CN116629765A - 基于iso 22301原理的贷后信用风险控制方法及系统 - Google Patents
基于iso 22301原理的贷后信用风险控制方法及系统 Download PDFInfo
- Publication number
- CN116629765A CN116629765A CN202310069934.XA CN202310069934A CN116629765A CN 116629765 A CN116629765 A CN 116629765A CN 202310069934 A CN202310069934 A CN 202310069934A CN 116629765 A CN116629765 A CN 116629765A
- Authority
- CN
- China
- Prior art keywords
- credit
- early warning
- wind control
- debt
- risk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000009471 action Effects 0.000 claims abstract description 246
- 238000012954 risk control Methods 0.000 claims abstract description 59
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims description 66
- 230000000694 effects Effects 0.000 claims description 34
- 238000012795 verification Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000006872 improvement Effects 0.000 claims description 12
- 230000010485 coping Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 90
- 238000012552 review Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 13
- 238000002360 preparation method Methods 0.000 description 13
- 206010027336 Menstruation delayed Diseases 0.000 description 10
- 238000007689 inspection Methods 0.000 description 9
- 230000015572 biosynthetic process Effects 0.000 description 8
- 150000002343 gold Chemical class 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006835 compression Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 7
- 238000007710 freezing Methods 0.000 description 7
- 230000008014 freezing Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008520 organization Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 4
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000005206 flow analysis Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- YTCQFLFGFXZUSN-BAQGIRSFSA-N microline Chemical compound OC12OC3(C)COC2(O)C(C(/Cl)=C/C)=CC(=O)C21C3C2 YTCQFLFGFXZUSN-BAQGIRSFSA-N 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 206010043417 Therapeutic response unexpected Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004709 eyebrow Anatomy 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明涉及一种基于ISO 22301原理的贷后信用风险控制方法及系统,属于贷后信用风险控制技术领域。本发明把债项合约的生命周期作为其贷后信用风险控制时间序列,并分为TS1、TS2、TS3三个时段,依次设立贷后风控模型的三个情景:情景1、情景2、情景3;根据三个情景的应对策略,以及情景六要素,构建贷后突发事件情景与风控行动之间的控制逻辑关系,动态生成风控方案。风控方案可由贷后管理团队人员执行,也可由机器自动执行。本发明提高了贷后应急响应的效率,阻止债项形成不良贷款,提高商业银行的风险调整后的资本回报率。
Description
技术领域
本发明属于贷后信用风险控制技术领域,具体涉及一种基于ISO 22301原理的贷后信用风险控制方法及系统。
背景技术
1.背景概述
为了降低贷后逾期损失,银行建立了贷后逾期催收管理系统,还把那些回收难度大的逾期贷款外包给专业公司进行催收处理。但是,贷款(或债项)发生逾期后才开始催收,不仅增加了催收的难度和成本,而且增加了债项预期损失率(Expec ted Loss,以下简称EL)。银行解决这一问题的方法,就是把贷后信用风险控制的关口前移,建立贷后预警及应急响应系统(以下简称:现有贷后应急系统)。现有贷后应急系统包括以下风控流程:一是收集预警数据并建立预警模型,二是运行模型与发出预警信号,三是核实预警信号并评估信用风险,四是制定风控方案,五是召开风险跟踪例会审批风控方案,六是执行风控方案。除前二个环节实现自动化外,其余后四个环节都是由人工完成。现有贷后应急系统效率低,单户贷后管理成本较高。
其次,由于小型企业债项信用风险分类方法的局限,债项信用风险分类结果取决于债项是否逾期、以及逾期时间长短。在债项发生逾期前,即使小型企业发生了突发事件或预警信号,其债项风险分类也不发生变化,债项EL也同样不会发生变化(债项信用风险分类与债项EL相价,特此说明),导致现有贷后应急系统对在TS1合TS2时段的突发事件不敏感。由于债项风险分类(或EL)不会恶化(在未逾期前),现有贷后应急系统也没有采取风控行动的理由;只有在TS3时段,由于债项风险分类(或EL)已经恶化(如成为关注类债项),这时现有贷后应急系统才采取风控行动。但是为时晚已,大部分债项会形成不良贷款,现有贷后应急系的风控效果差,商业可持续性不佳。
另外,按照风险管控流程,贷后应急风控行动至少需要二个主要步骤:第一步是根据巴塞尔协议原理,评估债项的预期损失率(EL)和非预期损失率(UL)是否发生变化,以及变化的程度和趋势;第二步是根据第一步的评估结果,制定保障贷款本息安全的风控化解方案。目前上述第一步可以实现自动化或智能化,如现有贷后应急系统通过评分卡算法和人工智能算法,计算债项的EL(与不良贷款损失准备金相对应)和UL(与经济资本相对应)。但上述第二步(即制定风控化解方案),目前难以根据第一步的评估结果实现自动化和智能化。即目前还没有找到一种方法,可以根据债项EL和UL自动制定和执行风控方案。在贷后突发事件应急响应过程中,如果第二步不能实现自动化,那么第一步的自动化也失去了意义。例如,现有贷后应急系统的评分卡模型和人工智能模型的预警信号频数的总体占比分别为2.08%和0.03%,其余97.89%为规则模型。主要原因是评分卡模型和人工智能模型的分析结果仅是抽象的数字,而贷后管理人员难以根据这些抽象数字制定相应的风险化解方案。可见,现有贷后应急系统难以使制定和执行风控方案的过程自动化和智能化。
小微企业在贷后信用风险控制时间序列(TS)的早期(即未逾期前,如TS1、TS2时段),发生操作风险突发事件时,如何自动制定并执行风控方案,从而高效控制债项信用风险损失,目前还没有一套完整的理论和方法。
以下通过系统流程分析方法,进一步对现有贷后应急系统进行分析,揭示系统存在的缺陷,分析现有贷后应急系统缺陷的相关原因。本发明的适用范围是采用期限分类法的表内外信贷业务。具体分析过程如下:
2.现有贷后应急系统流程分析
2.1.流程分析
现有贷后应急系统处理流程包括:收集数据并建立预警模型、运行模型与发出预警信号、核实预警信号并评估信用风险、制定风控方案并采取行动、审批风控风控方案、风险跟踪例会/确认风控方案效果。
2.1.1.收集数据并建立预警模型
现有贷后应急系统自动抽取的方式,将银行内部和外部数据定期(一般为按月)归集,通过统一清洗、交叉验证、事实聚集,形成突发事件或信用风险指标数据集。银行建立预警模型,对数据集进行分析处理。预警模型分为规则模型、评分卡模型和人工智能模型。根据历史数据,规则模型发出预警信号频数占比97.89%,而评分卡模型和人工智能模型的预警信号频数占比2.08%和0.03%。对于规则模型,当模型运算结果大于模型阈值,或具有模型规定的特征,则触发预警信号。
2.1.2.运行模型与发出预警信号
现有系统定期(一般为按月)批量自动运行预警模型,并通过微信、邮件、短信等方式,自动向贷后管理人员发出预警信号。综合管理岗(指挥层)首先收到预警信号,并按照严重程度不同,把预警信号分为红、橙、蓝三个级别,再把预警信号转发贷后管理人员(执行层)。其中红色为非常严重预警信号,它对债务人的还款能力产生重大负面影响,风险状况在短期内很难有实质性改善,风控行动难度很大,预计资产近期形成不良的可能性很大。橙色为较严重预警信号,它对债务人的还款能力产生较大负面影响,预计资产近期形成不良的可能性较大,风控行动难度较大,风险状况在短期内难有实质性改善。蓝色为一般预警信号,它对债务人的还款能力产生一定负面影响,预计资产近期形成不良的可能性不大,风控行动有一定难度,风险状况在短期内不一定有实质性改善。
2.1.3.核实预警信号并评估信用风险
本环节由人工方式完成。当收到预警信号时,贷后管理人员需要完成两项任务:一是核实预警信号是否属实,主要是核实产生预警信号的原因是否真实存在。二是评估预警信号对债项信用风险分类(EL)的影响程度。通过对完成任务质量进行定量比较分析,评价任务完成质量的优劣。这里对完成任务质量分值定义如下:已完成任务的80%以上且效果良好得5分;完成任务的60%以上且效果较好得3分;完成任务的40%以上且效果较差得1分;完成任务的40%以下且几乎没有效果得0分。
(1)核实预警信号是否属实。以表32为例,共16次任务,总满分80分,现有贷后应急系统总得分75分,完成率93.8%,完成任务良好。但对评分卡预警模型发出的预警信号,核实任务完成的效果很差,共1次任务,总满分5分,现有系统总得分0分,完成率0%。
(2)评估预警信号对债项信用风险分类(EL)的影响程度。以表32为例,共16次任务,总满分80分,现有系统总得分47分,完成率58.8%,效果较差。其中,在债项逾期前共8次任务,满分40分,现有系统总得分9分,完成率22.5%,几乎没有效果。反映出现有系统在债项逾期前,几乎没有评估预警信号对债项信用风险分类(EL)的影响。
现有是按照期限分类法,对于小型企业(包括普惠小微企业)债项进行风险分类,分类结果取决于债项是否逾期、以及逾期时间长短,具体内容如表1。
表1
尽管现有方法还规定了可用“风险因子”手工调整上述债项信用风险分类结果,但这些“风险因子”一般都是比较严重的信用风险违约事件,如“近两年内债务人在本行或其他金融机构出现连续逾期90天次数达到3次(含),在我行或其他金融机构的透支记录出现连续逾期60天次数达到2次(含),分类结果不得优于关注三级”。对于操作风险类突发事件,几乎不包含在“风险因子”内。所以现行信贷风险控制方法,对操作风险类突发事件不敏感。
2.1.4.制定风控方案并采取风控行动
本环节由人工方式完成。根据现有信用风险管控要求(如巴塞尔协议),应对债项信用风险分类(EL)向下迁徙的风险控制方法,主要是提高计提信贷损失准备金。信贷损失准备金=债项预期损失率(EL)(信用风险分类)×违约风险暴露(EAD)。如果债项信用风险分类向下迁徙,即债项预期损失率(EL)升高,那么会导致银行风险调整后的资本收益(RiskAd justed Return On Capital,简称:RDROC)减少。所以银行贷后管控的根本任务就是在债项信用风险分类下迁前,针对操作风险突发事件,通过制定有效的风控方案并及时采取风控行动,阻止债项预期损失率(EL)升高。
