“对中国银行业的信贷风险控制系统的重组”

中国银行业中信用风险管理系统的重建（前言）第1章：信用风险分析的一般框架理论系统第2章：冲突是某些信用风险的冲突，第3章Ji Shaofeng的辩证性认识论第4章：三个代表性的信用风险方法论及其特征3：三个代表性的信用风险方法论） 意见负责人丨ji shaofeng 5。实际概率学校的进化和应用（定量学校） （i）概率学校---对概率方法和因果贝叶斯网络定量分析的定量分析的历史分析的定量分析 信用风险的定量分析方法的演变遭受了静态控制干部对随机逻辑回归和因果贝叶斯网络的三步飞跃。 精心分数的卡为与B的信用相关的指标提供个人风险分数Orrowers，财务指标加权等等，得出了借款人支付的能力以及不符合条件的可能性。该操作很简单，但被困在“相关性是原因和影响”的错误判断中。这种类型的分数和重量调整过于主观，公司的规模与内部机制的风险和粗心大意之间的相关性很强。物流回归的引入实现了风险测量结果的概率，通过非线性建模提高了预测的精度，并通过庞大的样本统计数据降低了人工得分的主观性，但是仍然无法解决Agestick模型之间的不一致之处。循环。直到贝叶斯网络的想法和工具出现。 加利福尼亚大学洛杉矶分校（加州大学洛杉矶分校）的2011年图灵奖获得者J.Wish Pearl教授（诺贝尔计算机科学奖）获得了CRE的统计局限为贝叶斯网络的数学框架和现代因果理论的建立。换句话说，统计模型和概率方法也可以通过可靠的因果关系来模拟和执行。换句话说，计算机具有逻辑和因果扣除（在参数中）的能力。 珍珠的贡献是Causalimplica改变了可执行法规的哲学，并在辩证信贷实践的“理论→实施”之间提供了重要的桥梁。将二元反对派转移到模型概率理论（定量化学学校）的有机联系和因果扣除理论（专家战略学校）的理论中，现在使AI实现了与人脑逻辑相似的理论上推断因果关系的能力。贝叶斯网络是智能工具，可将风险因素与因果箭头联系起来并计算CHA的可能性在反应中。该核的价值在于同时回答两个重要问题：“风险来自哪里？” “如果进行干预会发生什么？” （ii）定量分析中信用风险的进化特征 这种进化过程的核心是对动态预测的静态描述范式的革命，最终是因果解释中范式的革命。如下图所示，基本的驱动力是解决以前阶段方法论的中心不便。 1。第一阶段：阶段表遗传：“经验量化”的时代 （1）方法论内核：基于专家经验的加权线性模型。与信用有关的选定指标（例如财务比例，年龄，行业）获得固定的权重，并通过加权款项获得信用评分，以组织风险并做出决定。 （2）技术特征： 线性思考G：假设风险因素和非遵守风险处于简单的线性关系中。 主观传导：指标和体重环境的选择主要基于专家的历史经验。有特定的统计验证，但它们本质上是“经验量化”。 结果的输出：输出是单个分数（例如650点），必须手动建立决策阈值（例如600点）而不是概率。 （3）缺陷和中心限制： “相关性是因果关系”的错误判断：不可能区分统计相关性和真实原因和效果。例如，“大型业务规模”和“低风险”之间的密切相关性被忽略了，但其内部因果机制可能是“大→强风险抗性→不融合的低概率”。如果一家大型且失败的公司突然崩溃（例如，Lehman B罗斯（Rothers）），模型完全失败。 静态刚度：重量是固定的，宏观经济无法对外部系统性变化进行动态反应，例如海鸥和行业政策的变化。 缺乏解释：只有给定的结果是“低分”和“低分”和“如何提高分数”的因果问题。 2。阶段2：逻辑回归模型：“统计概率”的时代 （1）方法学核：大数据历史中的基本统计概率模型。通过非线性（Sigmoid）函数以间隔[0.1]的MAPE线性组合，并直接生成预定的概率。 （2）技术特征： 概率输出：彻底改变了“得分”对“概率”的风险判断（例如，不遵守20％的概率），实现了风险语言的统一和完善。 数据DABS：通过最大概率估算从数据中学到的模型参数（比索），这大大降低了subjective任意。 统计显着性的方向：可变检测基于统计指标，例如P e IV值，以获得预测的精度。 （3）中心缺陷和局限性： 统计教条主义：仅限于“相关性不等于原因和效力”的框架。该模型可以发现“企业主的年龄”与风险相关，但您无法解释双重影响。这是“年轻→不足的经验”（更大的风险）或“旧→僵化的思想”（更大的风险），缺乏识别因果逻辑的能力。 跨周期失败：在“历史重复”的假设中很大程度上信任。当经济环境发生结构性变化时（例如2008年的金融危机或2020年的流行），历史数据中受过训练的模型将很快失败，因为它们无法理解危机背后的因果机制。 盲点模型：该模型对新模式甚至没有预测数据中不可见的“黑天鹅”。 3。阶段3：贝叶斯网络和因果推断：“因果概率”的时代 （1）方法学核：随机图形和因果科学模型的组合。指示的无环图（DAG）用于明确编码变量之间的因果关系，并基于此进行概率计算。 （2）技术特征： 因果关系的融合：不仅保留了概率理论的定量能力，而且还引入了逻辑因果关系框架。存在“因果是骨头”，概率是肉。 “ 干预问题的答案：中心进步是在领域的。这可以回答背景问题，例如“如果默认概率在特定变量中介入（例如要求公司添加保证），该问题将如何变化？” 解释透明度。该模型的决策过程可以成为视觉因果链例如： （3）革命价值的核心： “相关性不等于原因和效果”：区分通过因果图形介导的混乱因素和变量以识别实际风险驱动因素。例如，我们避免歧视高收入和低教育小组，因为我们发现“低教育”和“高违规”之间的相关性是由“低收入”的混乱因素引起的。 进行动态扣除：允许外部知识（例如，专家经验，未来的政策）作为初步概率输入模型，可以模拟外部冲击下的风险变化，从而大大提高了模型的适应性和鲁棒性。 将人类智能和机器计算团结起来：将专家定性因果知识（例如，“过度投资是风险的先驱”）转换为计算机模型结构，这使AI成为人类计算机协作而不是黑匣子的因果原因平台。（4）红色贝叶斯技术和实用困境 贝叶斯网络技术是一种创新的技术进步，但它具有明显的技术瓶颈，实际上是困难。 因果图形结构的无疗法和争议：整个模型的推理标准基于定向无环图（DAG）的精确构造。但是，确定变量（原因和原因）之间因果关系的方向在很大程度上取决于先前的专家知识。不同的专家可以为同一商业问题提供完全不同的因果图形。相反，这与基于数据的决策制定的最初意图可能会导致极大的主观性，从而导致“内部和垃圾垃圾”，这使得很难证明对因果图表的纠正和缺乏黄金标准。 D数据请求是严格的，很难获得背景数据。在事实，两个主题条件可以同时观察“接受干预”和“不接受干预”。该模型基于发现或构建“替代反事实”（通过仪器变量等），并且是一个非常有力的假设，很难遵守复杂的信用情景。为了获得可靠的因果估计，数据要求的质量和数量远高于相关模型的质量和数量。 计算的复杂性很高，这阻碍了工程的实施。贝叶斯网络（尤其是大型网络）的计算成本很高。与物流回归和梯度提升树（XGBOOST）等模型相比，贝叶斯网络需要计算和训练，这使得它们难以满足消费信用毫秒的真实时间批准要求。基于传统自动学习的EXI风险控制系统系统安排也需要巨大的工程转型和计算机能源的投资。入口/产出比（ROI）是银行TI部门的重要考虑因素。问。 贝叶斯网络和因果推论的第三阶段在理论上为我的辩证性认识论的信用科学提供了坚实的技术目的。动态地统一了计算和运营框架中概率（客观数据定律）和因果解释（机制和社会建构的解释）的量化，并将“预测”的信用分析转移到“解释和干预”中，并意识到“知道发生了什么事”的“知道发生了什么”的“知道发生了什么”。 （iv）概率方法的演变 （v）实际信贷案件 下面我们介绍了概率方法发展的三个阶段之间的特征和差异，以及用于消费者信用和业务的三种典型方法，作为案件的历史。 1。第一种情况（消费者信用） 用户：每月收入为15,000元的28年 - 染色程序员，已要求提供50,000元的消费信用贷款。数据：中央银行的信用记录良好（未击败），其债务指数为55％。 （1）命令表的案例：常规，经验，黑色或黑色 核心方法：基于专家经验的加权线性得分。一组“ IF-Then”的困难规则。 分析过程：银行系统恢复了Zhang San的数据，将它们与预先建立的规则基础进行了比较，并得分 年龄（28岁）：+80分（规则：25-35岁是黄金时代，额外分） 职业（程序员）：+70分（规则：职业稳定，奖金点） 月收入（15,000）：+75分（规则：10,000元，额外分） 债务比率（55％）：-60分（规则：50％，扣除点） 信用期记录（编号）：+100分（规则：否Delincy，完整分数） 最终总分：265分（500分） 决策 - 制定特征： 决定：银行规定“总分超过250点要批准”。该系统将自动批准贷款。 特征：透明和直观：拒绝贷款的理由很明确（例如，“由于过度债务指数，将推导60分”）。严格的教条：无法理解上下文。我不知道张桑（Zhang San）的55％的债务是因为他刚刚购买了一所新房子（有益的债务），或者因为它被多张信用卡（高风险债务）所淹没。如果有超过50％的人，则将“扣除点”规则机械实施。 （2）物流回归模型的情况：统计，概率，但盲目 核心方法：Preice基于历史大数据的统计相关性的默认概率。 分析过程：银行输入Zhang SAN（年龄，职业，收入，债务比率等）的功能向量，这些逻辑回归模型接受了数百万用户数据的培训。在这个模型中，历史daTA表明，具有“高收入，高债务和未被击败”的客户的默认概率分配在15％至40％之间。 模型输出：张SAN的默认概率为28％。 决策 - 制定特征： 决策：银行风险策略规定“非合并的可能性超过了30％的拒绝”。因此，系统建议批准。 特征：概率结果比命令框的“得分”更精致，并直接提供了定量的风险估计（28％）。它是进行的，这些结论来自历史数据方法，而不是建立人造权重，并且是客观的。 “百叶窗”和局限性，模型只知道相关性，但不知道因果关系。我知道“高债务”和“高违规”经常出现，但我无法解释原因。不可能区分Jang Sang的债务是“好”还是“坏”，这是不可能的可以预测下个月是否会被解雇。该试验是基于“重复历史”的假设，并且很容易找到结构性变化（例如，经济危机和工业冬季）。 （3）贝叶斯红色的病例：因果关系，解释，干扰 核心方法：模拟因果机制并执行概率和后退分析的推断。 （4）摘要：三个 这三个案例清楚地证明了“统计”在Gestconsumer信用风险离子中的进化途径，最终朝着“因果关系”前进。 2。第二案（营业信用） “ Kuaijie Catering Co.，Ltd。”它适用于200万元人民币的营运资本贷款。基本情况：建立了三年，主要销售快餐供应，销售在过去一年中迅速增加。中央数据：债务 /主动比率为65％，目前的总债务为300万元，年收入为800万元。 （1）静态控制图片方法的情况 核心方法：线性加权，驱动体验 分析过程： 信贷代表通过银行预设评分模型取代了QuickG Company的各种指标。 公司成立年份（3年）：将推导10分（规则：将推论少于5年） 债务比率（65％）：推导15分（规则：60％表示扣除点） Industria（餐饮）：5分（规则：行业和人民生计点） 。 。 