王剑：什么是杰出的信贷能力，α还是β

　　意见领袖 | 王剑

　　从信贷公式出发

　　商业银行的主要收入来源是其持有资产的收益，其中，放贷款的利息收入又是其中重中之重。因此，如何评价一家银行的信贷能力（或放贷能力）非常重要。因为银行是商业机构，因此我们此处所谓的“评价”暂时仍从股东视角出发，即衡量其盈利能力。当然，这并不代表着我们只认赚钱能力，而不顾其他。事实上，一家好的银行，能够兼顾股东、员工、客户、政府等多方利益。原因其实也非常简单：

　　在市场经济环境下，在长期视角下，能给客户提供好的服务，一般都能赚到不错的钱，并且还能成就员工。

　　具体到银行业，如果你真的给客户提供了人家特别需要的东西，淳朴的客户是愿意支付合理费用的，银行也能赚到合理利润。

　　而有些银行，贷款利率放得奇低，然后声称自己是支持实体……用常识想想都知道这里明显不符合逻辑。利率奇低，说明对方根本不缺钱，大概率是些资金富余的大企业。当然，非完全商业化考虑的主动让利行为除外。

　　因此，放贷利率低并不一定是支持了实体，甚至有可能刚好相反，而是放贷时“嫌贫爱富”。

　　以上算是题外话，先不展开了。我们先回到主题，如何衡量银行贷款业务的能力。当然，大家看完全文后，可能会发现，信贷业务能力，其实和其他业务也是息息相关的，并不能完全独立看待信贷业务能力。

　　我们首先给出银行信贷业务的简单公式：

　　贷款利率-资金成本-业务成本-风险成本=合理利润

　　资金成本是指银行的负债成本。业务成本主要是业务及管理费用，其中一大半又是人力资源费用。风险成本就是放贷难免发生违约，银行因此承受的损失。最后，扣除完所有成本后，最后银行得到合理利润，用于交税、股东分红、留存资本等。所谓优秀的信贷业务，当然是指上述利润要足够高。

　　客户的分群与银行的选择

　　我们开始建立一个简易但和现实并不脱节的模型。

　　假设一个经济体中，银行面临所有的潜在借款人，这群人的违约率是5%（现实中，违约不代表银行的最终损失，不良资产处置还能收回一部分。此处理论模型我们先忽略这一细节，直接使用违约率），这一点是众所周知的信息（公开信息），但大家无法区别个体情况。因此，银行如果想对这群人开展信贷业务，需要甄别哪些人能还钱，哪些人会违约。这项工作叫做风险定价，也叫“信息生产”，因为银行要去挖掘关于客户的更多信息，才能判断这个客户会不会违约，而这种“生产活动”也会产生费用。

　　信息生产工作的难度极大，但是好在可以先对整个人群再做个细分（基本上也是公开信息）：在知道整体违约率5%的基础上，我们还可以把所有人群大致分为四类，也知道每群人的违约率。也就是说，虽然我们依然不能区别每个个体的违约率，但我们知道这些个体分别属于哪一类人群，并且也知道每类人群的违约率。包括：

　　第一档的人群，违约率1%

　　第二档，违约率5%

　　第三档，违约率10%

　　第四档，违约率20%以上

　　当然，由于这些人也知道自己所属的人群，所以他们也知道自己所在群体在信贷市场上借钱时的利率水平，大致为：

　　第一档，愿意支付利率4%

　　第二档，利率10%

　　第三档，利率24%

　　第四档，利率36%以上

　　当然，在分类的过程中，可能会有误分类，比如有个个体，知道自己属于第三档，但通过粉饰自己，让自己看上去像第二档（他想更容易获得贷款，以及更低利率）。我们假设，在将整体分成四档时，这种误分类情况不多，暂忽略。

