来源：鹏元评级 作者 ：延骁威
鹏元资信评估有限公司研究发展部
主要内容
2017年12月1日，互联网金融风险专项整治工作领导小组办公室和P2P网贷风险专项整治工作领导小组办公室联合下发了《关于规范整顿“现金贷”业务的通知》（简称“通知”），标志着处于风口浪尖的现金贷行业迎来整顿。《通知》一方面对贷前审核提出严格的要求，另一方面对融资行为做出严格的限制。在此情况下，盛极一时的现金贷行业热度降至冰点，消化与修正不规范发展带来的遗留问题成为近期行业主旋律。其中，片面追求业绩高增长所带来的大量不良贷款引起多方重视。此次《通知》明确要求不得以各种方式隐匿不良资产，而强监管下可能有更多“裸泳者”浮出水面。本文从评级机构视角，对国内外无担保不良贷款的估值方法进行了介绍，旨在为消费金融行业不良资产处置提供理论参考，未雨绸缪地帮助消费金融行业科学有序处置不良资产，化解不良高增对系统性金融风险构成的威胁。
目前国内对无担保不良信贷估值的实践经验中，主要使用了三种估值方法：回归分析法，累计回收率曲线法和蒙特卡罗模拟法。国外则有评级机构使用了样本分布预测法。本文对样本分布预测法进行了一定的补充，考虑了更多因素对于回收率的影响，旨在帮助使用者更为准确地预测无担保不良信贷资产的未来回收率。
最后，本文从不良资产估值准确性角度对消费金融的监管与发展提出了建设性建议。首先，整合征信信息，搭建信息共享机制。其次，建立消费金融不良资产数据库，积累不良资产形成与回收的真实数据，为消费金融科学发展奠定坚实基础。
正文
一、消费金融迅猛发展，不良占比有所上升
消费金融，是指以消费者或家庭为服务对象，以生活消费为目的，由金融机构或非金融企业提供贴近消费终端的金融产品或服务。其本质是一种信用消费，用未来的收入满足现阶段的消费需求。在建设普惠金融体系的思想指引下，2009年我国开始启动消费金融试点。2015年6月正式放开消费金融市场准入，将试点扩大至全国范围。2016年3月人民银行、银监会联合发布《关于加大对新消费领域金融支持的指导意见》，鼓励消费金融公司提供特色服务，拓宽融资渠道，可通过金融债、同业拆借、资产证券化等方式融资。与此同时，我国城镇化深入推进以及居民收入水平的持续提高，使消费结构、消费理念和消费方式不断升级，消费升级带动新兴产业崛起，促进经济结构不断优化，逐步成为新时期我国经济发展的重要驱动力。而伴随着互联网技术的快速普及，以网络购物为代表的电子商务市场持续高速增长，在理财、投资以及信贷领域均有所突破。2015年7月，人民银行等十部门共同发布《关于促进互联网金融健康发展的指导意见》，按照“鼓励创新、防范风险、趋利避害、健康发展”的总体要求，提出了一系列鼓励创新、支持互联网金融稳步发展的政策措施。在政策、需求与技术的共同支持下，我国消费金融市场取得跨越式发展。2017年1至8月份，我国居民新增消费性短期贷款达到1.28万亿元，累计同比多增7，833亿元，达到去年全年的1.54倍。消费金融模式日益多元化，银行系、消费金融公司、电商平台和网络借贷平台共同组成的消费金融市场格局初具雏形。目前，国内获得银监会批复的消费金融公司共25家，有22家已开业，其中有19家为银行系持牌公司。今年以来多家银行系消费金融公司净利润、营业收入等主要指标出现大幅度增长。此外，《2017年中国互联网消费金融发展报告》显示，我国消费金融类专业分期公司已达到200家，从2013年到2016年，我国互联网消费金融交易规模从60亿元猛增到4367亿元，年均复合增长率达到317.5%。预计随着消费群体逐渐年轻化，信用消费的观念更趋普及，叠加我国经济结构的持续优化升级和调整，消费金融仍然具有广阔的发展前景。
表1 获银监会牌照的消费金融公司
