王彥博 張彥超 楊璇 張軍

2021年3月，銀保監(jiān)會《商業(yè)銀行負債質(zhì)量管理辦法》出臺，明確要求銀行從負債的來源穩(wěn)定性、結(jié)構(gòu)多樣性、與資產(chǎn)匹配合理性、獲取的主動性、成本適當(dāng)性及項目真實性六個方面加強負債質(zhì)量管理，對銀行構(gòu)建更加全面的負債業(yè)務(wù)管理體系提出了新的要求。

商業(yè)銀行負債管理發(fā)展概述

銀行負債管理理論主要經(jīng)歷了“存款負債論”“購買負債論”“銷售負債論”等發(fā)展階段。我國銀行業(yè)早期主要遵循“存款負債論”開展業(yè)務(wù)，該理論重點關(guān)注存款狀況并由此來指導(dǎo)貸款業(yè)務(wù)，其優(yōu)點在于盡可能地保障了銀行的安全性與流動性，但卻犧牲了銀行的盈利性。而后，銀行負債管理逐步轉(zhuǎn)向“購買負債論”，該理論指出銀行為確保其流動性必要時可進行主動負債，但伴隨負債擴張而產(chǎn)生的風(fēng)險也相應(yīng)增大。同時，隨著同業(yè)資金監(jiān)管的逐步增強，該理論的發(fā)展面臨著進一步的挑戰(zhàn)?！颁N售負債論”則認為負債管理的任務(wù)是以客戶為中心，以客戶需求為導(dǎo)向，設(shè)計出滿足客戶需求的產(chǎn)品并銷售給客戶，提升負債產(chǎn)品銷售主動性，從而提升客戶服務(wù)能力。

近年來，各類新興金融業(yè)態(tài)快速發(fā)展，銀行負債成本逐步抬高，負債業(yè)務(wù)的復(fù)雜程度和管理難度日益增高。事實上，監(jiān)管機構(gòu)一直以來高度關(guān)注銀行負債管理質(zhì)量。2020年1月，銀保監(jiān)會提出要盡早推進制定負債質(zhì)量監(jiān)管辦法的進程，從而進一步提高商業(yè)銀行負債的匹配性以及穩(wěn)定性;2020年3月，央行發(fā)文強化存款利率管理，督促整改不規(guī)范存款“創(chuàng)新”產(chǎn)品，推動銀行負債成本的下降;隨后，監(jiān)管部門加強結(jié)構(gòu)性存款和互聯(lián)網(wǎng)存款督促整改，加大異地存款、違規(guī)吸儲的管理力度;2021年1月，《商業(yè)銀行負債質(zhì)量管理辦法（征求意見稿）》向社會征求意見;2021年3月，《商業(yè)銀行負債質(zhì)量管理辦法》出臺并施行，它是我國第一份針對商業(yè)銀行負債進行規(guī)范的系統(tǒng)性政策文件，從負債質(zhì)量管理體系、負債質(zhì)量管理要素、負債質(zhì)量管理監(jiān)督等方面對商業(yè)銀行系統(tǒng)化地管理負債質(zhì)量提出了明確的要求。

機器學(xué)習(xí)與數(shù)據(jù)挖掘相關(guān)技術(shù)在銀行負債管理方面的應(yīng)用探討

有監(jiān)督學(xué)習(xí)分類技術(shù)。構(gòu)建有監(jiān)督學(xué)習(xí)分類模型的目的是要對未來一個未知類別標(biāo)簽的數(shù)據(jù)樣本進行類別標(biāo)簽預(yù)測，來識別該樣本的類別歸屬;在此之前，對現(xiàn)存若干已知類別標(biāo)簽的數(shù)據(jù)樣本進行學(xué)習(xí)是必不可少的，而在這個學(xué)習(xí)過程中通常會為每個類別標(biāo)簽都收集一定數(shù)量的數(shù)據(jù)樣本;分類器就是在用來學(xué)習(xí)的數(shù)據(jù)中萃取出X標(biāo)簽特征字段對Y標(biāo)簽（類別標(biāo)簽）的映射函數(shù)、機制或規(guī)則集。在商業(yè)銀行負債業(yè)務(wù)場景下，有監(jiān)督學(xué)習(xí)分類技術(shù)可用于對存款業(yè)務(wù)的未來流失情況進行預(yù)測。