　　也有些特殊群体可能会落到这些分类之外。比如过去几年的城投企业，违约率低但收益率高。这城的原因并非是经济原因，因此将其视为异常值，我们也先不管了。

　　在现实中，第一档人群就类似本经济体中实力最强大的那一小群大型企业，他们几乎不可能违约，当然偶然也会倒霉碰到一些意外而违约，因此违约率极低但也不是0，约1%。后三档人群就是信用水平渐次下沉的其他企业或个人。其中，第四档应该是风险很高的群体。

　　此时，银行开始登场，他们要考虑挑选客户放贷。很显然，傻子也知道可以先做第一档客户，但由于这些客户众所周知的信誉良好，因此他们对利率要求也很苛刻，就是4%。因此，能够抢到这类客户的银行也非常明确：资金成本和其他成本极低的大型银行。

　　由于这些银行负债成本极低，业务成本也不高，因此他们放出的贷款利率也可以非常之低，于是就能够优先抢到这群最优质的客户。这一点内容相对简单，几乎不用怎么展开，甚至连真正意义的甄别客户职能都省了。你不需要甄别客户，你只需要按总行的要求去做“这一类”客户。

　　我们借用投资学的术语，把这种信贷业务叫做β业务。

　　然后还得考虑“供需对比”。如果国内大型银行的信贷供应较为有限，他们把全部信贷资源投放完了之后，依然有些第一档客户没有拿到贷款，那么这些剩下的客户可能去其他银行那边申请贷款。但在有些城市，情况刚好反过来，即第一档客户太少，本地大行都不够吃，于是大行就会和其他银行去抢其他客户，不得不下沉，我们后文会分解。

　　而在除了第一档的客户之外，信息生产工作就摆上台面了。不做信息生产可以吗？比如，我们知道第二档客群的违约率是5%，那么我固定给他们投放10%的利率，让收益能够覆盖风险损失，这样行不行？

　　理论上听起来，这也行，但现实中并不行，原因其实也不复杂：5%的违约率是整体的违约率，但现实中谁也没办法做到从这一整体中随机取样，让自己抽取的样本也是5%的违约率。而且是客户知道自己容易违约，反而更加积极地申请贷款，这叫“逆向选择”。

　　比如，第二档人群包括100人，违约率5%（有5人会违约）。没有一家银行能够做到随机取样，也不能做到把100人全给放贷，如果这银行只能给20人放贷，万一这20人中包括了3位会违约的人，那么他承受的违约率就是15%了。此时10%的放贷利率显然已经失败了。

　　同理，如果针对第四档人群，违约率超过20%，还能通过放贷36%来覆盖风险吗？更加不能。如果还是面对100人客户群体，违约率20%，银行受限于自己规模，只能放贷20人，最倒霉的情况将是来贷款的20人全是违约的，违约率100%。为何会如此呢？这里涉及到逆向选择的程度问题。

　　银行的风险定价其实是一份“保险”，是所有不违约的客户在利息中支付了一个溢价（保费），为那少数违约的客户买单。比如，第一档一共100人，违约率1%，假设有家很大的银行，为全部客户放贷，利率4%。最后，99人老老实实地还本付息，但有一人违约就没还本金（更别提利息了），银行觉得没问题，是因为收到的4%的利息中，有一部分可以用来弥补亏掉的那位违约客户的本金。所以，这亏损其实是其他客户用利息来覆盖的。银行在放贷前就已经考虑了这一点了。

　　而且，放贷利率越高，客户群体中的好客户就越不乐意为别人的违约买单，他们会退出市场，差客户留在市场中，逆向选择就越严重。

　　比如，如果违约率达到20%，即使其他客户支付利率30%，其中约20个百分点用来弥补损失。那么信用好的客户就会觉得不乐意，自己借钱，利率30%，其中约20个百分点是为别的违约买单。这时，信用好的客户就会退出，不借了，自己另外想办法筹钱去。于是，来借钱的几乎全是会违约的客户。这就是严重的逆向选择。

　　那么，这些分类在后几档中，但其实信用很好的客户不愿意支付很高利率，他们会如何“另想办法”呢？这就涉及到放贷业务的真正精华了：不再局限于客群整体违约率，而是真的将信用好的个体甄别出来。

　　相对应的，这就是信贷业务中的α业务。

　　比如，一个客户被分类到第二档，他愿意支付10%的利率借钱。但由于很多银行觉得他所处的第二档风险太高，不愿意做这类业务，即使有，也需要收取12%以上的利率。但如果有一家银行，通过某些手段（这个要付出额外费用，比如额外的2%），可以设法从第二档人群中把这位相对优质的客户挑出来，那么它可以给他放贷，并且利率还可以收取8%（低于10%，但银行原本的贷款业务利率只有4%）。

　　此时，客户借到了钱，并且节省了利息（从10%省至8%）；银行也挣到了钱，因为他平时给第一档客户放贷只有4%，现在却能按8%放贷（多收取4个百分点的利息），即使多支付2%的费用，也净挣2个百分点。这是一个皆大欢喜的局面。

　　这额外挣到的2个百分点，就是这个银行信贷业务的α。

　　什么叫价值？做了别人做不了的事，叫价值。

　　这就是我们最希望看到的，所谓杰出的信贷业务能力。其本质是：通过某些甄别技术，银行能够从低档客户群体中挑出好的客户，给他们放贷，利率收得稍微高一点（但依然比该档原先的融资成本要低），覆盖了额外技术费用后仍有盈余，这个盈余就是“超额回报”。

　　通过上述分析，我们把银行信贷业务像投资业务那样，分为β业务和α业务。两者并无优劣之分，就好比投资业务也是两类均有生存空间。当然，我们搞社会科学研究的，毕竟不是自然科学，凡事不会那么绝对。比如大行，主要是做β业务，但会有些α业务，小行也是同理。接下来我们继续阐述两类业务的门道。

　　大行的β业务

　　信贷的α业务往往是被大行逼得去做后几档客户的小银行完成的，大行的大部分业务可能是β业务。

　　但这里完全没有批评大行不作为的意思，因为我们会解释为什么大行只能这么做。

　　我们可以试想这样一个场景：大行总行规定了本行只允许给第一档客户放贷，利率4%左右，违约率1%，扣除其他成本后大行还有个稳定的盈利。此时某支行一位客户经理发现，他熟悉的一位客户是属于第三档人群，但其实当地人都知道他信用非常好，客户经理也知道，这位客户经理能不能向总行打报告说：这客户其实很好，建议放贷，利率8%，这样我们能挣更多钱。

　　估计大行的朋友看到这里都会笑出来。这显然是不太可能的事。因为，在多层级管理体系下，客户经理的信息无法可信地传达给总行，即总行无法准确地判断基层每一位客户经理的判断是否准确（在区块链成熟应用之前，人类的信息技术只能传递信息，但不能传递信任，信任只能基于人与人的长期关系来传递，长期关系意味着多次博弈）。这不是谁的错，不是总行的错，也不是支行的错，这就是人类目前层级管理体系下的技术所限。

　　所以，不是大行不想挣更多钱，不是大行不想支持这位客户，因为这个原因批评大行是不公允的。这是基于我们人类目前掌握的技术手段，总行只能“一刀切”，设一些硬指标门槛，保证大家做的客户主要处于第一档，从而保证整个体系的运行。这个事情和所有制性质也无关，国有银行、民营银行、外资银行，到了足够大体量都一样，只和体量有关。全球展业的国际大银行把它的一些“一刀切”规定套用到中国，发生过很多令人啼笑皆非的事。

　　所以，一些曾经很辉煌的中小银行，成长起来之后，总资产规模到了大几万亿元之后，早晚也得走上这条路：做信贷β业务，自上而下，选取板块和客群，一刀切，让客户经理按这个标准去找客户。而且由于他们自己放贷的体量很大，还不得不选取一些本身体量也大的优质客群，于是大家就不约而同地选中了大型央国企之类的。于是，数家大型银行拼命地内卷这些客群，而其他次档客群却无人问津，银行业内出现“银行放款难”和“企业融资难”并存的局面。

　　不做客户甄别的信贷业务，还是信贷业务吗？这更像是资金配置业务吧……

　　那么有没有两全的办法呢？解决思路无非两个：一是让总行能够信任基层，或能够精准控制基层的微操，然后在此前提下继续由基层甄别客户；二是，总行能够越过基层，直接精细地甄别客户。

　　第一种思路，由小银行的信贷α业务实现。后一种思路，在大数据时代取得了很大的突破。我们以下分别介绍。

　　小行的α：客户甄别和内部治理

　　因此，从后几档客户中挑出好客户，这种利人利己的好事，传统上主要由中小银行来做。他们不是不想做好客户，而是好客户被大行抢光了，小银行被逼去想方设法做后几档的客户。

　　有时候，人不是选择优秀，而是被迫优秀。

　　经过多年探索，小行们还真找出了很多方法。因此，我们就可以借此评价信贷业务的好坏了。

　　这项工作的本质，就是甄别。这需要两方面能力：

　　（1）客户经理掌握调研并甄别客户情况的能力；（2）总行对客户经理有很好的激励与约束机制。

　　以上两个能力缺一不可，其逻辑是：由于后几档客户中的好客户是随机分布的，需要一线客户经理掌握足够的技术去把他们选出来；这个甄别任务掌握在一线人员手上，那么一线人员除了技术得好，还得“不做坏事”，不能和差的客户一起来骗总行贷款（约束）；同时，甄别客户又非常辛苦，还配合以相应的激励机制。

　　技术+约束+激励

　　我们作为分析人员，可以去评判银行的放贷能力，包括事前评判和事后评判。两者缺一不可。

　　事后评判相对简单，如果一家银行持续经营第二、三档客户，利率和不良率都相对稳定，经受住了经济周期的考验，那么可以相信他们的能力。

　　事前评判，当然就是看看他们是怎么做的。“怎么做”这三个字，至少包括两层含义：做事方法，和做事意愿。

　　先说做事方法。传统的小微业务“人海战术”，以及后续升级而来的IPC技术等，均是风险甄别技术，并且是多年来行之有效的。其本质，都是通过客户经理亲临客户现场，收集信息、交叉验证、眼见为实，判断这位客户的信用水平。所采用的方法非常多样，比如不看押品看人品、多方打听信息交叉验证等。具体业务细节本文不展开，可以参考：

　　【深度】银行小微信贷业务：原理、模式与实例

　　但这些方法是基层来实施的，总行没法直接下场操作这些方法。如何让基层好好地做事呢？这就涉及到做事意愿问题。

　　基层做事意愿问题，本质是银行内部的委托代理的问题。

　　在上面介绍的那个方法中，客户经理收集的很多信息，属于软信息，即无法书面呈现的现象，只留在客户经理的脑海中，很难可信、无损地传递给总行。那么解决办法就是：干脆就不用传递给总行了，客户经理自行决策放贷，但总行管好客户经理的约束和激励（委托代理问题），即大棒加胡萝卜。

　　（1）约束（大棒）

　　约束是不让客户经理“做坏事”。最典型的坏事，是客户经理和客户勾结，一起合伙骗贷，客户经理拿回扣。一般是通过各种手段监控客户经理行为，一旦发现违规立即严肃处理。有些银行甚至会为提防此类风险，上很多内控手段。

　　（2）激励（胡萝卜）

　　仅仅不做坏事还不够，如果基层员工没有主观能动性去做事，就会躺平、懒政。况且这种α业务本身就非常辛苦，得给予相应的激励。于是就得有相应的激励机制，多干多得，少干少得。激励包括物质的，也包括非物质的，让员工拥有自豪感、责任感，认同全行的文化，发自内心去帮客户做事。文化建设是最便宜的风控，也是效果最好的风控。

　　借助这些技术，以及与这些技术配套的约束与激励机制，共同构成了行业中一些小银行的次档客户甄别体系，并且取得了很好的效果。委托代理问题解决得好的标志是：

　　让员工仿佛觉得是在用自己的钱放贷款。

　　小行的其他优势

　　以上是基于风险甄别的角度，评价杰出的信贷能力。也就是说，有些银行，能从次档客户中，甄别出信用水平还不错的客户，做到“反逆向选择”（或正向选择），从违约率5%、愿意支付利率10%的客群中，挑出违约率只有2%的一小群人，给予8%的放贷，并且覆盖了额外成本之后还能实现盈利，取得超额回报。我们分析者是希望挑出这样优秀的银行。

　　但这一逻辑是仅仅基于信贷业务本身的。我们前文提及，银行所有业务是一个整体，不能光从信贷谈信贷。我们也发现，有些中小银行也杀入了第一档客户群体，和大银行抢生意，并且还真抢到了不少生意。他们的资金成本等各项成本高，显然是不可能给这些客户放4%的贷款的，放贷利率其实会更高。那么这些第一档的客户为何愿意支付更高利率呢？

　　从现实情况来看，至少有两种情况可以解释这一现象：

　　（1）信息不对称

　　我们学习微观经济学时，都知道瓦尔拉斯拍卖，即所有的买家和卖方在一起拍卖，最后形成一个供需出清的均衡价。但在现实中显然不是这样的。尤其是银行业务，不是所有的买方、卖方都相识的，也不存在一个瓦尔拉斯均衡市场。一家大行虽然全国上下几十万员工，但也不可能认识所有的第一档客户，还是很多优质客户根本不认识大银行的客户经理，只认识当地的小银行。因此，小银行的地缘优势依然是存在的。

　　这几年大行加大营销力度，这种光靠信息不对称维持的优势其实是被削弱的。但下一条就很难削弱了。

　　（2）优质服务取胜

　　即使是大行已经认识的第一档客户，大行客户经理都拿着更低利率上门营销过贷款了，依然没被大行抢走，这种情况现实中也非常常见。这是因为小行提供了非常好的服务。比如，业务办理流程更便捷（比如审批时间短，贷款被批准的确定性大）、周边服务（包括非金融服务）更到位、银企之间的信任度更高，之类的。客户虽然支付了更高利率（他自己也知道大行利率更低），但会把这额外的利息支出，视为一种服务购买费用，而他们觉得这种服务购买是划算的。

　　这令我想起来，以前发现有些年费超级贵的信用卡，竟然也有人办理和使用。一开始我们不知道都是些什么“不差钱”的土豪在使用这种信用卡。后来业务人员介绍说，这些信用卡每年为这些高端人士提供的权益，帮他们节省时间精力的价值，远远超过他们支付的年费。

　　而大行依然是由于多层级体系，无法为客户提供多种个性化的服务。而这些服务为客户节省时间精力带来的价值，也是远超其从小行那贷款额外支出的利息成本。

　　毕竟，天底下最合算的买卖，就是花钱买时间和精力，然后把时间和精力投入到自己主业上去。

　　突破：大数据的α

　　长期以来，在次档客户甄别上体现出来的“小银行优势”几乎成了业界、学界的共识。我国过去的银行业监管政策实践也是吸收这了一点，不断地开设新型中小银行，希望它们能够从次档客户中挑选出好客户，给予融资，从而帮助缓解融资难问题。大行在这方面也在尝试。

　　比如，在浙江台州，一个因为银行小微信贷业务而享誉业内的城市，当地的大行就很早开始尝试做小微业务。在以台州为代表的浙南山区，叫得出名字的大型央国企就没几家，肯定是不够大行吃的，大行也被逼得去做小微。他们的做法，不同于当地小银行的α业务，依然是浓浓的β风格，即：通过行业或其他研究，为所谓风险相对好的小微企业“画像”，贴标签，符合一定特征的小微企业是风险可控的，然后让客户经理去找这些小微企业放贷。

　　很显然，这依然是β思路（只不过分档分得更细，原来只分四档，现在分为七八档甚至更多档……），不是α思路。

　　真正的α思路，完全不看“板块”，只看“个体”。举个例子：在2013年前后，长三角出现“钢贸骗贷”事件后，很多银行一刀切叫停了钢贸企业信贷。但有些具备真正α思路的小银行，依然给他熟识的好客户放贷，哪怕他是做钢贸生意的。