但是,实际情况是既没有制定有效的风控方案,也没有及时采取风控行动。以表32为例,共16次任务的总满分80分,现有贷后应急系统总得分29分,完成率36.25%,效果较差。其中,在债项逾期前共8次任务,满分40分,现有贷后应急系统总得分9分,完成率22.5%,几乎没有效果。反映出现有贷后应急系统在债项逾期前,几乎没有制定有效的风控方案,也没有及时采取风控行动。
2.1.5.审核风控方案
本环节由人工方式完成。具体由综合管理岗(指挥层)完成。从上一环节的分析发现:所制定风控方案的完成率较低(36.3%),风控行动也无章可循。特别是在债项逾期前,几乎没有制定风控方案,也没有采取风控行动。作为指挥层和决策层,几乎没有需要审核对象,也没有审核的依据。出现这些问题的原因如下:
一是方法原因:在现行贷后信用风险控制方法中,如何评估突发事件对债务人信用风险的影响,只是定性评估,没有定量评估方法。例如,核查内容主要包括:1)预警信号成因,2)客户资产负债、生产经营及账户结算情况,3)客户信用、法律诉讼及行政处罚状况,4)客户还款意愿,5)客户对经营趋势、经营风险的判断,6)其他有利于判断客户风险来源、程度及变动趋势的信息等。另外,根据现行信贷资产风险评估方法,对于小微企业,其债项信用风险分类或(EL),取决于是否逾期,以及逾期天数长短。如果不发生逾期,即使发生突发事件,其债项信用风险分类或(EL)不会发生变化。因此,如果突发事件发生在逾期前,按照现行方法,其债项信用风险分类或(EL)不会向下迁徙。当然,现行方法也要求对一些重大突发事件(如倒闭、破产),需要调整债项信用风险分类,但也形同虚设。因为这些重大突发事件发生时,信贷资产已成为不良,形成难以挽回的信贷资产损失。
二是技术原因:现行的客户信用等级(PD)和债项信用风险分类(EL)也不能应用于应急响应情景。主要原因是评估客户信用等级(PD)和债项信用风险分类(EL)是属于银行日常工作,需按照固定的时间周期(一般每年或每季度开展一次)由系统批量自动执行。但是,在发生突发事件时,一般必须在10天内完成信用风险评估,因而不能适应应急情景的时间要求。目前在应急响应的情景下,是通过人工方式评估信用风险。由于人工成本的限制,只能对少数预警信号进行信用风险评估。根据现有历史数据,目前只有20%的预警信号得到核实,并评估其对信用风险的影响。
三是考核激励机制原因:信贷扩张对银行经营业绩带动明显,银行各项资源配置和激励措施的重心更偏向新增信贷规模。贷后风险管控是一项基础性工作,不能带来任何规模新增,也不容易出成绩,不仅时间跨度长,而且贷后管控工作成绩难以量化。尽管银行要求贷后管控精细化,但贷后管控人员的积极性往往缺乏内生动力,“重贷轻管”的现象普遍存在。常常对早期发现的预警信号听之任之,直到贷款出现逾期后,才开始认真对待,但已失去了挽回损失的最佳时机。
2.1.6.开跟踪风险例会以审批风控方案
本环节由人工方式完成。具体由决策层(贷后风险主管岗)完成。当债务人出现明显的还款能力下降时,才可进入风险例会跟踪程序,并审批其风控方案。风险例会一般是在二级分行按月定期举行,主持人为分管副行长,参会人员包括公司部和风险管理部相关人员,每次进入风险例会讨论的债务人较多,一般有10到20个。例如,XXX公司(债务人),直到逾期30天后,债项信用风险分类为“次级一级”,才在风险例会上提出具体风控措施:“一是对该风险事件指定专人负责落实情况,XXX支行由分管贷后业务的副行长XXX和对公贷后管理人员XXX负责。二是积极关注公司生产经营情况,及时收集、了解诉讼案件的进展情况。三是准备开展财产追索、司法诉讼程序”。
2.2.现有系统组织架构说明
现有系统组织架构主要分为:执行层(贷后管理人员)、指挥层(综合管理岗)、决策层(贷后风险主管)。
2.2.1.执行层(贷后管理人员)
负责收集和录入定性指标信息;现场核查突发事件或预警信号准确性,评估金融资产信用风险大小变化;提出应对风险的化解方案;参加被预警客户的跟踪例会并汇报客户风险及处置情况。
2.2.2.指挥层(综合管理岗)
负责利用现有贷后应急系统工具监控预警信号,发现并识别风险客户,分析信用风险预警信息,提出处理意见;组织贷后管理人员对突发事件或预警信号进行核查;对重要风险客户与贷后管理人员进行现场调查,提出(审核)风险控制和化解措施。
2.2.3.决策层(贷后风险主管岗)
负责对综合管理岗工作进行全面管理。审核现有贷后应急系统参数;落实岗位人员;审定预警客户及风控行动;主持召开预警风险客户跟踪管理例会。
2.3.现有技术的缺点
2.3.1.现有贷后应急系统对债项逾期前的风险突发事件不敏感
在债项逾期前(即在TS1和TS2时段),如果发生突发事件或预警信号,现有系统几乎不会采取有效风控行动,只有在在债项逾期后(即在TS3时段),才会采取风控行动,错失了早发现早防控的良机,导致不能有效防止的债项信用风险损失的增加。
2.3.2.现行贷后应急响应流程不合理
风险突发事件PBCP发生前准备不足,总是在突发事件发生/预警信号出现后,才开始评估信用风险、并制定风控方案。导致应急响应周期过长、人工劳动强度大、化解信用风险的效果差。
2.3.3.自动化程度低
现有系统主要依赖贷后管理人员完成贷后突发事件应急响任务,从贷后管理人员收到预警信号开始,整个应急响应流程所需时间最大值:10天+30天=40天,最小值:30天。其中10天是指核实预警信号(5天)、制定风控方案(3天)和执行风控方案(2天)所需时间;30天为召开风险例会最终决定风控方案(每月一次)。
2.3.4.智能化程度较低
现有贷后信用风险系统人机配合要求较高,这就要求预警模型提供信用风险信息,应该用人能理解的自然语言描述。然而,现有评分卡模型和人工智能模型,其输出结果只能是数值,如:“1=有”或“0=无”,让贷后管理人员无法从这样的“数字”中得到启示,导致评分卡模型和人工智能技术在现有系统中推广应用举步维艰。根据近三年的历史数据,评分卡模型和人工智能模型发出的预警信号频数占比分别是2.08%和0.03%,而规则模型发出预警信号的占比97.89%。
2.3.5.难以适应快速发展普惠小微企业信贷的要求
与大中型企业比较,普惠小微企业单笔贷款利润较小(即所谓长尾效应),而需求量巨大。但是,现有系统效率低,人工劳动强度大,单户贷款的贷后管控成本较高,商业可持续性不高。为了弥补现有系统高成本问题,在实际工作中,只能减少预警信号的应急响应比率。根据近三年数据,实际响应的突发事件或预警信号数量占总体比小于20%,即80%突发事件或预警信号没有得到处理,贷后应急响应的精细化管控空间很大。
所以,如何克服现有技术的不足是目前贷后信用风险控制技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种基于ISO 22301原理的贷后信用风险控制方法及系统。
为实现上述目的,本发明采用的技术方案如下:
基于ISO 22301原理的贷后信用风险控制方法,包括如下步骤:
步骤(1),采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
步骤(2),根据步骤(1)采集的预警信息,核实该预警信号是否属实,若是则转步骤(3);否则,退出本系统;
步骤(3),根据步骤(1)采集的债项信息,获取该债项当前信用风险分类,判断本系统范围,如果债项当前信用风险分类是正常至关注,则转步骤(4);否则,退出本系统;
步骤(4),根据步骤(1)采集的债项信息,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型;
步骤(5),根据步骤(1)采集的信息,计算该预警信号的债项贷后信用风险控制时间序列TS=预警信号发生的日期–债项开始日期;根据TS的数值,分别进入前期TS1、中期TS2和后期TS3;
步骤(6),根据步骤(1)采集的信息,计算该预警信号的时间序列TS时段,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
步骤(7),根据步骤(1)采集的信息,获取该预警信号的预警级别及相应的债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略,从前到后依次执行,执行至当前时段。
进一步,优选的是,步骤(3)中,当债项当前信用风险分类为次级至损失级,则退出本系统,进入不良资产保全处置系统。
进一步,优选的是,步骤(4)中,在贷后风控模型库中包含30个贷后风控模型,即PBCPij,其中,i=1,2,3,4,5,代表五种风险缓释工具,即:信用类、保证类、抵押类、质押类、保证金类;j=1,2,3,4,5,6,代表六种授信业务种类,即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务。
进一步,优选的是,步骤(7)中,预警级别包括红色、橙色、蓝色、灰色;所述的红色预警分值为≥5;所述的橙色预警分值为≥3,且<5;所述的蓝色预警分值为≥1,且<3;行业信贷政策包括优先选择、选择性优先和压缩退出;风控行动策略包括对债务人、债项、风险缓释工具和关联方的风控行动。
本发明同时提供基于ISO 22301原理的贷后信用风险控制系统,采用上述基于ISO22301原理的贷后信用风险控制方法,包括:
数据采集模块,用于采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
预警信号核实模块,用于核实该预警信号是否属实;
风控器,由第一处理模块、第二处理模块、第三处理模块、第四处理模块和第五处理模块组成;
第一处理模块,分别与数据采集模块和预警信号核实模块相连,判断该预警信号对应的债项当前信用风险分类是否为正常至关注,若是则进入本系统,否则退出本系统,进入不良资产保全处置系统;
第二处理模块,第一处理模块相连,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型PBCPij,其中i的取值范围是:1,2,3,4,5,6,分别对应流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务和委托付款业务;j的取值范围是:1,2,3,4,5,分别对应信用类、保证类、抵押类、质押类、保证金类;
第三处理模块,与第二处理模块相连,根据预警信号所处的时段,选择应对情景;所述的场景包括前期TS1、中期TS2和后期TS3;
第四处理模块,与第三处理模块相连,根据预警信号的预警级别、债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略;
第五处理模块,与第三处理模块相连,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
贷后风控模型库,与第二处理模块相连,用于存储贷后风控模型;
风控方案生成与发布模块,与风控器相连,用于获取预警信号所有发生时段的风控行动策略形成风控方案,并向贷后管理团队或风控机器人发布风控方案;
风控方案执行模块,与风控方案生成与发布模块相连,由贷后管理团队或风控机器人,从前到后依次执行风控方案。
进一步,优选的是,还包括:风控方案评价与改进模块,与风控方案执行模块相连,用于对已执行完毕的风控方案的效果进行评价。
进一步,优选的是,步骤(5)中,预警信号发生时段包括前期、中期和后期;其中,把债务期限M天分成12份,
信用类:前期时段TS1:[0,10*M/12),中期时段TS2:[10*M/12,12*M/12),后期时段TS3:[12*M/12,13*M/12);其中,TS1时段为三个子情景:情景1、情景2和子情景3,其中,情景1为[0,6*M/12),情景2为[6*M/12,9*M/12),子情景3为[9*M/12,10*M/12);
保证类:前期时段TS1:[0,12*M/12),中期时段TS2:[12*M/12,13*M/12),后期时段TS3:[13*M/12,15*M/12);其中,TS1时段为三个子情景:情景1、情景2和子情景3,其中,情景1为[0,7.2*M/12),情景2为[7.2*M/12,10.8*M/12),子情景3为[10.8*M/12,12*M/12);
抵押类:前期时段TS1:[0,12*M/12),中期时段TS2:[12*M/12,13*M/12),后期时段TS3:[13*M/12,15*M/12);其中,TS1时段为三个子情景:情景1、情景2和子情景3,其中,情景1为[0,7.2*M/12),情景2为[7.2*M/12,10.8*M/12),子情景3为[10.8*M/12,12*M/12);
质押类:前期时段TS1:[0,14*M/12),中期时段TS2:[14*M/12,15*M/12),后期时段TS3:[15*M/12,18*M/12);其中,TS1时段为三个子情景:情景1、情景2和子情景3,其中,情景1为[0,8.4*M/12),情景2为[8.4*M/12,12.6*M/12),子情景3为[12.6*M/12,14*M/12);
