一种零售资产风险的计算方法及系统

技术领域

本发明涉及计算机技术领域，尤其是涉及到利用通信网络和计算机进行数据处理的技术领域，具体地讲是一种零售资产风险的计算方法及系统。

背景技术

信用风险是指债务人或交易对手未能履行合同规定的义务或信用质量发生变化，影响合同的执行，从而给债权人或金融工具持有人带来损失的风险。由于商业银行资产业务占银行所有业务的比重较高，所以信用风险是银行面临的最基本风险，精确地揭示与度量信用风险，对减少银行资金损失，提高经营业绩是至关重要的。银行面对快速增长的零售信贷资产业务发展，要对数百万的个人信贷客户和数千万的信用卡客户的风险进行管理。因此，能否客观、准确、高效的评价和预测银行零售资产的信用风险是银行的保持快速发展的关键。

近年来银行对法人客户的资产风险评价进行了很多方面的研究，取到了不少成绩，但对于零售业务资产风险的评估还停留初始阶段，不能有效地反映出零售资产预期的损失大小。

目前，银行对零售资产风险的评价主要依赖人经验，并主要借助电子表格程序(如Micrsoft Excel及VBA宏代码)等工具。这种处理方式存在下列缺陷：

1.数据采集完全依靠人工，工作量巨大，数据处理效率很低，受电子表格程序能力所限，难以进行大数据量的处理；

2.数据一般由个人进行管理，容易被破坏，数据的安全性没有保障；

3.对零售客户新申请贷款时主观判断占有很大成分，对其风险的评价没有一个统一的标准与计算模型；

4.数据难以实现共享，评价结果和经验难以提供给其他应用使用。

发明内容

本发明就是鉴于上述问题而提出，其目的在于，提供一种零售资产风险的计算方法及系统，以解决对零售资产风险的评价不够准确、且没有统一标准的问题。

本发明提供一种零售资产风险的计算方法，该方法包括：采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；接收所述源数据并进行信用评分处理和信用评级处理，生成信用评分结果数据；将所述信用评分结果数据存放到数据存储装置中供用户调用；调用所述信用评分结果数据以根据预定规则计算零售资产风险。

本发明还一种零售资产风险的计算系统，该系统包括：数据采集装置，用于采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系 统实时采集的申请时的客户征信数据；信用评分装置，用于接收所述源数据并进行信用评分处理和信用评级处理，生成信用评分结果数据；数据存储装置，用于存储所述信用评分结果数据并供用户调用；风险计算装置，用于调用所述信用评分结果数据以根据预定规则计算零售资产风险。

本发明实施例的有益效果在于，可控制银行零售资产的风险，可以大大减少银行信贷人员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性，并可以减少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行对申请进行逐个审查的人力资源，这对业务量大的信用产品尤为明显。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：

图1A所示的是本发明实施例1的零售资产风险的计算方法的流程图。

图1B所示的是本发明实施例1的零售资产风险的计算方法的信用评分处理流程图。

图2A所示的是本发明实施例2的零售资产风险的计算系统的结构框图。

图2B所示的是本发明实施例2的零售资产风险的计算系统的信用评分装置的结构框图。

图3所示的是本发明实施例3的零售资产风险的计算系统的结构框图。

图4所示的是本发明实施例3的零售资产风险的计算方法的流程图。

图5所示的是本发明实施例3的信用评分处理的步骤的流程图。

图6所示的是本发明实施例3的一个典型的细分评分模型的示意图。

图7所示的是本发明实施例3的信用评级处理流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。

实施例1

图1A所示的是本发明实施例1的零售资产风险的计算方法的流程图。如图1A所示，本发明实施例1的零售资产风险的计算方法包括：

S101：采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；

S102：接收上述源数据并进行信用评分处理和信用评级处理，生成信用评分结果数据；

S103：将上述信用评分结果数据存放到数据存储装置中供用户调用；

S104：调用上述信用评分结果数据以根据预定规则计算零售资产风险。

图1B所示的是本发明实施例1的零售资产风险的计算方法的信用评分处理流程 图。如图1B所示，在本发明实施例1中，上述信用评分处理的步骤还可以包括：

S105：根据上述源数据获取相关参数；

S106：根据上述相关参数，把行为模式相同或者类似的目标客户分为同一组，并通过细分不同业务种类自动构造决策树，其中决策树的构造采用层次递进方式，中间环节的各个条件是具体划分规则，最终节点是一个具体的评分模型，从而对不同组客户使用不同评分模型；

