|
不良资产估值是业内公认难点，大公研发了多种不良资产估值定价技术。大公不良资产估值定价模型目标定位于单户资产价值估值技术，可以批量估算资产包价值、预测可回收价值，准确率高，具有较好的应用前景。
不良资产估值定价的难点 业界公认不良资产定价十分困难。原因在于：一是不良债权评估往往得不到债务人的配合，不通过非常规手段无法全面查清债务人的营运状况和资产。如果是“三无”企业、注吊销企业和特殊行业或部门，评估就更加困难；二是没有成熟的外部市场，信息高度垄断，市场不能发现不良债权交易价格；三是由于开展不良资产处置业务的数量和时间有限，缺乏相关数据可资借鉴，更未建立起相关的定价模型。因此在划转定价的协调上，往往只能参照简单的五级分类标准和基本的尽调判断。而事实是，如果考虑处置过程中的政策、法律、市场等诸多关联因素，即使是同一类贷款，花费同样的成本，其最终的处置效果也会产生较大差异。 不良资产估值定价的主要技术 纵观各专业机构和研究人员的研究成果，不良资产定价的量化研究方法主要有以下三种：一是历史数据平均法，包含违约加权法，时间加权法、货币加权法等，主要是根据实际的违约历史数据进行加权平均；二是数据回归分析法，其典型代表是穆迪的LossCalc模型，即根据违约资产的回收率历史数据和理论因子模型，应用统计回归分析和模拟方法建立预测模型；三是市场数据隐含分析法，即由正常贷款和债券的升水幅度中隐含的风险信息分析而得。 由于多种原因，公司收购的不良债权在不同企业以及不同地区之间的质量差异非常大，影响其回收价值的因素很多，影响方式也很复杂。如何测算不良债权的回收价值，国内外一直也没有成熟的经验可以借鉴和推广。大公根据自身多年金融资产评估和资产证券化的实践和研究积累，结合我国金融资产管理公司处置金融不良资产的实践，发展了多种不良资产估值定价技术，包括基于主成分的多元回归分析、支持向量机理论、人工神经网络模型等。大公在这几种模型的基础上，跟踪国内外最新研究，不断创新、融合。 1、基于主成分的多元回归分析方法 主成分分析是考察多个变量间相关性的一种多元统计分析方法，它是研究如何通过少数几个主成分(即原始数据的线性组合)来解释多变量的方差—协方差结构。也就是导出几个主成分，使其尽量多地保留原始变量的信息，且彼此线性无关。主成分分析是利用降维的思想，通过对原始指标相关矩阵内部结构关系的研究，设法将原来的多个指标重新组合成少数几个新的线性无关的综合指标来代替原始指标，同时根据实际需要从中取较少的几个综合指标尽可能多的反应原始指标的信息。 2、支持向量机方法 支持向量机是建立在统计学习的VC维理论和结构风险最小化原理的基础上，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力（即无错误地识别任意样本的能力）之间寻找最佳折衷，以期获得最好的推广能力，最初是由AT&TBell实验室的Vapnik针对解决模式识别问题提出的一类新型机器学习算法。 支持向量机的提出是因为在学习过程中样本数据分类的需要。假设一些给定的样本数据分为两种不同类的样本集，目标是判定一个新的数据是属于哪个样本集。在支持向量机的方法中，一个数据样本被视为一个p维的向量，并且我们希望可以用一个p-1维的超平面分离这些数据。这称之为线性归类。有很多超平面可以分离这些数据，但我们更感兴趣能否找到一个最优的超平面使得两个样本集的距离最大。也就是说，我们选定的超平面与最近的样本数据的距离是最大的。 3、人工神经网络 人工神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。 人工神经网络模型主要考虑网络连接的拓扑结构、神经元的特征、学习规则等。目前，已有近40种神经网络模型，其中有反传网络、感知器、自组织映射、Hopfield网络、波耳兹曼机、适应谐振理论等。 