“资产质量DEBUG”非银资产分类筛查与预测模型团队申报材料
一、模型背景
近年来，受非银机构资产分类标准模糊、宏观经济波动、地产市场震荡、信用风险上升等因素影响，非银机构资产质量底数不清、隐性不良问题逐渐暴露，部分机构通过展期、借新还旧等“时间换空间”手段掩盖资产质量。监管部门大力打击上述资产分类不实、掩盖风险的行为，但日常监管中也面临如下挑战：一是监管覆盖面不全。日常监管难以遍历机构所有资产；二是监管存在滞后性。部分资产质量问题在发现时已积重难返，难以扭转风险态势；三是分类判断不精确。部分脆弱资产无法直接划为不良，现有分类手段难以做到风险全覆盖。
为此，本团队以“分类筛查+机器学习”为主要思路，以EAST、PYTHON、1104等为基础工具，首次构建了非银机构“四大类十一项”资产分类筛查与预测模型组，为现场检查和非现场监管工作提供重要补充。本模型组通过多维EAST数据表账结合筛查资产分类不实情况，以PYTHON建立机器学习模型，充分挖掘识别正常类资产是否存在不良迹象，并生成“准不良资产”可疑清单，实现对非银资产分类全面筛查与前端预测。
二、模型具体情况
（一）投资资产分类模型组
1.保险公司资产分类筛查模型组。针对保险资金运用源数据较少、投资台账缺失等“表数据”问题，依据保险资产五级分类征求意见稿，创新使用“明细账”锁定资产分类不实问题，通过对公账户流水筛查投资项目资金进出情况，识别未结清项目长时间未付本息的情形。最终发现珠江人寿投资的4个投资项目长期逾期、但资产分类未下调的情况
2.信托公司资产分类筛查模型组。针对信托项目分类不准、疑似互相接盘情况，构建“显性筛选+隐性筛查”双模型相互筛选补充。首先，按照传统思路建模分析常规本息逾期情况，将逾期天数字段与监管要求进行匹配，筛选存在分类不准确嫌疑的信托项目。同时，构建模型聚合交易流水、项目托管等信息，将信托公司新旧资产项目公司名进行连接，进一步发掘以新还旧、疑似互相接盘的可疑项目清单，丰富风险识别维度。
3.金融资产管理公司（AMC）资产分类筛查模型组。针对AMC类信贷业务不良居多、风险分类覆盖不全等潜在疑点，以“实质重于形式”原则筛查风险分类疑点线索，将EAST报表数据与同期监管报表数据相匹配，通过逾期情况对风险分类不准确的情况进行快速摸底。同时，筛查展期多次且逾期、调整还款方式等疑点数据，获得AMC隐匿不良资产的风险情况。
（二）信贷资产分类模型组
1.财务公司资产分类筛查模型组。针对财务公司经常作为母公司集团“实质财务部”而忽略日常合规风险的情况，构建模型对财务公司EAST数据进行梳理，抓取关键字段和相关流水，匹配机构逾期还款等场景获得风险分类不准确的情况，并进一步筛查不同类型贷款在相近时间内互相偿还、但风险分类为正常的情况。最终发现交通财务公司存在1户隐匿资产真实分类的情况。
2.金融租赁公司资产分类筛查模型组。针对金租公司类信贷业务居多，处置租赁物能力存疑等问题，构建模型依据逾期情况、本息归还情况等实质形成不良的特点筛查分类不准确的情形，利用EAST报表筛查出多次调整和重组而未划分为不良的疑点数据，最终发现2家金融租赁公司存在14户资产分类不实的情况。
（三）消费与汽车金融资产分类模型组
构建模型以逾期天数为关键指标开展摸查，对消费金融公司五级风险分类情况进行精准分析，并以机器学习模型辅助预测资产状况，以风险为导向增加风险分类精准度。同时，构建模型筛查汽车金融公司资产逾期情况符合下调条件、但公司通过虚假贷款风险分类掩盖贷款风险和延缓风险暴露的情况。
（四）资产分类机器学习预测模型
资产分类为不良是资产质量恶化的结果，而预测资产质量恶化可以让监管部门做到风险“早识别、早预警、早发现、早处置”。基于此，本团队创新构建以EAST数据为基础、基于PYTHON的资产分类机器学习预测模型。结合辖区实际情况，以消费金融公司为例，使用中邮消费数据训练该预测模型，将预测贷款是否存在风险转化为机器学习分类问题，输入近15万条贷款数据进行训练，以6万条数据作为测试数据集，编写源代码进行数据清洗与整合，包括选取“贷款利率”“手续费率”等19个字段作为影响五级分类的特征字段、以二进制表示法对每一笔借据分类添加标签，将取值连续的字段离散化等，最终以模型判断正常资产是否存在不良迹象。经测试，本模型预测准确率约80%
三、应用情况
本模型组力求构建基于EAST的“事先-事中-事后-未来”全流程科技监管体系：事先风险预警，提前筛查潜在风险，及时聚焦风险苗头：事中数据驱动，通过数据推演驱动监管决策；事后巩固成效，及时发现风险资产隐患，有效提升监管效率：未来持续优化，在实践中不断自我迭代优化。近年来，我们的模型集群持续在多家保险和非银法人及分支机构检查中开展运用，先后发现部分机构资产质量问题，查实资产分类不实、隐瞒不良资产等问题，协助发现保险资金被大股东占用、资金用于禁止性领域等违规问题，涉及违规金额数十亿元，充分发挥现场检查“长牙带刺”作用。