金融悖论:预期信用损失模型即使校准得当,为何仍难以有效支持决策?
在近期与巴西金融机构合作的项目中,我们发现某些模型虽然能得出合理的总体估计值,却难以区分高风险贷款与低风险贷款。在其中一个案例中,某条规则虽然识别出了80%的未来违约客户,但也错误地将73%原本能按时还款的客户标记为问题客户。 在另一个案例中,预测损失率(LGD)与实际损失率之间的相关性几乎为零,这表明该模型几乎无法按风险对贷款进行排序。
在审查根据巴西CMN第4,966/2021号决议等规定实施的模型时,这一点至关重要,该决议与《国际财务报告准则第9号》(IFRS 9)保持一致。 在讨论算法之前,我们需要确定:基础经济结果是否已正确定义;data是否允许我们对其进行重建;最重要的是,该模型能否在单笔贷款层面区分风险。
正是这一点,才能将一个为满足监管要求而开发的模型转变为有效的决策工具。
在改进模型之前,我们必须重新构建问题。
LGD 衡量的是贷款违约时信用风险敞口的损失比例。在某项相关项目中,我们原本期望能找到改进现有模型的机会。然而,我们却发现,最根本的问题在于 LGD 本身的衡量方式。
之前的模型仅追踪了略多于一年的回收情况,且应用的处理规则恰恰影响了它本应估算的LGD。因此,我们的首要决定是停止就算法展开讨论,而是重新构建目标变量。
我们考察了实际收回发生的时间点、延长重组期限的边际收益、收回成本是多少,以及资金的时间价值应如何纳入计算。我们将重组期限延长至72个月。
这一调整虽然解决了一个问题,却又引发了另一个问题:较近期的违约事件尚未积累到六年的历史数据。我们没有简单地将它们排除在外,而是在回归建模之前,有针对性地处理了那些尚未被观测到的回收情况。
在某个零售细分领域,MAE 从 37% 降至 20%,降幅达 48%。对于风险区分而言,更重要的是,预测 LGD 与实际 LGD 之间的斯皮尔曼相关系数从几乎为零上升至 0.94。
这个项目给我们的启示很简单:再好的算法也无法弥补设计不佳的目标。
只有当复杂性能带来成果时,它才值得。
在我们与风险团队的几乎每一次交流中,可解释性都是一个话题。正因如此,我们不会一味选择最复杂的算法。
我们测试了不同的方法,并提出了一个具体的问题:增加复杂性能给我们带来什么好处?
这可能是样本外误差的显著降低、对不同贷款的区分能力更强,或是其他可量化的改进。如果收益较小,那么可解释性、稳定性和易维护性就更为重要。
这也改变了我们构建模型的方式。
我们从最初的结构性决策阶段就开始与各机构的团队通力合作,包括:违约与补救的定义、细分、变量选择、处置期限以及验证策略。 这不仅引入了data中可能未体现的业务知识,同时还能让负责团队理解模型得出特定估计值的原因。
我们不想交付一个只有咨询团队才能解释的“黑匣子”。
我们的发现以及发生的变化:
- LGD在区分不同贷款方面能力有限
我们重新审视了目标、训练期、分段和模型。均方误差(MAE)从37%降至20%,而斯皮尔曼相关系数则从几乎为零升至0.94。 - 信贷审批规则导致太多信用良好的客户被拒
我们制定了贷款层面的违约概率(PD)估计值,并调整了决策阈值。在仍能识别出80%的未来违约者的同时,误报率从73%降至31%。 - 模型的复杂性导致解释和维护困难
为了证明增加复杂性是合理的,我们需要取得可量化的成效,因此与内部团队共同开发了这些模型。最终得出的模型,连负责使用和维护它的人员都能理解。
更完善的风险模型可能意味着提供更多的信贷
这是另一个项目得出的出人意料的研究结果。
该机构现行的规则识别出了80%的未来违约者。问题在于,为了做到这一点,它还将73%原本会按时还款的客户误判为有问题的客户。
我们的PD模型实现了0.82的AUC值。在将召回率维持在80%的情况下,假阳性率可降至31%,降幅达42个百分点。
在不同的阈值下,在保持相同拒贷数量的前提下,该模型可将未来违约者的识别率提高至98%。
当我们向该机构领导层汇报结果时,讨论的范围已超出了AUC和校准的范畴。
客户自身还指出了PD的其他用途:使信贷委员会的决策更加客观,有助于为批准和拒绝的决定提供依据,减少个人主观判断的影响,并在信贷申请被拒绝时向客户提供更具说服力的解释。
这就是合规项目开始创造商业价值的地方。
各家银行已投入大量资源以符合CMN第4,966号决议的要求。为满足监管合规要求而开发的data、模型和基础设施,同样可用于支持信贷审批、授信额度设定、定价、催收及投资组合管理。
但有一个条件:该模型必须能够区分风险,而不仅仅是复现平均损失。
对于已经将信用风险模型投入生产的机构,我们建议从一个简单的问题开始进行审查:
当我们将贷款按预测违约率(PD)或预测损失率(LGD)从低到高排序时,实际损失是否如预期那样随之增加?
如果模型虽然能准确预测平均值,却无法对风险进行排序,那么评估工作就尚未完成。
术语表:
- CMN第4,966/2021号决议:巴西国家货币委员会颁布的一项法规,旨在使巴西金融工具的会计处理与《国际财务报告准则第9号》(IFRS 9)保持一致,并要求根据预期信用损失计提拨备。
- 预期信用损失(ECL):金融机构对某笔贷款预计损失金额的估算,该金额是根据违约概率(PD)、损失率(LGD)和暴露额(EAD)计算得出的。
- PD(违约概率):借款人或贷款出现……的概率 默认 在规定的时间范围内。
- LGD(违约损失率):金融机构在债务人违约后,扣除收回款项后最终损失的信贷风险敞口比例。
- EAD(违约时敞口):违约时面临信用风险的金额。
- 默认:根据该机构及适用监管标准,将贷款归类为违约的临界点。
- 治愈:将违约贷款恢复为正常状态。
- 锻炼:金融机构在债务违约后追踪回收情况以衡量已实现损失的期间。
- 校准:模型准确估算投资组合平均风险或损失水平的能力。
- 歧视:模型区分高风险贷款与低风险贷款的能力。
- AUC(曲线下面积):一种用于区分表现良好借款人与违约借款人的区分度指标,其取值范围为0.5(随机分类)至1(完美区分)。
- 斯皮尔曼相关系数: 用于衡量模型预测的排序是否与观测结果的排序一致;数值越接近1,表明风险排序越好。
- MAE(均方根误差):预测值与实际值之间的平均绝对差。
- 召回率(灵敏度):模型正确识别出的未来违约者所占的比例。
- 假阳性:一名被归类为高风险的客户,但实际上其还款一直正常。

博客





