《中国金融》｜运用机器学习强化银行风险预警

导读：商业银行运用机器学习技术，有助于构建早发现、早介入、早处置的风险预警体系，从而有效防范化解各种潜在的金融风险

作者｜徐劲 许皓玮 葛善伟「江苏银行风险管理部」

文章｜《中国金融》2022年第2期

风险的识别、计量、监测、控制共同构成商业银行风险管理的闭环。风险预警是多种工具和处理机制的组合，是闭环管理中监测环节最主要的手段。前瞻性地发现各种风险隐患的源头，提前强身健体，做好预防，是风险管理的最高境界。在金融数字化转型过程中，商业银行运用机器学习（Machine Learning）技术，有助于构建早发现、早介入、早处置的风险预警体系，从而有效防范化解各种潜在的金融风险。

商业银行风险预警系统建设滞后

充足的风险信息、准确的风险分析、有效的风险处置是商业银行构建风险预警系统的主要目的。由于受到数据资源、方法工具、处理机制等方面的制约，目前大多数商业银行的风险预警都滞后于风险防控的实际需要。

商业银行风险预警系统的作用

收集信息。通过采集工商、司法、舆情、征信、抵质押等各种外部数据，并综合银行内部数据，筛选出与风险相关的有价值信息和行为特征数据，进一步整合加工成可识别、能量化的风险数据。

风险分析。结合不同业务、客群等特点，制定差异化的预警模型、预警规则及触发阈值，并运用历史违约样本进行回溯检验。将每个授信客户按照业务、客群等进行标签分类，再按照分类清单通过风险预警系统每天批量处理客户的风险信息，将超过阈值、触发规则的认定为风险客户，并以预警系统为载体加以传导。

风险处置。一旦客户的风险状况触发预警，商业银行将通过多种渠道及时告知相关人员，限期开展核查、处置、反馈及跟踪，对核查情况进行分级审批，实现预警信息闭环管理。对一些高风险等级的预警信号，商业银行将直接在业务系统对在途业务进行阻断或者控制，防止风险扩大和蔓延。

当前商业银行风险预警系统的局限性

预警滞后。由于受到渠道和手段的限制，许多商业银行风险预警系统收集到的信息不充分、不准确、不及时。当风险信息推送到银行经营机构时，相关风险事项大多已经发生，导致预警系统的前瞻性不足。

预警被动。许多商业银行运用先进量化分析工具进行预警模型、规则开发的能力不足，设定的模型、规则主要依赖工商、司法、征信等外部表象信息，被动取决于数据来源方对风险的判断，自身预警的主动性不足。

预警失灵。一些商业银行尚未建立涵盖信息收集、风险分析、风险处置以及后期评价的闭环管理机制，风险预警的模型、规则更新不及时，迭代周期较长，难以适应外部环境和风险特征的变化，功能衰减明显，预警的准确性较低。

运用机器学习提高风险预警的效用

针对商业银行风险预警的现状，江苏银行积极尝试运用机器学习技术来提高风险预警系统的前瞻性、主动性和准确性。所谓机器学习，是一类算法的总称，这些算法从大量的历史数据中挖掘出其中隐含的规律，更具体地说，机器学习可以看作寻找一个函数（模型），输入的是大量样本数据，最终输出算法预测的结果。不同于单纯的逻辑回归方法，作为人工智能的核心，机器学习可以通过模拟人脑或者采用人类的方法（比如数理统计方法），使计算机具备自动学习能力，利用相关算法从不断扩大的已知数据中掌握规律、预测未来（见表1）。把机器学习技术应用于风险预警，将有助于商业银行突破当前预警系统的局限性，提升预警的主动性、前瞻性和准确性，扭转预警被动、滞后和失灵的局面。