保证金类:前期时段TS1:[0,14*M/12),中期时段TS2:[14*M/12,15*M/12),后期时段TS3:[15*M/12,16*M/12);其中,TS1时段为三个子情景:情景1、情景2和子情景3,其中,情景1为[0,8.4*M/12),情景2为[8.4*M/12,12.6*M/12),子情景3为[12.6*M/12,14*M/12)。
本发明中,不良资产保全处置系统为现有系统,本发明对此不作改进。
本发明中,TSi(i=1,2,3)取决于债项期限M(单位:天)和风险缓释工具类型。
本发明中,风控方案评价与改进模块,与风控方案执行模块相连,对已执行完毕的风控方案的效果进行评价,一般每季度执行1次。对于效果差的风控方案进行改进,对于效果好的风控方案,给予保留。
本发明强制提醒的目的是保证债务人有足够的资金归还本息,否则必须立刻确定取舍决定(再融资或诉讼追缴债务)。
本发明提出基于ISO 22301原理,再造贷后信用风险控制流程:预先制定可覆盖银行全部业务的30个PBCPij,其中i=1,2,3,4,5,代表五种风险缓释工具(即:信用类、保证类、抵押类、质押类、保证金类);j=1,2,3,4,5,6,代表六种授信业务种类(即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务)。本发明改变现有贷后应急系统在事件发生后才开始人工制定风控方案的被动局面。当本发明的预警感知器发现债务人的突发事件或预警信号时,本发明的能根据6个情景要素,从贷后风控模型库中自动匹配相应的PBCPij,并自动执行PBCPij,为实现贷后信用风险控制的自动化和智能化提供了理论方法和实现技术。
本发明系统不仅能预防信用风险突发事件导致的信用风险损失,更重要的是还能预防操作风险突发事件导致的信用风险损失,真正实现了早发现早防控的贷后风险管控原则。另外本发明系统通过再造贷后信用风险控制流程而提高了效率,通过标准化贷后信用风险控制流程而提高了效果;时间序列分为前期TS1、中期TS2和后期TS3,并依此设立PBCP的三个情景:情景1、情景2、情景3。当预警感知器发现债务人发生的突发事件或预警信号时,本发明能根据债项当前信用风险分类及其他情景要素,动态匹配贷后风控模型库中的一个具体的PBCPij。该PBCPij可由机器自动执行,为实现贷后信用风险应急管理的自动化、智能化提供方法。通过及时执行这些风控行动,能有效防止债项风险分类向下迁徙,降低债项预期损失(EL)和非预期损失(Unexpected Loss,以下简称UL),增加了商业银行的RAROC。
为此,本发明提出基于ISO 22301原理,再造贷后信用风险控制流程。在计划准备阶段,预先制定贷后风控模型库,改变现有系统在应急响应执行阶段才开始制定风控方案的被动局面。与TS1、TS2、TS3相对应,根据重复发生的突发事件或预警信号,同时考虑风控行动时间与债项预期损失率(EL)的变化关系,依次设立PBCP的三个贷后突发事件应急情景:情景1、情景2、情景3。最后,根据情景的六要素,根据与三个情景对应的风控行动策略,并借鉴“情景—应对”方法,构建贷后突发事件情景与风控行动之间的控制逻辑关系,动态合成PBCP。不仅能预防信用风险突发事件导致的信用风险损失,更重要的是还能预防操作风险突发事件导致的信用风险损失,真正实现了早发现早防控的贷后风险管控原则。
本发明与现有技术相比,其有益效果为:
“三分贷、七分管”,其含义是指开拓新客户(贷前)和授信审批(贷中)固然重要,但这仅仅是把住了贷款发放前风险预判关口。贷款发放后,银行失去了信贷资金的控制权,而且贷后管控整个过程的时间跨度更长,面临的风险突发事件更多,更需要银行加强贷后管控。所以在整个信贷风险管控过程中,贷后信用风险管控的权重为70%,而贷前、贷中的权重为30%。但在现实中贷后信用风险管控弱化,情况却形成倒挂:贷后信用风险管控的权重仅仅占30%,银行只希望贷款发放后债务人不要发生意外事件。因为现有贷后应急系统的自动化水平较低,如果要把贷后管控工作做到位,就需要投入大量的人力资源成本,贷后管控成本高,对于海量的普惠小微企业贷款,难以实现商业可持续性。借助本发明可以充分实现贷后应急系统的自动化和智能化,把现有贷后信用风险管控的权重从30%提高到70%。所以本发明对贷后风险管控的贡献度是40%。
贷后风险管控还可进一步细分为二项工作:一是贷后应急响应;二是逾期催收及不良资产保全。前者是针对正常和关注类债项,当出现突发事件或预警信号时,通过及时采取风控行动,阻止债项信用风险分类向下迁徙,把问题解决在萌芽状态,达到减少不良贷款的目的。这正是需要本发明改进的范围。后者是对已经逾期或不良债项的资产保全和处置,通过各种催收及不良资产处置工作,尽可能减少损失,但回收成本较高,收回率较低。上述二项贷后风险管控工作的权重分别是40%:60%。所以,本发明在整个信资产贷业务风险管控流程中,其风控管控的权重是:40%*40%=16%。
根据人民银行网站提供的信息,2021年全国商业银行普惠型小微企业贷款余额19.8万亿元,不良率1.19%,不良贷款2356亿元,与贷后应急响应相关的不良贷款:2356*16%=376亿元。由于本发明通过流程再造,大幅提高了系统效率(是现有贷后应急系统的8倍),并通过机控代替人控,实现贷后突发事件应急响应的精细化管控,提高应急响应流程的风控质量,因而本发明理论上能减少80%左右的不良贷款。如果全国商业银行在2021年都使用本发明,本发明当年能减少301亿元不良贷款。
附图说明
图1为本发明实施例基于ISO 22301原理的贷后信用风险控制系统的一个结构示意图;
图2为本发明实施例基于ISO 22301原理的贷后信用风险控制系统的又一个结构示意图;
图3为风控行动时间与信用类债项预期损失率关系图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
实施例1
基于ISO 22301原理的贷后信用风险控制方法,包括如下步骤:
步骤(1),采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
步骤(2),根据步骤(1)采集的预警信息,核实该预警信号是否属实,若是则转步骤(3);否则,退出本系统;
步骤(3),根据步骤(1)采集的债项信息,获取该债项当前信用风险分类,判断本系统范围,如果债项当前信用风险分类是正常至关注,则转步骤(4);否则,退出本系统;
步骤(4),根据步骤(1)采集的债项信息,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型;
步骤(5),根据步骤(1)采集的信息,计算该预警信号的债项贷后信用风险控制时间序列TS=预警信号发生的日期–债项开始日期;根据TS的数值,分别进入前期TS1、中期TS2和后期TS3;
步骤(6),根据步骤(1)采集的信息,计算该预警信号的时间序列TS时段,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
步骤(7),根据步骤(1)采集的信息,获取该预警信号的预警级别及相应的债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略,从前到后依次执行,执行至当前时段。
实施例2
基于ISO 22301原理的贷后信用风险控制方法,包括如下步骤:
步骤(1),采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
步骤(2),根据步骤(1)采集的预警信息,核实该预警信号是否属实,若是则转步骤(3);否则,退出本系统;
步骤(3),根据步骤(1)采集的债项信息,获取该债项当前信用风险分类,判断本系统范围,如果债项当前信用风险分类是正常至关注,则转步骤(4);否则,退出本系统;
步骤(4),根据步骤(1)采集的债项信息,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型;
步骤(5),根据步骤(1)采集的信息,计算该预警信号的债项贷后信用风险控制时间序列TS=预警信号发生的日期–债项开始日期;根据TS的数值,分别进入前期TS1、中期TS2和后期TS3;
步骤(6),根据步骤(1)采集的信息,计算该预警信号的时间序列TS时段,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
步骤(7),根据步骤(1)采集的信息,获取该预警信号的预警级别及相应的债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略,从前到后依次执行,执行至当前时段。
步骤(3)中,当债项当前信用风险分类为次级至损失级,则退出本系统,进入不良资产保全处置系统。
步骤(4)中,在贷后风控模型库中包含30个贷后风控模型,即PBCPij,其中,i=1,2,3,4,5,代表五种风险缓释工具,即:信用类、保证类、抵押类、质押类、保证金类;j=1,2,3,4,5,6,代表六种授信业务种类,即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务。
步骤(7)中,预警级别包括红色、橙色、蓝色、灰色;所述的红色预警分值为≥5;所述的橙色预警分值为≥3,且<5;所述的蓝色预警分值为≥1,且<3;行业信贷政策包括优先选择、选择性优先和压缩退出;风控行动策略包括对债务人、债项、风险缓释工具和关联方的风控行动。
实施例3
基于ISO 22301原理的贷后信用风险控制方法,包括如下步骤:
步骤(1),采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
步骤(2),根据步骤(1)采集的预警信息,核实该预警信号是否属实,若是则转步骤(3);否则,退出本系统;
步骤(3),根据步骤(1)采集的债项信息,获取该债项当前信用风险分类,判断本系统范围,如果债项当前信用风险分类是正常至关注,则转步骤(4);否则,退出本系统;
步骤(4),根据步骤(1)采集的债项信息,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型;
步骤(5),根据步骤(1)采集的信息,计算该预警信号的债项贷后信用风险控制时间序列TS=预警信号发生的日期–债项开始日期;根据TS的数值,分别进入前期TS1、中期TS2和后期TS3;
步骤(6),根据步骤(1)采集的信息,计算该预警信号的时间序列TS时段,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
步骤(7),根据步骤(1)采集的信息,获取该预警信号的预警级别及相应的债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略,从前到后依次执行,执行至当前时段。
步骤(3)中,当债项当前信用风险分类为次级至损失级,则退出本系统,进入不良资产保全处置系统。
步骤(4)中,在贷后风控模型库中包含30个贷后风控模型,即PBCPij,其中,i=1,2,3,4,5,代表五种风险缓释工具,即:信用类、保证类、抵押类、质押类、保证金类;j=1,2,3,4,5,6,代表六种授信业务种类,即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务。
步骤(7)中,预警级别包括红色、橙色、蓝色、灰色;所述的红色预警分值为≥5;所述的橙色预警分值为≥3,且<5;所述的蓝色预警分值为≥1,且<3;行业信贷政策包括优先选择、选择性优先和压缩退出;风控行动策略包括对债务人、债项、风险缓释工具和关联方的风控行动。
如图1所示,基于ISO 22301原理的贷后信用风险控制系统,采用上述基于ISO22301原理的贷后信用风险控制方法,包括:
数据采集模块101,用于采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
预警信号核实模块102,用于核实该预警信号是否属实;
风控器103,由第一处理模块104、第二处理模块105、第三处理模块106、第四处理模块107、第五处理模块108组成;
第一处理模块104,分别与数据采集模块101和预警信号核实模块102相连,判断该预警信号对应的债项当前信用风险分类是否为正常至关注,若是则进入本系统,否则退出本系统,进入不良资产保全处置系统;
第二处理模块105,第一处理模块104相连,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库112中选择相应的贷后风控模型PBCPij,其中i的取值范围是:1,2,3,4,5,6,分别对应流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务和委托付款业务;j的取值范围是:1,2,3,4,5,分别对应信用类、保证类、抵押类、质押类、保证金类;
第三处理模块106,与第二处理模块105相连,根据预警信号所处的时段,选择应对情景;所述的场景包括前期TS1、中期TS2和后期TS3;
