银行内评模型构建的全流程指导：非零售评级模型

作者：相信未来

来源：泓策投研手札（ID：FinanceBao）

评级是艺术，但你废掉另一只腿科学，直接和我开聊艺术和分析框架我就难以信服了，两者不矛盾，你为什么不和我聊聊科学？前述文章中谈及了数据治理问题(大数据信用风险管理操作手册)，以及内评模型验证问题(内部评级模型验证方法全解析)，本文则详细叙述银行内评模型建模的全流程（债券评级模型有自身特征），欢迎来怼。

客户评级模型的开发过程可以分成数据分析、业务定义和样本选择、模型分组、变量构造、变量分析、模型建立、模型校准、模型验证和主标尺等几大步骤。

逻辑回归模型是目前业界最为常用的评级模型方法。

（一）数据分析

评级模型的目标是利用历史数据建立客户基本情况以及行为特征(自变量)与客户违约(因变量)之间的函数关系，从而预测客户未来的违约行为，所以评级模型的数据准备可以分为两大部分，一是构造自变量的数据，二是构造因变量的数据。可能构造自变量的数据分为五类：客户的基本面数据、客户财务数据、行为特征数据、经济环境数据和征信数据。

客户基本面数据，主要是公司客户当前的基本情况，包括公司历史、管理层情况、公司治理、财务管理技术、技术水平、人才队伍、对外担保情况等。

客户财务数据主要是三张财务报表，资产负债表、利润表和现金流量表，需要收集客户多年的财务报表，至少要最近两年的财务报表。财务数据可行度差一直是中国企业的老问题，相对而言，上市公司、大公司的经过审计的财务报表要可靠一些，中小企业的财务数据一定要甄别使用。财务数据质量差的还有两个方面，一是现金流量表缺失严重，二是有些客户的财务报表无法通过基本的财务关系检验，按照基本逻辑，即使客户不提供真实财务报表，其报表的平衡关系是肯定遵守的，但是很多时候，从国内商业银行IT系统中抽出的财务数据，相互之间的平衡关系并不成立，这反映了国内商业银行IT系统和数据质量管理水平较低。所以建模人员抽取财务数据后，一定要在数据的合理性、逻辑性等方面进行检查。

客户行为特征主要针对模型观察期内的银行已有客户，如果客户与银行有信贷业务关系，银行就能掌握客户在本银行的信贷历史情况，如果客户在银行开列了相关账户(基本账户、一般账户、专用账户)，银行就能掌握其相关账户的资金往来情况。这些数据(特别是银行负债类的相关账户)的质量好、真实性高、预测能力强，但是需要银行具有完善的数据仓库系统和良好的单一客户视图管理能力。

经济环境数据包括了宏观经济数据、宏观环境数据、所属行业相关情况、所属相关区域情况。宏观经济数据主要是GDP、工业增加值、固定资产投资、物价水平、社会零售总额等指标；宏观环境数据主要是宏观政策导向、政策法规、市场次序等数据；所属行业相关情况主要是客户在本行业的经济地位和行业总体的政策、经营、盈利、竞争等情况；所属相关区域情况主要是客户在本区域的竞争地位、政策支持和区域总体的宏观经济、市场环境等情况。

征信数据主要包括了公司以及法人的信用历史。

因变量数据主要是该客户在模型表现期的信贷历史。

关于数据收集的时间跨度的要求。

• 业务定义和样本选择

业务定义包括了违约、违约客户、以及观察期和表现期的相关定义。

关于违约的定义。商业银行可以通过违约数据的分析，审慎确定是执行信贷危机的标准、出发违约的贷款损失准备计提比例、贷款销售损失比例以及消极债务重组导致的债务规模下降比例等。例如规定超过该债务人所有未清偿(零售为应清偿)余额的5%(含)以上的债务为实质性信贷债务，若实质性债务违约则判定借款人违约。然而非零售敞口情况复杂，例如体制改革中遗留的历史问题、信息系统出错，即使给出了相关标准，总是存在一些技术性违约的例外情况，所以在明确规定的基础上，还要给客户经理一定的判断客户是否市值为月的自由裁定权，当然，自由裁定权需要谨慎使用，有变动的判断结果(即由违约变成非违约，或有非违约变成违约)应该由管理人员确认。