S107：对于每个客户或者贷款产品，调用对应的评分模型进行计算上述信用评分。

其中，上述评分模型采用如下的逻辑回归模型：

Y＝α+β1Y1+β2Y2+…+βnYn

其中，α是常数，β1β2…是系数，Y1、Y2是变量，Y是计算结果，α、β1β2…、Y1、Y2从上述相关参数中得到，

并且，在计算得到上述Y后，对于Y进行如下变形计算得到客户信用评分的分数：

SCORE＝round(1000/(1+e(-Y)))。

通过本发明实施例1，可控制银行零售资产的风险，可以大大减少银行信贷人员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性，并可以减少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行对申请进行逐个审查的人力资源，这对业务量大的信用产品尤为明显。

实施例2

图2A所示的是本发明实施例2的零售资产风险的计算系统的结构框图。如图2A所示，本发明实施例2的零售资产风险的计算系统包括：

数据采集装置201，用于采集源数据，该源数据包括从银行的各个业务系统采集的贷款、信用卡交易数据、客户资产数据，和从个人信贷系统和银行卡系统实时采集的申请时的客户、账户数据，以及从人行征信系统实时采集的申请时的客户征信数据；

信用评分装置202，用于接收上述源数据并进行信用评分处理和信用评级处理，生成信用评分结果数据；

数据存储装置203，用于存储上述信用评分结果数据并供用户调用；

风险计算装置204，用于调用上述信用评分结果数据以根据预定规则计算零售资产风险。

图2B所示的是本发明实施例2的零售资产风险的计算系统的信用评分装置的结构框图。如图2B所示，本发明实施例2的零售资产风险的计算系统的信用评分装置包括：

参数获取单元205，用于根据上述源数据获取相关参数；

决策树生成单元206，用于根据上述相关参数，把行为模式相同或者类似的目标客户分为同一组，并通过细分不同业务种类自动构造决策树，其中决策树的构造采用层次递进方式，中间环节的各个条件是具体划分规则，最终节点是一个具体的评分模型，从而对不同组客户使用不同评分模型；

计算单元207，用于对于每个客户或者贷款产品，调用对应的评分模型进行计算上述信用评分。

其中，在本发明实施例2中，上述评分模型采用如下的逻辑回归模型：

Y＝α+β1Y1+β2Y2+…+βnYn

其中，α是常数，β1β2…是系数，Y1、Y2是变量，Y是计算结果，α、β1β2…、Y1、Y2从上述相关参数中得到，

并且，在计算得到上述Y后，对于Y进行如下变形计算得到客户信用评分的分数：

SCORE＝round(1000/(1+e(-Y)))。

另外，本发明实施例2中，上述风险计算装置包括：信用评级单元(未图示)，其用于根据上述信用评分结果数据计算违约概率、违约风险暴露、信用转换系数、预期损失率、信用风险资本要求系数、非预期损失、风险加权资产。

其中，上述信用评级单元读入个贷及上述信用评分结果数据，将零售资产按资产池决策树划分到特定资产池，并赋予相应的违约概率。

通过上述本发明实施例2，可控制银行零售资产的风险，可以大大减少银行信贷人员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性，并可以减少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行对申请进行逐个审查的人力资源，这对业务量大的信用产品尤为明显。

实施例3

本发明实施例3提供一种零售资产风险的计算方法及系统，其采用逻辑回归及建立决策树的方法实现对银行零售资产风险的计量和评价，能够自动采集各个业务系统的源数据，并对这些源数据进行分析和处理，生成的评价结果数据存储在数据存储装置中。

图3所示的是本发明实施例3的零售资产风险的计算系统的结构框图。如图3所示，本发明实施例3的零售资产风险的计算系统包括：数据采集装置301、风险计算装置302、数据存储装置303。数据采集装置301与风险计算装置302之间，风险计算装置302与数据存储装置303之间可以通过内部网络连接。内部网络为企业的局域网，可以是以太网(Ethernet)，也可以是其它局域网，如光纤分布式数据接口(FDDI)、令牌环(Token-Ring)等。另外还可以通过租用专线等方式将其各个分支机构的局域网连接组成更大的企业内部网(Intranet)。

数据采集装置301可以是一台小型机或PC服务器，该装置以数据接口的方式从现有银行业务系统采集源数据(包括客户贷款的申请信息、资产信息、征信信息、交易信息等)，再通过内部网络传送给风险计算装置302。