有監(jiān)督學(xué)習(xí)趨勢預(yù)測技術(shù)。有監(jiān)督學(xué)習(xí)趨勢預(yù)測技術(shù)用以構(gòu)建連續(xù)值函數(shù)模型，其任務(wù)就是輸入目標(biāo)字段Y以往的數(shù)值和相關(guān)X標(biāo)簽特征字段信息，實現(xiàn)對目標(biāo)字段Y未來數(shù)值的估算。在商業(yè)銀行負債業(yè)務(wù)場景下，有監(jiān)督學(xué)習(xí)趨勢預(yù)測技術(shù)可用于對主動負債業(yè)務(wù)成本進行有效地定價分析。

無監(jiān)督學(xué)習(xí)聚類技術(shù)。無監(jiān)督學(xué)習(xí)聚類技術(shù)源于“物以類聚”的思想，根據(jù)數(shù)據(jù)特征屬性來對數(shù)據(jù)樣本進行分群。當(dāng)數(shù)據(jù)樣本不帶有類別標(biāo)簽時，可以使用聚類技術(shù)促使可能帶有潛在相同類別標(biāo)簽的數(shù)據(jù)樣本聚為一群，所以說聚類可以被看作是一種無監(jiān)督的分類。在聚類分析中，類別中樣本的相似性越大、類別間樣本的差異性越大，聚類的效果就越好。對樣本相似性和差異性的度量，通常使用歐幾里得距離方法。在商業(yè)銀行負債業(yè)務(wù)場景下，無監(jiān)督學(xué)習(xí)聚類技術(shù)可用于對銀行負債業(yè)務(wù)流失情況進行定義。

無監(jiān)督學(xué)習(xí)關(guān)聯(lián)規(guī)則挖掘及分配規(guī)律挖掘技術(shù)。為研究超級市場商品項目之間諸如“購買啤酒會導(dǎo)致尿片被購買”這類產(chǎn)品交叉銷售問題，無監(jiān)督學(xué)習(xí)關(guān)聯(lián)規(guī)則挖掘問題于1993年被提出。在關(guān)聯(lián)規(guī)則挖掘的諸多算法改進中，一個重要的方向是數(shù)量關(guān)聯(lián)規(guī)則挖掘;在市場應(yīng)用中，數(shù)量關(guān)聯(lián)規(guī)則可以簡單表示為<面包[9， 14]>→<火腿[12， 20]>，該表達式可解釋為“當(dāng)人們購買9～14個面包時，他們傾向于同時購買12～20個火腿”。更進一步，分配規(guī)律挖掘技術(shù)可以從數(shù)據(jù)中發(fā)現(xiàn)<面包[0.25]+火腿[0.35]>→<牛奶[0.40]>這樣的表達式，其可解釋為“當(dāng)人們把25%和35%的資金分配到面包和火腿的購買中時，他們傾向于同時將40%的資金分配到牛奶的購買中”。分配規(guī)律挖掘技術(shù)不僅可以表明各項目之間重要性的相關(guān)程度，而且實現(xiàn)了總體之間的“分配”規(guī)則，即描述了總體是如何被分配在各項目之間的。在市場應(yīng)用中，分配規(guī)律挖掘可以用來表示顧客對于多種商品的資金分配習(xí)慣;而將牛奶、面包、火腿等商品替換為儲蓄存款、理財、基金、貸款、中間服務(wù)等金融產(chǎn)品，分配規(guī)律挖掘技術(shù)則可用于探索“銷售負債論”中的銀行資產(chǎn)類、中間服務(wù)類等產(chǎn)品與負債產(chǎn)品的交叉銷售策略。

