客户信用分析的逻辑

　　客户信用分析是一个古老的话题，信用分析的历史可能要远早于商业银行诞生的历史。虽然亘古不变的是客户信用分析的对象：偿债能力和偿债意愿。但随着经济社会发展，客户信用分析的维度越来越全面，分析工具也越来越丰富。在新的经济形势下，客户信用分析的逻辑的内涵更丰富。一是信用分析的内容更繁杂。在农业自然经济条件下，仅看客户自身的还款能力，看有没有抵质押品就够了；但在经济相依性越来越高的商业社会，对客户信用的分析不仅要关注客户自身，还要关注客户的交易对手、上下游、担保关系、集团关系、行业、区域等等。二是信用分析的工具更丰富。二百年前的信用分析可能只有专家判断一种，后来在专家判断的基础上发展出了5P、5C、骆驼、等评价体系，同时定量分析方法不断涌现，从VaR、逻辑回归、到creditportfolio、creditrisk+、creditmetrics，再到各类机器学习模型，可以选用的分析工具越来越多。那么，在新的经济形势下，客户信用分析怎样适应纷繁复杂的经济环境，怎样利用合理的分析框架并选取合理的工具评价客户信用能力。这是业界及学界普遍关注的重点话题。

　　信用分析方法

　　客户信用分析要先看大趋势，再看行业，再看客户，从宏观到中观再到微观。宏观经济周期，即经济处于上行期还是下行期决定了行业和客户的盈利前景和流动性，在经济上行期，“人人都是股神”，经济下行期“股神也难挣到钱”。因此对宏观经济周期的判断是商业银行授信政策和风险战略制定的立足点，“方向对了，顺流而下”，风险管理相对较为简单和容易；“方向错了，逆流而上”，风险管理很难护航业务稳健发展。

　　其次要看行业。一方面客户所在行业的发展潜力决定了客户发展前景和竞争力；另一方面，客户的交易对手、上下游很多情况下处于同一或关联行业，所以单一客户的违约或破产很可能在行业或区域内快速传染，上轮钢贸客户的违约潮具有较强的行业和区域特征，原因即在此。

　　对宏观及中观的分析判断最终还是要放到落实到具体客户或债项上，要从企业性质、企业运营管理能力、财务、征信、纳税等多个维度分析客户未来的还款能力和还款意愿。对客户各个维度的分析应越全面越好，当然对于不同类型客户应有不同的侧重。对于小微企业，应更关注企业实际控制人和高管层，关注其经营能力及个人风险偏好等更为“定性”的“软信息”，这也是区域或中小银行更适合通过关系型信贷发展小微业务的原因所在；对大中型企业应更侧重于分析其财务表现等“硬信息”，背后原因在于大中型企业财报及信息披露相对较为规范，定量信息能够一定程度上反映其经营状况。

　　信用风险分析工具

　　围绕信贷业务全流程管理，大型商业银行普遍构建了客户信用分析工具来辅助决策，如内部评级、预警模型、经济资本模型等。对于各类信用分析工具，商业银行要使其在风险管理中发挥有效作用，要做到“正确看待、符合需要、合理使用、集中管理”。

　　一是正确对待客户信用分析工具及其分析结果。信用分析工具能够提高风险决策的一致性、专业性和客观性，极大提高工作效率，但在工具建设与使用过程中我们一定要正确看待客户信用分析工具。公司客户风险差异化较大，尤其在一个动态变化的经营环境中，再精确的信用分析工具都不能捕捉客户所有的风险因素。任何分析工具都是有缺陷的，都是在一定假设下成立的，如果环境变了，信用分析成立的前提变了，风险计量结果可能不仅对风险控制没有正面意义，反而会给相关使用人员带来错觉。所谓“尽信书，不如无书”，新形势下我们要重视使用信用分析工具，但不能完全依赖，不能偏信，正确对待风险分析工具及其分析结果。

　　二是开发符合自身情况的客户信用分析工具。信用分析工具体系建设一定要和商业自身规模和复杂程度相匹配。在“互联网”、“大数据”热炒的时代，很多中小银行追求构建所谓“大数据机器学习模型”，在数据基础不完善、系统难支撑、人才储备不充足的情况下，这种做法很不明智。适合自身的模型就是最好的模型，复杂的模型不一定有效，很多时候简单的分析模型由于其透明度较高、原理易于掌握和解释，其应用可能比很多“高精尖”模型更有效。

