发布日期:
央行版“信用评分”能否成为中小银行“助贷”利器
在个人征信报告上线10余年后，央行第二代征信姗姗来迟。
据了解，央行已经从去年10月开始，在10余家银行、消费金融和券商等机构试运行二代征信。央行最早将于5月组织银行开展二代征信查询切换。两代征信将并行一段时间后，二代征信将开展上传报数切换。最终，择机停止一代征信的查询和报送。
在央行即将上线的二代征信报告中，将新增“个人信用报告数字解读”，推出针对个人的“信用评分”，并给出该评分所处的“相对位置”。
央行推出信用评分机制
央行虽未给出“信用评分”数据模型，但在二代征信报告中，会给出该信用分的“相对位置”。
“相对位置”，即取值为0到90之间的整数。当取值为N时，说明信用评分相对位置大于N%。当无法评分时，该数据项返回“-1”，会说明用于数字解读的分数影响因素或无法评分时的原因。
业内人士认为，该评分或与美国各征信局采用的FICO评分相似的思路，针对个人信用状况打出一个信用分。
美国三大信用管理局都使用FICO评分方法。FICO评分的实质是应用数学模型对个人信用报告信息进行量化分析，但FICO信用评分的计算方法也从未向外界公布。各部分因素大致权重为：以往支付历史占35%；信贷欠款数额占30%；立信时间长短占15%；新开信用账户占10%；信用组合类型占10%。FICO评分的理论分值在300-900分之间，评分越低，表明信用风险越大。
在国内，基于评分模型评估信用风险已成为银行的主要风控策略，各大银行引入评分卡的风控理念，主要应用于信用卡发卡、信用贷款发放、小微企业融资等。
例如，中国银行在2018年财报中称，对个人客户采用标准的信贷审批程序评估个人贷款的信用风险，采用基于历史违约率的评分卡模型计量信用卡的信用风险。
建行则将评分模型应用在小微企业融资上。该行在财报中表示，研发新版小微贷款评分模型，优化境内金融机构评级模型、地方政府评级模型和风险限额模型等。
解决中小银行风控难题
从监管的角度，央行推出自己的信用评分，也有拉平大型银行和中小银行在市场竞争中的先天差距，弥补中小银行在金融科技大潮中的投入力度过度的难题。
信用评分应用广泛。一位华南大行人士表示，该行当前在金融科技领域的需求之一，是通过大数据给出较全面的客户信用评分、个人资信和消费需求，通过信用、资信、消费需求数据实现信用卡和分期业务的自动审批，给出相对合理的信用额度，实现秒批秒贷。
另一大行人士认为，若央行推出个人信用评分，中小银行可以参考该分数作为评判客户的标准。中小银行缺乏足够的数据建立风控模型，通常向大数据征信公司购买客户评分或数据模型。
中小银行的这一困境，也是当前“助贷”业务得以发展的原因之一。多家上市互联网金融公司2018年财报显示，来自持牌金融机构的资金规模迅速增长，助贷模式成为其收入的主要来源之一。
大数金融首席风控官漆瑾声认为，央行信用评分是一个针对全体有征信人群的通用型评分，覆盖样本量大，样本时间跨度长，具有无可争议的权威性。但央行征信评分不会取代各家机构自己的信用评分。
漆瑾声认为，原因在于，各家银行机构有自己独特的客群。作为一个覆盖所有征信人群的评分要兼顾全体，在局部客群上不可避免会失去一些聚焦性或针对性。央行征信评分的开发样本主要来自于银行的传统优质客群，对于风险相对下沉的人群模型效果会偏弱一些。这部分客群非银行传统客群，是目前市场上“助贷”机构的主要放贷对象。此外，对于一些特殊客群，比如小微企业客户，模型也会比定制化模型效果要差，这是模型样本偏差性造成的。
“央行的征信评分，主要目的是为了健全全社会的征信体系，不是专门针对各类不同贷款产品的具体业务目的而开发，商业目的要淡一些。”漆瑾声表示，具体到各个细分客群、细分产品的信贷业务，各家银行和金融科技公司的定制化评分更有针对性，仍然有其不可替代性。