违约客户和正常客户。对于曾经发生过违约的公司客户，如果经过其自身一定时间的努力，财务状况明显好转，公司经营再次步入正轨，那么银行是可以继续和其开展信贷业务的，直接来说，要允许已经违约的客户“复活”。如果客户当前满足违约的定义，则定义该客户处于违约状态，如果客户在过去的一段时间内(例如1年)曾经处于违约状态，则定义该客户为违约客户，反之，为正常客户。

自变量是利用观察期内客户的基本情况和行为特征来构造的评价指标，而因变量是客户在表现期内的信贷表现。对于非零售敞口的客户评级模型，表现期定义为1年，而观察期的长度不确定，与自变量应用的信息的实际长度有关，例如对于客户基本面情况，只是需要观察期末的时点数据；而对于财务情况，就可能需要2—3年的财务数据才能够构造合适的财务指标；对于信用历史情况，数据有多长就用多长。

实际建模过程中，要注意观察期和表现期之间的空档期问题。财务指标是客户评级的重要变量，企业规模越大，财务指标的权重占比约稿，一般评级模型采用的财务指标来自于一定滞后性的客户年报，例如2018年初进行客户评级时，由于2017年报一般至少要到2018年3月才能发布，因此在评级模型的实际应用中，在2018年3月之前的评级只能采用2016年之前的年报，而2018年3月份之后的评级才能采用2017年报。为了保证模型的有效性，在建模样本观察期和表现期的安排上也应该类似评级模型实际应用时候的情况，例如当观察期利用的是2018年报，那么表现期就从2019年3月开始。

模型训练样本应该包括足够的正常客户样本和违约客户样本，首先，观察期内(不仅仅观察期末)的所有违约客户都应该排除在外，然而，在剩下的客户中， 表现期内的正常客户为正常客户样本，表现期内的违约客户为违约客户样本。

（二）模型分组

公司客户模型一般可以从客户成立时间、行业、规模、区域、产品等维度进行分组，具体在各个维度如何分组的标准，应该包括经济学直觉、业务管理情况、数据来源、统计分析几个方面。在经济学直觉和业务管理方面，主要考虑从业务和风险本质是否必须要分组，例如专业贷款和一般公司客户贷款；如果数据来源差异非常大，也必须分组，例如新成立客户和老客户；在统计分析方面，主要考虑组与组之间的违约率的分布情况，以及组与组之间的模型是否存在结构性的差异。

按照客户的历史可以分为新成立的客户模型、新客户模型和一般客户模型。所谓新成立客户，是指成立未满一年的，无完整会计年度财务信息的企业，需要建立专门的评级模型。一般来说，商业银行并不是风险投资机构，对于新成立企业的信贷业务开展是相对谨慎的，有些银行都不把成立未满一年的企业计入客户营销范围，而新成立客户则规定为成立超过一年但是未满两年的企业。严格来说新成立客户应该是成立后开始实际生产未满一年(或两年)的，因为有些公司成立后并没有立刻开始经营。所谓新客户是指第一次到本银行来办理信贷业务的客户，该客户可能已经成立了很多年，但是相对本银行来说是新客户。对于一般客户而言，新客户缺少其在本银行的信贷历史数据，需要建立专门的评级模型，或在一般评级模型应用是进行专门的处理。

行业分组，按照《国民经经济业分类》国家标准，总共具有20个行业门类，95个大类。商业银行的信贷业务并不在行业间均匀分布，一般主要集中在制造业、能源、交通运输、房地产、建筑等行业，所以要根据商业银行的行业信贷规模情况，对于信贷规模小的行业要进行归并处理，而对于信贷规模大的行业要按照进行适当的拆分。一般按照金融机构、事业单位、房地产、制造业、能源、交通运输、建筑、批发零售行业进行分组。