第四处理模块107,与第三处理模块106相连,根据预警信号的预警级别、债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略;
第五处理模块108,与第三处理模块107相连,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
贷后风控模型库112,与第二处理模块105相连,用于存储贷后风控模型;
风控方案生成与发布模块109,与风控器103相连,用于获取预警信号所有发生时段的风控行动策略形成风控方案,并向贷后管理团队或风控机器人发布风控方案;
风控方案执行模块110,与风控方案生成与发布模块109相连,由贷后管理团队或风控机器人,从前到后依次执行风控方案。
实施例4
基于ISO 22301原理的贷后信用风险控制方法,包括如下步骤:
步骤(1),采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
步骤(2),根据步骤(1)采集的预警信息,核实该预警信号是否属实,若是则转步骤(3);否则,退出本系统;
步骤(3),根据步骤(1)采集的债项信息,获取该债项当前信用风险分类,判断本系统范围,如果债项当前信用风险分类是正常至关注,则转步骤(4);否则,退出本系统;
步骤(4),根据步骤(1)采集的债项信息,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型;
步骤(5),根据步骤(1)采集的信息,计算该预警信号的债项贷后信用风险控制时间序列TS=预警信号发生的日期–债项开始日期;根据TS的数值,分别进入前期TS1、中期TS2和后期TS3;
步骤(6),根据步骤(1)采集的信息,计算该预警信号的时间序列TS时段,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
步骤(7),根据步骤(1)采集的信息,获取该预警信号的预警级别及相应的债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略,从前到后依次执行,执行至当前时段。
步骤(3)中,当债项当前信用风险分类为次级至损失级,则退出本系统,进入不良资产保全处置系统。
步骤(4)中,在贷后风控模型库中包含30个贷后风控模型,即PBCPij,其中,i=1,2,3,4,5,代表五种风险缓释工具,即:信用类、保证类、抵押类、质押类、保证金类;j=1,2,3,4,5,6,代表六种授信业务种类,即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务。
步骤(7)中,预警级别包括红色、橙色、蓝色、灰色;所述的红色预警分值为≥5;所述的橙色预警分值为≥3,且<5;所述的蓝色预警分值为≥1,且<3;行业信贷政策包括优先选择、选择性优先和压缩退出;风控行动策略包括对债务人、债项、风险缓释工具和关联方的风控行动。
如图2所示,基于ISO 22301原理的贷后信用风险控制系统,采用上述基于ISO22301原理的贷后信用风险控制方法,包括:
数据采集模块101,用于采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
预警信号核实模块102,用于核实该预警信号是否属实;
风控器103,由第一处理模块104、第二处理模块105、第三处理模块106、第四处理模块107、第五处理模块108组成;
第一处理模块104,分别与数据采集模块101和预警信号核实模块102相连,判断该预警信号对应的债项当前信用风险分类是否为正常至关注,若是则进入本系统,否则退出本系统,进入不良资产保全处置系统;
第二处理模块105,第一处理模块104相连,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库112中选择相应的贷后风控模型PBCPij,其中i的取值范围是:1,2,3,4,5,6,分别对应流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务和委托付款业务;j的取值范围是:1,2,3,4,5,分别对应信用类、保证类、抵押类、质押类、保证金类;
第三处理模块106,与第二处理模块105相连,根据预警信号所处的时段,选择应对情景;所述的场景包括前期TS1、中期TS2和后期TS3;
第四处理模块107,与第三处理模块106相连,根据预警信号的预警级别、债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略;
第五处理模块108,与第三处理模块107相连,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
贷后风控模型库112,与第二处理模块105相连,用于存储贷后风控模型;
风控方案生成与发布模块109,与风控器103相连,用于获取预警信号所有发生时段的风控行动策略形成风控方案,并向贷后管理团队或风控机器人发布风控方案;
风控方案执行模块110,与风控方案生成与发布模块109相连,由贷后管理团队或风控机器人,从前到后依次执行风控方案。
还包括:风控方案评价与改进模块111,与风控方案执行模块110相连,用于对已执行完毕的风控方案的效果进行评价。
实施例5
1.ISO 22301原理。
ISO 22301是国际标准组织于2012年9月颁布的国际标准,其全称是《ISO 22301:2012公共安全业务连续性管理体系要求》(Societal security Business ContinuityManagement System Requirements),并于2014年5月成为中华人民共和国国家标准《GB/T30146—2013/ISO 22301 2012公共安全业务连续性管理体系要求》(以下简称:ISO22301),它是银行应对突发事件的一种应急管控机制。
ISO 22301是建立在经典的“计划-执行-检查-改进”(PDCA)管理系统框架之上,包括四个阶段:一是计划准备阶段(Plan):明确目标,根据历史数据,分析突发事件对债务人还款能力的影响,评估债务人信用风险损失的变化,确定所需关键资源,预先制定债务人信用风险PBCP。二是应急响应执行阶段(Do):是在突发事件发生时,按照计划准备阶段制定的PBCP,对突发事件进行应急响应。三是检测和评估阶段(Check):定期对贷后信用风险PBCP的完整性、合理性、有效性开展检测和评估。四是改进和更新阶段(Act):定期开展贷后信用风险PBCP的改进和更新。
2.本发明系统
本发明系统包括数据采集模块、贷后风控模型库等结构,具体说明如下。
1.本发明系统功能:
本发明系统把债项贷后信用风险控制时间序列分为前期TS1、中期TS2和后期TS3,并依此设立PBCP的三个情景:情景1、情景2、情景3。当突发事件或预警信号发生时,本发明系统根据债项债项授信业务种类和信用风险缓释工具,从贷后风控模型库中动态匹配相应的PBCPij。然后,根据突发事件或预警信号所处的TS,同时考虑债项风险分类、预警级别、行业信贷政策,动态获取PBCP中的各种风控行动。这些风控行动能有效降低债项预期损失率(EL)和非预期损失率UL,有效防止不良贷款增。本发明系统如图1所示。当发现突发事件或预警信号,并经贷后风险管控团队人员核实风险源真实性后(但无需判断债项风险来源、程度及变动趋势,也无需制定风控方案),本发明系统根据债项债项授信业务种类和信用风险缓释工具,从贷后风控模型库中匹配相应的PBCP。然后,根据突发事件或预警信号所处的TS,同时考虑债项风险分类、预警级别、客户信贷政策,动态获取PBCP中的各种风控行动。这些风控行动可由机器自动执行。结果能有效降低债项预期损失率(EL)和非预期损失率UL,有效防止不良贷款增。
2.本发明系统的输入信息:
一是突发事件或预警信号信息:(1)突发事件或预警信号名称;(2)预警级别;(3)预警级别分值;(4)突发事件或预警信号发生的时间;(5)突发事件或预警信号涉及的债务人;(6)债务人预警积分。
二是信用风险信息:(1)贷后信用风险控制时间序列(债项起止日期);(2)债项人信用风险评级(违约概率,Probabi lity Default,简称PD);(3)债项信用风险分类(EL);(4)信用风险暴露EAD(债项余额+应付利息);(5)信用风险缓释工具。
三是债项信息:(1)债务人名称;(2)授信业务种类;(3)债项利率;(4)债项用途;(5)债务人(公司)规模;(6)客户信贷政策(取值:优先选择、选择性优先、逐步退出);(7)区域经济状态(取值:发达地区、发展中地区、欠发达地区);(8)债务人所属行业及其代码;(9)债务人(公司)应急重要级别(取值:总行级级别、一级分行级别、二级分行级别)。
3.本发明系统的输出信息:
当债务人发生突发事件时,本发明系统能按PBCP提供的风控行动执行风控操作,把债务人的(EL)和UL降低到可以接受的程度,有效防止不良贷款增加。当企业发生突发事件或预警信号时,可根据每个企业的具体情况(包括债务人突发事件或预警信号信息、信用风险信息、债项信息),自动产生一户一策的针对性风控方案。本发明不仅能自动产生风控方案,而且还能自动执行风控方案,为用机器人实现贷后信用风险控制开拓了切实可行的新路径。
另外,本发明能迭代优化PBCPij;本发明通过改进更新流程,调整PBCPij相关参数如下:一是调整风控行动的时机,如调整风控行动在时间序列(TS)上的位置;二是调整风控行动的轻重,如调整风控行动的强弱分寸;三是调整预警信号集范围,如加入新的或删除多余的预警信号;四是调整预警信号级别,如调整预警信号级别。进一步提高本系统效率和效果,最终成为风控机器人。
4.计划准备阶段(Plan)
4.1.突发事件或预警信号
突发事件是现有贷后应急系统的预警模型的输入,而预警信号是现有贷后应急系统的预警模型的输出,对于本发明而言,突发事件和预警信号是同一种风险源的两种称谓,代表的意义,因此在本发明中常将将二者互用。
信用风险是指因债务人违约给债权人带来损失的可能性。关于违约有多种定义,例如,根据标准普尔的违约定义:无论评级与否,任何金融债务(正当的商业纠纷中除外)第一次发生本息没有在到期日支付,但在宽限期内进行了支付的,可以除外。再例如,部分商业银行的违约定义:债项被分类为不良,或持续逾期90天以上,或债务人已经破产。
本发明系统的操作风险事件包括六大类:法规或涉诉、账户冻结(账户行为)、关联传导影响、管理与经营、资金用途。本发明系统的信用风险事件包括两大类:履约能力、征信信息。信用风险事件一般发生在TS3。这时债务人还款能力已经下降,资产的预期损失率已经明显增加。根据海因里希法则:1:29:300,即一个严重损失事件发生之前,必会出现29件次严重事件,以及300件轻微事件。在债务人发生违约信用风险事件之前,往往会出现与违约信用风险事件相关的多个操作风险突发事件,而操作风险事件一般发生在TS1和TS2。
1)在TS1时段经常发生的突发事件
发生在TS1的突发事件有:法规或涉诉、账户冻结、关联传导影响。根据现有贷后应急系统近5年历史数据,在情景1中共有34个预警信号,平均每个预警信号预警187次/年,名为“法院案结后执行”的预警信号,预警次数最多(1540次/年)。名为“异常名单(外部监管提供)”的预警信号,预警次数最少(0.5次/年)。另外,预警次数最多的前8个预警信号,其预警次数占总体的92.4%,预警次数明显集中在少数几个预警信号上。具体情况如表2。
表2
序号 | 突发事件或预警信号 | 分类 | 预警信号占比 | 预警信号累计占比 | 预警级别 | 预警分值 |
1 | 法院案结后执行 | 法规或涉诉 | 24.18% | 24.18% | 灰色 | 0.5 |
2 | 账户被司法冻结 | 账户冻结 | 14.76% | 38.93% | 红色 | 5 |
3 | 司法冻结(非建筑业)-灰色 | 账户冻结 | 12.23% | 51.16% | 灰色 | 0.5 |
4 | 在三年内有行政处罚 | 法规或涉诉 | 10.49% | 61.65% | 灰色 | 0.5 |
5 | 司法冻结(非建筑业) | 账户冻结 | 10.20% | 71.85% | 橙色 | 3 |
6 | 司法冻结(建筑业)-灰色 | 账户冻结 | 8.21% | 80.06% | 灰色 | 0.5 |
7 | 营业执照已到期 | 法规或涉诉 | 7.06% | 87.13% | 蓝色 | 1 |
8 | 司法冻结(建筑业) | 账户冻结 | 5.01% | 92.14% | 蓝色 | 1 |
2)在TS2时段经常发生的突发事件
发生在TS2的突发事件有:管理与经营、资金用途。根据现有系统近5年历史数据,在情景2中共有86个预警信号,平均每个预警信号预警351.4次/年,名为“存贷比组合预警(小微线上贷款)”的预警信号,预警次数最多(20092次/年)。名为“供应链组合预警(核心企业信用)”的预警信号,预警次数最少(0.6次/年)。另外,预警次数最多的前10个预警信号,其预警次数占总体的90.8%,预警次数明显集中在少数几个预警信号上。具体情况如表3。
表3
