现行银行资信评估模型有点可疑,本文主要内容关键词为:可疑论文,资信论文,模型论文,银行论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
银行资信评估模型的历史可以回溯到1956年,当时William Fair和Earl Lsaac创立以他们名字命名的公司,把计算机辅助统计方法学应用到消费者信用管理领域中去。这给贷款业务带来了革命性的变化,一些贷款机构65%的10万美元以下的贷款业务都是这些程序在10分种之内“搞定”的。
但是,一些评论家却担心金融机构在滥用这些程序,忽视了它的限定条件和局限性,使得资信评估工作变得盲目。
40年来,资信评估计分模型带给贷款工作的变化是难以想像的。当初,大多数的贷款人是用所谓的“3C”(品德、担保和抵押品、能力)当作工具来衡量客户资信的,但这3个要素都含有很大的主观性。
今天,主观性在统计模型面前终结了。放贷者只要简单地找到需要的变量输入程序中,然后把工作交给计算机去完成。
这种革命带来的好处不容置疑:计分模型让贷款人的决策更快捷、成本更低,而且更精确、更连贯;它让靠贷款支撑的证券市场同样受益菲浅,还为投资者提供了分析贷款组合的客观工具。
但是,这种技术失灵了吗?这也正是目前围绕着计分模型进行争论的焦点所在。许多专家担心,银行家们变得过分依靠这个“黑箱”的办法而把它用到了它本来无能为力的领域中去了。举例来说,现在对大额贷款者有放松条件的倾向。但在大公司的资信评估领域,无论是计分模型使用数据的适用性和现实实践都是不可靠的。还有人担心,现有的模型是在一个连续10年经济快速增长的前提下设计出来的,那么,在经济衰退的情况下使用,则无法准确预测借款人的表现。
网络的到来加重这个了问题。网络对速度的要求,以及遍及各地的贷款人对资产组合和降低成本的要求,使得银行使用计分模型的频率更高。“这才是真正的危险所在”,纽约穆迪投资服务公司结构化金融组的副主席、高级分析师David Zhai说。“贷款者有种越来越明显的趋势,他们正在为了谋求速度、规模和减低成本而牺牲贷款审批工作的质量。”
尽管贷款的质量仍然不是很理想,但对计分模型盲目信赖的趋势却越来越明显。比如5月份,Fair,Lsaac公司开始通过公司自己的服务器存储的数据和数学模型对客户进行资信评估。
同时,最主要的三个资信管理机构,Equifax公司、ExperianInformation Solutions公司和Trans Union ILC公司都在尽力吹捧它们的模型如何更优秀、更快捷。其它的小公司也是不遗余力地吹捧,志在占领那些提供小额商业贷款的社区银行市场。
在这股迈向自动化的潮流中,银行的官员面临的挑战是如何达到一种平衡,在这种平衡中,既获得自动化的无限好处又使自己的机构尽量避开它所带来的潜在危险。如果使用恰当,计分模型可以在促进贷款额增长的同时使不良贷款的量减为最小。但对于一个事物的一知半解是非常危险的,银行家使用的绝大多数资信评估模型是通用的,而且它适用的信息基础只有它的提供商知道。
高层的经理得到的建议很好,即他们应该对他们的机构如何使用模型有个基本的把握。而且他们应该避免对提供商的技术盲目信赖,即使这意味着需要第三个机构来对这种技术的使用进行评价。
专家说,要想使这些模型真正发挥作用,它们必须和完整的内部控制体系结合在一起,以作为整个经验战略的一部分。这些模型还必须被经常性地验证和检验,这个工作应该由那些了解它们的长处和局限的人来做。
计分模型的盛行
资信评估计分模型的历史可以回溯到1956年。开始的时候,该模型受到了怀疑,于是,资信评估模型很快调整了贷款者评定风险的方法,同时,信用卡和各种不确定形式的贷款也为它的盛行创造了条件。去年,贷款人大约使用10万次的计分模型,足以说明它现在的流行程度。
无法想象,银行业离开了计分模型会是个什么样子。坐落在俄亥俄州的哥伦布银行集团银行第一分部每年要贷出大约240亿美元,在这个过程中要使用300万次的计分模型。如果没有计分模型,这是不可想象的。
近年来,计分模型已经变成了小额商业贷款的一部分。因为小额借款者的个人信用得分可以很好地预测他们的企业偿还借款的情况。克利夫兰市KeyCorp公司的小企业服务组也在小额贷款中使用了2年的Fair,Isaac公司的信用计分方法。该小组每个月依靠程序的“自动决策”放出大约4000笔贷款,占10万美元以下贷款的65%,其中根本没有人工干预。
大多数这种贷款都是在10分钟之内,“搞定”的。这就让KeyCorp公司的员工从费力神的客户调查中解脱出来,转而依赖一个综合的客户信用得分。最妙的是,这个模型还有助于预测不良贷款的比例。因为计分模型对他们的业务帮助非常大,该公司正准备把评估程序自动处理的最高贷款限额从现在的10万美元提高到15万美元。
