不良資產行業乾貨之二十五：三大常用的不靈資產估值定價模型

導讀

資產估值是不良資產證券化的核心，今天大公信軟資深金融分析經理--陳大牛（化名），來為眾位解讀不良資產估值的核心架構和大公不良資產估值定價模型的技術思路。

不良資產定價主要運用三種方法：一是歷史數據平均法；二是數據回歸分析法；三是市場數據隱含分析法。

特別提示：本文僅為學習推薦使用，相關產品與本平台沒有任何關係。

小編：我了解到，不良資產估值是業內公認的難點，是這樣嗎？那麼它難在何處呢？

陳大牛：是的，你說的沒錯。原因在於：一是不良債權評估往往得不到債務人的配合，不通過非常規手段無法全面查清債務人的營運狀況和資產。如果是「三無」企業、注吊銷企業和特殊行業或部門，評估就更加困難；二是沒有成熟的外部市場，信息高度壟斷，市場不能發現不良債權交易價格；三是由於開展不良資產處置業務的數量和時間有限，缺乏相關數據可資借鑒，更未建立起相關的定價模型。因此在劃轉定價的協調上，往往只能參照簡單的五級分類標準和基本的盡調判斷。而事實是，如果考慮處置過程中的政策、法律、市場等諸多關聯因素，即使是同一類貸款，花費同樣的成本，其最終的處置效果也會產生較大差異。

小編：聽起來不良資產的估值的難題是溝通配合受阻，市場現狀不佳，和資源匱乏等多方面因素共同造成的。那麼，在不良資產證券化重新回歸金融人視野的背景下，是否存在較為成熟的量化研究方法，能解決您提到的估值難的問題呢？

陳大牛：縱觀各專業機構和研究人員的研究成果，不良資產定價主要運用三種方法。一是歷史數據平均法，包含違約加權法，時間加權法、貨幣加權法等，主要是根據實際的違約歷史數據進行加權平均；二是數據回歸分析法，其典型代表是穆迪的LossCalc模型，即根據違約資產的回收率歷史數據和理論因子模型，應用統計回歸分析和模擬方法建立預測模型；三是市場數據隱含分析法，即由正常貸款和債券的升水幅度中隱含的風險信息分析而得。

小編：既然已有成熟的技術，那麼定價難的問題為何仍然存在呢？

陳大牛：由於多種原因，公司收購的不良債權在不同企業以及不同地區之間的質量差異非常大，影響其回收價值的因素很多，影響方式也很複雜。如何測算不良債權的回收價值，國內外一直也沒有成熟的經驗可以借鑒和推廣。這就是為什麼信軟一直堅持自主研發不良資產估值定價技術。

小編：可否為我們介紹一下大公在不良資產定價方面的研究成果有哪些？

陳大牛：成形的模型有基於主成分的多元回歸分析、支持向量機理論、人工神經網路模型等等。大公在這幾種模型的基礎上，跟蹤國內外最新研究，不斷創新、融合。

調 研

1、基於主成分的多元回歸分析方法

主成分分析是考察多個變數間相關性的一種多元統計分析方法，它是研究如何通過少數幾個主成分(即原始數據的線性組合)來解釋多變數的方差—協方差結構。也就是導出幾個主成分，使其盡量多地保留原始變數的信息，且彼此線性無關。主成分分析是利用降維的思想，通過對原始指標相關矩陣內部結構關係的研究，設法將原來的多個指標重新組合成少數幾個新的線性無關的綜合指標來代替原始指標，同時根據實際需要從中取較少的幾個綜合指標儘可能多的反應原始指標的信息。

2、支持向量機方法

支持向量機是建立在統計學習的VC維理論和結構風險最小化原理的基礎上，根據有限的樣本信息在模型的複雜性(即對特定訓練樣本的學習精度)和學習能力（即無錯誤地識別任意樣本的能力）之間尋找最佳折衷，以期獲得最好的推廣能力，最初是由AT&TBell實驗室的Vapnik針對解決模式識別問題提出的一類新型機器學習演算法。

支持向量機的提出是因為在學習過程中樣本數據分類的需要。假設一些給定的樣本數據分為兩種不同類的樣本集，目標是判定一個新的數據是屬於哪個樣本集。在支持向量機的方法中，一個數據樣本被視為一個p維的向量，並且我們希望可以用一個p-1維的超平面分離這些數據。這稱之為線性歸類。有很多超平面可以分離這些數據，但我們更感興趣能否找到一個最優的超平面使得兩個樣本集的距離最大。也就是說，我們選定的超平面與最近的樣本數據的距離是最大的。

3、人工神經網路

人工神經網路是一種模仿動物神經網路行為特徵，進行分散式並行信息處理的演算法數學模型。這種網路依靠系統的複雜程度，通過調整內部大量節點之間相互連接的關係，從而達到處理信息的目的。人工神經網路具有自學習和自適應的能力，可以通過預先提供的一批相互對應的輸入－輸出數據，分析掌握兩者之間潛在的規律，最終根據這些規律，用新的輸入數據來推算輸出結果，這種學習分析的過程被稱為「訓練」。

人工神經網路模型主要考慮網路連接的拓撲結構、神經元的特徵、學習規則等。目前，已有近40種神經網路模型，其中有反傳網路、感知器、自組織映射、Hopfield網路、波耳茲曼機、適應諧振理論等。

小編：但我仍有一事不解，如此多的模型種類，他們之間有沒有內在聯繫？或者說，大公在設計不良資產定價模型時有沒有貫穿的思路和中心思想？

陳大牛：大公有一套成熟的建模分析步驟，模型都按照這個流程進行實驗。根據科學的建模方法和分析思路，大公從設計和研發的多個不良資產定價模型進行壓力測試，最終形成自主研發基於大數據的估值定價模型。

歸 納

建模分析流程圖如下：

小編：那麼我們不良資產定價的應用場景是什麼？服務對象又是誰呢？

陳大牛：大公研發的不良資產估值定價模型主要應用於不良資產的收購和處置兩大場景。模型定位於單戶債權不良資產價值估值技術，並可以批量估算資產包價值、預測可回收價值等，在此基礎上考慮成本和利潤，推算收購和處置價值，從而用於資產收購和處置業務。

小編：據我所知，從市場反饋來看，該不良資產估值定價模型在業內備受好評，您認為我們模型的優勢是什麼？

陳大牛：實驗表明，大公不良資產估值定價模型有相對較好的精度，基本上能滿足當前不良資產業務需求。模型的穩定性能較好，這一點在交叉試驗中得到了證明。

小編：聽起來很振奮人心！ABS在未來的幾年內必將是熱點，是趨勢，想必信軟也不會滿足於現有的成果，您下一步的計劃是什麼？

陳大牛：針對當前已經處置完畢的樣本進行實驗表明模型的推廣能力較強，但由於模型的基本原理是採用歷史的樣本數據來表達未來的預測樣本數據，若這兩個樣本集合缺乏表達性關聯，即樣本分布規律差異較大，則估值結果就會變差，這也是所有量化模型的缺點，相關技術研發團隊已經著手研究和解決此問題，力爭研發更完美的定價模型。

來源：大公信軟