　　三是合理使用风险分析工具。正确使用信用分析工具的前提是模型建设和应用推动部门充分理解建模原理、假设和模型局限性；如不了解模型原理，强制推进结果应用，不仅难以推进，而且还容易造成分析结果偏离客户实际风险水平，给业务开展带来困扰。另外，不同信用分析工具适用不同的场景，对宏观经济周期的判断要用到较为宏观的系统性风险衡量和评估工具；对行业和区域风险水平的判断要用中观层面的行业或区域风险评判工具；对客户准入、定价、拨备、预警要用相对微观层面的内部评级、预警等风险分析工具。宏观风险监测模型、行业风险评估和客户风险评价模型要统筹和协调，从宏观、行业、客户、债项全方位进行客户风险分析，也即是通过这种系列风险分析工具应用，合理把握信贷节凑（预判上行时放大规模，预判下行时适时收缩），选对区域和行业，再筛选出好的客户和债项。

　　四是对信用分析工具进行集中开发和管理。风险管理要有适当独立性，信用分析工具开发不仅要有独立性，还要集中专业力量进行开发、建设和维护。国内商业银行普遍存在的一大问题是客户信用分析工具开发与建设涉及部门较多，力量较为分散，如部分银行大数据管理部、风险管理部、资产监控部、评审部都围绕客户信用风险分析与监控开发各类模型，但由于各个团队资源配置都有限，既精通业务又掌握建模技术的人员较为欠缺，各部门开发的模型都或多或少在某些方面存在明显的不足。同时，由于各相关部门均开发客户信用分析工具，一家銀行对同一客户的风险评价可能存在多种体系并且缺乏统筹管理，风险计量结果缺少一致性，给业务部门应用带来了较多困扰。客户信用分析工具开发是一个需要长期技术积累和研究的工作，为更有效进行模型开发和应用，商业银行应集中行内专业资源进行工具开发、维护与应用推动，确保模型体系的专业性和有效性。

　　前景与展望

　　客户信用分析的逻辑随着经济社会环境的发展而发展，随着商业银行风险理念的提升、社会信用体系建设、数据管理和风险管理技术的不断演进，客户信用分析无论在方法上、工具上，还是应用上，都将会有长足进展，未来的客户信用分析将比当前更具前瞻性和准确性。

　　一是在数据合规的前提下，数据质量和数据全面性将得以大幅提高，对客户的风险评价将更加全面。信息安全、数据合规、隐私保护方面的监管将越来越强，客户信用分析所用数据受到约束将更加强化。但未来随着社会信用体系建设的不断的完善，客户信用分析所用数据范围将更加广泛，围绕客户的征信信用、交易信用、纳税信用、司法信用等信息将都可以纳入客户信用分析模型，对客户评价的维度更加丰富，模型的前瞻性和准确性将得以提高。

　　二是方法上将更注重宏观和组合层面的管理，未来在这方面的风险管理工具研究与发展将取得更大进展。宏观大势判断准确了，商业银行才能在激励的市场竞争中立稳脚步，未来对客户信用分析应更注重宏观经济变化、行业、周期的判断。中小银行将更加注重结合银行自身数据，梳理出对银行不良率有显著影响的宏观、行业、区域类型指标，在此基础上构建适合自身的系统性风险分析工具，以此作为把握信贷节奏的基础。在此情况下，未来国内银行对系统、周期、行业、区域风险分析工具的研究和建设也将取得更大进展。

　　三是风险分析工具和营销模型工具逐步融合，实现风险控制服务于业务发展的最终目标。当前环境下，风险管理的一大不足是风险管理与业务发展的融合不足，风险管理滞后于业务发展，只能起到“刹车”作用，不能指导、引领业务发展。未来，随着风险分析工具体系的不断健全和风险计量应用的深入，风险控制和业务营销将不断融合，通过风险分析工具，快速扫描出目标客户，客户经理通过风险分析工具，授信前就知道客户融资需求是什么，如果开展业务风险调整后收益有多少，该客户未来潜在风险在哪里。在此情况下，客户信用分析工具能够很好的指导、引领客户营销，指导客户经理筛选出优质客户，更好的进行客户全生命周期管理，风险管理和业务开展的目标更加一致。

　　四是随着大数据技术的不断进步，机器学习方法在商业银行的应用将更加深入。当前环境下，由于机器学习模型体系的透明性较差，模型结果难以解释，因此机器学习结果在互联网金融领域应用较为广泛，但在商业银行的应用相对有限。未来随着大数据建模和解析技术的不断进步，机器学习方法的透明度将得以提高，机器学习模型由于其对经济环境的适应性、数据处理的灵活性，将会在商业银行客户信用分析中发挥更大的作用。

　　商业银行应深刻理解新形势下客户信用分析逻辑的演变及其趋势，主动拥抱变化，未雨绸缪，在理念、组织结构设计和人才储备方面做好准備，夯实风控能力，确保在未来竞争更加激烈的经济环境中稳健发展。

　　刘吕科