时段序号 | 突发事件或预警信号 | 分类 | 预警信号占比 | 预警信号累计占比 | 预警级别 | 预警分值 |
1 | 存贷比组合预警(小微线上贷款) | 管理与经营 | 66.48% | 66.48% | 灰色 | 0.5 |
2 | 被市场监督管理机构纳入经营异常名单 | 管理与经营 | 4.44% | 70.92% | 橙色 | 3 |
3 | 资金往来于“投资公司” | 资金用途 | 4.19% | 75.10% | 灰色 | 0.5 |
4 | 工商登记信息变动 | 管理与经营 | 3.88% | 78.99% | 灰色 | 0.5 |
5 | 零售行为评分卡预警(单维橙色) | 管理与经营 | 3.69% | 82.67% | 橙色 | 3 |
6 | 零售行为评分卡预警(单维红色) | 管理与经营 | 3.02% | 85.70% | 红色 | 5 |
7 | 两个月无经营活动现金流流入 | 管理与经营 | 2.05% | 87.75% | 橙色 | 3 |
8 | 贷款资金直接转入房地产企业-提示 | 资金用途 | 1.22% | 88.97% | 橙色 | 0.5 |
9 | 资金往来于“房地产企业” | 资金用途 | 0.93% | 89.91% | 橙色 | 0.5 |
10 | 三个月无经营活动现金流流入 | 管理与经营 | 0.91% | 90.81% | 红色 | 5 |
3)在TS3时段经常发生的突发事件
发生在TS3的突发事件或预警信号分为二大类:征信信息、履约能力。根据现有系统近5年历史数据,在情景1中共有65个预警信号,平均每个预警信号预警359次/年,名为“他行贷款新增”的预警信号,预警次数最多(7158次/年)。名为“未落实授信持续性条件”的预警信号,预警次数最少(0.7次/年)。另外,预警次数最多的前14个预警信号,其预警次数占总体的91.3%,预警次数明显集中在少数几个预警信号上。具体情况如表4。
表4
在前期(TS1)、中期(TS2)和后期(TS3)三个阶段的突发事件或预警信号在时间上有向后覆盖的性质,即发生在TS1的突发事件或预警信号,同样会发生在TS2和TS3;发生在TS2的突发事件或预警信号,同样会发生在TS3。但是,反之却很少发生:如TS3的突发事件或预警信号,很少会发生在TS1和TS2。
4.2“情景—应对”方法
“情景”(Scenario)是对突发事件发展路径、发展趋势及其未来潜在结果的描述。“情景—应对”方法起源于二战期间美国空军的作战计划。上世纪90年代,“情景—应对”方法被应用到突发事件应急决策中。它能根据突发事件当前和未来不断发展变化的情景,动态生成风控方案,从而做到“随机(情景)应变(决策)”。
4.2.1.三个情景
贷后突发事件应急情景被定义为债项贷后信用风险控制时间序列(Time Series,简称TS)的三个时段:情景1(对应于:TS1)、情景2(对应于:TS2)、情景3(对应于:TS3)。在TS1和TS2时的债项风险分类为正常,在TS3时的债项风险分类为关注。TS取决于债项的信用风险缓释工具和期限M。TS1、TS2、TS3的时段区间具体如表5。
表5
信用类 | 保证类 | 抵押类 | 质押类 | 保证金类 |
TS1=M*10/12 | TS1=M*12/12 | TS1=M*12/12 | TS1=M*14/12 | TS1=M*14/12 |
TS2=M*12/12 | TS2=M*13/12 | TS2=M*13/12 | TS2=M*15/12 | TS2=M*15/12 |
TS3=M*13/12 | TS3=M*15/12 | TS3=M*16/12 | TS3=M*18/12 | TS3=M*18/12 |
以1年期限,即M=360天为例,债项贷后信用风险控制时间序列TS1、TS2、TS3的区间节点(不包括节点本身)具体如表6(单位:天):
表6
尽管贷后风控模型库中共有30个PBCPij,但是贷后风控模型的结构都是相同的,故此本发明以信用类流动资金贷款(第一大类PBCP11)为例,即授信业务种类=“流动资金贷款”,信用风险缓释工具=“信用类”,阐述本发明原理。
4.2.2.情景的六要素
贷后突发事件应急情景由以下6个要素决定:(要素1)债项贷后信用风险控制时间序列;(要素2)债项当前信用风险分类;(要素3)信用风险缓释工具;(要素4)授信业务种类;(要素5)预警级别;(要素6)行业信贷政策。六个要素的具体描述如下:
(情景要素1)债项贷后信用风险控制时间序列:
债项贷后信用风险控制时间序列(Time Series,简称TS),是从债项合约开始时间起,至债项终止时间。其中债项终止时间有两种情况:一是如果债项不逾期,则债项终止时间等于合约到期时间;二是如果债项出现逾期,则债项终止时间大于合约到期时间。如果在发生突发事件或预警信号时,及时采取有效风控行动,就能防止债项风险分类向下迁徙。越早发现突发事件或预警信号并及时采取有效风控行动,所产生的预期损失就越小。本发明以期限为1年期信用类流动资金贷款为例,描述风控行动与债项预期损失率(EL)在时间维度的关系(如图3所示)。在图3中关键点的数据如表7。
表7
信用类债项预期损失率(%) | 1.1 | 1.1 | 1.2 | 1.4 | 1.6 | 1.8 | 2.0 | 2.5 | 3.8 | 6.0 | 9.2 | 15.3 | 24.1 | 41.6 | 75.1 | 99.0 | 100.0 |
风控行动时间(天) | 0 | 30 | 60 | 90 | 120 | 150 | 180 | 210 | 240 | 270 | 300 | 330 | 360 | 390 | 420 | 450 | 480 |
发生在前期时段TS1和中期时段TS2时段的突发事件,属于操作风险突发事件;发生在后期时段TS3时段的突发事件,属于信用风险突发事件。当突发事件或预警信号发生在TS1[0,300天),如果及时采取有效风控行动,那么该债项预期损失率的下迁范围在1.1%至9.2%,其对应的债项信用风险分类的范围是:“正常四”至“关注三”。当突发事件或预警信号发生在TS2[300,360天),如果及时采取有效风控行动,那么该债项预期损失率的下迁范围在9.2%至24.1%,其对应的债项信用风险分类的范围是:“关注三”至“次级二级”。当突发事件或预警信号发生在TS3[360,390天),如果及时采取有效风控行动,那么该债项预期损失率的下迁范围在30.0%至50.0%,其对应的债项信用风险分类通常的范围是:“次级二级”至“可疑一级”。如果债项风险分类向下迁徙为“次级、可疑、损失”三大类,那么需要退出本发明系统,转入银行资产保全系统处理。本发明是为了防止不良贷款的产生,而银行资产保全系统是在不良贷款形成后,通过法律手段或资产交易手段减少不良贷款损失。
(情景要素2)债项当前信用风险分类:
债项当前信用风险分类共有五大类:正常、关注、次级、可疑、损失,其中前两大类(即“正常、关注”类)是本发明系统处理范围,后三类(又称不良类)是资产保全系统处理范围。只有债项当前信用风险分类是前两大类(即“正常、关注”类)时,才由本发明系统处理。另外,债项信用风险分类与债项预期损失率(Expected Loss,简称EL)的对应关系如表8。
表8
债项十二级级风险分类编码 | 债项十二级级风险分类名称 | 债项预期损失率区间 |
A1 | 正常一级 | [0,0.003) |
A2 | 正常二级 | [0.003,0.005) |
A3 | 正常三级 | [0.005,0.007) |
A4 | 正常四级 | [0.007,0.011) |
B1 | 关注一级 | [0.011,0.013) |
B2 | 关注二级 | [0.013,0.023) |
B3 | 关注三级 | [0.023,0.063) |
C1 | 次级一级 | [0.063,0.13) |
C2 | 次级二级 | [0.13,0.25) |
D1 | 可疑一级 | [0.25,0.5) |
D2 | 可疑二级 | [0.5,0.75) |
E | 损失级 | [0.75,1] |
在巴塞尔协议信用风险内部评级法中,预期损失率EL=PD*LGD,其中PD是Probability Default(债务人违约概率)的缩写PD;LGD是Loss Given Default(债项违约损失率)的缩写。另外,债项预期损失=(EL)*EAD,其中EAD是Expo sure at Default(债项信用风险暴露)的缩写。信贷业务减值损失等于全部债项预期损失之和。由于(EL)也是在整个经济周期的平均年度损失率,可以完全被银行所预见,因此(EL)可以不被看作风险,而是被看作经营的成本,并在银行提供的产品价格,如贷款利率中得到了补偿。
(情景要素3)信用风险缓释工具:
债项信用风险缓释工具包括信用类、保证类、抵押类、质押类、保证金类。
对于普惠小微企业的信用贷款,合约一般都规定实际控制人有连带担保责任。所以,普惠小微企业的信用贷款,其实是有风险缓释工具的,这就是实际控制人的个人资产。因此,监控和评估实际控制人的个人资产状况,并在必要时进行资产保全尤为重要。
(情景要素4)授信业务种类:
债项授信业务分为两大类:表内授信业务和表外授信业务。其中,表内授信业务包括流动资金贷款、固定资产贷款;表外授信业务包括承兑业务、保函业务、信用证业务、委托付款业务。
(情景要素5)预警级别:
本发明系统已按照严重程度不同,把突发事件或预警信号分为红色、橙色、蓝色、灰色四个级别,其内涵分别描述如下:
红色为非常严重预警信号,红色预警分值为≥5。它对债务人的还款能力产生重大负面影响,风险状况在短期内很难有实质性改善,风控行动难度很大,预计资产近期形成不良的可能性很大。
橙色为较严重预警信号,橙色预警分值为≥3,且<5。它对债务人的还款能力产生较大负面影响,预计资产近期形成不良的可能性较大,风控行动难度较大,风险状况在短期内难有实质性改善。
蓝色为一般预警信号,蓝色预警分值为≥1,且<3。它对债务人的还款能力产生一定负面影响,预计资产近期形成不良的可能性不大,风控行动有一定难度,风险状况在短期内不一定有实质性改善。
灰色为轻度预警信号,蓝色预警分值为≥0.5,且<1。它对债务人的还款能力产生轻度负面影响,预计资产近期形成不良的可能性较小,风控行动有较小难度,风险状况在短期内不一定有实质性改善。
通过采用债务人预警分值累加规则,反映其预警情况的历史轨迹和严重程度。例如,当债务人的预警分值累计大于等于5分时,反映该债务人的预警情况非常严重,预计资产近期形成不良的可能性很大,为此采取更加有效的风控行动。这里需要强调的是1个红色预警的分值是5分,10个灰色预警的分值也是5分。
(情景要素6)行业信贷政策:
是根据宏观经济周期和宏观行业政策,制定各个行业的信贷政策,包括三种政策:优先选择、选择性优先和压缩退出。
4.3.三个情景的应对策略
银行作为债权人,当然关心债务人的盈利能力,但更关心债务的安全。所以银行一般要求债务人提供抵质押物(第二还款来源),即使债务人出现亏损(第一还款来源落空),也能保证银行债务安全,但是普惠小微型企业常常难以提供合格的抵押物。当对普惠小微型企业发放信用类贷款时,由于缺少第二还款来源的保护,在出现突发事件时,及时采取有效的风控行动就显得十分重要。
本发明按照贷后业务时间序列的三个情景TS1、TS2、TS3,并分别建立相应的风控行动应对策略。具体如下:
银行贷款业务可以描述为贷款本息(信用风险暴露EAD)在债权人和债务人账户之间的两次转移的闭合回路。在正常情况下,第1次把贷款本金转移至债务人(贷前、贷中业务),是由银行内部会计员人工操作完成;第2次把贷款本息转移回债权人(贷后业务),是由企业会计员配合银行会计系统完成,贷款企业会计员需要保证其结算账户中有足够的现金流,以便银行会计系统在还款日能完成扣款交易。可见贷后业务是实现银行贷款业务目的(按时按量收回本息)的关键。在贷后管控期间,当贷款企业出现危及其按约归还贷款本息的突发事件时,贷款企业会计员不能保证其结算账户中有足够的现金流,银行需要根据突发事件的预警级别和企业的其他信用风险信息,采取恰当风控行动。本发明从时空维度对恰当的风控行动进行分类:时间上分为TS1、TS2、TS3三大类风控行动;空间上分为4类风控行动:一是针对债务人的风控行动;二是针对债项的风控行动;三是针对风险缓释工具的风控行动;四是针对关联方的风控行动。本发明为用机器人实现贷后信用风险控制智能化开拓了新路径。
情景1(TS1)的风控行动策略
情景1(TS1)的风控行动,包括11个风控行动,其中5个针对债务人的风控行动,3个针对债项的风控行动,1给针对缓释工具的风控行动,2个针对相关方的风控行动。例如:调整债务人信贷额度:包括冻结或降低其信贷额度。在这个阶段,风控行动不影响债务人的财务活动,债务人的资金可以正常出入银行账户。具体措施如表9。
表9
情景2(TS2)的风控行动策略
情景2(TS2)的风控行动,包括13个风控行动,其中3个针对债务人的风控行动,6个针对债项的风控行动,3给针对缓释工具的风控行动,1个针对相关方的风控行动。在这个阶段的风控行动会影响债务人财务活动,例如:约束客户经营活动,未经银行同意的不得对外提供担保或进行大额投资。所以,该阶段的风控行动会影响债务人的财务活动。具体措施如表10。
