摘要:不良贷款是银行业务不可避免的衍生物,经济的波动使得世界各国都出现过大量的不良贷款。设立资产管理公司处置不良贷款是世界各国一项通行且行之有效的做法。本文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(LossMetrics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。应用实践表明,本研究的成果,不仅大大提高了资产管理公司的工作效率,而且也提高了不良贷款的回收率。
关键词:不良贷款;资产管理公司;不良资产数据库;数据挖掘模型;资产处置系统软件
中图分类号:F830.91.文献标识码:A
0.引言
银行不良资产是金融体系运行的必然产物。开启历史卷宗,历次金融危机的爆发无一不与银行不良资产相关。1997年爆发的亚洲金融危机给东亚各国带来了巨额的不良资产,而此次爆发于美国的国际金融危机,不仅肇始于不良的次级贷款,而且也给全球带来了巨额的不良资产。仅在美国2008年、2009年两年破产银行就高达160多家。据统计,在国际货币基金组织成员国中有60%以上的国家因不良资产问题导致了银行业危机,其中不仅有发展中国家,也有发达国家。金融业飞速发展的同时,由于资产质量恶化导致的银行危机的威胁从未像今天这样令人胆战心惊,反危机的代价和成本也从未像今天这样沉重和复杂。
伴随我国金融市场化的发展过程,我国银行体系在转轨过程中,也积累了大量的不良资产。20世纪70年代末期以来,我国国有商业银行为渐进式改革顺利推进和宏观经济增长提供高效率的金融支持;同时,基于制度的、历史的以及自身的诸多因素影响,也付出了高昂的成本-银行风险加速积累和积聚,集中表现为国有银行资产质量低下,盈利能力薄弱,巨额不良资产存量难以化解,增量难以遏制;其规模的不断扩大,不仅恶化了银行的财务基础,极大降低了银行资产的流动性,而且削弱了金融支持的效率,增大了银行体系的不稳定性和金融危机爆发的可能性,危害了国有银行的可持续发展。到1999年,我国国有银行不良资产率高达29.2%,被称为已经“技术破产”。当时,四大国有独资商业银行不良资产风险的防范与化解已成为目前困扰我国经济金融发展的最大难题之一。因此,我国政府借鉴国际经验,于1998年底成立四大资产管理公司(AMC)对口接收四大银行高达1万4千亿元的不良贷款。在随后的十多年时间内,四大资产管理公司又陆续通过政策划拨和商业收购接收了1万2千多亿元的不良贷款。即便如此,截至2009年底,我国商业银行系统仍然有近5千亿元的不良贷款。为应对2008年的国际金融危机,我国采取了宽松性货币政策,2009年信贷发放量达到了史无前例的9.58万亿元,很可能导致未来出现大量的不良贷款。因此不良贷款处置是一个长期的重要工作。
十多年来,我国四大资产管理公司在不良贷款的处置上取得了很大的成就,对挽回国有资产、维护金融体系稳定贡献良多。目前各家资产管理公司均有大量的尚未处置不良贷款存量,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效率,对整个金融业意义重大。
从20世纪80年代中期的兴起到如今的蓬勃发展,数据挖掘已经在科学界和企业界成为关注热点,数据挖掘技术广泛应用于在各个商业领域之中。在金融业中,利用数据挖掘技术可以帮助银行产品开发部门描述客户以往的需求趋势并预测未来;可以分析潜在的不良客户,及时采取措施减少资产损失等。探测金融政策与金融业行情之间相互影响的关联关系,发现隐藏在数据后面的不同财政金融指数之间的联系等。
金融事务需要搜集和处理大量纷繁复杂的数据,而且由于交易的频繁性、信息不对称,而且要从海量数据中挖掘信息、从看似无规则的各类信息中寻找其中的脉络,以辅助监管部门及投资部门进行有效监管及有效投资管理等,这样的需求使得数据挖掘技术在金融业得到空前的发展,这也是为什么在国际数据挖掘领域,金融数据挖掘(Data Mining in Finance)成为数据挖掘与金融风险管理两者的交叉领域得到特别重视的原因。
资产管理公司工作的本身,广义上说就是一种数据挖掘。事实上,银行将不良资产剥离或者出售给资产管理公司,是将债权以一定的价格转让给资产管理公司。这些债权的表现形式是一系列的电子的和纸质的文件,资产管理公司接收的实际上是一系列有法律效力的数字的和文本的数据。资产管理公司根据法律赋予的权力,资产管理公司的工作是从数据中挖掘有价值的信息,然后采用商业、行政、或者法律的手段,将有价值的信息转化成现金流。将先进的数据挖掘技术有意地引入到不良贷款处置业务之中,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。针对资产管理公司的业务,研究并应用数据挖掘技术可为资产管理公司业务能力的提升,防范资产管理风险,提升资产管理公司收益,起着核心关键作用。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。对分析不良资产的现状;研究影响不良资产价值的主要因素;总结不良资产处置的经验;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,起着核心的作用。
本文的工作,是希望资产管理公司应用数据挖掘技术处置不良贷款提供一个全过程的工作平台。我们从不良资产回收数据库建设开始,研究针对不同类型不良贷款的特性的数据挖掘模型,进而开发不良贷款处置的软件工具。
1.不良资产信息的数据库建设
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的重要一环,也是数据挖掘得以实现的重要基础。
