络技术,提高识别团伙型作弊的准确率。在反洗钱领域,使用智能模型对可疑交易进行洗钱风险排序,建立基于客户、产品、地域、行业等多维度特征的客户洗钱风险等级模型,精准预警、精准分类。在消费者权益保护领域,应用投诉文本分析模型自动捕捉投诉热点,及时发现投诉苗头。在合规管理领域,开发人工智能合规知识库,关联内外部规制与行内风险点,提供专业智能助手及预警提示服务;开发智能法审、信审等辅助审查模型,实现对潜在风险的自动识别和提示。

四是提升智能模型算法管理能力。兼顾规范严谨的模型管理和高效迭代能力是保持良好市场竞争力的重要基础。搭建统一模型开发平台,实现对底层资源的统筹和集约管理,在合规前提下开展数据挖掘,预置算法组件,支持特征工程、特征选择、算法选择、参数调优、模型评估等自动建模过程,降低技术应用门槛和模型训练成本;整合数据资源,规范数据来源、口径、标准和存储架构,建成数据底座,从数据底座进行特征萃取,统一线上线下、实时离线等多数据链路加工逻辑,形成稳定的特征层,支持模型的快速迭代和标准化建设;构建风险防控模型策略一站式管理平台,覆盖设计、实验、分析、部署、监控全流程,系统实现样本库、建模任务管理、模型档案、验证管理、审批流程、模型监控、重评实验、灰度发布、压力测试等功能,从信息化、流程化、自动化等多个方面全面赋能模型全生命周期管理。


持续应对商业银行风控技术新挑战


近年来,商业银行持续拓展模型技术及其应用领域,积极应用机器学习、大模型等能够满足快速响应需要的新型算法模型服务支撑精细化管理。新型算法模型能够更好地处理“弱特征”数据,模型精准度更高、对样本要求更低,在风险评价、营销响应、反欺诈等业务场景中具有良好的适用性,但由于自身特点,也给持续规范管理带来挑战。一是决策树、逻辑回归等资本计量高级方法已核准的内部评级模型具备计算效率高、指标可解释性强、模型稳定性高等特点,不同于上述传统模型,深度学习、大模型存在模型研发过程不易直观展示、模型结果的业务解释性弱等特点,较难满足“模型开发过程可追溯”等高级方法合规要求。二是传统模型与新型模型在内部管理方面具有一定差异,传统模型通过采用目前较为成熟的验证框架,持续监测指标变化,能够及时发现模型效力变化、捕捉衰退原因,但这些做法仍不足以有效管理与机器学习模型相关的新型风险,除了定期监测,还需要建立及时、完备的反作弊机制,针对风险事件实现快速“攻防”技术升级,及时捕捉新技术手段可能引发的风险并采取预防性措施。三是积极采用新技术,通过加快策略规则、模型算法迭代,能够更好地适应客群特征变化快等情况,但在这个过程中也容易忽视“拒绝推断”,加大“幸存者偏差”,增加模型风险。

充分利用大数据、人工智能等技术优化各类风险管理系统,将数字化风控工具嵌入业务流程,提升风险监测预警智能化水平,是数字化风控能力建设的重要内容。持续健全模型标准化和规范化要求,探索与之适应的评估、评价方法,促进商业银行风控模型体系持续完善,必将更好地推进新型风控技术应用和管理,加快建设与数字化转型相匹配的风控体系。

 (责任编辑 张黎黎)