实战剖析:量化模型和大数据在商业银行的应用

 
 

    编者按:

    大数据为金融变革提供了新的机遇,如果传统银行将大数据和风控、渠道等传统优势结合起来,再充分发挥量化模型的优势,将有利于形成新的服务和管理模式,进一步提高核心竞争力。在中国科学院大学金融科技研究中心主任、吉贝克董事长刘世平博士主编的《大数据在金融行业实用案例剖析:系列之二》中,由复星金服集团CEO申志华博士编写的《量化模型和大数据在商业银行的应用》一文,从实际应用角度阐述了商业银行在保持传统优势的同时,拥抱新的科技金融技术,分享量化模型在各类场景中的应用。

    一、量化模型在商业银行应用的意义

    银行,特别是零售银行,面对大量的广泛的客户,多渠道、碎片化服务,自动化管理和决策尤其重要,因此银行需要充分利用数据流、构建量化模型体系,以此有效地降低风险成本和管理成本。

    国外先进的零售商业银行,已经引进现代化的量化模型技术,通过数据的收集、整合和分析,开发服务于全流程的量化工具,形成客观的分析和业务策略,从而提升流程效率,控制风险,优化客户体验。

    数据技术丰富了营销和风险管控的手段,降低了服务成本并提高效率。在金融服务中,谁可以更快地适应并掌握这些新技术,就能够化挑战为机遇,在竞争中获得有利位置。

    二、量化模型在客户管理生命周期的应用

    随着金融市场竞争的日趋激烈,以及客户需求的多样化与个性化,如何在快速变化的市场环境下保持老客户与争取更多的新客户是银行需要考虑的战略性问题。在现行的市场规则下,各家银行,甚至是金融机构都提供相似的服务,因此决定竞争实力的关键在于对客户的了解和管理。客户生命周期是一个连续的过程,做好客户生命周期的管理不仅需要客户的历史信息,也需要合理地预测客户未来的行为。银行要从大量、复杂的客户信息中找出对自身决策有价值的信息,需要数据挖掘的技术手段和合理的量化模型予以支持。银行可以将量化模型应用于营销管理、客户定位、产品定价、贷款申请、审批、贷后管理、服务、客户综合服务等方面,将有限的资源(包括营销资源、风控资源、信贷资源、催收资源等)投入到最有效的业务和管理领域,实现投入和产出的最优化。

    三、案例介绍

    案例1:模型应用于差异定价

    富国银行在小微贷款领域是全美第一,遥遥领先其他银行。为了有效识别风险,富国银行实行差异定价,各贷款产品根据征信分数(FICO)进行差异利率定价,实现收益覆盖风险。在微型企业信贷上要本着风险定价的原则实现利润最优化,不因短期竞争压力而忽视其风险波动大的特征。

    富国银行对小微企业的风险定价能力最强,风险定价客户范围最广。下表清楚地体现出,随着分数的不断下降,对客户的利率定价会越来越高;随着借款时间的增长,利率定价也是越来越高。在下图中,可以明显看到,比起同期的其他银行变动不大的定价范围,富国银行小微企业贷款定价区域范围更广,说明富国银行真正做到综合考虑客户的风险因素,来定出更加科学合理的价格。


    图为针对不同分数段的利率定价


    图为富国银行小微企业贷款定价区域和同期银行比较

    案例2:模型在信用卡的生命周期管理中的应用

    信用评分模型的一个重要的应用领域就是信用卡的生命周期管理。信用卡管理根据产品生命周期,可以分成拓展客户期、审批客户期、管理客户期三大阶段。依据不同的信用评分模型,每一个阶段需要做出不同的管理决策。

    在拓展客户期,开拓新客户、提高市场份额和扩大发卡规模是信用卡经营管理的第一步。这一阶段需要做出的管理决策包括:确定什么样的消费者作为拓展的目标客户;给目标客户提供什么样的产品、激励;对不同资信能力和不同价格敏感程度的客户区别定价;决定在众多的目标客户群中对哪些客户采取直接邮寄的手段。这一阶段常用的模型有:预测消费者带来违约坏账风险的信用局风险评分;预测消费者开户后给信用卡公司带来收益的潜力大小的信用局收益评分;预测消费者个人破产风险的概率大小的信用局破产评分;预测目标客户接受营销的概率大小的市场反应评分;预测目标客户把别的信用卡上的未清偿信贷余额转移到新开户的信用卡账户的概率大小的转账倾向评分。

    在审批客户阶段需要做出的管理决策包括:根据申请者提供的相关材料和其资信状况,决定批准与否;正确运用信用额度策略;制定相应的交叉销售策略,可以向客户推荐银行的其他产品。在审批客户和决定信用额度高低时,可以通过申请风险模型和信用局风险评分模型来衡量。申请风险评分模型通过综合考虑申请者在申请表上所填写的各种信息,以评分来预测申请者后续一定时期内的违约概率。信用局风险评分模型和信用局收益评分模型也是很有价值的决策工具,与申请风险评分模型具有互补性。

    在管理客户阶段,必须动态跟踪客户表现,灵活调整策略,以实现更好的账户管理效益。需做出的的管理决策包括:根据信用卡账户的行为特征动态地调整信用额度;制定灵活的超额透支策略;对于欺诈风险很高的刷卡行为,拒绝授信或要求核对持卡人身份信息;调整利息,使回报和风险相匹配;制定适当的策略、提供适当的激励来激活睡眠卡,提高卡的使用率,避免或减少客户流失;采取正确的催收策略,以合理的人力、物力最大限度地收回坏账;根据客户的信用状况,决定是否续发信用卡。银行不断更新用户的行为信息,在数据积累到一定程度以后(如开户1年以上) ,运用数据挖掘和数理统计技术,可以提炼出丰富的具备强大预测力的各种变量,然后通过行为评分模型、各种信用局评分模型等,对客户的风险、收益、流失倾向等进行预测,从而做出相应的管理决策。


    图为模型在信用卡的生命周期管理中的应用

    案例3:社交网络模型(SNA)应用于风险客户识别

     社交网络模型是用图论和统计学方法研究社会人际关系网络的一门新兴社会学科。互联网技术发展起来后,使得人与人之间的社会关系,能更真实、形象地通过网络平台互动以数据的形式记录下来。当前,微博、微信等重点研究的就是社会网络关系。

    通过社交网络模型,实现了对客户资金交易流水的可视化、快速、全量监控;同时通过对专业市场进行网络风险预警,可快速锁定高风险专业市场;还可以量化预测高风险网络中未授信客户,建立灰名单预警信息库;也可以对客户经理违规交易进行有效的非现场审计。有效提升了对客户群体风险识别能力和资金监控工作力度。


    图为可视化风险客户的社会网络模型

    案例4:反欺诈模型应用于交易和申请的风险识别

    欺诈模型利用可观察到的交易特征变量,计算出一个分值来衡量该笔交易的欺诈风险,并进一步将欺诈风险分为不同等级。欺诈模型会在客户开始交易的第一个行为开始进行分析,为客户每一个动作赋予相对应的风险分数,为智能性反交易欺诈授权策略提供科学依据,对欺诈风险高的交易可以拒绝授权和展开调查。

     在申请阶段,通过模糊匹配、反欺诈规则、反欺诈模型和社会网络分析等技术来识别欺诈团伙。

    目前中国的征信环境比较差,犯罪和欺诈案件层出不穷。大数据在反欺诈领域有很大的应用前景。


    图为按欺诈风险高低对客户排序
 
 

时间:2018年3月9日

 
    返回