表10
情景3(TS3)的风控行动策略
情景3(TS3)的风控行动,包括4个风控行动,其中3个针对债务人的风控行动,1个针对相关方的风控行动。在这个阶段的风控行动会影响债务人财务活动,例如:银行可冻结账户、查封资产。具体措施如表11。
表11
风控行动在时间上有向后覆盖的特性:即应用在TS1的风控行动,同样可以应用在TS2和TS3;可以应用在TS2的风控行动,同样可以应用在TS3。但是反之则不可以,即可以应用在TS3的风控行动,不能应用在TS2和TS1,可以应用在TS2的风控行动,不能应用在TS1。另外,风控行动的对象分为四个:即债务人、债项、风险缓释工具、相关方。当同一债务人有多笔贷款时,就需要用债项加以区别,如各笔债项的起止时间不同、风险缓释工具不同。相关方不同于关联方,关联方与债务人之间主要是存在直接经济利益关系,而相关方与债务人之间一般不存在直接经济利益关系,相关方通常是政府或监管机构,通过制定政策或舆论工具影响债务人的经济活动。
4.4.创建贷后风控模型库
4.4.1.贷后风控模型库结构说明
贷后风控模型是按照ISO22301原理建立的贷后业务连续性预案(Post_LoanBusiness Continuity Plan,以下简称PBCP)。它是应对贷后突发事件或预警信号的应急响应程序,通过逻辑推理而动态产生的具体的风控行动,把债项预期损失(EL)降低到可以接受的程度。本发明的贷后风控模型库包含30个PBCPij。每个PBCP由二个维度确定:授信业务种类和信用风险缓释工具。具体如表12。
表12
其中,流动资金贷款5个:PBCP11、PBCP12、PBCP13、PBCP14、PBCP15;固定资产贷款5个:PBCP21、PBCP22、PBCP23、PBCP24、PBCP25;承兑表外授信业务3个PBCP33、PBCP34、PBCP35;保函表外授信业务3个:PBCP43、PBCP44、PBCP45;信用证表外授信业务3个:PBCP53、PBCP54、PBCP55;委托付款表外授信业务3个:PBCP63、PBCP64、PBCP65。
在贷后风控模型库中共有30个PBCPij,其中,i=1,2,3,4,5,代表五种风险缓释工具(即:信用类、保证类、抵押类、质押类、保证金类);j=1,2,3,4,5,6,代表六种授信业务种类(即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务),它们包含了现今所有的银行信贷业务。
4.4.2.情景说明
(1)风险缓释工具=信用类:前期时段TS1:[0,10*M/12),中期时段TS2:[10*M/12,12*M/12),后期时段TS3:[12*M/12,13*M/12);其中,TS1时段又被进一步细分为三个子情景:子情景1、子情景2和子情景3,其中,子情景1为[0,6*M/12),子情景2为[6*M/12,9*M/12),子情景3为[9*M/12,10*M/12);
(2)风险缓释工具=保证类:前期时段TS1:[0,12*M/12),中期时段TS2:[12*M/12,13*M/12),后期时段TS3:[13*M/12,15*M/12);其中,TS1时段又被进一步细分为三个子情景:子情景1、子情景2和子情景3,其中,子情景1为[0,7.2*M/12),子情景2为[7.2*M/12,10.8*M/12),子情景3为[10.8*M/12,12*M/12);
(3)风险缓释工具=抵押类:前期时段TS1:[0,12*M/12),中期时段TS2:[12*M/12,13*M/12),后期时段TS3:[13*M/12,15*M/12);其中,TS1时段又被进一步细分为三个子情景:子情景1、子情景2和子情景3,其中,子情景1为[0,7.2*M/12),子情景2为[7.2*M/12,10.8*M/12),子情景3为[10.8*M/12,12*M/12);
(4)风险缓释工具=质押类:前期时段TS1:[0,14*M/12),中期时段TS2:[14*M/12,15*M/12),后期时段TS3:[15*M/12,18*M/12);其中,TS1时段又被进一步细分为三个子情景:子情景1、子情景2和子情景3,其中,子情景1为[0,8.4*M/12),子情景2为[8.4*M/12,12.6*M/12),子情景3为[12.6*M/12,14*M/12);
(5)风险缓释工具=保证金类:前期时段TS1:[0,14*M/12),中期时段TS2:[14*M/12,15*M/12),后期时段TS3:[15*M/12,16*M/12);其中,TS1时段又被进一步细分为三个子情景:子情景1、子情景2和子情景3,其中,子情景1为[0,8.4*M/12),子情景2为[8.4*M/12,12.6*M/12),子情景3为[12.6*M/12,14*M/12)。
4.4.3.原理
(条件0:核实预警信号)
调用《预警信号核实模块》;
如果(IF)核实结论=“取消预警”
那么(THEN),不采取任何风控行动,退出本系统;
否则(ELSE),继续以下步骤:
(条件1:本系统入口选择:在本系统与不良资产保全处置系统之间选择)
如果(IF)债项当前信用风险分类=“正常四级”至“关注三级”(即EL=1.1%至6.3%),为“假False”,
(说明:通过情景要素2(债项当前信用风险分类),确定本发明与银行内部其他系统的范围)
那么(THEN),退出本发明系统,转至不良资产保全与处置业务系统(属于银行内部其他系统)
否则(ELSE)执行以下步骤:
(条件2:选择PBCP)
如果(IF)PBCP分类(授信业务种类=“流动资金”与信用风险缓释工具=“信用类”)为“假False”,
(说明:本发明与“流动资金”的“信用类”贷款为例(其贷后风控模型为PBCP11),说明本发现的原理)
那么(THEN),退出本PBCP11,转入其他PBCPij
否则(ELSE),执行PBCP11以下步骤:
(条件3:选择情景)
根据预警信号所处的TS,分别进入以下情景:
如果(IF)=TS1,那么(THEN)进入情景1;
如果(IF)=TS2,那么(THEN)进入情景2;
如果(IF)=TS3,那么(THEN)进入情景3;
否则(ELSE),退出本发明系统。
情景1(TS1):
为了增强对风险的敏感程度,本发明系统把TS1时段,进一步细分为三个子情景:[1,180)情景、[180,270)情景、[270,300)情景,
根据预警信号在TS1中所处的时间段,分别进入以下情景:
如果(IF)=[1,180),那么(THEN)进入[1,180)情景;
如果(IF)=[180,270),那么(THEN)进入[180,270)情景;
如果(IF)=[270,300),那么(THEN)进入[270,300)情景;
否则(ELSE),退出本发明系统。
在[1,180)情景发生突发事件或预警信号:
(说明:按照期限分类法,对于小型企业(包括普惠小微企业)债项进行风险分类结果取决于债项是否逾期、以及逾期时间长短。在[0,180)时段,债项信用风险分类是:“正常四级”,其预期损失率是:1.1%。如果在[0,180)时段及时采取风控行动,那么,根据风控行动时间与信用类债项预期损失率的关系(图1),其预期损失率通常的范围是:1.1%至2.0%;根据表1,其风险分类通常的范围是:“关注一级”至“关注二级”)。
1).对债务人的风控行动:
(1)收集并监控企业及其实际控制人的金融资产情况,判断金融资产是否能覆盖当前贷款余额。收集范围涵盖所有的金融资产、房产、土地、车辆、股权及知识产权各类财产信息,并评估财产现状、价值,判断是否存在瑕疵,为司法催收做准备。
(2)“存贷比指标”,不仅与预警分值和行业信贷政策有关,而且与贷后信用风险控制时间序列TS有关,具体如表13-17。
表13
表14
表15
表16
表17
2).对债项的风控行动:
根据情景要素5(预警级别)和情景要素6(客户信贷政策),对“重新调整结息方式”指标采取以下风控行动,如表18。
表18
预警分值x | 优先选择 | 选择性优先 | 压缩退出 |
x≥5 | 重调整结息方式 | 重调整结息方式 | 重调整结息方式 |
x≥3 | 重调整结息方式 | 重调整结息方式 | 重调整结息方式 |
x≥1 | 重调整结息方式 | 重调整结息方式 | 重调整结息方式 |
重调整结息方式按照现有方法进行即可。
3).对利益相关方的风控行动:
(1)风控行动:“对涉及政府和监管机构影响的风险较大的债务人和信贷资产,应力争还款来源由政府财政或政府协调安排的其他方式保障。”
根据情景要素5(预警级别)和情景要素6(客户信贷政策),对政府政策指标采取以下风控行动,如表19。
表19
预警分值x | 优先选择 | 选择性优先 | 压缩退出 |
x≥5 | 全面掌握相关政策 | 全面掌握相关政策 | 全面掌握相关政策 |
x≥3 | 熟悉相关政策 | 熟悉相关政策 | 熟悉相关政策 |
x≥1 | 了解相关政策 | 了解相关政策 | 了解相关政策 |
表格中对风控行动的具体阐述无法定量或半定量描述,过于模糊,下面的很多风控行动也是如此。
(2)风控行动:“对负面媒体报道进行监测,适时沟通,防止造成不良影响。”具体执行力度如下:
根据情景要素5(预警级别)和情景要素6(客户信贷政策),对负面媒体报道指标采取以下风控行动,如表20。
表20
预警分值x | 优先选择 | 选择性优先 | 压缩退出 |
x≥5 | 全面关注负面媒体报道 | 全面关注负面媒体报道 | 全面关注负面媒体报道 |
x≥3 | 适当关注负面媒体报道 | 适当关注负面媒体报道 | 适当关注负面媒体报道 |
x≥1 | 了解负面媒体报道 | 了解负面媒体报道 | 了解负面媒体报道 |
在[180,270)情景发生突发事件或预警信号:
说明:按照期限分类法,对于小型企业(包括普惠小微企业)债项进行风险分类结果取决于债项是否逾期、以及逾期时间长短。债项预警信号发生在[180,270)时段,债项预期损失率(EL)是:1.1%,其风险分类是:“正常四级”。如果在[180,270)时段及时采取风控行动,那么,根据风控行动时间与信用类债项预期损失率的关系(图3),其预期损失率通常的范围是:2.0%至6.0%;根据表1,其风险分类通常的范围是:“关注二级”至“关注三级”。
1)对债务人的措施:
(0)回顾检查:在[0,180)时段采取的风控行动是否已经落实到位;
如果(IF)未落实到位在[0,180)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,回顾落实在[0,180)时段采取的风控行动;
说明:确认在[0,180)时段采取的风控行动,是否已经落实到位;
ELSE,执行下一步(1)
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表21。
表21
2).对债债项的措施:
(0)回顾检查:在[0,180)时段采取的风控行动是否已经落实到位;
如果(IF)未落实在[0,180)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,必须先落实在[0,180)时段的风控行动;
ELSE,执行下一步(1)
说明:确认在[0,180)时段采取的风控行动是否落实到位;
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表22。
表22
预警分值x | 优先选择 | 选择性优先 | 压缩退出 | |
x≥5 | 红色 | 低风险产品置换高风险产品 | 低风险产品置换高风险产品 | 低风险产品置换高风险产品 |
x≥3 | 橙色 | 低风险产品置换高风险产品 | 低风险产品置换高风险产品 | 低风险产品置换高风险产品 |
x≥1 | 蓝色 | 低风险产品置换高风险产品 | 低风险产品置换高风险产品 | 低风险产品置换高风险产品 |
3).对利益相关方的风控行动:
(0)回顾检查:在[0,180)时段采取的风控行动是否已经落实到位;
如果(IF)未落实在[0,180)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,必须先落实在[0,180)时段的风控行动ELSE,执行下一步(1)
说明:确认在[0,180)时段采取的风控行动是否落实到位;
(1)在本时段,没有新增对利益相关方的风控行动。
在[270,300)情景发生突发事件或预警信号:
说明:债项预警信号发生在[270,300)时段,债项预期损失率(EL)是:1.1%,其风险分类是:“正常四级”。如果在[270,300)时段及时采取风控行动,那么,根据风控行动时间与信用类债项预期损失率的关系(图3),其预期损失率通常的范围是:6.0%至12.0%;根据表1,其风险分类通常的范围是:“关注三级”至“次级一级”。
1).对债务人的措施:
(0)回顾检查:在[0,180)和[180,270)时段采取的风控行动是否已经落实到位;
如果(IF)未落实到位在[0,180)和[180,270)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表23。