当一个贷款者从3家最大的资信评估机构中的1个或几个得到了客户的信用报告后,他一般要用这些资料再算出一个Fair,Lsaac得分。从这些机构得来的原始数据包括偿还记录、声望、最近的信用调查被拿到Fair,Lsaac的运算程序中得出一个介于300到800之间的一个信用得分。得分越高,则潜在借款者的信用度越高。大约85%的得分都在600到800之间。
许多为客户定制的信用计分的运算模型也在使用,而且许多大银行也大量使用它们自己的东西。通过贷款申请者的信用资料,贷款偿还的几率可以被可靠地预测出来,这被认为是银行业的一大福音。事实上,这些程序的提供商声称,根本没有必要怀疑他们的产品。
比如在旧金山召开的一次春季会议上,Fair,Lsaac公司的代表们吹嘘他们公司的小额业务计分模型。他们说,该模型建立在全美25家顶尖机构的数据基础上,可以对80%的借款申请立即给出发放与否的答案,只有20%的申请需要另外注意,这个比例是令人震惊的。
Fair,Lsaac公司的执行副总裁Robert Heller说,他们公司最近一次调查发现,完全依靠信用得分方法发放出去的贷款的违约率比不使用这种方法的贷款低30%。“人的脑袋可以考虑许多变量,但计算机处理的变量的数目还要大得多。”Heller说。
科学和艺术
尽管银行家们从这些技术中获益菲浅,但是,他们还必须对此保持警觉。信用计分的长处在于预测违约的可能性,但对于潜在损失大小的衡量却是短处。而且,计分模型对整体的市场风险的衡量结果很理想,但对于一个特定的银行客户的风险衡量却可能一败涂地。
这种不精确的根本原因是信用计分的复杂性。
如果说这些方法本身是科学,那么如何使用它们在更大程度上则是艺术。每个银行在决策过程中对计分方法的依赖程度是不同的,对于在何时何地应该导入这种程序或者干脆使用银行自己评估风险的方法,它们都自有一套。对于风险的人工评价在银行之间千差万别,其中,好的银行和差的银行之间的区别就在于管理。
比如第一银行(Bank One)在每一个贷款申请中都使用信用计分的方法,这个得分基本左右着放贷人员对业务的态度。但它仍然考虑无数的其它因素,比如抵押品的类型、债务与收入的比率以及银行自身获得的借款者的其它历史信息。信用得分在整个工作中大约占60%的比重。
最后,贷款者需要一个强有力的政策和业务流程来对这种技术进行充分制衡。比如,为了有效地把计分方法作为确定利率的工具,相同类型的借款者应该被明确地归为一类。如果利率不能准确反映风险的水平,那么银行就必然要亏钱了。
一旦信用评分的办法被采用,银行承认,不按照它的要求进行操作就会出错。但银行家们能有效地执行这些操作程序吗?这让人有点担心。穆迪公司的分析师Zhai坚信一些放贷人员并不真正懂得如何恰当使用这些程序,也没有遵循那些能使违约风险降为最低的基本步骤。他说一些放贷者不恰当地降低了对一些必备文件的审查要求并跳过了一些基本的步骤,比如对抵押品的评估工作,这些都为贷款欺骗开了方便之门。
尽管银行家对信用计分带来的好处津津乐道,但他们也承认,这种方法的滥用也是银行业存在的一个问题,比如欺诈现象越来越厉害就是一个例证。一位银行官员说:“如果你在放贷时完全依靠模型,甚至连借款者的人影都不看一下,那么以假身份和假收入陈述进行欺骗的问题就会非常猖厥。”
检验、检验、再检验
即使使用恰当,信用得分的实际效果也会因为诸如不断变化的经济环境和数据质量等因素而打折扣。而且,这种计分方法本身是建立在全体公众的基础上的,而不是建立在具体放贷机构的战略和客户的基础上。于是,对这种方法的过分信赖容易使银行贷出许多超出自己风险管理能力之外的贷款。
比如,模型的可靠性和贷款的数额大小之间有着很强的负相关。贷款额越大,越需要传统的分析。
好在现在还没有什么机构利用这个漏洞钻银行的空子,但是随着这种模型在银行业越来越盛行,银行家们仍应该对潜在的狙击手保持警惕。
高层官员应该花些时间来理解这些模型是如何使用的,以及如何划定它们与放贷的政策和操作程序之间的界限。专门的贷款机构和分支机构的领导应该能解释他们的坏帐准备率和利率政策,以及模型和机构整体经验战略的关系。基层的管理者还应监测实施信用计分贷出款项偿还情况的实际效果。
统计学家建立了这些模型,但还必须有人对它日常使用的准确性进行检验。一些聪明的银行已经这样干了,它们用专门的人员对贷款的表现进行监测,以确保该模型确实精确地区分不同程度的风险。这个人可以来自公正的第三方,也可以来自本银行的不同部门。
有效的检验不是可有可无的,相反,它非常重要。它是为了正确使用这些模型而认真建立的政策和流程的一部分。
银行应该把对模型使用效果的检验用书面的形式规定下来,并且指定专人负责此事。银行还应该对模型的操作程序有个使用手册,以方便人们使用。
总而言之,如果你现在正使用信用计分的方法,那么首先理解它是如何工作的,然后,把它和其它的传统方法结合在一起使用。
一定要牢记:检验、检验、再检验。
标签:银行论文; 信用评分模型论文; 信用贷款论文; 贷款程序论文; 信用政策论文; 银行信用论文; 模型公司论文; 信用论文;