财务公司 谢清水

突发的新冠肺炎疫情从个人到各类企业都受到了很大的影响，尤其是作为信贷主体重要还款来源的收入面临下滑甚或断流的风险，这对存量贷款的资产质量带来了巨大的威胁，同时新增贷款面临申请拒绝率提升的挑战，主要表现在以下几个方面。

一是存量贷款面临客户还款能力下降及欺诈风险上升的双重挑战。大量客户收入下滑导致还款能力下降，逾期风险上升，给金融机构带来两类风险，一类是仍有主观还款意愿的客户，短期的现金流下滑导致资产负债表恶化，只要其收入恢复，偿还贷款应该不成问题，但是也不排除一部分客户由于市场竞争能力弱导致长期失业或者企业倒闭，变成事实不良；另一类是不具有主观还款意愿、浑水摸鱼的客户，这部分客户要么仍具备还款能力，但欲借疫情期间国家、金融机构推出的扶持政策，延迟还款甚或赖账，要么的确丧失了还款能力，趁机赖账。

二是新增贷款门槛相对提高。受疫情的影响，申请人收入下滑、消费下降、负债率上升、行为和过往表现呈现巨大的差异，导致以往能够符合条件的申请人申请贷款难以达到原有大数据风控的准入门槛。大数据风控让我们享受自动化、智能化。但是，当黑天鹅来临的时候，往往出现大数据风控失灵、大面积预警或大面积拒绝。那么，如何优化大数据风控呢？

首先，建立宏观层面的数据风控体系。现阶段的大数据风控以信贷主体为目标，采集信贷主体最新征信数据、历史信贷数据、资产数据、行为数据等，以历史信贷样本建立覆盖贷前、贷中和贷后全信贷生命周期的预测模型，实现对各个环节的风险控制，但缺乏对宏观层面的大数据风控手段。

第二，加强对模型变量使用的评估。行为变量在相对稳定的社会环境中可体现对风险的预测能力，但社会环境发生变化时，主体的行为会发生巨大改变，原有行为变量很可能带来相反的效果，导致对风险错误预警。因此，需进一步加强对行为变量的评估，建立行为变量的评价标准，选取不易受影响的行为变量，确保风控模型的持续有效。

第三，建立模型快速迭代部署机制。我们需要找到让模型更聪明、迭代更快的办法。一方面，可以采用智能建模技术，让模型自学习、自迭代；另一方面，加强模型监控，对模型及变量进一步加强监控，提高模型迭代标准；再一方面，提升数据时效性，要实现使用准实时的数据开展建模，让模型更贴近即时的风控环境。

第四，建立大数据风控应急机制。建立快速的应急机制，可以建立情景模拟模型体系，在模拟各类危机情景下，当类似的情景出现时可以快速的应对。

第五，建立一支高素质、经验丰富的风控队伍。当风暴来临，机器失灵时，人是最好的大数据风控应急补充手段。

   大数据风控作为新生事物，虽然仍有不足，但是经历疫情风雨之后，会越来越完善。财务公司作为非银行金融机构，随着公司业务的发展，买方信贷及产业链金融将面对更多外部信贷主体，通过信科开发，运用大数据风控，提高效率，也许将成为下一个信科开发的重点。