借鉴金融资产从产生到不良到处置的业务逻辑,我们建设并维护着国内唯一的大规模跨行违约损失数据库
——Loss Metrics数据库。LossMetrics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,是一个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。Loss Metrics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:
27000个违约客户,涉及贷款合同10万笔;
贷款来自中国银行、工商银行、建设银行等;
全国33个省级地区,20个基础行业(按照国家统计局的划分标准),8类一级企业类型;
违约贷款时间跨度从1984~2006年;
处置时间跨度从1999年至今。
从数据库结构设计看,单个客户涵盖信息包括:
债务人信息(包含贷款发生时、不良划分时、处置尽调时三个时点的企业类型、所属行业、所在地区、经营现状等信息);
债项信息(贷款规模、贷款用途、贷款期限、贷款利率、担保方式);
抵质押信息(抵质押资产类型、价值、评估情况)
财务信息(资产负债表、利润表、现金流量表及各项财务分析指标表);
债权评估信息(债权整体评估及与债权相关的资产评估信息);
客户涉诉信息(诉讼、判决和执行情况);
债权处置清收信息(处置手段、处置周期、回收金额、处置费用)。
为更好地进行研究分析,LossMetrics加入了60万户工业企业涉及1996~2007年间的企业财务报表(资产负债表、利润表和现金流量表)信息,涵盖了国内公开资本市场的所有企业。配合信贷不良资产的数据信息,我们通过对这部分原始数据的清洗、挖掘分析,能全面的总结企业发生违约的财务特征、违约后的偿债能力及意愿等指标。
不良资产回收的研究是国际上研究的热点,但是数据获取异常困难。国际上一些大型机构,如穆迪、标准普尔都纷纷建立自己的数据库,而且美国、欧洲、日本的一些商业银行也在合作建立数据库。但是据我们与这些机构的交流所知,LossMetrics是目前国际上数据量最大的信贷不良资产数据库,其规模远远超过国际上相应数据库。 LossMetrics数据库的丰富数据,不仅极大地提高了数据挖掘的质量和可靠性,而且使得我们可以采用国际上难以采用的先进数据挖掘技术来提高不良贷款的处置效率。
2.业务驱动的不良资产信息挖掘
利用LossMetrics数据库的庞大数据资源,通过数据预处理后,我们对数据进行深度挖掘、并对结果进行解释和评估。以业务为驱动,我们分别从不良资产预警信息、不良资产处置方式、不良资产特征、回收率等几个方面获得了有价值的数据挖掘结果。
2.1.不良资产预警信息挖掘
基于财务信息,借助客户提供的财务报表,采用比率分析、比较分析、因素分析及多种分析方法,我们对违约企业的经营状况、财务特征进行分析,通过发现企业在经营管理活动中潜在的经营风险和财务风险,并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,避免潜在的风险演变成损失,起到预警作用。
借鉴国际上财务预警的研究结果和所运用的统计工具,我们对每股收益、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。(这些指标基本包含了企业在经营中产生利润的能力、负债情况、资金利用效率,与Edward Altman等人的研究所用的财务指标——资产负债率、资产回报率和流动资产比率及资产留存收益等,性质相近。)经过逐步筛选,我们得到显着性强的因子,以此为参数,建立财务预警模型,验证结果显示,模型的预测性和区分度都比较理想。
进一步考虑到财务指标的滞后性,我们又将宏观经济指标以及行业发展指标等方面数据加入进来,从财务特征综合衡量企业持续盈利能力,结果发现能够很好地预测未来趋势。
2.2.不良资产处置方式选择的信息挖掘
目前国内外相关文献中,鉴于商业银行和AMC不良贷款或已处置结束不良贷款可得数据样本量的限制,已有的针对不良资产处置方式研究都主要是对资产处置的宏观笼统性分析研究,以及对比各国处置经验提出对我国不良资产处置的政策建议等,鲜见针对不良资产采用不同处置方式的回收率差异比较研究,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,我们分析不良资产处置方式及其影响因素,提供新的创新性思考方向,结合担保方式探索不同处置方式下的回收率差异,期望给银行及AMC处置不良资产提供最直接的决策支持与依据,有效提高回收效率。
2.2.1.资产处置过程中不同处置方式的选择
资产管理公司对不良贷款的处置方式主要为两大类:单户处置和打包处置。所谓单户处置,是指对违约企业(债务人)的所有违约债项进行专项专户的清收。在许多情况下,出于减小处置成本、加快处置进度等方面的考虑,资产管理公司会将满足一定条件的若干企业的不良债权打包,作为一个整体出售给受让方,即所谓的打包处置。
对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,这是其他处置方式无法比拟的。
以上结论对银行以及AMC处置不良贷款具有借鉴意义,在实际工作中,根据资产质量和债务企业特性,有选择性地区分不同性质资产的处置先后顺序及针对不同资产采取适宜处置方式,可以科学地提高不良资产回收效益。
2.2.2.处置方式对回收率的影响
在对这一部分分析时,我们的研究思路为:首先建立回收率关于单一处置方式的单因素模型;再分别建立仅含资产特征因素为自变量的模型A,仅含处置方式为自变量的模型B,及含资产特征因素与处置方式的模型C,因变量均为不良贷款回收率,从模型的解释能力来比较研究处置方式对回收率的重要影响。