 《国民经济行业分类》国家标准的行业门类

在企业规模方面，大型企业和中小企业的信用行为特征差异比较大，所以客户评级规模还需要按照企业规模进行分类。可以应用财务数据总资产、销售收入等作为规模划分的标准，由于这些财务数据在不同行业之间差异比较大，例如贸易公司相对于制造企业，总资产较少而销售收入较高，所以规模划分可以按行业分组结合起来考虑。一般来说，商业银行为了满足内部管理需要，都有明确的规模化的标准，计量模型可以遵循行内相关标准。另外，无论规模大小，对于集团客户也需要单独建模。

中国银监会规定中小企业风险暴露为商业银行对年销售(近3年销售的算术平均值)不超过3亿人民币的债务人开展授信业务形成的债权，那么是不是3亿人民币称为规模划分的必要标准？在这一点上，监管明确表示，这些规定(包括其他类型的规定)只是为了监管资本的计算，允许银行在规模计量和内部管理中采用不同的标准，实际上由于评级模型的输入结果统一到违约概率的客观标准上，两者划分标准的不一致并不会带来什么问题，也不会违反《巴塞尔协议》的应用测试原则。

中国地大物博，不同区域间，特别是经济发达和不发达地区之间，在经济和信用环境方面差异比较大，在数据量允许的情况下，可以考虑建立区域差异化的评级模型。区域划分最为直接的单元是一级分行，不过就目前国内数据情况来说，除了业务量领先的个别分行，大部分分行的数据量是不够建立模型的，而且如果每个分行都建立评级模型，模型管理量也非常大，所以可以按照经济圈建立区域差异化的评级模型，例如珠江三角经济圈、长三角经济圈、环渤海经济圈、东北三省、西南地区。

在产品方面，专业贷款是公司敞口一个特殊的子类，其项目融资、物品融资、商品融资和产生收入的房地产四个子类，都必须建立独立的模型。

模型分组实际上是模型颗粒度的选择问题，从理论上来说，分组越多，模型越精细，越能反映该自信贷组合的特征，对于风险的敏感性越强。但是分组越多，对于数据量的要求就越高，单模型的数据量越少，模型的稳定性就越差，所以实际操作中，并不是分组越多越好，有个度的选择的问题。由于分组维度比较多，综合考虑后，分组数目是庞大的，例如假设在规模、行业、区域三个维度各分4组，那么也将有4*4*4=64个模型。

中国金融机构都处于风险计量的初级阶段，在保证一定的风险敏感性情况下，应强调模型的稳健性。所以，对于本质差异的情况，例如新成立客户和一般客户、金融机构和房地产企业，必须要建立独立模型，在规模、行业、区域和产品分组方面，宜粗不宜细。然后随着数据量和数据质量的不断提高，持续地细化和优化计量模型，在保证模型稳定性的前提下，不断替身模型精确性和风险敏感性。

（三）变量构建

变量构造的目的是尽可能多地构造变量，以供统计模型选择，所以只要有可能成为风险驱动因子的变量，都应该加以构造。要结合中国的经济环境、征信数据环境、法律环境和客户情况，采用访谈客户经理、审批人、风险经理等业务人员和头脑风暴会议的方式来充分地挖掘潜在变量。

虽然统计模型只是用于定量指标，但是定量的财务和账户指标往往不能完全反映公司的信用风险，很多定性因素也是非常关键的，例如公司治理结构、经营者素质、行业政策等，所以公司评级模型框架往往由定量和定性两部分指标构成。其中，财务比率变量和账户行为变量以定量为主；基本面变量和特例调整以定性指标为主；宏观经济、行业和区域变量包括定量和定性的指标。对于定量指标，使用统计模型寻找和拟合风险驱动因子，对于定性指标，则保留专家打分卡的形式，当然，也可以使用统计技术帮助进行专家打分卡的设计。

