商业银行算法防范非系统性风险中机器学习模型的应用,计算机应用技术论文

机器学习论文范文第五篇：商业银行算法防范非系统性风险中机器学习模型的应用

　　摘要：金融科技助力银行降低客户的管理成本。疫情下，针对如何有效利用算法防范非系统性风险，收集某家银行近一百二十多家企业的进、销项发票和相关贷款年利率与客户流失率之间的历史数据；实证了商业银行可采用统计分析方法分析衍生指标的业务逻辑；得到AUC0.89评分的机器学习模型，但也对约15%的正常企业出现违约的判断（模型风险）；构建了R-Square为0.98的拟合函数，描述贷款年利率与不同信誉评级下客户流失率，指导贷款策略和计算预期损失（经济资本）。

　　关键词：逻辑斯蒂回归：机器学习：监管科技；

机器学习

　　作者简介：麦庆达（1998-），男，广东省广州市人，广东培正学院经济学院2018级金融工程专业，研究方向：金融工程、异常检测、机器学习和数据管理。；

　　广义上的金融工程不仅为银行面临市场、信用等风险的企业贷款工作提供新的测量工具，其在金融科技的应用更为缓解小微公司融资压力提供了有效的传导路径。同时为了应对疫情造成的经济下行压力，金融监管部门均采用了放松银行监管、推迟债务偿还和加大信用担保等策略，如：下调逆周期资本缓冲比例使银行优化其为企业融资的功能，推迟实施修订后的各类业务披露要求以减缓银行运营负担和加强部门与国际等联动，提出针对性强的援助方案。在"求稳"状态下，考虑对贷款的疫情因素并扩大放贷总规模时，通过宏观指标、情景压力测试和大数据分析等方式量化风险，是商业银行重要的研究课题。

　　1. 文献综述

　　最早的风险模型基于现代投资理论。为了给出模型最优的贷款分配决策，利用Monte Carlo模拟对关键参数如贷款期限内各年度的收益率和标准差等进行获取，并且人为地加入各类约束条件，如Va R风险限额、国际惯例的法律法规和经营管理等，最后建立收益最大化为目标函数并计算[1].从2008年金融危机开始，国际会计准则理事会（International Accounting Standard Board,简称IASB）针对与Basel框架下的EL（预期损失）=PD（违约概率）*LGD（违约损失率）*EAD（违约风险敞口）建立了预期信用损失模型，提出IFRS9等新的减值计提方式；相关研究[2]认为实施新的信用风险监管模型，涉及的损益和信用风险需要集合财务和风险管理两大部门分布的数据计算系统，在操作上需要考虑不同资产相关参数的预测能否满足历史数据上的充分性和可靠性；学者[3]据此认为新的监管会影响国有银行和股份行的贷款策略，提出商业银行应该重新审视市场的风险敞口、加强"以公允价值计量金融资产当期损益变动"类资产DV01的动态预警等作出前瞻性判断，鼓励商业银行使用利率衍生品进行风险的对冲，并要求进一步加强对客户的信用评级能力。

　　而防范系统性风险的关键在于金融机构之间的关联网络，研究者[4]通过因子分析法测度、系统风险因子归因法去分解溢出的因子负荷，构建并检验系统内单一金融机构对系统性风险的贡献程度。有学者[5]针对企业间的担保关系进行复杂网络理论下的指标测度：从担保的角度出发，构建评价网络抵御风险能力的稳态风险密度和风险传播速度两大指标，但具有一定节点选取的主观性和计算上的复杂性。

　　2. 理论分析与研究假设

　　金融风险的测度理论体系经历了三个发展阶段；从金融衍生品的"希腊字母"监控利率变动与产品价格之间的关系，并刻画不确定性特征；到现代提出的四个风险公理：单调性、一次齐性、平移不变性和次可加性；最后是ES和Var仅在损失的区间上计算最大损失或平均损失，对与指导个别银行业务时不具有特殊性。因此，有必要加入机器学习模型，对风险监管提供金融科技解决方案。实证的目的主要是从经济资本（Economic Capital）的角度出发，而实践中可考虑计提的损失是否满足巴塞尔协议的监管资本。相较于不同的风险计量方法，机器学习算法可以实时针对用户的可追溯历史数据，去更新用户的信誉评级；这种对预期损失的前瞻性、客观性观测，是传统基于随机模拟、信用转移矩阵所不具有的。

　　假设1:商业银行的利润计算过程中，若真实场景下客户并未发生流失，但计算利润时已经按照损失率计提了部分利润，那么可以直接认为利润减值就是监管下防范流动性风险的计提。

　　假设2:考虑到欺诈场景下的样本数据失衡，应该尽量采用异常检测算法（anomaly detection）、基于不同抽样技术的学习算法或者其他能够调整模型bias的机器学习算法；区分不同信誉等级用户情况下，帮助前中台设计贷款年利率产品，并建立风控指标进行内部监管。

　　3. 实证研究

　　需要注意的是，模型运算前，输入变量均进行了标准化，具体公式为：（X-X_mean）/X_std,计算时分别对特征变量进行运算。数据来源于某商业银行收集的123家企业进销项发票数据、商业银行贷款利率与不同信誉等级A级、B级和C级客户的流失率，构建输入变量发票作废率、信誉评级、销项发票作废率、销项负数发票率、销售收入增长率、交易次数O、历史销项税额O、企业平均所交税额O、交易次数I和企业平均所交税额I.实验使用SAS9.0、Origin Pro 2019b和Python3.7.建立违约概率公式（1）PD（Probability of Default），其中X为输入的控制变量矩阵。

