互联网金融企业如何突破风控迷局？|上海交大金
发表时间:2016-12-06 17:31 作者:admin 来源:上海交大金融总裁班 阅读量:
次
互联网金融企业如何突破风控迷局？|上海交大金融总裁班课程资讯
2016陆家嘴新金融全球峰会昨天（11月30日）召开，上海交通大学上海高级金融学院副教授蒋展出席会议，就大数据的挖掘和场景化的风控发表主题演讲。
蒋展结合自己近阶段开展的上海地区互联网企业调研结果表示，在新的监管政策环境下，互联网企业竞争的关键落在风控上，而与传统风控相比，大数据风控面临着数据缺失等挑战。
怎样解决小而精地挖掘有效数据？她认为第一要区分不同性质的违约及背后的风险因子；第二是寻求场景化的权重因素；第三是实行动态的贷后监控和引导。
以下根据蒋展现场演讲内容整理：
今年上半年在互联网金融企业新规出台之前，我们开展了一个上海地区互联网企业的调研，想了解整个行业是什么样的情况，能不能够生存，盈利模式是否明确，风险状况是什么？
我们想了解的最核心的是互联网金融有没有真正实现对实体经济的支持。因为金融最根本的目的是支持实体经济，不管是对中小微企业，还是对个人合理消费的支持。所以当时我们做调研时看企业融资客户，发现有的平台融资客户很少，但是融资比例跨度大，有几万、也有上千万的跨度；还有一类平台是客户中企业比较多，真正呈现了小额和分散的特点。
新规出台，第一类平台肯定要转型，很多在转型过程中将消费金融成为新的业务重心。我们看企业投资利率，低的时候百分之十到百分之十几，高的到百分之四十几。而个人的融资率则很集中，就在非常小的10—20%、或者是比20%多一点的区间。这说明了什么？第一个说明企业对利率的敏感度相对低一点，这可以理解为企业为了挣钱和盈利，短期承担高利率也是可以接受的。第二点说明个人的风险识别能力还不是很强。
所以我说利用场景化的方式获得更精准的定位还是有需求的。如果你不能更好地识别个人风险，不能更好地做风险定价，那就意味着什么？将大家的融资率都提高，整个消费融资利率都会很高！融资利率这么高，这种金融支持的力度还会大么？
当时我们将融资利率，即融资成本，将民间的与银行的做了相应比较，发现互联网金融的优势不甚明显，但是从融资门槛来看互联网金融还是有很大的优势，包括它对企业客户和个人客户的资产规模、利率相对银行来说还是低很多。
回过头来说，新的监管政策确实会很大程度上影响互联网金融企业的生存，包括我们所说的禁止收益担保。我们当时调研的时候30%的平台没有担保，其他的平台都有担保。收益担保不能做了，我觉得也是好事，这样大家不会恶性竞争。
那么现在竞争什么呢？在什么程度、什么方向上竞争？第一，必须小额、分散，不能做大单的形式；第二，在不能做担保的环境下，竞争的关键是什么？还是风控！
风险是否需要场景化？我觉得风险分很多种，列举一下现在的风控包括互联网金融的发展趋势。
首先它是扁平化，以前的风控更多是贷前做征信然后做贷款，现在是征信和贷款同时进行。然后还有场景化，多维度、细微化，我们以前看数据几千个，可能用的是几十个。现在我们看大数据维度非常多，所以互联网的风控肯定是多维度、可实验性，我们可以容错，因为有很多的数据，所以可以拿一小部分来试错，但是传统方式不行，因为单子额度大，一旦出了错后果很严重。
谈谈传统风控与大数据风控。传统风控看FICO模型，它的基础还是信用史，就是你有没有借贷史。如果你没有借款的历史，给你的分数都不会很高。所以这个模型还是有一定的问题，因为这部分低分的人群，可能正好是互联网金融想要覆盖和服务的人群。
FICO评分及违约率
大数据风控来源的数据渠道增多了，第三方数据，包括传统信贷数据、法律记录、用户提交的数据等，从多维度来形成对信用模型的评分。这是传统风控与大数据风控不一样的地方。