大公不良资产估值定价模型 大公设计的不良资产定价技术方案采用的主要思路如下：以已处置终结的历史数据和相关外部宏观区域数据为基础，在对数据信息进行标准化处理的基础上进行数据挖掘，提取不良资产定价影响因子；分析影响因子的相关性、变动趋势及对不良资产实现价值的影响程度，进而建立不良资产定价模型；通过获取回收率分布状态，以区间和概率的形式反映不良资产价值。 1、整体技术分析框架 在技术层面上，目前大公已有不良资产定价方面的相关经验，但鉴于不良资产数据的“海量”及其受到名目繁多而又错综复杂的内外因素影响的特点，并结合现阶段社会对动态反映不良资产价值的需求，大公采用以下的技术路线。 首先，对影响不良资产定价的因素进行细致、深入、全面的分析和研究，识别并确定不良资产数据的特征，通过一些诸如相关性分析、回归分析、异常值处理和数据标准化等技术处理后形成大公建立模型并进行检验和预测的数据库。 其次，在大公构建的这些数据库基础上结合数据的特征分析建立能满足不良资产定价模型包。在已有的不良资产定价经验和对不良资产数据深入分析基础上，大公经过多年的研究和测试，有针对性地以“基于主成分分析的多元回归”和“支持向量机”这两种方法为主进行研究和设计，同时也关注一些其他模型方法的使用，例如神经网路模型、非参数模型等，根据模型检验的有效性、可解释性、稳定性、敏感性、参数获取的真实性和可预测性等原则来综合评价模型的取舍，最终采用国内外先进的资产定价理念建立了基于非参数回归方法的不良资产估值定价模型。 2、指标选取及其说明 由于不良资产定价的难点所在和数据标准的影响，大公根据自身在不良资产定价方面的研究经验提出以下核心数据指标，指标划分为定性指标和定量指标，指标的具体衡量方式如图1所示。 3、不良资产定价模型分析思路 根据大公设计的技术路线，和对存量数据的基础分析研究基础上，提供以下建模分析思路。 建模分析步骤如下： （1）选取不良资产定价的因素（或指标）并分成三部分，从宏观、中观和企业三个维度选取和定价相关的因素或指标。 （2）利用相关性分析，回归分析等技术筛选相关因素（或指标），并形成了相应的不良资产企业数据库。 （3）对数据库信息进行量化、异常值和标准化处理，形成数值型的数据库。 （4）根据已处置终结数据库和未处置数据库，及相关宏观、中观数据构成建模数据库，部分宏观数据库和未处置数据库构成预测数据库。 （5）利用聚类分析、特征分析、回归分析、支持向量分类机等技术和工具对建模数据库进行进一步分类，以形成一些特征训练样本数据库和特征检验样本数据库。 （6）选定一个特征训练样本数据库和对应的特征检验样本数据库。 （7）选定设计的预测模型，通过该特征训练样本数据库和特征检验样本数据库来确定和检验所选的模型。 （8）模型效果评价： a.如果评价效果不好，有可能是模型选择得不好，从新选择模型，流程返回到步骤（7）。 b.效果不好，也有可能是之前我们忽略了一些重要因素（或指标），流程返回到（1），重新对影响因素进行分析。 c.如果评价效果符合预期，则我们已经找到了合适预测模型，流程到此结束。 根据科学的建模方法和以上分析思路，大公从设计和研发的多个不良资产定价模型进行压力测试，最终形成自主研发基于大数据的估值定价模型。 应用及前景 据目前为止，大公研发的不良资产估值定价模型在业内备受好评，主要应用于不良资产的收购和处置两大场景。模型定位于单户债权不良资产价值估值技术，并可以批量估算资产包价值、预测可回收价值等，在此基础上考虑成本和利润，推算收购和处置价值，从而用于资产收购和处置业务。 实验表明，大公不良资产估值定价模型有相对较好的精度，基本上能满足当前不良资产业务需求。模型的稳定性能较好，这一点在交叉试验中得到了证明。针对当前已经处置完毕的样本进行实验表明模型的推广能力较强，但由于模型的基本原理是采用历史的样本数据来表达未来的预测样本数据，若这两个样本集合缺乏表达性关联，即样本分布规律差异较大，则估值结果就会变差，这也是所有量化模型的缺点，大公相关技术研发团队已经着手研究和解决此问题，力争研发更完美的定价模型。 |
|
|
