为应对2008年金融危机，我国2009年后实施了宽松货币政策。宽松的信贷政策对银行风控体系提出了挑战。受经济下行影响，新一轮银行体系的不良贷款规模持续上升。在中国科学院大学金融科技研究中心主任、吉贝克董事长刘世平博士主编的《大数据在金融行业实用案例剖析：系列之二》中，由东方金诚国际信用评估有限公司数据中心负责人王鸿博士编写的《数据挖掘在不良资产处置中的应用》一文，从金融机构的应用角度阐述如何运用数据挖掘提高风险管理水平资产管理能力，增加收益。
要实现不良资产数据的有效利用，数据库的建设是全部工作最重要的一环，也是数据挖掘得以实现的重要基础。LossMetricsTM数据库是国内唯一的大规模跨行违约损失数据库，是建立在资产管理公司处置实践基础上，考虑了资产管理公司实际操作面对的具体问题，涵盖了不良资产成因、结构、现状、管理、处置各个方面的信息库。LossMetrics™的不良贷款数据包括：债务人信息、债项信息、抵质押信息、担保信息、财务信息、债权评估信息、涉诉信息、处置清收信息。截至目前，LossMetrics™数据库覆盖三家国有银行的数据源，33个省，20个基础行业，8类一级企业类型，处置时间从1999年至今。
东方金诚从资产管理公司的视角出发，通过建立金融信贷不良资产数据库（LossMetricsTM数据库），在海量的不良贷款回收数据的基础上，针对不同类型不良贷款的特性，开发基于不同理论前提的数据挖掘模型并形成系统软件，以服务于资产管理公司的不良贷款处置。不仅能大大提高资产管理公司的工作效率，也提高了不良贷款的回收率。
东方金诚借助财务报表，采用比率分析、比较分析、因素分析及多种分析方法， 对违约企业的经营状况、财务特征进行分析，发现企业在经营管理活动中潜在的经营风险和财务风险。在违约发生之前向企业经营者和银行发出警告，督促企业和银行相关部门采取有效措施。实证方法主要是通过对每股收益、每股未分配利润、资产负债率、存货周转率、流动比率、主营成本比率、经营毛利率和净资产收益率等55个财务比率指标进行主因子划分，把性质相似的因子归为一类，再应用于Logistic 模型。实证结果如下：
X1：每股收益、每股每股息税前利润、每股未分配利润和每股留存收益；
X2：每股营业总收入、流动资产周转率和总资产周转率；
X3：流动资产/总资产、流动负债/负债合计和流动比率；
X4：存货周转率、非流动资产/总资产；
X5：经营活动产生的现金流量净额／流动负债、 经营活动产生的现金流量 净额／负债合计和资产负债率
分别从区域因素以、企业规模、时间效应因素对回收率进行分析。期间采用多种分析方法，如引入Theil指数对省份进行划分、采用衰减分析及回归分析方法对时间因素进行考量。下面展示了回收率的时间衰减效应和地区回收率统计分析结果。
从上表可以看到，收率水平在各省之间存在明显差异，最低达 46.7%，最高只有 86.5%，相差近 40 个百分点。而且，回收率的高低与省市的经济发达程度存在较密切的关系：北京、上海、浙江和广东等经济发达地区，违约损失率明显低于甘肃、贵州和安徽等内陆省份。山东省和江苏省虽然经济生产总量排名前列，但省内各地区发展不平衡，在数据库中来自不发达地区的样本数据和涉及的债权金额比重都偏大，所以提高了全省的整体违约损失率。
上述分析中，采用了衰减分析和回归分析两种方法开展研究。衰减分析研究整个资产池的回收随时间变化情况；回归分析研究不同回收时间下影响回收率的因素及影响程度，同时计算了几个关键因素在不同回收时期下对回收率的边际影响程度。
衰减分析的结果显示，与商业银行回收率随时间单调衰减不同，资产管理公司的边际回收率在一年内和三年后较低而两年到三年间比较高。回归分析的结果显示，企业经营状态中破产终结状态和房产土地抵押因素在所有回收时间模型中都属于重要变量；与商业银行不同，资产管理公司回收前的清收信息是影响回收率的一个重要因素；其他因素在不同回收时期对回收率有不同影响。
目前国内外相关文献中，鲜见针对不良资产回收率差异的实证研究，更没有结合担保方式对相似不良资产回收率差异的实证研究。结合资产管理公司数据，进行了不良资产处置方式及影响因素的分析，统计分析结果如下表：
单客户不同处置方式下资产的回收率分析显示，采用债权追偿中破产清偿方式的回收率均值最低，这反映了采用破产清偿企业的资产特征都很差，再加上如果债权人的清偿次序没有优先级，那么回收的金额就会更少，回收率会更低；而采用诉讼（仲裁）追偿方式的回收率最高，AMC 运用法律手段，依法诉讼或仲裁并按照判决或仲裁结果强制执行，或通过调解方式向债务人追索已到期债务，具有强制执行债务人财产的特点，法律程序性较强，对回收产生积极有利的作用。
我们对LossMetricsTM数据库中的破产清偿、诉讼追偿、直接催收处置的不良贷款进行了分析，并且利用以往处置的历史经验建立了最优处置方式的决策树和贝叶斯判别模型，决策树的结果显示，对最优处置方式有重要影响的因素有，本金占比、本金余额、经营现状、工商登记状态、地区、行业。从实证结果看到，模型中有过多示性变量会导致贝叶斯判别模型的假设条件不能满足，因而判别结果不理想，我们利用决策树结果得到代理变量来解决这一问题，这一替代方法大大减少了贝叶斯模型事的解释变量个数，并且充分利用了贝叶斯判别和决策树判别各个的优点，提高了贝叶斯模型的精确度。我们认为，总结不良贷款处置的历史经验并建立模型有助于指导后续的实际回收工作。
银行不良资产是金融体系运行的必然产物。历次金融危机的爆发无一不与银行不良资产相关。利用先进的数据挖掘技术提高资产管理公司的不良贷款回收率，对于整个金融业意义重大。数据挖掘技术有助于帮助资产管理公司分析影响其业务的关键因素，帮助其增加收入、降低成本，使资产管理公司的管理决策更趋科学，市场分析更趋精确。通过数据挖掘在资产管理公司的应用可以对不良资产风险的表现、成因、效应进行全方位的深刻透析，对提升资产管理公司的业务能力；提高资产管理公司的风险管理水平；增加资产管理公司的收益，都起着核心作用。
来源：吉贝克
| 欢迎光临 168大数据 (http://www.bi168.cn/) | Powered by Discuz! X3.2 |