定性指标与定量指标

变量构造要结合模型分组情况，应该根据每个模型的行业、规模等特性进行专门的变量构造。

以中小企业为例，其相对于大企业，具有如下特点：

(1)     客户数量大，信贷金额小，违约率高；

(2)     财务制度往往不够完善，财务报表的可信度较低；

(3)     实际控制人的个人资金活动同企业自身的资金活动没有严格区分，企业真实的资金活动较难被掌握；

(4)     经营的灵活性高，经常在不同行业之间进行转换，行业特征不明显；

(5)     实际控制人的个人诚信对于中小企业的信用水平影响较大；

(6)     经营发展具有很大的流动性。

因此中小企业的变量构造要重点在账户行为特征、客户基本面、实际控制人的信用状况、区域特性等方面下功夫。相对来说，大型企业的变量构造则更加重于财务状况、垄断地位等。

再例如新成立客户，由于没有财务(或很短)数据和信贷历史，其评级自变量主要集中在基本面和外部环境方面。

特别地，在构造定性指标时要尽量标准化、客观化和定量化，其主要穆迪一是保证不同的评级人员应用评分模板的一致性和客观性，而是防止评级人员通过指标的选择故意抬高评级结果。

1、财务状况

财务状况自变量构造可以包括偿债能力、资本结构、运营能力、盈利能力、现金流、成长性、规模等方面。在构造时，需要注意以下几个方面：

(1)     构造变量要全面，各类可能的财务比率都要进行构造。

(2)     要分行业进行财务比率变量的构造，构造时要注意行业的特性，例如房地产企业要特别关注其现金流的情况，可以构造在建开发产品占流动资金比率等指标。

(3)     最常用财务比率不一定是个最合适的选择，对于同一个财务比率需要构造多个姓氏，例如资产负债率可以构造三个形式：

a. 总负债/总资产

b. 总负债/(总资产-少数股东权益)

c. (总负债-或有负债)/总资产

(4)     注意缺值和分母为另的处理。

2、账户行为

账户行为变量主要针对银行已有客户，可以在存款账户行为、信贷账户行为、其他客户关系三个方面进行构造。

账户行为变量构造

3、客户基本面

客户基本面指标可以从公司经营状况、公司治理、财务管理、发展潜力、对外担保、公司管理层等方面进行构造。

4、宏观经济、行业和区域变量

宏观经济、行业和区域变量用于放映客户的经营环境。宏观经济变量可以利用宏观经济数据直接构造，其中要注意增长率应该尽量使用直接收集到的数据，而收集绝对值进行计算而得，例如GDP增长率是在两年GDP的基础上进行货币价值调整后得到的。

宏观经济变量构造

所属行业相关数据可以构造定量和定性两部分数据，定量方面包括了行业财务风险、行业信贷质量，定性方面包括了行业总体的政策、经营、竞争等情况。

所属行业变量构造

所属区域相关数据也乐意构造定量和定性两部分数据，定量方面包括了区域宏观经济指标，定性方面包括了客户在本区域的竞争地位、政策支持、区域市场环境情况。

所属区域变量构造

5、特例调整

特例调整的主要原因是某些特殊或突发事件并不适合构造评级模型的直接指标并设置相关权重，但是其一旦发生会对客户信用风险产生重大影响。特例调整指标通过新用途级别调整来体现，从风险审慎性的角度出发，一般来说，特例调整指标主要针对客户有重大不良影响的特殊或突发事件，因此特例调整多为向下调整，或有级别上限的要求。

特例调整指标属于模型的范畴，经过特例调整后的评级结果属于模型输出结果，这和先问讲述的评级流程中评级人员根据自己的经验和掌握的信息对模型评级结果进行调整和推翻不同。