　　3.1 描述性统计与检验

　　特别在欺诈场景中，尤其需要考虑样本不平衡的数据集。在该实验数据中，正负违约样本的比例为1:3.6.实验为了简化分析过程，不再赘述变量间的统计学含义，回归前发现方差膨胀因子小于10,变量间不存在多重共线性，但回归过程中仍会出现奇异矩阵（最后解决方案是加入噪声）；Durbin Watson检验输出值2.085,变量之间不存在自相关，同时white检验结果拒绝原假设，认为变量间存在异方差。

　　3.2 模型结果与参数寻优

　　银行放贷的决策首先要对企业违约的概率进行预测。因此机器学习模型应该以某些企业发生违约行为的观测点作为正样本。而参数需要在实验数据集上训练分类器，通过对每个特征的初始化，然后迭代运算找出最优的特征和数据集特征输入数量。在当前特征变量中修剪掉对模型预测贡献度低的特征。以RFE贪婪优化算法作为目标函数，找到模型性能最佳的特征集合。运行结果特征数在第5个时，能够达到得分最高。针对二分类问题评价指标，采用机器学习中的ROC/AUC评价指标，建模的结果：其中Sensitivity（指在所有真实结果为正的数据中，模型预测出来正值的比例）第一次大于0.95.模型的逻辑回归预测准确率（预测出所有企业行为的类别：违约或不违约的状态）达到0.8、AUC（曲线下面积）达到0.89,预测能力较强。在应用该模型时，根据收集的企业进、销项票据和评级等历史数据提供的信息，设置概率阈值为0.408,可以准确预测出100%的企业违约样本，但是也会错误作出约15%的正常企业出现违约的判断（模型风险）。在业务中考虑衍生变量在逻辑斯蒂回归模型中的权重，可参考。正是根据上述预测出的概率Defaulti,建立数学公式（2）商业银行风控部门可以对中小企业进行贷款数量的确认变量；同时，根据年利率与用户流失的历史数据，绘制出信用评级A,B,C的不同客户流失率与商业银行贷款年利率图像。根据拟合函数公式可拟合得出函数，如表1所示：

　　表1 不同等级用户流失率与银行贷款利率的关系拟合模型参数

　　由此，商业银行可通过建立函数方程式，拟合不同等级客户流失率与银行贷款利率的关系，若缺失内部的客户信誉评级，还可根据无监督学习如异常检测算法，利用历史数据对企业的信誉评级预测变量进行多分类问题的建模。在已有（或获取）信誉评级后，可以直接使用Logistic模型对客户违约率进行预测计算，也可以仅根据企业的进、销项数据进行衍生特征的计算，得到客户违约率并根据公式计算loank,其中k∈N,为会计准则监管下的第k笔贷款。最终，建立银行利润最大化的关系式profit=ibest_i nterest×loank×（1-Lossi），其中，profiti代表单个贷款企业提供的贷款利润，Lossi代表拟合模型下得出的不同信誉用户的流失率；best_int erest可由银行根据同业拆借市场、央行贷款准备金率和监管保证金比率等进行自由浮动。以上，商业银行的中小企业贷款业务在系统的模型构建下完成[6],其中涉及的企业数据更是需要贷前、贷中和贷后不断监管，在利率市场化指导下，进一步监控风险。

　　4. 结语

　　通过实证研究发现，企业的违约概率、信誉评级是银行风控部门需要关注的关键指标。在特殊环境和条件下，随着政策建议小微企业贷款延期还本付息和发放更多普惠小微企业的信用贷款，商业银行或政府监管部门能否对贷款企业运营状态数据的及时分析、监控并采取措施，是决定商业银行信用风险大小是否被及时发现、缓解并避免上升为系统性风险的关键动作。除此以外，在实证过程中，可以有效结合数理统计分析方法和大数据下的"黑盒"算法，用于提高业务数据特征的可解释性和提高对高维度数据的整合运算；配合巴塞尔协议与商业银行高层的战略目标，有效制定企业的数据生命周期的管理方法，不断在风险测度的单调性（优质资产风险更小）、一次齐性（可按倍数放大）、平移不变性（即对冲投资组合的损失需要提供准备金）和次可加性（风险管理的有效性）上开发适合内部使用的监管模型，结合压力测试等多种手段，有效提升监管科技效用，是严格控制风险、降本增效和精细运营的必然手段。

　　参考文献

　　[1]迟国泰，郑杏果，许文基于Monte Carlo模拟和VaR约束的银行资产组合优化模型[J].系统工程理论与实践， 2006（26）：66-75.

　　[2]李峰，吴海霞。 IFRS 9预期信用损失模型对银行业的影响与实施建议[J].证券市场导报， 2015（12）：45-50.

　　[3]苗晓宇。 IFRS9的实施对上市银行资产负债管理的影响研究[J]华北金融，2021（1）：42-48.

　　[4]张艾莲张阳金融机构关联网络、风险溢出与系统性风险[J]上海财经大学学报， 2020（2）。-65-79.

　　[5]罗刚，赵亚伟，王泳基于复杂网络理论的担保网络风险传播模式[J]中国科学院大学学报， 2015（32）：836-842.

　　[6]麦庆达黄小敏区块链+分布式商业打破数据孤岛"的工程性研究[J.中国经贸导刊（中），2020（06）：140-143.

返回本篇论文导航