。 （其他指标） 最终分数：72分（100分） 决策和缺陷： 决定：银行提供“拒绝少于70点”，因此很少批准贷款。 缺陷：该模型无法解释为什么要推导这些要点，也无法响应或解释为什么他们无法做出响应。债务指数很高，但是如果销售收入迅速增加并且现金流量就足够，风险会保持更高吗？这是一个严格的审判T缺乏因果逻辑。 （2）物流回归模型的情况 核心方法：统计相关性，概率预测 分析过程： 银行AI模型使用了基于训练有素的物流回归模型的“ QuickG Company”数据输入，并拥有数十万个历史贷款。该模型发现，在历史数据中违反公司的可能性为28％。 模型输出：此客户端的默认概率为25％。 决策和缺陷： 决定：系统建议批准，因为银行的风险政策确定“违反可能性拒绝30％”。 缺陷：模型知道真相，但没有任何原因。我们只知道历史统计相关性，但是我们无法解释为什么“为什么”这概率。 致命问题：如果一家公司刚刚购买了高效率设备和节能并高债务，它可以大大降低未来的运营成本，而这种积极的模型被完全忽略了y模型。 相反，当将销售增长换成“报销补贴”时，无法确定这种负面因果模型，并且是不可持续的。这是基于历史模式的概率望远镜，不允许您了解未来的特殊路径。 （3）对于贝叶斯网络（因果推断） 核心方法：因果推断，干预分析 分析过程： 该系统构建并执行因果图形模型，这些模型不仅输入数据，还结合了行业和因果关系的知识。 计算和估计模型后，输出结果如下： 核心诊断：当前违规的可能性为22％（与物流回归的结果没有很大不同）。 重要因果路线：该模型确定“购买设备→秋季成本→改善现金流”是压倒“高债务比率”的主要积极因素。 轮廓模拟：孤独人员问，如果餐饮业明年陷入价格战，其销售收入下降了20％，会发生什么？ 模拟模拟后，输出输出：默认概率增加到38％。 决策和收益： 决策：根据因果机制模型的明确解释，银行批准了贷款。但是，与此同时，干预模拟的结果表明，将子句添加到合同中。该公司必须优先考虑将此贷款的报销到其未来现金流的30％，以抵制该行业的潜在风险。 好处：这种方法不仅给出了概率，而且还响应风险原因（债务利率的原因是由良性因素弥补的）和减轻风险的方式（额外的现金流限制条款），从而实现了被动预后，从而实现了积极的管理。 （4）摘要和比较 这两个案例清楚地证明了信用的演变对身份预测的经验概述的剖析，最终朝着因果理解和干预前进。 这个例子不能准确说明贝叶斯网络的精神，但基本上很接近。在贝叶斯网络之后，出现了许多类似或扩展的想法和工具，所有这些都旨在解决人造模型和智能的因果扣除能力来模拟人类。但是，由于科学的局限性，距离完全取代人类因果扣除的能力还有很长的路要走。 先前的文章 （本文的作者简介：我曾在中国受欢迎的银行和中国银行的监管委员会工作16年，然后我在私人资本工作，保证融资，微观和金融技术。财务和金融专栏作家。 西纳金融领导人的所有专栏都是作者的个人意见，而不是代表西纳金融的立场或意见。 关注微信的“官方意见领袖”，并阅读更多令人兴奋的文章。单击微信接口右上角的 +记录，选择“添加朋友”，然后输入您的微信帐户，以获取意见领导者“ Kopleader”或扫描下面的QR码以添加您的笔记。意见领导者在金融部门提供专门分析。 作者的个人资料：Ji Shaofeng 他曾在中国的流行银行和银行的监管机构工作16年，然后在私人资本，贷款保证，微观和金融技术工作。小型和中等规模的小额信贷行业的代表性人物，是中国小型和微复杂机构的商业创新合作联盟的发起人，小型和微复杂公司的实践专家，著名的实习生财务评论评论员和金融专栏作家。他写了一系列热门文章，其中包括“为什么99％的P2P最终死亡”，并反复预测小市场的微信用和监管市场的趋势。