表23
说明:需要在贷款合同中约定:银行有权对债务人的整体现金流进行动态监测,有权根据债务人资金回笼情况提前收回贷款。
ELSE,执行下一步(1)
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表24。
表24
2).对债债项的风控行动:
(0)回顾检查:在[180,270)时段采取的风控行动是否已经落实到位;
如果(IF)未落实在[180,270)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,回顾落实在[180,270)时段的风控行动;
ELSE,执行下一步(1)
说明:确认在[180,270)时段采取的风控行动是否落实到位;
(1)在该时段,没有新增对债债项的风控行动
3).对利益相关方的风控行动:
(0)回顾检查:在[180,270)时段采取的风控行动是否已经落实到位;
如果(IF)未落实在[180,270)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,回顾落实在[180,270)时段的风控行动ELSE,执行下一步(1)
说明:确认在[180,270)时段采取的风控行动是否落实到位;
(1)在该时段,没有新增对利益相关方的风控行动
情景2(TS2):
在[300,360)时段发生突发事件或预警信号:
(说明:按照期限分类法,对于小型企业(包括普惠小微企业)债项进行风险分类结果取决于债项是否逾期、以及逾期时间长短。在[300,360)时段,债项信用风险分类是:“正常四级”,其预期损失率是:1.1%。如果在[300,360)时段及时采取风控行动,那么,根据风控行动时间与信用类债项预期损失率的关系(图3),其预期损失率通常的范围是:12.0%至30.0%;根据表1,其风险分类通常的范围是:“次级一级”至“可疑一级”。)
1).对债务人的措施:
(0)回顾检查:在[0,180)、[180,270)、[270,300)时段采取的风控行动是否已经落实到位;
如果(IF)未落实到位在[0,180)、[180,270)、[270,300)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表25。
表25
说明:需要在贷款合同中约定:银行有权对债务人的整体现金流进行动态监测,有权根据债务人资金回笼情况提前收回贷款。
ELSE,执行下一步(1)
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),对客户账户实施封闭式管理指标采取以下风控行动,如表26。
表26
预警分值x | 优先选择 | 选择性优先 | 压缩退出 |
x≥5 | 对客户账户实施封闭式管理(只收不付) | 对客户账户实施封闭式管理(只收不付) | 对客户账户实施封闭式管理(只收不付) |
x≥3 | 对客户账户实施封闭式管理(只收不付) | 对客户账户实施封闭式管理(只收不付) | 对客户账户实施封闭式管理(只收不付) |
x≥1 | 暂不新增针对债务人的措施 | 暂不新增针对债务人的措施 | 对客户账户实施封闭式管理(只收不付) |
2).对债债项的措施:
(0)回顾检查:在[270,300)时段采取的风控行动是否已经落实到位;
如果(IF)未落实到位在[270,300)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,回顾落实在[270,300)时段采取的风控行动;
ELSE,执行下一步(1)
说明:确认在[270,300)时段采取的风控行动,是否已经落实到位;
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),按照“准备办理再融资、准备办理贷后信用风险控制时间序列调整、准备办理变更借款人;重新提高贷款定价;准备信贷退出”措施,采取以下风控行动,如表27。
表27
3).对利益相关方的风控行动:
(0)回顾检查:在[270,300)时段采取的风控行动是否已经落实到位;
确认在[270,300)时段采取的风控行动;
如果(IF)未落实在[270,300)时段采取的风控行动
那么(THEN)系统发出风控行动失败警告:“上一时段风控行动未落实到位”,回顾落实在[270,300)时段采取的风控行动
ELSE,执行下一步(1)
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),按照“协助债务人引进战略投资者、合作经营方、资产受让方,恢复生产经营,增加客户现金流入。”,采取以下风控行动,如表28。
表28
强制决策时间点(债务到期提醒)
IF(如果)贷后管理时间=330(天)
THEN(那么)调用强制提醒。
(说明:强制提醒是进行债务到期提醒)
情景3(TS3):
在[360,390)时段发生突发事件或预警信号:
(说明:按照期限分类法,对于小型企业(包括普惠小微企业)债项进行风险分类结果取决于债项是否逾期、以及逾期时间长短。在[360,390)时段,债项信用风险分类是:“关注二级”,其预期损失率是:2.3%。如果在[360,390)时段及时采取风控行动,那么,根据风控行动时间与信用类债项预期损失率的关系(图3),其预期损失率通常的范围是:30.0%至50.0%;根据(表1),其风险分类通常的范围是:“次级二级”至“可疑一级”。)
1).对债务人的措施:
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表29。
表29
2).对债债项的措施:
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),采取以下风控行动,如表30。
表30
预警分值x | 优先选择 | 选择性优先 | 压缩退出 |
x≥5 | 办理再融资、准备办理贷后信用风险控制时间序列调整、准备办理变更借款人 | 重新提高贷款定价 | 信贷退出 |
x≥3 | 办理再融资、准备办理贷后信用风险控制时间序列调整、准备办理变更借款人 | 重新提高贷款定价 | 信贷退出 |
x≥1 | 办理再融资、准备办理贷后信用风险控制时间序列调整、准备办理变更借款人 | 重新提高贷款定价 | 信贷退出 |
3).对利益相关方的风控行动:
(1)根据情景要素5(预警级别)和情景要素6(客户信贷政策),分别采取以下风控行动,如表31。
表31
5.应急响应执行阶段(Do)
当发生贷后突发事件时,需要立即进入应急响应执行阶段。这里通过同一个案例,分别展示采用现有系统和本发明系统后的不同效果。案例如下:
XXX公司(债务人)的信用类流动资金贷款25万元,贷后信用风险控制时间序列:20XX/1/13至20XX+1/1/14,行业信贷政策是“优先选择”。贷后业务终止时间(20XX+1/2/26)大于到期时间(20XX+1/1/14);
5.1.现有系统应急响应执行结果
共执行16步;债项最终成为不良贷款。贷后信用风险管理相关人员(包括执行层、指挥层、决策层),在每次发生突发事件或预警信号时,所采取的风控行动及其风控结果记录,如表32。
表32
/>
/>
/>
/>
分析上述风险管控流程,发现存在如下问题:
一是风控行动弱化。在事件前期(20XX年6月),贷后管控团队没有明确的风控行动,没有采取风控行动、阻止债务人信用风险的恶化。二是风控行动严重滞后。直到债项逾期30天后,风险分类为“次级一级”,才有机会在风险例会上制定风控行动。因为风险例会资源有限,只有那些“火烧眉毛”非常严重的贷款,才能在例会讨论中得到重视。三是问题主要原因。按照现有小微型企业债项信用风险分类管控方法,在小微型企业债项发生逾期前,即使发生严重的突发事件,该债项的风险分类也不会恶化。因此该债项的(EL)和UL都不会出现增加,这就导致贷后信用风险管控部门,在债项发生逾期前,没有采取风控行动的积极性。例如在20XX/6/24至20XX/12/28之间,现有系统发出8次预警信号,但都没有采取有效的风控行动。直到20XX+1/1/15,债项出现逾期,现有系统发出第9次预警信号,才开始采取比较被动的风控措施:“准备开展财产追索、司法诉讼程序”,但为时已晚,20XX+1/2/26,现有贷后应急系统发出第16次(最后一次)预警信号时,该债项已经成为不良贷款。
5.2.本发明系统应急响应执行的结果:
共执行10步;债项最终“正常四级”。应急响应阶段涉及人员减少,只涉及执行层,不涉及指挥层和决策层。指挥层和决策层在风险管控中的重要作用是通过流程再造,转移在检测评估阶段(Check)和改进更新阶段(Act)发挥作用。具体过程如表33。
表33
说明书
本发明通过建立贷后业务连续性管控机制,预先制定风控的PBCP,当债务人出现突发事件或预警信号时,能自动执行相应的风险控制行动,把债项预期损失率降低到可以接受的程度,同时提高信用风险管控的有效性、增加银行风险调整后的资本回报率RAROC(Risk-Adjusted Return On Capital)。主要特点如下:一是风控回顾检查机制。在执行每个阶段的风控行动,通过机控方式回顾检查前一阶段的风控行动,即必须首先确定前一阶段的风控行动是否已经执行到位。二是避免风控行动滞后情况发生。每一阶段都有明确的风控行动,保证在第一时间就已完成规定的风控行动,避免风控行动滞后的情况发生。三是通过强制决策时间点,调用债务到期强制提醒,进一步保证了到期收回债项,避免出现不良债项。
6.检测评估阶段(Check)和改进更新阶段(Act):
在贷后日常管控中,定期(如每月1次)对PBCP进行评估和改进,确保每一个PBCPij的效率和效果进一步提高。
在本发明系统中,理论上都不会有债项发生逾期的情况,更不会发生不良贷款。但是实际情况一定与之有差异。当检测理论与现实出现差异时,为例进一步优化系统功能,就需要进入检测评估阶段(Check)和改进更新阶段(Act),进行系统调整参数。
收集日常发生的例外情况,如债项逾期或不良类,并逐一分析系统出现漏洞的原因,并提出改进建议,不断促进贷后风控模型库更新改进。调整系统参数主要部分如下:一是风控行动的时机不合适,需要调整风控行动在时间序列(TS)上的位置;二是风控行动的轻重不合适,需要调整风控行动的强弱分寸;三是预警信号集范围不完整,需要加入新的或删除多余的预警信号;四是预警信号级别划分不合适,需要调整预警信号级别。
本发明系统今后的发展方向:取消人工核实预警信号,用风控机器人代替,进一步提高本系统效率,。通过一段时间的运行,不断积累每一个人工核实预警信号的准确率数据。对于那些准确率高的预警信号,逐步取消人工核实,由本发明系统根据突发事件或预警信号情景要素,自动执行风控行动,是本发明系统功能更加强大。
附件1:预警信号核实模块
信号核实模块把突发事件或预警信号及其详细信息,通过手机短信、微信、邮件渠道,分别发送至银行内部贷后管控人员。格式如下:
系统发现XXX债务人的XXX预警信号,其具体内容是:……,请您按照要求的流程,在7天之内核实该突发事件或预警信号的成因是否真实。具体核实步骤如下:
1.如果(IF)债务人在本银行的所有贷款余额及其利息合计(风险暴露EAD)=0;
那么(THEN)表明:该债务人贷款已经结清,不存在实质性风险,返回“取消预警”。
2.如果(IF)突发事件或预警信号的成因真实
那么(THEN)突发事件或预警信号成因属实,返回“成因属实”
ELSE
返回“取消预警”。
附件2:强制提醒
以1年期流动资金贷款为例:在债项到期前30天,本发明系统把“债务到期通知书”,通过手机短信、微信、邮件渠道,发送至外部债务人(公司实际控制人)。格式如下:
根据____年____月____日贵单位与本银行签订的第___号借款/保函/信用证/银行承兑汇票/合约(协议),贵单位向本银行借款/申请______信贷业务(币种)______(金额大写)______。此项信贷业务将全部/部分于____年__月__日到期。请贵单位抓紧落实还款/对外支付,资金总计本金(币种)______(金额大写)______、利息(币种)______(金额大写)______,并最迟不超过到期日将这些资金交存本银行。
如果(IF)3天内不能收到债务人回复,
那么(THEN),表明债务人还款意愿较差,经办行应视具体情况采取扣收存款、上门催收、公证送达、申请支付令、申请仲裁、申请执行公证文书、诉讼方式及时中断诉讼时效。
如果(IF)3天内能收到债务人回复,
那么(THEN),表明债务人有还款意愿,贷后管控人员需要进一步评估判断债务人的还款能力,方法如下:
如果(IF)存贷比≥1,评估结果是债项到期后能够正常回收或提前回收,
那么(THEN),
会计部门应及时进行还款账务处理。进出口贸易融资业务项下货物销售回款应优先用于偿还贸易融资或转入相应保证金账户。
如果(IF)存贷比<1,评估结果是债项到期后不能正常回收,
那么(THEN),
采取以下措施:一是收集并监控企业及其实际控制人的金融资产情况,判断金融资产是否能覆盖当前贷款余额。收集范围涵盖所有的金融资产、房产、土地、车辆、股权,知识产权各类财产信息,并评估财产现状、价值,判断是否存在瑕疵,为司法催收做准备。二是提醒客户追加存款;三是冻结账户,只收不付措施。