圖數(shù)據(jù)挖掘與社交網(wǎng)絡(luò)分析技術(shù)。圖數(shù)據(jù)挖掘技術(shù)常被用于對社交網(wǎng)絡(luò)的分析和探索中。圖作為常見的數(shù)據(jù)結(jié)構(gòu)之一，能夠有效且可視化地描述事物間的復(fù)雜關(guān)系。隨著圖數(shù)據(jù)庫技術(shù)的不斷發(fā)展，圖數(shù)據(jù)分類、聚類等數(shù)據(jù)挖掘技術(shù)也蓬勃發(fā)展。在商業(yè)銀行負債業(yè)務(wù)場景下，大量客戶之間的關(guān)系數(shù)據(jù)，尤其是客戶之間的交易轉(zhuǎn)賬行為作為社交網(wǎng)絡(luò)數(shù)據(jù)集，可用以構(gòu)建客戶交易網(wǎng)絡(luò)，并通過運用圖技術(shù)遍歷交易鏈，識別供應(yīng)鏈，刻畫產(chǎn)業(yè)鏈;同時，圖模型可用以量化分析企業(yè)客戶在網(wǎng)絡(luò)中的影響力，發(fā)現(xiàn)客戶交易網(wǎng)絡(luò)中的核心客戶，并通過核心客戶交易鏈、供應(yīng)鏈、產(chǎn)業(yè)鏈向上下游拓展業(yè)務(wù)，在實現(xiàn)銀行批量獲客的同時，通過對鏈上客戶提供支付結(jié)算等現(xiàn)金管理服務(wù)，打造低成本存款在銀行體內(nèi)循環(huán)的良性生態(tài)，以智能營銷拉動負債業(yè)務(wù)增長。

智慧銀行視角下的負債管理研究

對公存款業(yè)務(wù)流失預(yù)測

如何有效驅(qū)動大數(shù)據(jù)人工智能技術(shù)為商業(yè)銀行負債管理賦能，已成為學(xué)界和業(yè)界各金融機構(gòu)關(guān)注的焦點。負債產(chǎn)品的日益豐富源于業(yè)務(wù)端在對監(jiān)管要求的充分理解和熟悉掌握后進行的不斷創(chuàng)新，而大數(shù)據(jù)人工智能技術(shù)對于拓展負債渠道和來源存在巨大潛力。隨著金融脫媒加劇，不少銀行對公存款業(yè)務(wù)流失情況日趨嚴(yán)重?；趪鴥?nèi)某商業(yè)銀行對公存款客戶真實數(shù)據(jù)，我們探索與商業(yè)銀行實踐緊密結(jié)合的對公存款業(yè)務(wù)規(guī)律，從而實現(xiàn)對對公存款流失的預(yù)測。

我們首先采用無監(jiān)督學(xué)習(xí)聚類技術(shù)對存款業(yè)務(wù)流失進行定義，明確對公一般性存款季日均比上季度下降超過55%為流失;而后采用有監(jiān)督學(xué)習(xí)分類技術(shù)，在綜合考量客戶基本特征、業(yè)務(wù)特征和交易特征等信息的基礎(chǔ)上，構(gòu)建對公存款業(yè)務(wù)流失預(yù)測模型。從模型效果來看，通過運用混淆矩陣對模型進行評估，結(jié)果表明該模型能夠預(yù)測出近50%未來存款下降的客戶（即模型在測試集上的Recall指標(biāo)接近0.5），并且具有超過70%的預(yù)測精準(zhǔn)性（即模型在測試集上的Precision指標(biāo)> 0.7）。從實現(xiàn)經(jīng)濟效益來看，我們對挽留客戶所帶來的存款日均金額進行測算，通過歷史數(shù)據(jù)得到該銀行各季度客戶流失率平均值和最低值，并嚴(yán)格地選取最低值作為流失率基準(zhǔn);隨后，我們統(tǒng)計了自模型應(yīng)用以來各季度的客戶流失率，并通過與基準(zhǔn)流失率進行比較，計算出模型應(yīng)用后每個季度少流失客戶的比率、客戶數(shù)及帶來的存款日均金額。實證結(jié)果顯示，試應(yīng)用該模型1年左右的時間，能夠挽回對公存款年日均約4億元人民幣。