辛继召
据了解，央行已经从去年10月开始，在10余家银行、消费金融和券商等机构试运行二代征信。央行最早将于5月组织银行开展二代征信查询切换。两代征信将并行一段时间后，二代征信将开展上传报数切换。最终，择机停止一代征信的查询和报送。
在央行即将上线的二代征信报告中，将新增“个人信用报告数字解读”，推出针对个人的“信用评分”，并给出该评分所处的“相对位置”。
央行推出信用评分机制
央行虽未给出“信用评分”数据模型，但在二代征信报告中，会给出该信用分的“相对位置”。
“相对位置”，即取值为0到90之间的整数。当取值为N时，说明信用评分相对位置大于N%。当无法评分时，该数据项返回“-1”，会说明用于数字解读的分数影响因素或无法评分时的原因。
业内人士认为，该评分或与美国各征信局采用的FICO评分相似的思路，针对个人信用状况打出一个信用分。
美国三大信用管理局都使用FICO评分方法。FICO评分的实质是应用数学模型对个人信用报告信息进行量化分析，但FICO信用评分的计算方法也从未向外界公布。各部分因素大致权重为：以往支付历史占35%；信贷欠款数额占30%；立信时间长短占15%；新开信用账户占10%；信用组合类型占10%。FICO评分的理论分值在300-900分之间，评分越低，表明信用风险越大。
在国内，基于评分模型评估信用风险已成为银行的主要风控策略，各大银行引入评分卡的风控理念，主要应用于信用卡发卡、信用贷款发放、小微企业融资等。
例如，中国银行在2018年财报中称，对个人客户采用标准的信贷审批程序评估个人贷款的信用风险，采用基于历史违约率的评分卡模型计量信用卡的信用风险。
建行则将评分模型应用在小微企业融资上。该行在财报中表示，研发新版小微贷款评分模型，优化境内金融机构评级模型、地方政府评级模型和风险限额模型等。
解决中小银行风控难题
从监管的角度，央行推出自己的信用评分，也有拉平大型银行和中小银行在市场竞争中的先天差距，弥补中小银行在金融科技大潮中的投入力度过度的难题。
信用评分应用广泛。一位华南大行人士表示，该行当前在金融科技领域的需求之一，是通过大数据给出较全面的客户信用评分、个人资信和消费需求，通过信用、资信、消费需求数据实现信用卡和分期业务的自动审批，给出相对合理的信用额度，实现秒批秒贷。
另一大行人士认为，若央行推出个人信用评分，中小银行可以参考该分数作为评判客户的标准。中小银行缺乏足够的数据建立风控模型，通常向大数据征信公司购买客户评分或数据模型。
中小银行的这一困境，也是当前“助贷”业务得以发展的原因之一。多家上市互联网金融公司2018年财报显示，来自持牌金融机构的资金规模迅速增长，助贷模式成为其收入的主要来源之一。
大数金融首席风控官漆瑾声认为，央行信用评分是一个针对全体有征信人群的通用型评分，覆盖样本量大，样本时间跨度长，具有无可争议的权威性。但央行征信评分不会取代各家机构自己的信用评分。
漆瑾声认为，原因在于，各家银行机构有自己独特的客群。作为一个覆盖所有征信人群的评分要兼顾全体，在局部客群上不可避免会失去一些聚焦性或针对性。央行征信评分的开发样本主要来自于银行的传统优质客群，对于风险相对下沉的人群模型效果会偏弱一些。这部分客群非银行传统客群，是目前市场上“助贷”机构的主要放贷对象。此外，对于一些特殊客群，比如小微企业客户，模型也会比定制化模型效果要差，这是模型样本偏差性造成的。
“央行的征信评分，主要目的是为了健全全社会的征信体系，不是专门针对各类不同贷款产品的具体业务目的而开发，商业目的要淡一些。”漆瑾声表示，具体到各个细分客群、细分产品的信贷业务，各家银行和金融科技公司的定制化评分更有针对性，仍然有其不可替代性。
辛继召