资料来源：希财网，鹏元整理然而，随着消费金融市场的迅速发展，其风险与隐患也在不断积累。套利、欺诈、共债、获客等一系列问题开始暴露。其中以下三点风险来源尤为显著：
（1）借款条件的不透明性。目前大多数现金贷平台只标明日利率，而将逾期罚金、手续费等信息隐藏在折叠的服务协议中，不透明而且高成本的借款条件极易让借款人陷入债务困境，降低还款意愿与还款能力。
（二）贷前、贷后风控缺位。贷前风控的缺位主要体现在对于借款人背景尽调的不充分。一方面，诸多现金贷、消费贷平台对借款人资质审核标准过低，在业绩考核压力下往往对不具备偿还能力的人群发放贷款，其中不乏缺乏稳定现金流的在校学生和没有固定职业的消费者，次贷风险较高。另一方面，贷前审核的不足还导致多头借贷的泛滥。当前我国现金贷申请人共债问题非常严重，有数据表明，一半以上的申请人都有多头借贷的情况，一旦发生违约，风险扩散的速度将难以遏制。贷后风控的缺位则直接导致大量消费贷款被挪用至房地产与证券市场投资，短贷长用进一步增加了借款人的违约可能性。
（三）消费金融风险向金融系统扩散。随着资产证券化的蓬勃发展，现金贷的金融风险已开始通过资产证券化等金融衍生产品向金融系统蔓延。根据Wind统计，以小额贷款为基础资产的企业ABS，在2017年总计发行3417亿元，远超2015年、2016年144亿元、726亿元的发行量，占2017年已发行企业ABS的近一半，为49.2%。其中，蚂蚁金服旗下重庆市蚂蚁小微小额贷款有限公司2017年发行49单企业ABS，发行总额1366亿元；重庆市蚂蚁商诚小额贷款有限公司发行42 单，总计1127亿元，二者合计发行2493亿元。其次为平安集团旗下重庆金安小额贷款有限公司，发行75亿元。小米、百度旗下的重庆小米小额贷款有限公司、重庆百度小额贷款有限公司发行ABS分别为38亿元、12.56亿元。京东旗下重庆两江新区盛际小额贷款有限公司仅发行5.8亿元。消费金融ABS绝对收益水平大约在6%左右，产品期限通常较短，久期风险较低，对银行等金融机构来说具有一定的配置价值。金融机构在分享消费金融ABS带来的较高收益的同时，也承担了消费金融行业的部分信用风险。
今年以来，消费金融行业不良率水平已出现上升趋势。有统计显示，今年上半年，消费金融行业整体不良率约为4%，远高于银行的不良水平。在少数主动披露不良情况的消费金融公司中，招联消费金融最低，为1.15%；苏宁消费金融为2.1%；兴业消费金融则为2.11%。在此情况下，此次下发的《通知》要求相关机构“全面考虑信用记录缺失、多头借款、欺诈等因素对贷款质量可能造成的影响”，加强风险防控，不得多头借贷、重复授信、以贷养贷；《通知》还要求，各类机构加强风险内控，谨慎使用“数据驱动”的风控模型，不得以各种方式隐匿不良资产。未来，监管层对消费金融行业的综合整治，必将使更多在野蛮生长过程中因风控缺失而滋生的不良资产浮出水面。
此外，此次发布的现金贷监管《通知》明确否认了信贷资产转让和资产证券化的出表功能，ABS的融资规模也将计入融资规模计算杠杆率。《通知》禁止小贷公司通过互联网平台或地方各类交易场所销售、转让及变相转让本公司的信贷资产。禁止通过网络借贷信息中介机构融入资金。以信贷资产转让、资产证券化等名义融入的资金应与表内融资合并计算，合并后的融资总额与资本净额的比例暂按当地现行比例规定执行，各地不得进一步放宽或变相放宽小额贷款公司融入资金的比例规定。至此，小贷公司通过ABS“无限循环”放大杠杆的融资放贷模式终结。信贷资产转让和资产证券化出表等行为的规范，将对消费金融行业的资金来源造成一定程度的限制。