通過對相關(guān)業(yè)務(wù)進一步分析發(fā)現(xiàn)，不同存款水平的客戶，其存款下降原因及表現(xiàn)特征各不相同。在綜合考量客戶基本特征、業(yè)務(wù)特征和交易特征等信息的基礎(chǔ)上，我們結(jié)合業(yè)務(wù)實際對不同存款規(guī)模的客群分別進行存款流失定義。例如：存款余額高于5000萬元人民幣的客戶對公存款月日均環(huán)比下降超過100萬元人民幣;存款余額不高于5000萬元人民幣的客戶對公存款月日均環(huán)比下降，即認為發(fā)生流失。通過運用有監(jiān)督學(xué)習(xí)分類技術(shù)分析得出該銀行對公存款流失主要與產(chǎn)品到期和客戶交易行為有關(guān)，比如客戶定期存款到期后無法銜接其他金融產(chǎn)品、客戶表外業(yè)務(wù)到期導(dǎo)致資產(chǎn)類業(yè)務(wù)帶來的存款沉淀流失等。新的存款業(yè)務(wù)流失預(yù)測模型可以將之前按季度進行預(yù)測升級為按月度進行預(yù)測。從模型效果來看，通過運用混淆矩陣對模型進行評估，結(jié)果表明新的模型能夠預(yù)測出60%以上未來存款下降的客戶（即模型在測試集上的Recall指標(biāo)>0.6），并且具有超過70%的預(yù)測精準(zhǔn)性（即模型在測試集上的Precision指標(biāo)>0.7）。同時，該模型能夠在客戶存款下降前給出未來存款可能發(fā)生下降的客戶名單，并給出客戶存款下降的可能原因及輔助信息，以便于一線人員有效地挽留客戶，降低存款流失率，提高存款穩(wěn)定性，進而提升了負債質(zhì)量管理水平。

對公存款業(yè)務(wù)批量獲客

銀行在對公業(yè)務(wù)發(fā)展過程中，除了做好負債業(yè)務(wù)流失預(yù)警的“節(jié)流”工作外，還應(yīng)充分運用多種手段“開源”批量獲客、拉動負債。傳統(tǒng)銀行“點對點”的獲客方式成本高、效率低，基于機器學(xué)習(xí)和數(shù)據(jù)挖掘算法開拓高效的批量獲客模式已成為業(yè)界的關(guān)注焦點。

基于大數(shù)據(jù)圖挖掘技術(shù)，我們介紹一種銀行對公存款批量獲客的方法：通過以拓撲圖來構(gòu)建客戶交易網(wǎng)絡(luò)，描繪客戶交易轉(zhuǎn)賬行為，并使用圖模型來量化分析企業(yè)客戶在網(wǎng)絡(luò)中的影響力，進而鎖定潛在客戶實現(xiàn)批量獲客。我們以國內(nèi)某商業(yè)銀行為例，基于其公司業(yè)務(wù)客戶數(shù)據(jù)，運用圖展現(xiàn)可視化技術(shù)，在年度時間窗口內(nèi)，構(gòu)建出以每名客戶為中心的“有向圖”以刻畫與該名客戶相關(guān)的周邊客戶關(guān)聯(lián)信息。通過多級交易鏈信息展現(xiàn)，進一步識別客戶間交易鏈關(guān)聯(lián)關(guān)系，從而對圖中與該銀行客戶形成上下游關(guān)系的對公企業(yè)數(shù)量、交易金額、交易對手分布等信息進行進一步探查。實證分析結(jié)果顯示，基于大數(shù)據(jù)圖挖掘的對公存款客戶批量獲客較傳統(tǒng)新客戶開發(fā)而言，成功獲客實現(xiàn)3.65倍的提升，并可在一年半至兩年的模型試應(yīng)用觀測期末貢獻超過1000億元人民幣的新增對公存款時點余額。

對公負債定價研究

Shibor（上海銀行間同業(yè)拆借利率）作為反映市場利率變動的重要指標(biāo)，對于指導(dǎo)商業(yè)銀行利率定價方面發(fā)揮著重要作用。另外，國庫現(xiàn)金存款作為商業(yè)銀行主動負債的一項重要來源，有研究表明其中標(biāo)利率也與Shibor之間存在著穩(wěn)定的均衡關(guān)系。

