罗杰：资产定价环节最核心的是定价模型

基金经理老鼠仓，说好保本变巨亏，买基金被坑请到【基金曝光台】！信用卡无故遭盗刷，银行存款变保险，理财被骗请猛戳【金融曝光台】！

　　罗杰：资产定价环节最核心的是定价模型

　　新浪财经

　　新浪财经讯 “2017中国资产证券化行业年会”4月8日至9日在北京召开。数信互融CEO罗杰在年会上表示，资产定价环节最核心的是资产定价模型。

　　以下为嘉宾发言实录：

　　罗杰：谢谢主持人、谢谢各位嘉宾。我们的业务是针对ABS市场的细分领域，解决细分领域关键性的技术问题，主要应用于消费金融细分领域，解决消费资产风险定价和资产定价问题，建信用评级模型，对每个借款人的违约率进行测算。

　　首先了解一下市场。我们的业务是针对个人级消费资产，第一类似宜信消费分析，底层资产一般是授信人群36期、48期等额本息，第二类资产是消费金融，特点是较适合等额本息付款，比如教育培训12期，手机6期、12期，其余还有车辆的分期。第三抵押车贷，为基本动态资产池。第四个人现金贷，七到三十天500—2000元、2000到5000元小额贷款。除了资产端，在服务资金端有第一类保险、第二类金融租赁公司、第三类银行、第四类通过证券化方式由信托公司作为原始权益人证券化，获取资金、回笼资金。

　　我对市场理解主要有两个方面深刻的感受，第一个方面是资产本身，大额资产比如国企债发行5个亿，风险就是0和1；小额资产包含极度的风险，导致资产变化线性，违约风险相对较高。可以理解国家经济指数资产，因为借款人类型分散，与传统金融行业相比呈绝对线性变化，不同于传统企业借款，近年大国企违约频繁，这是一个特点。

　　第二个方面是去年参加美国资产证券化年会发现的。因为美国交易结构、法律关系、二级市场非常完善，其证券化机构最担心底层资产质量。在美国金融服务非常发达，可能70%、80%人都能够享受金融机构服务。央行只有1.437亿人有信用卡，至少四分之二或者三分之一人享受不到信用卡服务，中国传统市场给互联网金融机构留下非常大的发展空间太大，像宜信资产规模突破1000亿。互联网金融机构的城市信贷业务，其产品大纲第一条为公务员借贷，而传统市场却无法覆盖。比如三千、四千分期贷款，三四线城市公务员一个月工资两三千，买手机就需要分期，传统银行不可能服务这类机构。最后一类700—2000元借两三个月，三四线城市餐馆服务员到月中钱不够用，就承受月息接近100、200年化利率。对我们行业来讲，最大的机遇在于当前的市场环境，非常类似2000年后电商大爆发的市场环境。中国传统商业百货太弱，有四分之三的人没有被传统金融机构服务，给互联网金融机构留的空间很大，才有阿里、京东电商大爆发。

　　个人小微资产，除了位于金字塔最顶端的信用卡可由银行负责外，其他资产只能由资金参与方介入。让传统金融机构参与到业务中，甚至通过资产证券化把资产标准化，在有二级市场后，通过模型做风险定价和资产定价，我们会对资产包违约进行测算，从资产包层面、分层层面、二级市场流动方面逐步形成二级市场。

　　我们做这类资产有几个难点：

　　1、非银行机构服务于之前无法在银行获得贷款的互联网金融平台或者其他平台，主体信用往往比较低，这类资产证券化过程中必须穿透主体看资产，底层量太大需要更多线下支持。

　　2、风险管理，我们其实非常理解金融机构以前不愿意考虑过于分散的底层资产，但受市场环境影响，现在的情况只能将目光投回底层资产。

　　3、降低操作风险，操作风险比如信托，互联网金融平台作为贷款筛选机构，由信托直接放款给个人，还款也是个人直接还给金融机构，我们没有办法触碰资金，这是风险管理。

　　4、系统支撑，比如我们跟厦门国金互补的角色，我们从前端挑选资产包、项目管理，到厦门国金做资产切割等。

　　我们为该行业所做的事情：

　　1、本平台具备资产整合能力，已做过工作量巨大的风险定价。

　　2、本平台对资产生成阶段有全流程系统支撑，到证券化阶段可能介入国金专门做证券化平台。

　　3、本平台会对风险定价进行对赌，由于大家担心道德风险，会固定地将资产定价较高或较低，我们用夹层基金的2%—5%买这个夹层。

　　这是我们做业务类型的交易机构图，互联网金融平台推送资产后，我们在其中进行挑选，对决定入资的资产发布信息，再由信托放贷，把形成资产中的收益资产分离出来进行交易化。

　　今天的话题是二级市场，这涉及风险定价标准化，如果能做出一个比较通用的模型，大家都用同一个通用模型可以简化定价过程。然而这个模型的建立难度较大，我们团队在成立公司前，就已经给大约14家银行信用卡公司做过信用卡模型，其客户群非常稳定，每家银行信用卡通过使用历史数据得出评分卡来做风险评价，但这种方法不适用于通用模型，因为信用分险和资产质量是两件事情，比如芝麻800分比700分好，究竟好在哪里？这无法和违约率进行对应。就车贷项目而言，把车抵押给小贷公司进行三个月融资的贷款人信用质量较差，但是其抵押的资产信用非常好。我曾在三家机构借款，一是银行，借款人如果不能按时偿还银行借款会进银行的黑名单；另外两家机构是P2P，即使借款人是同一个人，但根据客群不同最后的风险也不一样，这意味着只能定制化，由于现场封闭环境，资产方的数据不能直接传输，只能得到根据数据建立的模型，而无法获得全部数据，然而获得的这个模型只能用于这家资产方，而且最后只能得出一个违约率，每个资产方的入池资产属性不同，转化工作没有办法使用该模型完成，只能用违约率替代通用模型，所以没有通用模型的存在是很繁琐的。

　　我们研发的通用模型服从正态分布，所有客群正态分布面积为一，可以根据我们的需求进行切分，比如将违约率70%以下最优质的客户切分出来。得出的信用评分模型，可以用于资产挑选环节，这个环节一般是双方进行议价，比如我们打包一个价值3亿的资产，如果只看最好的资产则打包时间为半个月，也可以商议只打包一半的资产。信用评分模型是相对静态的、面对过去的模型。

　　资产定价环节最核心的是资产定价模型。比如一个36期的等额还款贷款，我们必须把静态模型转化为动态模型，按照早期的概率模型，要先计算36期每期的生存率，做36次模型，再得到36期到T10、T12期违约率，最后转成违约模型。而现金模型和影子模型一方面需要做资产结算，另一方面还需要知道违约率上升至何位置时优先级被击穿，再通过模型算出概率，例如最后得到3A45%，则意味着资产违约率上升45%。但如果设定10000人借款有4715人违约才击穿优先级，那么资产包的切分、定价，目前实操阶段用只能2A、1A、3A进行切分，范围需要具体议价，但是通过切厚度会有一个大概的范围。

　　信息系统和ABS信息系统不太一样，其最前端自动决策引擎会把模型、规则、流程部署决策综合在一起，一笔一笔挑选资产；后端是现金流测算，是资产包汇及交易系统。我认为个人消费资产，由于其资产类型差别非常大，即使都是现金贷，根据不同产品线做出的模型。消费分型不一样，未来只有通过违约率数字，用违约率对每笔底层资产进行表示，再结合现金流，做某一类现金的标准化。大家都认可同一曲线，标准化和二级市场才能往前推进，这就是我的理解。