在不良高增以及融资受限的背景下，对贷后逾期、坏账等不良资产的处置和盘活将直接影响到消费金融公司的生存竞争能力。然而，消费贷款作为纯信用贷款，通常不具有任何抵押与担保，这给不良催收、不良估值与不良处置造成了较大的难度。国内外商业银行在使用资产证券化方式处置无担保纯信用类不良资产时具有一定的经验，而国内外评级机构对于无担保不良资产的估值也具有经过实践检验的估值理论。本文将从评级机构的视角，以信用卡不良资产证券化估值为例，对纯信用类不良资产证券化过程中的估值环节进行介绍与讨论，并试图将估值方法引入消费金融行业，未雨绸缪，为消费金融行业的不良资产证券化估值提供理论依据。
二、国内无担保不良信贷资产的估值方法
国内目前消费金融不良资产证券化的实践经验主要为信用卡不良资产证券化的设计与发行。2016年初，在银行不良资产规模和不良资产率持续“双升”的局面下，国务院批准工商银行、农业银行、中国银行、建国银行、交通银行和招商银行6家银行成为不良资产证券化的试点机构，我国暂停近8年的不良资产证券化业务正式重启。截至2017年12月，共有27单不良资产证券化产品发行，其中8单产品以信用卡不良为基础资产，占比接近三分之一。从已经发行的不良资产支持证券情况来看，发行规模对初始贷款合同的占比平均为14.60%，不良资产处置收入可观。
表2 2016年2月-2017年12月信用卡不良资产证券化发行情况
资料来源：wind，鹏元整理无担保不良资产的回收金额与回收时间均存在较大的不确定性，因此对其估值既包括对回收金额的估值，也包括对回收时间的估值。目前国内评级机构在对不良资产支持证券基础资产进行估值时，使用的估值方法不尽相同，主要包括累计回收率曲线法，回归分析法和蒙特卡罗分析法。
累计回收率曲线法首先甄别影响回收效果的主要因素，并根据这些因素对历史不良数据与入池贷款进行分组。随后根据历史不良数据构建历史累计回收率曲线，并以此为基准拟合入池贷款对应分组的未来累计回收率曲线。根据曲线可计算出各笔入池贷款自初始起算日起n期的本息费回收金额和回收时间分布，从而完成对不良资产证券化基础资产的估值。以建鑫2016年第三期不良资产支持证券的估值为例，在评级时首先确定了影响回收效果的三个主要因素：不良发生时间、从发生不良到入池所经历的时间长短（不良账龄）和发生不良时本金余额的大小。综合考虑这三个因素，依据发生不良时本金余额及不良发生时间这两个维度，将入池贷款进行分组。在预测每个分组回收水平前，考虑到此交易入池资产并没有在其已经历的回收期间内实现全额回收，在相同不良本金余额的历史数据中剔除相应不良账龄期间内实现全额回收的资产，以保证历史数据与入池贷款特征的一致性。使用剩余历史数据构建历史累计回收率曲线，并以此为基准拟合入池贷款对应分组的未来累计回收率曲线。在得到各组入池贷款未来累计回收率曲线后，根据资产池的实际已回收情况进行调整，进而计算出各笔入池贷款自初始起算日起36期的本息费回收金额和回收时间分布。
回归分析法在估值时考虑了更多变量的影响。首先，基于静态样本池每笔贷款成为不良后每月的条件回收率数据，通过统计分析方法，找到对回收率产生显著影响的因素，如借款人年龄、账户额度、地区、行业、是否专项分期等。再通过系统聚类对离散的影响因素进行归类，随后通过回归分析找出连续的影响因素与条件回收率之间的函数关系。依据离散变量的归类情况对资产池进行分组，将静态池相应分组下的回归分析结果应用到资产池相应分组下，再根据资产池各组连续变量的取值特点，调整得到资产池各组成为不良后各期的条件回收率，进而计算得到资产池每笔贷款的回收率。同样以建鑫2016年第三期不良资产支持证券的估值为例，在评级过程中首先找到对静态样本池回收率有影响的因素主要为借款人年龄、账户额度、地区、行业、是否专项分期等。随后通过系统聚类，对离散的影响因素进行归类（地区2类、行业2类、是否专项分期2类）。根据归类后的结果对静态池进行分组。分组后通过回归分析，找出连续影响因素（借款人年龄、账户额度）与静态池成为不良后各期条件回收率的函数关系。将此分组与函数应用至目标资产池，便可得到目标资产池各组成为不良后各期的条件回收率，进而计算得到资产池每笔贷款的回收率。最后，根据宏观环境变化对不良资产回收率的影响，对分析得到的回收率进行调整。