鑒于Shibor能夠在一定程度上反映貨幣市場上貨幣的供求關(guān)系，因此通過有監(jiān)督學(xué)習(xí)趨勢預(yù)測技術(shù)對Shibor趨勢進行預(yù)測，在一定程度上對于商業(yè)銀行提高市場利率預(yù)判能力具有較高的指導(dǎo)和參考意義;商業(yè)銀行可根據(jù)Shibor趨勢，適時調(diào)整負債定價策略、負債期限結(jié)構(gòu)，降低利率風(fēng)險;也可根據(jù)Shibor趨勢，調(diào)整主動負債吸收策略，降低銀行付息成本。

對于Shibor的預(yù)測，早期主要運用的是傳統(tǒng)的金融時間序列模型。隨著大數(shù)據(jù)人工智能的發(fā)展，傳統(tǒng)方法的局限性日益凸顯。就目前學(xué)界的研究結(jié)果而言，無論是傳統(tǒng)的時間序列模型，還是單一的機器學(xué)習(xí)方法，其對Shibor值預(yù)測的偏差均隨著預(yù)測時間段的加長而增大。由于現(xiàn)實問題的復(fù)雜性，往往需要多次運用不同的數(shù)據(jù)挖掘技術(shù)?；诖?，我們對于Shibor值的預(yù)測提出一種可能方案，即運用“回歸樹+時間序列”的方法來實現(xiàn)3個月（3M）Shibor值預(yù)測。該算法不僅能有效避免單一技術(shù)方法的局限性，而且能更深層次地對Shibor值的預(yù)測進行探索。

零售儲蓄存款交叉銷售

除對公存款外，零售客戶儲蓄存款由于分散程度高、抗周期性強，往往承擔(dān)著銀行負債“穩(wěn)定器”的作用。從資產(chǎn)組合的角度出發(fā)，將零售客戶的儲蓄存款作為交叉銷售的重要產(chǎn)品進行配置，不僅可增強客戶資產(chǎn)組合穩(wěn)定性，對銀行負債質(zhì)量的提升也具有重要作用。

基于國內(nèi)某商業(yè)銀行高凈值客戶產(chǎn)品持有情況，我們用“存款”“理財”和“其他”三個維度進行刻畫。從負債管理視角，鑒于儲蓄存款較理財產(chǎn)品而言具有資金成本低、有助于提高銀行存貸比等特點，故通過運用無監(jiān)督學(xué)習(xí)分配規(guī)律挖掘技術(shù)，旨在實現(xiàn)客戶不流失降級、客戶金融資產(chǎn)總額不下降的前提下，找到最有潛力提升自身儲蓄存款占比的客戶群體，并有針對性地開展交叉銷售?；谕诰蛏傻南嗨茲撡|(zhì)客戶識別規(guī)律，選擇客群中儲蓄存款占比較低的客戶作為交叉銷售對象，進行名單制營銷。實證分析結(jié)果顯示，試應(yīng)用該算法識別并鎖定相關(guān)客群，其中有75%的客戶繼續(xù)保持“高凈值”客戶身份，相關(guān)客群業(yè)務(wù)穩(wěn)定，流失率低;同時，在該算法識別出的潛在客戶中有高達62.5%的客戶實現(xiàn)了不同程度的儲蓄存款新增，累計實現(xiàn)儲蓄存款提升約1000萬元人民幣。

結(jié)語

綜上，在智慧銀行視角下，我們運用多種機器學(xué)習(xí)與數(shù)據(jù)挖掘技術(shù)，從對公存款業(yè)務(wù)流失預(yù)測、對公存款業(yè)務(wù)批量獲客、對公負債定價研究以及零售儲蓄存款交叉銷售等多個負債業(yè)務(wù)場景出發(fā)，對商業(yè)銀行智能化負債管理提出可行性方案，以期為商業(yè)銀行在提升負債規(guī)模和降低負債成本等智能化負債質(zhì)量管理方面提供有益借鑒。

（龍盈智達〔北京〕科技有限公司劉金鳳、周博韜對本文亦有貢獻）

（作者單位：龍盈智達〔北京〕科技有限公司，華夏銀行）