　　真正的超额回报，来自真正的α。

　　但这并不意味着大行这种分档更细的β思路没有价值。互联网时代，有了大数据加持后，这种分档可以更细、更细、再更细，最后，只要大数据足够，理论上可以已经无限逼近α思路了。这就是2013年后发生的事情。

　　2013年，建设银行在业内率先尝试基于大数据给小客户画像、放贷。同一年，蚂蚁微贷推出线上小贷，并取得了较好的风控效果。

　　和传统信贷业务中客户和客户经理一起准备材料不同，大数据不是当事人自己刻意准备的材料，而是他们在互联网上活动时留下的“足迹”，比如最典型的是聊天、购物等。当然里面肯定也有做假成分，但由于体量足够大，假的成分的比例就被压低了。因此，大数据的真实性非常高。而且，大数据由互联网及其他来源自动收集，大部分不用经客户经理的手。

　　然后，建立模型，其原理其实是统计学：

　　为每个客户建立多个属性（标签，可用x1、x2、x3等表示），每个属性有取值（来自大数据），然后先试放一批贷款用来测试。最后的结果是有些人还钱有些人没还（用Y代表这个结果），然后建立一个回归模型，找到哪些属性和最后的还款之间的相关性是显著的（即系数a、b、c等是显著的）。通过大量样本的测试，最后找到一些属性是和信用高度相关的，这就是可用的模型。未来就在这个模型指导下，挑选出信用好的客户。

　　Y=ax1+bx2+cx3+……

　　经过十年运行，这个方法已经证明了其效果，银行们积累了上万个模型，适用于不同场景或客群。因此，无法精准控制分支行的大行，和没有分支行的互联网银行，找到了一种不用依赖基层组织，借助大数据就能够甄别次档客户的方法。

　　你说这种方法是α还是β？好像都算。是α，因为它较为精确地甄别出来了客户。是β，是因为它其实是自上而下的，从大样本中为客户分类分档，只是归的类非常细，细到看上去像α。因此，它更像β一些。

　　那么它就会有前述β业务的通病：最终会陷入标准化。如果大家的大数据来源一致、模型最终也类似，那么大家相互之间的差异化又消失了，超额回报消失，又会重新陷入内卷。

　　未来：帮客户提档升级

　　最后还有点题外话，也是未来的研究方向。

　　那么如果面对第四档，甚至我们平时连做研究都不会涉及到的第五档、第六档的客户怎么办？直接放弃吗？

　　我们的职业责任感驱使我们不会这样轻易放弃。于是，后面还会有新的课题，帮客户提档。目前海外这一点做得比较有名的是格莱民银行。

　　格莱民银行引入了一个全新的思路：面对非常非常下沉的客群（几乎是赤贫人群，跟我们上文讲的我国小微客群完全不是一回事，大部分小微客户在社会中并不是低收入人群），已经不仅仅是风控问题了，而是这些人素质不高，行为模式不规范，完全无法套用现代银行风控。这些人是社会中非常底层的人群，连起码的收入、支出习惯都没有的。格莱民银行把他们组织起来，建立互动小组，手把手教他们怎么管好5美元或10美元，怎么把钱存下来、怎么量入为出……

　　这样，一步一步把他们从最坐标体系之外，先拉入坐标体系之内，然后再慢慢开始考虑后面借贷的事情。这确实是功德无量之事。

　　我们日常覆盖的银行大部分还不会涉及到这样的赤贫人群。而且我国取得全面脱贫的伟大胜利之后，食不果腹、衣不遮体的绝对贫困应该是基本没了，但相对贫穷的人还是有的，因为刚刚脱贫的人生活水平依然很低。目前普惠小微信贷取得了较好的进展，下一步进军的应该是这类群体了。

　　(本文作者介绍：中国人民大学金融学硕士，CFA持牌人，曾供职于浙商证券、光大证券研究所，担任金融行业分析师，2018年加盟国信证券，任金融业首席分析师。)