讲到大数据风控的挑战，我觉得第一是数据缺失，现在有法律的数据，公安的数据，电信的数据……这些数据都分散在信息孤岛上，分散在各个场景下，没有一个统一的平台，所以数据互通是一个很大的问题。但是这个也很现实，现在没有一个平台愿意把自己所有的数据共享出来，这就提出了一个挑战。从长远发展来说，当然希望数据是大而全，但是在目前这种状况下，数据是有限的。怎样挖掘有效数据，这是对很多互联网企业生存的一个挑战。
央行的信用记录中真正有贷款记录的人数与总人数来说还是有差距。怎样补齐那些未覆盖人群的信息，为他们做一个画像，这也是大家想了解的问题。
很多互联网金融企业没有内部的数据，怎样解决这样小而精地挖掘有效数据的问题？
我觉得：第一还是区分不同性质的违约及背后的风险因子；第二是寻求场景化的权重因素；第三个是动态的贷后监控和引导。
第一个是区分不同性质的违约。我觉得判断还款能力是必须关注的，至少是在不远的将来需要关注的特点。还款能力主要的变量是现金流，就是说如何去判断你在现金上是否出现了缺口？现在银行判断的是收入高，现金流缺口少，这肯定是正相关，但是还要更深度挖掘消费方面，就是你的现金流入和流出，要有一个好的监控系统来更好地判断还款能力。
另外一个就是还款意愿。基本上大家认为还款意愿的风险主要是诈骗的风险，但是换个角度讲，还款意愿就一定是诈骗吗？我觉得不完全是。我想很多时候，骗贷并不是人们申请贷款的初衷，某个时候还款能力和还款意愿是交叉的，还与信用相关。这是我所要讲的如何寻找权重因子。大家现在主要的方式是看历史还款记录，或者是到法院找一些黑名单，其实预订酒店、车辆这些也反映一个人的守信能力，也需要纳入信用体系。所以我认为这些都是很重要的考量因素，在区分风险时可以再进一步细分。
截至 2015 年 4 月底，央行征信系统收录自然人 8.6 亿多人，收录企业及其他组织近 2068万户。其中，有借贷记录的不超过一半，对于无贷款记录的企业和个人，央行征信系统仅有基本信息。
第二个是场景化的权重因素。因为数据都有局限性，如何利用已有的数据去挖掘违约风险的因子？我曾经与一家比较大的互联网企业探讨过这方面问题，他们当时有一定的场景，但是还是有局限性，他们目前只能在他们的场景下，发现某个因子，有70%的权重预测率。
第三个就是动态的贷后监控和引导。传统银行都有一个贷前、贷中、贷后的系统，有一些贷后的监控其实还是很人工的，并不是很智能化。如果有一些大数据或者方式，可以更好地进行贷后监控。还有一个是现金流的管理，因现金流缺失导致还款能力出现问题，这是因为预算能力不够。企业都有一个预算系统，但是个人预算系统不一定很健全，特别是年轻人消费的时候没有预算能力，所以对于这种信息不对称比较大，或者是风险比较高的个人，你能不能获取他现金流信息的同时引导他，让他能够更好地筹划他的现金流，而且就在风险出来之前就能智能提醒他，而不是出了事再找他。这实际上也是一种服务，在大家的服务费都差不多的情况下怎样做出差异化服务，就要看你能否在专业的场景下做深度的服务，我觉得这也是很重要的方面。
最后，我觉得在挖掘数据的同时，不仅仅是简单的把数据拿来看一看有没有相关性，还是要分析数据背后的Story，逻辑和想法在哪里。因为一定是好几个因子同时出现时，才会影响到整个还款能力或者是还款意愿。
所以大家在探索的过程中，不仅仅是简单数据的挖掘，而且还是一个比较场景的分析，在什么样的情景下会出现风险。
蒋展教授简介
蒋展教授现任上海高级金融学院副教授，曾任纽约州立大学布法罗分校金融学助理教授。主要研究领域为兼并与收购、公司治理、股利政策和实证资产定价。