从表3可以看到，累计回收率法与回归分析法两种估值方法所得估值结果有一定的差异，但各期回收金额与回收总额差异均不大，估值准确性程度较高。
表3 累计回收率法与回归分析法估值结果对比
资料来源：建鑫2016年第三期不良资产支持证券信用评级报告蒙特卡罗分析法同样通过对历史数据的分析，甄别影响回收率的主要因素，并根据这些因素对历史不良资产池进行分组。分组后提取各子资产池的回收率分布参数，构建模型。根据模型，拟合beta分布，对目标资产池的预期回收率进行蒙特卡罗模拟，并将模拟所得回收均值作为一般景况下的回收估值。以和萃2017年第一期不良资产证券化为例，评级过程中对影响回收率的因素进行了分析，并按照逾期时间和不良余额两个维度将资产池分组，并根据历史数据提取子资产池的回收率分布参数。随后采用蒙特卡罗模拟法，并针对不同子资产池的资产当期回收率分布给予不同的Beta分布。通过一百万次资产池预期回收情况的模拟，获得不同景况下资产池预期回收金额分布。模拟时，同时考虑了系统性风险和个性因素对预期回收率的影响，并考虑了一定的相关性。
三、国外无担保不良信贷资产估值的创新
穆迪公司在其不良资产支持证券评级方法中对于无担保不良资产阐述了一种与我国评级机构所使用的估值方法差别较大的估值方法。与国内评级机构选用的静态样本池不同，穆迪使用动态样本池对历史数据进行分析，样本数据可逐年持续更新。在估值方法的选择上，穆迪采用了样本分布预测法。如下表中调整前所示，穆迪首先对2002年至2012年每年产生的不良资产规模以及其后每年的回收规模进行收集，随后穆迪对数据进行加工，计算第n年产生的不良资产在随后各年度的回收金额占比，并整理成为下图中整理后所示的三角形。整理后第一列为距离不良形成的时间，其后各列为整理所得的数据。以距离不良形成时间为不同的总体，则调整后可得10个总体的10个样本。对样本进行描述统计，可得距离不良资产形成时间0-10年的各期回收率平均值和回收率标准差（在第9和第10年，由于样本中数据较少，无法计算标准差）。穆迪在此例中仅将数据收集至2012年，随后各年的数据可通过简单整理加入动态样本池中。数据积累越多，得到的回收率平均值预测准确性越高。根据得到的回收率平均值，结合目标不良资产距离形成的时间，可对目标不良资产进行估值。
表4 穆迪无担保不良资产估值方法
资料来源：Moody’s Investors Service，鹏元整理穆迪的估值方法实质上将动态样本池按照距离不良形成时间进行了分类。根据穆迪的分析，不良资产形成后短期内回收率较高，随着形成时间的延长，回收率将显著降低。此外，穆迪的估值方法在预测不良资产未来现金流时具有一定的优势，在其估值方法中自然嵌入了回收时间的因素，且在历史数据记录准确的前提下各笔不良资产的预计各期回收额可拆分预测，提高了预测的准确性。但穆迪的估值方法欠缺对于其他影响回收率的因素的考虑，估值结果可能因样本池和目标资产池特征的不同而造成偏差。另外穆迪的估值方法需要准确与较长时间的数据积累，否则数据不足将导致样本平均回收率与总体平均回收率偏差过大，影响预测精度。
四、国际估值方法在我国消费金融领域的应用
信用卡本身作为消费金融领域较为成熟的部分，与消费金融领域其他类型的贷款在借款人特征上具有较高的相似性，因此信用卡不良资产的处置经验可向消费金融领域中的其他类型贷款推广。鉴于样本分布预测法对于回收时间的天然囊括以及统计理论的清晰程度，本文选择对样本分布预测法进行一定的完善，应用于我国消费金融领域的不良资产估值，具体操作方法如下：