特例调整指标构造：

审计结果为否定意见或者拒绝发表意见

企业、主要股东或关联企业超能力对外担保

不正常的关联交易或资金往来

存在资本金抽逃、挪用的情况

融资主体与还贷主体错位

重大事故或经济纠纷

（四）变量分析

1、特殊情况处理

数据特殊情况主要包括数据质量、缺值、异常值等情况。

数据质量可以通体数据之间的内在逻辑进行校验(例如财务报表的平衡校验)，或可以通过分布情况检查其合理性。对于数据质量比较差的样本，要进行删除处理，但是如果删除比率比较高，就要审慎处理，应该进一步分析删除行为会不会导致样本有偏。但是无论如何，在建模阶段处理都是亡羊补牢，数据质量本质还是需要从源头上来解决。

如果数据缺值比较严重，可以选择合适的样本进行数据补录。应该选择熟悉客户的客户经理作为数据补录人员，并要进行充分的培训，避免因为理解原因导致补录数据错误，培训要注意强调补录历史试点的数据，而不是客户的当前状况。一般的数据缺值可以通过差值法或比类法填补(例如取消该客户同类的中位数，所谓同类，可以为同规模大小、同行业、同区域、同违约情况)。另外，要注意零和缺值的区别。

比率是一种比较常见的变量构造，但是如果坟墓分子为零或负值，僵尸的比率出现异常值，例如，预收账款/销售收入比率，如果销售收入为零，则该比率无意义；再例如，资产负债率定义为负债/资产比率，该值应该越小越好，但是在负债为负值的情况下，资产越多，该值越大，该比率无效。所以在计算变量的时候，需要把其异常值进行专门的标记，例如：

(1)     分母为零时，标识为-99；

(2)     分母分子同时为零时，标识为-88；

(3)     分母小于零时，标识为-77；

(4)     分子小于零时，标识为-66；

(5)     分母分子同时小于零时，标识为-55.

然后根据标识对指标进行适当的处理，有些情况建议直接删除样本，有些情况可以根据比率的经济学含义利用极值替代，可以选择最小值替代，也可以选择最大值替代。

分步处理有利于检查特殊值的情况，也方便未来重检和修订替代处理，这是模型建设和数据处理的经验之谈。

更为广义的异常值是该指标取值远远偏离正常范围，这些异常值的存在会影响模型训练，需要进行适当的处理，一般是采用极值替代法。确定异常值的第一步是正常范围的确定，可以采用直方图分布的方法，选择合适的分位点(例如1%和99%)为正常范围的参考值，然后由专家结合经济学含义和财务本质，给出各个指标的正常范围(最大值和最小值)。极值替代法就是对于大于指标最大值的取值全部取最大值，对于小于最小值的取值全部取最小值。

2、单因素初步筛选

由于构造变量比较多，首先进行单变量初步筛选，以减少后续分析步骤的工作量。利用逻辑分析单变量回归，分析变量的回归结果，选择满足条件的自变量进入后续环节：

(1)     回归系数是否统计显著，一般判断统计是否显著的标准是P-value为5%，考虑到该项工作只是初步筛选，统计上显著的P值可以降低标准(例如20%)。

(2)     回归系数是否与经济学含义一致，所谓经济学含义，例如随着销售收入的增加，违约率应该境地。根据经济学含义剔除变量时要小心分析，不要过于相信经验，也许以前的经验是错误的。

(3)     模型应用时，数据获取是否具有特务可操作性。

实际上，特殊值处理的工作量非常大，所以有时候建模人员甚至将单因素初步筛选在特殊值处理步骤之前进行，但是特殊值处理会影响单变量回归的结果，所以要审慎进行。

3、 标准化

均值-方差方法：

上下限方法：

4、logistic模型

逻辑回归假设似然比自然对数与解释变量之间是线性函数关系，但是实际中，线性函数关系假设不一定成立。

假设似然函数比的自然对数是的二次项函数：

其中，为p*p的对称矩阵

业界更多应用的是该模型。

（五）模型建立

1、定量模块

需要考虑多重共线性问题以及模型的经济学解释，要从经济学角度观察模型的详细结构：例如是否合理地包括各方面的相关信息，在某个方面的变量是否过多，变量的系数大小和符号是否合理等。总之，变量选择过程要结合统计分析和专家经验。

定性模块

构建模型时，发现很多定性因素非常重要，例如公司治理结构、经营者素质、行业政策等。一般的统计方法无法处理这些定性指标，而层次分析法为定性指标的决策和排序提供了一种简洁实用的建模方法。

层次分析法(Analysis Hierarchy Process, AHP)是美国运筹学家赛迪(T. L. Saaty)教授于20世纪70年代初期提出的一种多准则决策方法，特别适用于那些难以完全定量分析的问题。

层次分析法的工作步骤可以分为定性指标结构构造、专家打分、一致性检验和权重计算四个步骤

定性指标结构构造

构建指标的层次结构

层次结构将复杂问题分解成容易理解和分析的定性指标体系，是下一步工作的基础。层次结构的曾次数和各层的指标数与问题的复杂程度及需要分析的详尽程度有关。但是曾系数和各层的指标数不宜太多，不然会给后续的两两比较判断带来困难。

指标的甄别

第一，定性治疗是否显著的风险驱动因子，在构造定性指标时，会发现很多定性指标都和风险有关，这就需要判断指标对于风险驱动的显著性。

第二，定性指标数据的可获得性与可操作性。如果数据获取成本太高，可以考虑舍弃该指标。

第三，定性指标的针对性。虽然从经济学意义上，某些指标可能是风险驱动因子，但是如果商业银行拿过的客户群在该指标取值都相同，则该指标没有区分能力，应该舍弃该指标。例如新成立客户评级模型指标：是否具备清晰可行的盈利模式。

第四，定性指标应该尽量标准化、客观化、定量化。一是保证不同的评级人员应用评分模型的一致性和客观性，二是防止评级人员通过指标的选择故意地太高评级结果。

2、专家打分

一致性检验

平均随机一致性指标

理论上，认为判断矩阵具有满意的一致性。

（六）模型校准

模型校准包括样本校准和集中趋势校准两部分

1、样本校准

模型建立后可得模型输出结果和其对应的违约表现，类似于迷你模型按照分值进行你样本分组得到违约率直方图

2、集中趋势校准

由于建模样本和总样本的平均违约概率并不一致，需要集中趋势校准

巴塞尔II监管的稳健性要求出发，模型结果应该校准到多年样本总体的平均违约概率

（七）模型验证

建立的评级模型，在建模样本的预测能力上表现可以，但是在实际环境应用中是否依旧稳健有效模型验证是建模过程中至关重要的步骤，是控制模型风险、检验模型是否真的文件有效的重要手段。评级模型的验证指标一般采用KS、ROC、AR等衡量模型有效性的指标。

为了验证模型在实际环境应用中的预测能力，需要进行组外样本验证，最好是时间组外样本验证。

（八）主标尺

商业银行设立内部信用评级主标尺的基本原则是客观性、独立性、稳定性和时效性：

(1)     客观性是指标吃只是违约概率与信用等级之间客观对应

(2)     独立性是指不同银行的主标尺可以不同

(3)     稳定性是指主标尺不宜频繁变动

(4)     时效性是指环境和客户群的变化，主标尺要进行适当的跟进修正

设立主标尺还要考虑如下：

(1)     满足监管当局指引的要求

(2)     不同级别之间要具有区分度

(3)     不同级别的违约概率差异不能太大

(4)     客户在各个级别之间具有合理的分布

(5)     满足银行内部管理的要求

(6)     能与国际公认的评级机构的级别相对应，以便于同行进行比较和资产管理

模型校准、验证、主标尺开发对内部评级也极为重要，将单独撰文详述。

注：文章为作者独立观点，不代表资产界立场。

题图来自 Pexels，基于 CC0 协议

本文由“泓策投研手札”投稿资产界，并经资产界编辑发布。版权归原作者所有，未经授权，请勿转载，谢谢！

原标题： 银行内评模型构建的全流程指导（二）：非零售评级模型