一是主动预警。运用机器学习可以帮助商业银行自动整合挖掘所掌握的各种样本数据资源，建立标签体系，确定预警指标，构建预警模型，实现主动预警。商业银行基于企业违约样本，梳理违约企业工商变更、司法诉讼、财务波动、网络舆情、外部处罚等风险信息，利用大数据将多维度、大范围的风险信息加工为可解释的风险特征标签，再由机器学习算法自动设定预警指标阈值，自动筛选出贡献度高的标签。

二是提前预警。机器学习算法通过检查大量样本并进行多次迭代后，构建能够最大程度地减少损失的模型，目标是找到风险特征标签和贷款是否违约之间的映射关系。银行定期将当前企业风险标签数据输入模型，通过模型结果的输出来预测企业未来逾期的概率，有助于提前发现、介入和处置风险。

三是精准预警。根据企业每月实际出险结果，判断模型效果衰减情况（即模型召回率是否低于预定值），如果召回率低于预定值，则通过增加样本数据和自动调参等方式，自动训练模型，直到模型效果达到预定值，自动替换原有模型，实现模型的自动迭代更新，保持模型高准确性，实现精准预警。

运用机器学习强化风险预警的实践

江苏银行的机器学习风险预警模型开发工作于2020年7月完成，随后在全行范围内进行模型验证和应用，按月预测高风险企业名单。在对公企业预警方面，该模型的应用取得了初步成效。

一是识别潜在风险客户，避免潜在损失。自模型上线以来，江苏银行风险预测平均提前量约为2.4个月，利用风险预警模型累计预测高风险客户1700余户，有效识别潜在风险客户700余户，有效帮助分支机构提前介入风险化解处置。

二是强化多渠道数据融合，构建对公企业风险标签库。江苏银行结合机器学习预警模型的建立，初步建成具有应用价值的风险特征标签体系，包括263个行内特征标签和716个外部标签。综合行内的企业基本数据、企业决策人数据、授信业务数据、企业财务数据以及外部的征信和司法等数据，江苏银行机器学习风险预警系统实现了对公企业风险特征的精准画像。

三是根据模型输出结果，生成排查方向建议。银行结合贷款对象的风险特征标签，可以有针对性地进行风险识别，提升风险排查的效率。

四是建立“识别—下发—排查—处置—反馈—优化”闭环管理流程，形成按月排查、日常报告的风险管理体系。江苏银行每月通过风险预警模型批量处理高风险客户名单，并下发到各分行逐一进行风险排查；根据每月排查结果，通过新增正负样本及调整模型参数，系统会自动进行迭代优化，并将优化的模型进一步应用到下一个月的预测当中，从而形成风险闭环管理。

进一步挖掘机器学习风险预警模型的潜力

目前，利用机器学习强化银行风险预警体系的研究成果主要应用于贷后阶段的信用风险预警，江苏银行在这方面已经取得初步成果。但从研究方法和应用价值来看，机器学习风险预警模型还有很大的潜力可挖。

从研究方法上看，机器学习风险预警模型基于“现象—数据—模型—预测”的推理逻辑而构建，其中数据是关键要素。模型的作用就是找出相对最有价值的数据，但“矮子里挑出的高个不是真正的高个”。目前，受数据来源、历史数据回溯等限制，商业银行的数据范围还局限于表象层次和客户维度，一些具有潜在价值的内外部冷数据（如行为数据、地区数据、行业数据等）尚未用于风险特征标签加工。未来，商业银行应当着力扩大数据基础，帮助机器学习风险预警系统扩大搜寻范围，及时发现和预测更多风险隐患。

从应用价值上看，风险管理不仅仅是贷后预警。商业银行应当尝试把预测结果、模型乃至特征标签置于风险管理的整个链条当中加以利用，从而使机器学习风险预警系统发挥更大的价值。比如，推动一库多用、一模多用，借助特征标签库进一步完善客户风险画像，更精准地量化客户风险等级，提高贷前调查能力，改善贷中决策质量。此外，开辟风险排查新路径，围绕模型预测贡献度较高的标签进行排查，抽丝剥茧，顺藤摸瓜，精准打击，切实做到防患于未然。■

（责任编辑 张林）