本发明基于ISO 22301原理,再造贷后信用风险控制流程。在计划准备阶段预,预先制定贷后业务连续性预案(Post_Loan Business Continuity Plan,以下简称PBCP),改变现有系统在应急响应执行阶段才开始制定风控方案的被动局面。预先制定PBCP的方法是:首先,把债项合约的生命周期作为其贷后信用风险控制时间序列(Time Series,以下简称TS),并分为三个时段:前期TS1、中期TS2和后期TS3。其次,与TS1、TS2、TS3相对应,根据重复发生的突发事件或预警信号,同时考虑风控行动时间与债项预期损失率(ExpectedLoss,以下简称EL)的变化关系,依次设立PBCP的三个贷后突发事件应急情景:情景1、情景2、情景3。最后,根据情景的六要素,根据与三个情景对应的风控行动策略,并借鉴“情景—应对”方法,构建贷后突发事件情景与风控行动之间的控制逻辑关系,动态合成PBCP。PBCP中的风控行动,可由机器自动执行。本发明提高了贷后应急响应的效率,阻止债项形成不良贷款,提高商业银行的风险调整后的资本回报率(Risk-Adjusted Return On Capital,以下简称RAROC)。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.基于ISO 22301原理的贷后信用风险控制方法,其特征在于,包括如下步骤:
步骤(1),采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
步骤(2),根据步骤(1)采集的预警信息,核实该预警信号是否属实,若是则转步骤(3);否则,退出本系统;
步骤(3),根据步骤(1)采集的债项信息,获取该债项当前信用风险分类,判断本系统范围,如果债项当前信用风险分类是正常至关注,则转步骤(4);否则,退出本系统;
步骤(4),根据步骤(1)采集的债项信息,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型;
步骤(5),根据步骤(1)采集的信息,计算该预警信号的债项贷后信用风险控制时间序列TS=预警信号发生的日期–债项开始日期;根据TS的数值,分别进入前期TS1、中期TS2和后期TS3;
步骤(6),根据步骤(1)采集的信息,计算该预警信号的时间序列TS时段,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
步骤(7),根据步骤(1)采集的信息,获取该预警信号的预警级别及相应的债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略,从前到后依次执行,执行至当前时段。
2.根据权利要求1所述的基于ISO 22301原理的贷后信用风险控制方法,其特征在于,步骤(3)中,当债项当前信用风险分类为次级至损失级,则退出本系统,进入不良资产保全处置系统。
3.根据权利要求1所述的基于ISO 22301原理的贷后信用风险控制方法,其特征在于,步骤(4)中,在贷后风控模型库中包含30个贷后风控模型,即PBCPij,其中,i=1,2,3,4,5,代表五种风险缓释工具,即:信用类、保证类、抵押类、质押类、保证金类;j=1,2,3,4,5,6,代表六种授信业务种类,即:流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务、委托付款业务。
4.根据权利要求1所述的基于ISO 22301原理的贷后信用风险控制方法,其特征在于,步骤(7)中,预警级别包括红色、橙色、蓝色、灰色;所述的红色预警分值为≥5;所述的橙色预警分值为≥3,且<5;所述的蓝色预警分值为≥1,且<3;行业信贷政策包括优先选择、选择性优先和压缩退出;风控行动策略包括对债务人、债项、风险缓释工具和关联方的风控行动。
5.基于ISO 22301原理的贷后信用风险控制系统,采用权利要求1~4任意一项所述的基于ISO 22301原理的贷后信用风险控制方法,其特征在于,包括:
数据采集模块,用于采集贷后应急响应系统的预警信号信息及相应的债务人和债项信息;
预警信号核实模块,用于核实该预警信号是否属实;
风控器,由第一处理模块、第二处理模块、第三处理模块、第四处理模块和第五处理模块组成;
第一处理模块,分别与数据采集模块和预警信号核实模块相连,判断该预警信号对应的债项当前信用风险分类是否为正常至关注,若是则进入本系统,否则退出本系统,进入不良资产保全处置系统;
第二处理模块,第一处理模块相连,获取该债项的授信业务分类及信用风险缓释工具分类,并从贷后风控模型库中选择相应的贷后风控模型PBCPij,其中i的取值范围是:1,2,3,4,5,6,分别对应流动资金贷款、固定资产贷款、承兑业务、保函业务、信用证业务和委托付款业务;j的取值范围是:1,2,3,4,5,分别对应信用类、保证类、抵押类、质押类、保证金类;
第三处理模块,与第二处理模块相连,根据预警信号所处的时段,选择应对情景;所述的场景包括前期TS1、中期TS2和后期TS3;
第四处理模块,与第三处理模块相连,根据预警信号的预警级别、债务人的行业信贷政策,从风控行动策略库中获取该预警信号所有发生时段的风控行动策略;
第五处理模块,与第三处理模块相连,若TS=11*M/12,则进行强制提醒,并根据债务人的回复采取相应的风控措施;M为债务期限;
贷后风控模型库,与第二处理模块相连,用于存储贷后风控模型;
风控方案生成与发布模块,与风控器相连,用于获取预警信号所有发生时段的风控行动策略形成风控方案,并向贷后管理团队或风控机器人发布风控方案;
风控方案执行模块,与风控方案生成与发布模块相连,由贷后管理团队或风控机器人,从前到后依次执行风控方案。
6.根据权利要求5所述的基于ISO 22301原理的贷后信用风险控制系统,其特征在于,还包括:风控方案评价与改进模块,与风控方案执行模块相连,用于对已执行完毕的风控方案的效果进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069934.XA CN116629765A (zh) | 2023-02-07 | 2023-02-07 | 基于iso 22301原理的贷后信用风险控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310069934.XA CN116629765A (zh) | 2023-02-07 | 2023-02-07 | 基于iso 22301原理的贷后信用风险控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116629765A true CN116629765A (zh) | 2023-08-22 |
Family
ID=87596107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310069934.XA Pending CN116629765A (zh) | 2023-02-07 | 2023-02-07 | 基于iso 22301原理的贷后信用风险控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116629765A (zh) |
-
2023
- 2023-02-07 CN CN202310069934.XA patent/CN116629765A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Filyppova et al. | Risk management through systematization: Risk management culture | |
Lindgren et al. | Toward a framework for financial stability | |
Kuhn et al. | Learning from WorldCom: Implications for fraud detection through continuous assurance | |
CN110135724A (zh) | 基于coso内部控制框架的企业全面风险管理系统与方法 | |
Gatti et al. | Measuring value‐at‐risk in project finance transactions | |
CN111476660B (zh) | 一种基于数据分析的智能风控系统及方法 | |
Bhat et al. | The impact of risk modeling on the market perception of banks’ estimated fair value gains and losses for financial instruments | |
Attigeri et al. | Framework to predict NPA/Willful defaults in corporate loans: a big data approach. | |
Pham et al. | Investigating the effects of accounting law on the credit rating models using artificial neural networks: A study in Vietnam | |
CN113674075A (zh) | 企业债务融资工具信用评级的方法 | |
CN112200340A (zh) | 预测逃废债区块链系统 | |
CN116629765A (zh) | 基于iso 22301原理的贷后信用风险控制方法及系统 | |
Breeden et al. | Impacts of Covid-19 on model risk management | |
Smrcka et al. | Receivables management and possible use of information technologies | |
Alamaki et al. | The Effectiveness of Regulatory Reporting by Banking Institutions | |
Riwayati et al. | The Implementation of Credit Scoring in Order to Analyze the Importance of Non Performing Loans on Peer To Peer Lending towards Credit Distribution for Micro, Small and Medium Enterprises | |
Francis et al. | Taxes under stress: Bank stress tests and corporate tax planning | |
Huang et al. | Investigation on tax planning and risk prevention based on financial big data | |
Mendelsohn et al. | Solar Access to Public Capital (SAPC) Mock Securitization Project | |
Srinivas et al. | The Role of State Owned Banks in Indonesia | |
Chybaj et al. | Financial relationships between commercial banks and industrial enterprises: the principles of organizing and risks | |
Anderson | Accounting Principles and Corporate Fraud | |
Ballew et al. | Auditor-Provided Regulatory Advisory Services and Financial Reporting Quality: Evidence from the Dodd-Frank Act | |
Alexander et al. | Modelling Default Risk of Borrowers: Evidence from Online Peer to Peer Lending Platforms in Australia | |
Akromovich | Assessment And Management of Credit Risk in Banks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |