孫存一,張 秋,王彩霞

(1.中國人民大學 財政金融學院，北京 100872； 2.吉林財經(jīng)大學 金融學院，吉林 長春130117；3.北京經(jīng)開租賃有限公司，北京 100176)

一、引 言

上世紀中期以后，商業(yè)銀行面臨著日益嚴峻的挑戰(zhàn)，保險公司等各種非銀行金融機構(gòu)開始與銀行爭奪融資市場。資本市場日益成熟并成為一個新的更重要的融資渠道，融資工具日益多樣化、復雜化。銀行面對的客戶也發(fā)生了很大的變化。銀行業(yè)作為服務性行業(yè)，決定了其經(jīng)營和管理必須以客戶為導向，對客戶資源進行有效的管理是銀行在激烈的競爭中生存和發(fā)展所不可忽略的因素。在中國加入世界貿(mào)易組織、逐步開放銀行業(yè)的過程中，各大銀行采取了諸多吸引高端客戶群、限制低端客戶的方法。從國內(nèi)外的研究來看，主要關注客戶特征描述的專家判斷、指標體系、結(jié)構(gòu)計量、時間序列等數(shù)學模型的行為[1-3]，這些模型建立在諸多假設的基礎之上，精確度不高，應用效果不甚理想。在新的社會經(jīng)濟條件下，由于金融機構(gòu)資產(chǎn)多樣化、互聯(lián)網(wǎng)金融等的興起，使客戶識別更加復雜，再加上市場競爭、信息不對稱、擔保體系、商業(yè)銀行信貸管理水平和政策環(huán)境等方面的原因，傳統(tǒng)的客戶識別方法難以滿足實際需求。在新的形勢下我國銀行的出路何在？如何優(yōu)化配置客戶資源？這是值得專家學者探索的問題。眾所周知，隨著大數(shù)據(jù)、云計算等信息技術(shù)的不斷涌現(xiàn)，金融創(chuàng)新的需求日益迫切，技術(shù)進步對于金融機構(gòu)所提供的金融服務的規(guī)模、效率具有顯著影響，技術(shù)的先進程度構(gòu)成金融企業(yè)核心競爭力的一個重要因素。所以，在客戶資源優(yōu)化配置方面，我們必須依托新的技術(shù)、新的手段，精準地識別出風險客戶、有效地挖掘出優(yōu)質(zhì)客戶。為此本文從大數(shù)據(jù)的理念出發(fā)，以機器學習算法模型為核心，識別出客戶的類型，并在此基礎上分析與客戶類型相關的特征因素，構(gòu)建出了既具有理論價值又能實際落地的組合算法模型，以期為我國金融機構(gòu)在風險控制、金融服務等方面提供重要的方法借鑒。實際上，我國銀行業(yè)客戶資源配置深受傳統(tǒng)業(yè)務形態(tài)與營銷模式的制約，銀行應發(fā)揮互聯(lián)網(wǎng)在生產(chǎn)要素配置中的作用，留住老用戶、拓展新用戶，創(chuàng)造新的服務、新的價值。

二、客戶識別模型的構(gòu)建

(一)數(shù)據(jù)選擇

大數(shù)據(jù)分析，不應該建立在傳統(tǒng)數(shù)據(jù)分布假設的基礎之上，有什么樣的數(shù)據(jù)就生成什么樣的方法(或模型)。機器學習是面向復雜數(shù)據(jù)的隨機特征而構(gòu)建模型，符合大數(shù)據(jù)的思維模式。[4]從銀行服務的客戶對象來看，主要區(qū)分為企業(yè)客戶和個人客戶，從全球金融消費的發(fā)展趨勢看，個人客戶是非常有潛力的群體。鑒于此，本文選用了河南省許昌銀行信貸客戶資料數(shù)據(jù)，樣本數(shù)據(jù)中共1769戶個人信貸客戶的資料。其中，不違約客戶(A類)1232戶，占總數(shù)的69.60%；違約客戶(B類)537戶，占總數(shù)的30.40%。數(shù)據(jù)分布情況如表1所示：

表1 樣本數(shù)據(jù)分布情況

數(shù)據(jù)來源：河南省許昌銀行股份有限公司信貸客戶資料數(shù)據(jù)庫。

表1僅列舉了部分變量的名稱，實際選用的變量包含了客戶的地域、貸款金額、個人收入、貸款用途、貸款期限、戶口狀況、健康狀況、與信用社的關系等31項，信息相對齊全，應該可以構(gòu)建出比較理想的信貸風險預測識別模型。但同時我們注意到，由于個人客戶多而分散，數(shù)據(jù)的分布有一定的復雜性，比如從客戶類型、擔保方式的類別角度來看，變量分類不平衡；從數(shù)據(jù)變量角度來看，比如貸款金額，存在大量的零空值且難以滿足傳統(tǒng)的正態(tài)分布的要求?；谌绱藦碗s的數(shù)據(jù)，大多數(shù)傳統(tǒng)的模型是無能為力的，必須選擇適合復雜數(shù)據(jù)分析的模型。

(二)模型構(gòu)建

數(shù)據(jù)準備之后需要選擇分析方法(或模型)。預測識別客戶類型屬于分類預測，我們經(jīng)過大量實驗，最終選用了機器學習中的Adaboost算法。該算法有幾種優(yōu)勢：一是以決策樹、boosting為主體的組合算法，比單一算法預測準確率高。二是對數(shù)據(jù)的質(zhì)量要求較低。由表1得知樣本數(shù)據(jù)分類變量分布不平衡且存在大量缺失值。三是算法效率高。相比其他組合算法(比如randomForest)或迭代算法，該算法運行速度快。本文構(gòu)建模型的核心思想是針對同一個訓練集構(gòu)建多個分類器(弱分類器)，然后把這些弱分類器集合起來，構(gòu)成一個更強的最終分類器(強分類器)。算法本身是通過改變數(shù)據(jù)分布來實現(xiàn)的，它根據(jù)每次訓練集之中每個樣本的分類是否正確，以及上次的總體分類的準確率，來確定每個樣本的權(quán)值。然后將修改過權(quán)值的新數(shù)據(jù)集送給下層分類器進行訓練，最后將每次訓練得到的分類器融合起來，作為最終的決策分類器。該算法其實是利用了boosting算法原理，進行簡單的弱分類算法提升過程，這個過程通過不斷地訓練，可以提高對數(shù)據(jù)的分類能力。具體步驟如下：

第一步，給定訓練樣本集S(即表1樣本數(shù)據(jù)的子集)，定義X和Y分別對應于正例樣本和負例樣本，T為訓練的最大循環(huán)次數(shù)。第二步，初始化樣本權(quán)重為1/n，即為訓練樣本的初始概率分布。第三步，進行迭代，步驟如下：(1)訓練樣本的概率分布下，訓練弱分類器；(2)計算弱分類器的錯誤率；(3)選取合適閾值，使得誤差最??；(4)更新樣本權(quán)重；(5)經(jīng)T次循環(huán)后，得到T個弱分類器，按更新的權(quán)重疊加，最終得到強分類器。

Adaboost算法能夠?qū)θ鯇W習得到的弱分類器的錯誤進行適應性調(diào)整。上述算法中迭代了T次的主循環(huán)，每一次循環(huán)根據(jù)當前的權(quán)重分布對樣本定一個分布P，然后對這個分布下的樣本使用弱學習算法得到一個弱分類器。每一次迭代，都要對權(quán)重進行更新。更新的規(guī)則是：減小弱分類器分類效果較好的數(shù)據(jù)的概率，增大弱分類器分類效果較差的數(shù)據(jù)的概率。最終的分類器是個弱分類器的加權(quán)平均。[5，6]從以上介紹可知，Adaboost算法在信貸客戶預測識別時，關注與信貸個人資料數(shù)據(jù)相關的隨機特征，利用計算機強大的迭代能力，以降低不同客戶類型誤分率為目標，不斷調(diào)整闕值和權(quán)值，歸納出反映數(shù)據(jù)特征的規(guī)律，找到能夠最佳擬合信貸客戶分類的目標函數(shù)F，但同時對信貸數(shù)據(jù)的要求比較嚴格，即所給的數(shù)據(jù)能否代表事實。從大數(shù)據(jù)的角度來講，應該是數(shù)據(jù)體量越多、更新越及時，對信貸客戶的描述(目標函數(shù)F)越全面、越有時效性。據(jù)了解，我國銀行已經(jīng)具備了數(shù)據(jù)儲量以及增量的條件，加上互聯(lián)網(wǎng)、云計算等技術(shù)日益成熟，目標函數(shù)F會很快通過機器學習完成，可以適應客戶環(huán)境變化引起的數(shù)據(jù)波動。

(三)結(jié)果輸出

運用機器學習法(Adaboost算法，1000戶做訓練樣本，769戶做預測識別)可以詳細地甄別出每一個客戶違約和不違約的概率，并在此基礎上判斷出客戶的類型，如表2所示：

表2 信貸客戶甄別簡表

注：實際預測客戶769個，限于篇幅不再一一列舉。

從表2可以看出，模型所輸出的結(jié)果區(qū)分為定性(A、B)和定量(概率)，對實際工作具有重要的參考意義。我們可以將其輸出的A、B類和概率將客戶劃分為更多的等級。例如，按輸出結(jié)果對A部分的概率做5分位劃分，得到概率區(qū)間：[0,0.098867293]、[0.098867293,0.336902645]、[0.336902645,0.673397782]、[0.673397782,0.748064262]、[0.748064262,0.796290405]、[0.796290405,0.971534825]，分別設置“A、B、C、D、E”5個等級，如此劃分可以將信用等級進一步細化。

三、客戶特征要素分析

(一)數(shù)據(jù)選擇

將客戶有效預測識別后，下一步我們要對影響客戶的要素進行分析。以客戶類型作為目標，運用相關性算法，建立客戶類型與各個要素的相關性集合(如下，k-itemset)。在此，要對源數(shù)據(jù)進行處理，即將數(shù)值變量轉(zhuǎn)化為可供分析的項目(如下，D中的內(nèi)容)。將連續(xù)變量轉(zhuǎn)化成單個項目要進行變量離散化切分，離散化的方法很多，不同的方法會生成不同的項目，如何離散化數(shù)值變量是關鍵的一步。我們經(jīng)過反復實驗，最終確定對數(shù)值變量做5分位劃分。如此處理，數(shù)值變量會統(tǒng)一生成最多5個項目，如表3所示：

表3 數(shù)值變量轉(zhuǎn)化成項集因子之后的樣本數(shù)據(jù)簡表

注：1.實際參與變量31個，限于篇幅，不再一一列舉；2.星級表示做了5分位劃分之后所處的分位 (下同)，[]表示分類區(qū)間。

表3中，分類變量維持原來的分類不變，數(shù)值變量做了5分位劃分并將分位區(qū)間做了統(tǒng)計。如何對數(shù)值變量進行劃分，業(yè)內(nèi)尚無可參考的方法，我們經(jīng)過大量實驗，最終按5分位劃分，事實證明比較合理。這是本文重要的創(chuàng)新之處。

(二)模型構(gòu)建

相關性分析的方法很多，本文選用比較經(jīng)典的Apriorialgorithm關聯(lián)規(guī)則算法，構(gòu)建出客戶類型與描述客戶特征的要素之間的關系。簡單描述如下：(1)將描述客戶特征的要素以及類型存儲成二維結(jié)構(gòu)的記錄集，定義為D；(2)D中每一個要素中的內(nèi)容稱為項目，項目的集合稱之為所有項集(Items)，定義為：I，I∈{分類變量，離散化的數(shù)值變量}；(3)k個項目同時出現(xiàn)的項的集合，定義為k-itemset。項目、項集構(gòu)建完成之后，采用廣度優(yōu)先逐層搜索迭代技術(shù)，找出項目同時出現(xiàn)的頻率，即找出客戶類型與客戶特征要素之間的依賴關系。衡量所生成的依賴關系的參數(shù)有支持度、置信度、提升度，定義如下：(1)支持度(Support)定義為supp(X)=occur(X)/count(D)=P(X)，表示事件X出現(xiàn)的概率；(2)置信度(Confidence/Strength)定義為conf(X->Y)=supp(X∪Y)/supp(X)=P(Y|X)，表示事件XY同時出現(xiàn)的概率；(3)提升度(Lift)lift(X->Y)=lift(Y->X)=conf(X->Y)/supp(Y)=conf(Y->X)/supp(X)=P(XandY)/(P(X)P(Y))，表示事件XY在X約束下出現(xiàn)的概率相對XY自由出現(xiàn)的比(一般來講Lift>1，規(guī)則就是有效的)。[7]從以上算法的介紹可以看出，關聯(lián)規(guī)則在云計算環(huán)境下，可以隨時窮舉所有的k-itemset，k∈[1,N]，N為變量個數(shù)，如此算法可以在短時間內(nèi)挖掘出大量信息并進行重要性排序。

(三)結(jié)果輸出

大數(shù)據(jù)分析，要求創(chuàng)新和精準。我們以客戶類型作為目標(區(qū)分A、B類)，以5個項目作為1個項集，設置支持度>=0.01、置信度>=0.8，然后運用關聯(lián)規(guī)則原理對造成該結(jié)果的原因進行推導，最終生成了182 488(A類157457、B類25031)條規(guī)則，如表4所示：

表4 關聯(lián)規(guī)則推導結(jié)果簡表

注：實際規(guī)則182 488個，限于篇幅不再一一列舉。輸出的信息量很大，如果逐一解讀，應用價值難以估量。

表4是按照提升度降序排列所形成的結(jié)果，基于以上列舉的前6條規(guī)則，可以形成以下結(jié)論：一是個人的戶口性質(zhì)、與信用社的關系與客戶的類型相關性較高，由此可見建立穩(wěn)定的客戶群，形成穩(wěn)定的業(yè)務來源非常重要。二是主要經(jīng)濟來源、家庭(個人)收入對客戶的類型影響顯著，由此可見經(jīng)濟來源穩(wěn)定、家庭收入偏高的客戶按期還款的概率較高。三是是否有為他人擔保的記錄、有無職稱(職務)對客戶的類型影響顯著，由此可見有一定的擔當或名望的客戶按期還款的概率較高。由以上分析可知，我國銀行客戶資源受地域條件、經(jīng)濟條件以及個人信譽狀況的制約，對此應引起高度關注。

四、結(jié)論與啟示

經(jīng)過以上實證分析，我們證明了“機器學習+關聯(lián)規(guī)則”在信貸風險預測識別中方法上的可行性。通過與大數(shù)據(jù)關鍵技術(shù)結(jié)合的組合算法模型，精準地識別出風險客戶、深入地挖掘出優(yōu)質(zhì)客戶，解析出影響客戶類型的關鍵要素，可為銀行產(chǎn)品創(chuàng)新和服務創(chuàng)新提供技術(shù)支撐。結(jié)果表明，銀行優(yōu)化客戶資源配置應重點關注：建立穩(wěn)定的客戶群，形成穩(wěn)定的業(yè)務來源；尋找有穩(wěn)定的經(jīng)濟來源、家庭收入偏高的客戶群體；挖掘在社會上信譽度較高、有一定的名望或擔當?shù)目蛻簟？紤]到目前我國銀行受地域條件、經(jīng)濟條件以及個人信譽狀況的制約，要從根本上解決上述問題，銀行業(yè)應從以下幾個方面入手：一是緊跟“互聯(lián)網(wǎng)+”的大形勢，發(fā)揮互聯(lián)網(wǎng)在生產(chǎn)要素配置中的優(yōu)化和集成作用，融銀行線上、線下業(yè)務于一體，形成更廣泛的以互聯(lián)網(wǎng)為基礎的業(yè)務客戶資源鏈供應。二是重視科學技術(shù)創(chuàng)新，以大數(shù)據(jù)、云計算、機器學習等作為支撐生產(chǎn)力的核心，將競爭優(yōu)勢體現(xiàn)在產(chǎn)品創(chuàng)新、精準營銷、主動服務等層面，提供有針對性的產(chǎn)品與服務，在增加客戶粘性的同時保持與客戶的緊密聯(lián)系。三是改變銀行現(xiàn)有的經(jīng)營模式，推進透明度更強、參與度更高、協(xié)作性更好的多元化平臺，為客戶提供良好的體驗，最大限度地留住客戶、發(fā)展客戶，創(chuàng)造新的服務、新的價值。

[1][美]蔡瑞胸.金融數(shù)據(jù)分析導論[M].北京：機械工業(yè)出版社，2013.

[2]Myers, J. H.,Forgy, E. W.. The Development of Numerical Credit Evaluation Systems[J].Journal of American Statistics Association, 1963，58(September):799-806.

[3]Fisher, R. A.The Use of Multiple Measurements in Forecasting of Taxonomic Problems[J].Annals of Eugenics，1936，7:179-188.

[4]Freund Y,IyerR,Schapirer R E,et al.An Efficient Boosting Algorithm for Combining Preferences[J].Journal of Machine Learning Research,2003,(4):1-3.

[5]Francesco Perrini,Antonio Tencati,et al.Sustainability and Stakeholder Management:the Need for New Corporate Performance Evaluation and Reporting Systems[J].Business Strategy and the Environment,2006,(15):1-3.

[6]Palm.Random Forest Classifier for Remote Sensing Classification[J].Remote Sens, 2005,26(1):2-4.

[7]Yasushi U.,Hiroyuki M.Credit Risk Evaluation of Power Market Players with Random Forest[J].Transactions on Power and Energy,2008,128(1):3-6.