（1）搜集整理历史（5~10年）无担保不良资产数据，形成动态样本池A。与静态样本池相比，动态样本池包括从搜集起始年份开始（如2006年）至今形成的不良资产。
（2）甄别对不良资产回收率产生显著影响的因素，如不良资产所在地区、不良资产发生额、还款人收入区间等，搭建回归模型，并执行ANOVA检验回归模型的有效性与因素的显著性。根据检验结果，对影响因素进行调整，确定影响不良资产回收率的主要因素。
（3）根据上述主要因素，对动态样本池进行分类，得到分类后的动态样本池A1、A2、A3……。在每个动态样本池中，整理各年度（或月度、季度与半年度等，与证券化产品的付息时间匹配）形成的不良资产的规模与随后各年度（或月度、季度与半年度等，与证券化产品的付息时间匹配）的回收额。表5给出不良资产数据的整理模板，假设在模拟中以2010年为数据搜集的起始年份，相关证券化产品每季度付息。从2010年一季度至2017年三季度，可得到31个不良资产形成额数据与496个不良资产回收额数据。
表5 以季度为时间单位的各期不良资产形成额与回收额
（4）根据表5中的数据计算各期回收率数据，得到各期不良资产回收率（表6）。
表6 以季度为时间单位的各期不良资产回收率
（5）对表6中的数据进行调整得到距不良形成时间为单位的不良资产各期回收率（表7），表7中每一行表示距不良资产形成后第n个季度的所有回收率。
表7 距不良形成时间为单位的不良资产各期回收率
（6）以“不良资产形成后第n个季度的回收率”作为统计总体，则在表7中，共存在31个总体，而每一行的回收率则构成相应总体的一个样本。以“不良资产形成后第1个季度的回收率”为例，此总体对应表7中的第2行数据，共有30个数据构成总体的一个样本。对该样本进行描述性统计，可得到该样本的平均回收率与标准差。根据“中心极限定理”，无论总体的分布情况如何，样本的平均数在样本分布中满足正态分布，样本分布的平均数与总体的平均数相同，方差为s2/n（s为总体标准差）。
（7）由“中心极限定理”，我们可对总体的回收率平均数m进行区间估计。当样本量足够大时（>100），可根据标准正态分布搭建置信区间；若样本数量较小（≤30，如本例中仅有30个回收率数据），我们需根据t分布搭建置信区间，并设置合适的置信水平，获得总体的回收率置信区间。
（8）对“不良资产形成后第n个季度的回收率”总体进行区间估计所形成的置信区间可用来估计目标资产池中不良资产形成后相应季度的回收率区间。根据回收率置信区间与不良资产形成时间与形成金额，确定不良资产证券化产品各期预计回收金额范围。
（9）根据宏观环境、贷款服务机构能力等因素，选择回收范围内的低位值、中位值或高位值作为预期回收金额的点估计，并制作现金流量表与现金流量图。
五、对消费金融行业发展的建议
样本分布预测法对历史数据的准确性与细致性提出了较高的要求，这可能也是目前我国评级机构不使用其作为估值方法的原因之一。因此，从未来消费金融行业不良资产处置的科学有序角度考虑，本文对消费金融行业的监管与基础设施建设提出以下两点建议：（1）建立覆盖全行业的信用记录平台，整合借贷信息，实现行业信息共享，从源头上杜绝多头借贷、以贷养贷的可能。从不良资产处置的角度来看，信息共享可保证借款人特征的真实性，多头借贷的泛滥以及信息的不对称降低了信贷数据的有效性，增加了不良估值的难度。（2）建立不良信贷数据库，夯实科学处置不良资产的基础。目前我国消费金融行业尚处于起步阶段，应当及时搭建不良信贷数据库，并要求各消费金融公司按时上报当期不良信贷产生规模、前期不良信贷在当期的回收金额，不良的产生与回收，力争做到准确、真实、有序。只要这样，才能在未来为不良资产的估值提供坚实的数据支持，有助于消费金融行业的风险监控与不良资产的处置与盘活，保证消费金融行业持续健康发展。
进入【新浪财经股吧】讨论
责任编辑：牛鹏飞
