必须对借款用途强化风险评估

《财经》杂志 文 | 刘晓春  

2023年09月17日 19:22  

本文4515字,约6分钟

技术应用要贯穿信用风险管理全过程,要突破单一技术的局限,综合应用不同功能的人工智能技术解决不同信用风险管理环节的不同需求

虽然许多消费信贷、小微企业贷款可以应用大数法则标准化评估风险和审批贷款,但对一些特殊用途的贷款还是需要一些特殊的风险审查。图/视觉中国

 

信用风险管理无疑是银行等信贷类金融机构最关键的业务环节,这个环节打通了,就打开了信贷业务的康庄大道。各类金融科技都希望在这方面取得突破,包括大数据、云计算、人工智能、区块链等,甚至元宇宙和ChatGPT。然而,各类技术的客户画像、风控模型等,基本上是以信用风险评估替代了信用风险管理,或者说是以信用风险评估混淆了信用风险管理。

应该说,以客户精准画像为基础的风险评估模型,在以大数法则为风险管理基础的标准化消费信贷、小微企业信贷领域取得了巨大成功,尤其是全线上闭环场景下的信贷业务更是可圈可点。但是,一旦脱离全线上、全闭环场景,线上的贷后管理手段则无用武之地,单纯依赖传统精准客户画像的风险评估模式就捉襟见肘。一些网上银行借助卫星遥感技术获取客户实时生产信息和种植信息,强化信贷资金应用的管理,无意中突破了传统精准客户画像以风险评估代替风险管理的局限,走上了真正的风险管理之路。

 

人工智能风控有局限性

信用风险评估,一般指贷款发放前对借款人或信贷项目的还款风险进行评估,包括借款人的还款意愿、还款能力和贷款用途风险等。现在人工智能风控模型基本上是对借款人还款意愿和还款能力的评估,侧重点还是在还款意愿及信用记录,几乎没有对贷款用途风险的评估。还款能力,换一个角度,也就是确定合适的授信额度。还款意愿和还款能力是信用风险评估的最基本内容,但不是信用风险评估的全部内容。

单纯从理论上说,还款能力评估应该包括贷款用途风险的评估。但现实中,情况比较复杂。银行通常会把贷款用途的风险评估和借款人综合还款能力的评估区分开来。贷款用途风险评估是第一性的,综合还款能力评估是第二性的。贷款用途风险,首先是贷款用途是否合法合规,如贷款用途是贩毒、赌博等,即不合法;如企业流动资金贷款用于房地产投资、贷款投资股市等,则是不合规。贷款用途不合法、不合规,借款人信用记录再好、综合还款能力再强,都不能贷款。其次是对于借款人而言,贷款用途的合理性。比如,过多的原材料储备是否合理、新的投资是否超出借款人的经营管理能力等。再次是该笔贷款运用的投入产出效益。一般而言,只有贷款应用本身产生的效益足够还本付息,该笔贷款才是安全的,综合还款能力一般情况下只是加分项。

通道业务流行时期曾有一笔业务,银行理财资金通过信托作为优先级,一家著名的民营企业出资作为劣后级,设立特殊目的公司,经QDII(合格境内机构投资者)渠道向特定人士购买其持有的该民营企业在香港发行的股票。业务已经通过了各项调查和审查环节,等待最后的审批。审核了调查报告和审查报告后,我找相关人员就这笔业务问一些问题。

首先,QDII单笔是否可以这么大金额?是否可以单笔只投资一只股票?这是希望知道QDII的基本规则。其次,新成立的特殊目的公司与这家民营企业是否是一致行动人?如果说不是,但实际是,在中国香港应该是违法了;如果是,这次通过QDII要购买的股票占该企业发行量的20%多,企业实控人持有70%多,市场上在流通的股票就只剩1%-2%左右,那意味着企业是要退市了。从当时的两份报告来看,没有哪处显示该企业要退市。报告中也没有说明向特定持有人购买这些股票的必要性和可行性。

此外,如果到期企业不能还款怎么办?当时的工作人员说,可以把股票抛掉,中国香港市场随时可以抛。但是,这只股票平时交易频率不高,交易量大概就是发行量的1%左右,如果突然抛出20%多,谁接盘?股价能承受住吗?工作人员又说,还有实控人无限责任担保。我问,实控人凭什么担保呢?工作人员回答,他们持有70%多股票,价值远远超过我们的出资。我说,我们20%多都抛不出去,他70%多能抛出去?因为业务逻辑说不通,所以我否决了这笔业务。几个月以后,该股票被做空,股价一天之内跌去98%以上。

这笔业务,单纯看企业是当时的明星企业,报表反映企业效益很好,信用记录良好;有当时估价足值的质押品和保证担保;作为通道业务,也符合当时的规则。然而,穿透业务表象,款项用途在逻辑上说不通。我的推论是,企业当初上市与那些特定持有人签有抽屉协议,约定在一定期限后,在一定价格以上持有人可以在市场上出售股票,否则发行人必须按此价格回购股票。现在对赌的抽屉协议到期了,股票市场价格没有到协议的价格以上,也没有接盘人,发行人必须履行抽屉协议。但发行人肯定不能直接回购如此多的股票,否则会触发退市机制,于是便有了这种业务模式。上市需要与特定投资人签署这类抽屉协议,是因为发行人希望达到一定的市值,但市场并不认可,所以找来这类特定投资人抬升发行价,并维持市值。股票上市后,没有交易量,甚至需要靠所谓的市值管理花钱来维持股价,就充分说明了问题。这样的上市方式,不仅没给企业带来经营优势,实际上是害了一家正常经营的企业。类似这家企业这样的上市方式,前些年在A股市场和H股市场数量不少,是股市不健康的因素之一,说来话长,暂且按下不表。

 

借款用途需要专门的风险评估

必须对借款用途进行专门的风险评估,不仅发生在对公业务领域,零售业务和小微企业业务也是需要关注的。零售业务和小微企业业务的不同贷款产品的不同准入要求,许多就是针对借款不同用途而设定的。现在来看,虽然许多消费信贷、小微企业贷款可以应用大数法则标准化评估风险和审批贷款,但对一些特殊用途的贷款还是需要一些特殊的风险审查。比如按揭贷款,实际上可以分为两种,现房按揭贷款和期房按揭贷款。期房按揭贷款,除了现房按揭贷款需要评估的风险,还应该评估开发商按期交房的风险。

信贷风险评估并不等于信贷决策。信贷决策要根据信贷风险评估所呈现的风险状态和可能,确定贷与不贷;如果贷,则要确定合适的贷款金额、期限结构和利率结构,还要确定贷款方式和风险控制方式,为贷后风险管理提供依据和措施。以期房按揭贷款为例,开发商的实力再强大,信用记录再优秀,不能按时交房的风险是存在的,在贷款保障措施中就必须确定开发商的责任,以及当出现不能按时交房甚至发生烂尾的情况下,如何确保购房者的权益和银行贷款的安全。目前按揭贷款模式,没有区分现房按揭和期房按揭,不仅风险评估缺失一个环节,贷款决策中自然就少了必要的风险控制措施,为贷后的风险管理埋下了隐患。

前段时间,与一位企业家交流。他最初开食品厂,以后依次做过工程承包、出租工程设备、代理国外著名品牌运输车销售。随着中国运输车制造水平的提升,国外品牌不那么容易销售了。为了维持销售业绩,他开办了小贷公司为购车者提供贷款。发现小贷公司满足不了需求,又开办担保公司,为购车者向银行贷款提供担保。可以看到,他是在逐步往食物链顶端发展。

因为疫情,物流业受到重创,许多运输户还不了贷款,他的担保公司必须履行担保责任,最后他自己成了失信人员。他的公司有专门的风险管理人员,但是水平一般。

从他的叙述中可以感到,他做这项业务并不是盲目的,他是在自己熟悉的领域发展业务。他曾经也进入乘用车领域,为购车者提供贷款或担保。因为那个领域市场比运输车市场大。但很快就发现,虽然都是卖车,却各有各的套路,他把握不住乘用车领域的潜规则,于是很快就退回自己熟悉的运输车领域。他还做过P2P,也很快退出了。但熟悉运输车领域,并不等于他就能做好运输车领域的金融业务。在提供担保前,他做了客户的信用风险评估,但在提供担保时可能并没有在合同中安排反担保措施,也没有明确当他履行担保责任后该拥有的债权主张方式。当他履行担保责任后,绕过法律程序,用传统民间的方式粗暴主张债权,结果输了官司。

两个案例虽然不是贷款业务,但性质与贷款一样。由案例可见,资金有不同用途,不同用途有不同风险,需要进行专业的评估与预测,以确定不同的信贷方案和风控措施。而不同风控措施本身又需要进行专业的风险评估,比如不同的担保方式、不同的抵押物、不同的质押物和质押方式等,并在评估基础上确定具体的约束安排。这些都远远超出客户画像的范围。这是银行数字化转型中,对公业务领域进展不尽如人意的关键所在。一方面,广泛应用人工智能技术,是风险管理的必然方向;另一方面,现有技术还不能满足这类需求,更重要的是在应用技术中对业务和技术两端都没有深刻的洞察。方法上,必须突破客户画像的思维局限,技术应用要贯穿信用风险管理全过程。技术上,要突破单一技术的局限,综合应用不同功能的人工智能技术解决不同信用风险管理环节的不同需求。

 

深刻理解技术的适配性

科学的新发现、技术的新发明,所谓从零到一固然重要,但技术实现商业化应用,同样是非常重要的,这是另一个领域的从零到一。一项新发现、新发明,导致一系列科学理论和科学技术的革命,是一到十甚至更多,然而这只是科学研究领域的一到十,并不等于实现了商业化应用。一项科学技术的商业化应用,即科技应用的创新,与科学研究既有关,又无关。有关是需要对这项技术有深入的认识,并有应用的能力;无关是这时更需要对社会领域,比如生产、商业模式、金融业务规律的深刻认识,有能力遵循商业规律将技术应用到具体的业务中去。当然,科技应用的创新,反过来可以促进科学技术的继续创新、改进与提高。

任何技术创新,应用的空间可能都是无限的,但每项技术都有自己的特点,也必然有自身的能力边界和局限。再先进的技术都不可能替代之前的所有技术。不同技术路径的人工智能,都有各自适用的范围。所以,对一项新技术,一方面要打开思路,大胆创新应用,另一方面更要深刻理解技术的特点和不同业务特点的适配性,以期达到有效创新应用的效果。

ChatGPT是人工智能技术的重大突破,为人工智能的广泛应用带来了极大的想象空间。作为自然语言处理技术,它通过深度学习找到了词语间的相关性,但这并不说明它知道了真实世界事物间的因果关系。在信用风险管理中,业务逻辑、信贷项目的投入产出风险、抵质押品风险等,作为通用语言模型可能可以做一些信息收集等辅助工作,但做不了实质性的评审与管理工作。这不是一句“只要有足够数据它就能深度学习”能搪塞的。这只是未来时的表述,可能需要自然语言处理技术之外的技术路径来解决,科学家们还需努力。更何况,即使目前的人工智能技术真的在技术上能解决所有业务问题,还有一个效益和效率问题。

人工智能技术在信用风险管理中应用还必须解决的难点是:一是评估结果和决策结果是确定正确的,不可以是模棱两可甚至有误导性;二是模型必须是可检验和可解释的;三是模型应用的结果是可以追责的。如果不能做到这三条,风险将比不应用人工智能更大。其中不仅有技术本身可能存在的风险,更重要的是,一旦不可追责,会引发道德风险。

总的来说,信用风险管理需要广泛应用人工智能技术,但不同环节、不同阶段的操作,需要应用不同的人工智能技术。互联网银行应用卫星遥感技术核实贷款农户农作物种植和生长情况,就是很好的例子。如没有成熟的技术,也不必勉强为之。技术是人发明的,也是人应用的,技术的有效应用,更需要与人的作用无缝对接。只有这样,才能真正做好信用风险管理工作。

(作者为上海新金融研究院副院长;编辑:张威、袁满)