风险计算装置302可以是一台小型机或PC服务器，负责将采集到的源数据进行评价处理。

数据存储装置303可以是一台小型机或PC服务器，存储风险计算装置302计算的评价结果的数据。

图4所示的是本发明实施例3的零售资产风险的计算方法的流程图。如图4所示，本发明实施例3的零售资产风险的计算方法包括：

步骤S401：数据采集装置301开始采集数据，从银行的各个业务系统(个贷、信用卡等)通过数据接口采集贷款、信用卡交易数据、客户资产数据；从个人信贷系统和银行卡系统通过数据接口实时采集申请时的客户、账户数据；从人行征信系统通过数据接口实时采集申请时的客户征信数据；并将这些采集到的源数据传送给风险计算装置302；

步骤S402：风险计算装置302将数据采集装置301采集的接口数据进行计量处理，计量处理过程包含信用评分处理和信用评级处理。

步骤S403：风险计算装置302将计量的结果数据存放到数据存储装置303。

图5所示的是本发明实施例3的信用评分处理的步骤的流程图。如图5所示，本发明实施例3的信用评分处理包括如下步骤：

步骤S501：获取相关参数。获取评价模型的常数、系数以及变量，其中常数、系数从数据存储装置303中获取，变量来自于数据采集装置301，对于这些变量还需要根据不同规则批量进行缺失值、异常值替换、变量变形等处理。

步骤S502：自动构造决策树。根据获取的评分模型、变量规则等参数，自动构造决策树。构造决策树的方法是：对于同一产品由于不同的申请人表现行为不同，通过细分变量把行为模式相同或者类似的目标客户分为同一组，对不同组客户使用不同评分模型，以区分不同的行为模式。不同的业务种类对应不同的评分模型调度方式，因此对应每种业务种类需要单独生成模型决策树。决策树的生成采用层次递进方式进行，中间环节的各个条件是细分变量的具体划分规则，最终节点是指定一个终节点并带有一个具体的评分模型。

决策树的层数和结构通过评价模型的常数、系数以及变量灵活设置，有较强的扩展性和重构性，可以任意调整决策树的结构。

例如：一个典型的细分评分模型如图6所示，客户被细分成三层，共5个体，这5个体也称最终叶节点(节点1、节点5、节点6、节点7、节点8)，对每个体(最终叶节点)分别对应一个评分模型，通过调用对应评分模型进行计算(如下表1所示)。

表1

步骤S503：调用评分模型计算。

对于每个客户或者贷款产品，根据步骤S502产生的决策树，从父结点所属变量进行遍历，判断下面节点是否为最终的叶子节点，直至到最终叶节点，根据最终的叶节点，调用对应的评分模型进行计算。

评分模型采用逻辑回归模型。一个典型逻辑回归模型为：

Y＝α+β1Y1+β2Y2+…+βnYn......式1

上述式1中，α是常数，β1β2…是系数，Y1Y2是变量(如：年龄、收入等)，Y是计算结果。α、β1β2…可从步骤201中得到，Y1 Y2从数据采集装置1中得到。

在计算得到上述Y后，对于Y进行如下变形计算就可以得到客户信用评分的分数。

SCORE＝round(1000/(1+e(-Y)))......式2

举例说明：某个信用卡客户(张三，年龄25、收入2500、定期存款1万元、无不良记录)，根据获取的客户参数(地区、信用卡专业、年龄段、是否有不良记录)自动匹配到决策树的节点，并对应到具体模型，根据模型获取其系数：α＝500，β1＝0.1，Y1是变量收入即2500)，代入公式计算客户评分Y：

Y＝α+β1Y1＝500+0.1*2500＝750分，得出该客户信用评分为750分。

图7所示的是本发明实施例3的信用评级处理流程图。如图7所示，本发明实施例3的信用评级处理是在上述计算出客户的信用评分后再进行的，其步骤包括：

步骤S701：违约概率PD计量。违约概率(PD)的计量是指计量每一笔零售资产在评级时点的违约概率或估计每笔零售申请在申请时点的违约概率。

步骤a：读入数据采集装置中的个贷、信用卡账户评级接口，以及上述风险评分处理已经计算好的客户信用评分；

步骤b：将零售资产按资产池决策树划分到特定资产池；

步骤c：每笔零售资产一旦归入特定资产池，则赋予相应的违约概率(PD)评估值。该评估值是经验值，是通过参数的方式存储在数据存储装置3中。

步骤S702：违约损失率LGD计量

违约损失率(LGD)的计量是指计量每一笔零售资产在评级时点的违约损失率或估计每笔零售申请在申请时点的违约损失率，其计量方法同PD计量方法相同。

步骤S703：违约风险暴露(EAD)和信用转换系数(CCF)的计量。违约风险暴露(EAD)的计量是指估量每一笔零售资产在评级时点的违约风险暴露或估计每笔零售申请在申请时点的违约风险暴露。其具体计算流程如下：

步骤a：读入数据采集装置中的新申请和存量的个贷、信用卡账户评级接口，以及风险评分处理中已经计算好的信用评分；

步骤b：依次判别风险特征变量：“资产类别”、“违约状态”，然后选择计量公式进行计算。对于QR类、非违约资产，进行计量前需要先计量该笔零售资产CCF值；

步骤c：计量EAD。

违约时点/评级时点的贷款余额＝指违约时点/评级时点的贷款本金+应还利息+应付费用的和。

透支余额＝透支本金+应还利息+应付费用。

透支余额的特殊处理：如果没有透支或有存款，则透支余额为0。

违约时点/评级时点的贷款本金、应还利息、应付费用；透支本金、应还利息、应付费用都从数据采集装置1中得到。

具体计算公式如下：

(1)存量零售资产的EAD计量公式如下表2所示：

表2

(2)申请零售资产的EAD计量如下表3所示：

表3

信用转换系数(CCF)的计量，是指计量在一定时期内从评级时点到客户违约时可能增加使用的风险暴露。CCF计量的方法同PD/LGD计量方法一致。

步骤S704：预期损失率(EL Ratio)和预期损失(EL)计量。

损失的计量是指在评级时点，对于任一笔零售申请业务或存量零售资产，根据其违约概率、违约损失率以及违约风险暴露、信用转换系数等参数的估计，计量该笔资产损失的比率和程度。

预期损失率ELR＝PD*LGD

预期损失EL＝PD*LGD*EAD

PD、LGD、EAD从前面的步骤得到。

步骤S705：信用风险资本要求系数(K)和非预期损失(UL)计量

(1)、信用风险资本要求系数(K)的计量

信用风险资本要求系数(K)实际上也是非预期损失率。

对于非违约资产：

$K=[\mathrm{LGD}\times N\left(\frac{N^{-1}\left(\mathrm{PD}\right)-\sqrt{R}\times N^{-1}\left(0.999\right)}{\sqrt{1-R}}\right)-(\mathrm{LGD}\times \mathrm{PD})]$ ......式3

其中，R为资产相关性，其大小根据接口中的资产类别而定，计量公式为：

其中，PD、LGD是指评级时点资产的风险参数估计，从前面步骤得到。

对于违约资产：

K＝max(0，(PLGD-BEEL))......式4

其中PLGD、BEEL评级时点对违约损失率的估计，从前面的步骤得到。

(2)、非预期损失的计量

非预期损失，又可以看作是单笔资产所占用的经济资本金。计量公式为：

UL＝K*EAD＝EC......式5

其中K为信用风险资本要求系数。

步骤S706：风险加权资产(RWA)的计量.

风险加权资产是为资本管理服务的，计量公式为：

RWA＝K×12.5×EAD......式6

其中，K为信用风险资本要求系数；EAD为评级时点确定的EAD。

本发明实施例3克服了目前银行对零售资产风险进行量化与评价主要依赖人的因素，不能实现客观、准确、高效评价的困难，提供一种客观、准确、处理效率高的对银行零售资产风险进行评价的方法。

本发明的有益效果在于：

1、提高数据处理效率和安全性，实现进行大数据量的处理。

2、实现从客户申请贷款开始就动态跟踪客户表现，控制银行零售资产的风险，以及提高收益。从客户在商业银行申请贷款开始就跟踪客户表现，预测客户违约风险，防范优质客户流失、针对性的开展营销策略，为进一步增强商业银行产品和服务的市场竞争力提供稳定支持。

3、可以大大减少银行信贷人员对信贷业务中不够客观稳定的评估标准的依赖，可以有效的降低决定中的随意性。可以使用评分模型来统一的量化评估信用风险，对不同地区、不同业务品种、不同时段、不同授信人员所执行的信用管理政策进行衡量及比较。

5、数据实现共享，评价结果和经验难以提供给其他应用使用。

6、可以减少人工操作成本，提高工作效率，提高银行资金的使用效率。还可以减少银行对申请进行逐个审查的人力资源，这对业务量大的信用产品尤为明显。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明 的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。