标普全球市场财智高级副总裁 黄健 在国际金融论坛(IFF)第17届全球年会金融科技峰会上的发言。

 

 

今天主要想分享金融科技在信用建模上的一些应用。

首先谈一谈信用建模中传统的数据和另类数据应用，及相关建模的探索。传统的模型在全球已经广泛应用了，而且模型为业界所熟知，就是量化模型。传统的数据存在数据碎片化、更新频率低的问题，而且由于其滞后性，所以传统模型拿来做信用预测的质量就对比较低。

 

今年流行的另类数据、大数据，给大家带来更高的覆盖率和更高的时效性，提高了相关模型的预测能力，也实现了更高的时效性。另类数据以大数据方式实现，需要相应的科技手段来进行截取和清洗，而且需要新的模型。同时，由于近年来一系列违规事件的爆发，引发了社会和监管对于数据、新数据、新型数据隐私的关注，所以在合规方面也需要有所加强。相应的另类数据和大数据模型，需要进一步得到监管的认可，并提高它的透明度。最后信用模型的开发，是由新数据的模型发展出来的。今年疫情期间，这些模型经受住了考验，对于将来更好的应对经济下行，也可能会有很大的帮助。

 

下面举一个例子，如典型的情绪分析算法，这个算法在主要包括两个模型：

第一，卷积神经模型。它是学习了输入序列和局部模式，但没有所谓的记忆，每个输入都是独立的，输入与输入之间没有联系。它有什么好处？它加快了计算，使用大数据然后生成一个信息。第二，长短记忆的网络。它属于循环神经网络，它的区别是它有记忆，它能够记忆处理过的数据。

 

两个模型有效结合，处理复杂的信息，像有语境、语义的中文文本。它对文本进行分类和给出所谓情绪评分，包括正面、中立还是负面。应用场景再把情绪和信用建模连接起来，尝试把基于财务健康的评分与公司的违约率连接起来，来看数据评分对公司的违约率有没有一个预测的作用。

 

研究样本使用中国新三板上市指数，情绪指数来自上市公司的公告。右图显示违约公司从违约前24个月到前一个月的平均的熟悉指数的趋势，趋势是逐步下降的，在大概12个月前已经接近负值，那就代表了它是负面的情绪指数。绿色的是代表同一样本中没有违约的企业情绪指数，大家可以看到绿线是比较平缓而且一直维持在0以上，它是正面的情绪。

 

下面给大家讲一个例子，在信用建模中怎么样引入气候变化的风险。其实毋庸置疑气候变化相关的风险已经成为一种新型的金融风险。按照国际标准与气候相关的风险主要分为两个：实体风险、过度风险。

 

实体风险以气候变化和实体相应相关，包括水源、水质变化以及食品安全和温度变化，这些因素对运营、供应链、运输的需求和员工安全的影响，还可能包括自然危害而造成的风险，比如洪水或者暴风雨引起的土地使用规则的变化。

 

所谓的过度风险是指由于向低碳经济过度的时候，对企业造成的一个风险或者说对它财务状态造成的风险。他们可能需要进行广泛的政策、法律、技术市场的变革而解决气候变化的缓解相关的需求。

 

这里再详细讲解一下关于过度风险，怎么样去进行精准的建模？本研究分为两个模型：

 

第一，基本面驱动。这个方法主要是基于其中相关过度场景进行的经营建模。本研究提出从现在碳含量到低碳的长达10年、20年、25年过度的场景，对公司的财务进行预测，通过量化或者打分的模型来对评估。该方法对上游石油或者天然气的企业比较适用。

 

第二，市场违约模型即市场驱动模型。上市公司主要是通过使用公司层面碳排放数据，这就不仅仅限于石油和天然气企业，所有公司都有碳排放的数据，能够捕捉到这些碳排放减低对于公司盈利模式的影响。它除了能够算出相应的风险和机遇，也能够用这个模型来进行压力的测试。

 

总而言之，研究目的就是要把实际的技术应用实际的场景，能够通过对于气候过度风险的量化，在气候模型中进行建模，从而计算出企业在这个气候过度的风险中它的风险在哪里、机遇在哪里？怎样更好的调度它的资源来满足既向低碳过度，又对公司盈利造成最小的影响的要求。