《重构中国银行业信贷风控体系》连载丨第二章：几种信贷风险认识论存在的矛盾

　　意见领袖丨嵇少峰

　　二、几种信贷风险认识论存在的矛盾

　　（一）如何认识信贷风险？这个问题主要分三派：

　　1．概率派（定量派）：信贷风险作为可量化概率事件

　　（1）理论起源与发展

　　概率派观点源于18世纪的概率论和20世纪初的保险精算学，在信贷领域的系统化应用始于20世纪50年代哈里·马科维茨的现代投资组合理论和70年代阿尔特曼的Z-score模型。2004年《巴塞尔协议Ⅱ》正式将概率模型纳入银行风险管理的监管框架。

　　（2）核心理论体系

　　信用评分理论（费舍尔，1936）：通过借款人的特征数据预测违约概率，开创了量化评估的先河。现代风险计量模型：阿尔特曼Z-score模型（1968）：通过5个财务比率计算企业破产概率；J.P．摩根的CreditMetrics（1997）：基于VaR框架计量信用风险；穆迪KMV模型：运用期权定价理论推算违约概率

　　（3）核心观点

　　承认信用风险本质上是未来不确定性事件（违约/损失）。这种不确定性无法完全消除，但可以通过历史数据、统计规律和概率模型进行量化估计。信贷风险本质上是可通过历史数据推断的统计概率事件。违约行为虽然单个看似随机，但在大数定律下呈现稳定统计规律。通过足够的样本数据和适当的数学模型（如逻辑回归、机器学习），可以准确计算违约概率（PD）、违约损失率（LGD）等风险参数。风险管理的核心是构建精确的量化模型，并持续通过数据验证和模型迭代提升预测准确性。

　　用口语表述就是，风险是有一定的概率，比如消费信贷领域，在一定的金额下，信用表现良好的人还贷的可能性大于信用不好的；年龄大于60、小于20的人还贷的可能性低于年龄在20-60之间的等等。银行通过对风险概率的推算，列出不同权重的风险因子，努力排除高风险概率人群，或对高风险概率人群进行风险溢价，从而实现信贷风险的可控。

　　这种方法的核心思想是“过去是未来的指南”（在一定条件下）。寻找借款人特征与违约概率之间的统计关联性。

　　技术代表：信用评分卡（Scorecards）、统计模型（如Logistic回归、Probit模型）、机器学习模型（如随机森林、梯度提升树、神经网络-用于概率预测）、精算方法等。

　　（3）现实应用

　　商业银行内部的评级系统、信用卡自动审批、消费信贷评分卡等都基于这一理念。穆迪、标普等评级机构的信用评级本质上是违约概率的等级化表述。在实践中，目前主流的商业银行零售信贷业务均采用了这种方法，通过数据模型，智能风控的方式来实现信贷风险分析；我们的农村商业银行整村授信基本上也是这个逻辑，只是更原始一些，主要通过人工采集借款人的特征，再确定一套风险特征、违约概率的评分或授信额度，排除黄、赌、毒、病等人群，就可以给不同的自然人授信。

　　2．因果派（定性派）：信贷风险作为可推演的因果链条

　　（1）理论起源与发展

　　因果派观点可追溯至19世纪商业银行的信贷实践，理论化于20世纪初欧文·费雪的债务通缩理论。约瑟夫·熊彼特的创新理论强调了企业家的关键作用，威廉·希德的《信贷分析原理》系统阐述了因果推理在信贷决策中的应用。

　　（2）核心理论体系

　　企业生命周期理论（爱迪斯，1989）：不同发展阶段企业风险特征各异

　　行业分析框架（波特五力模型，1980）

　　5C分析法（Character，Capacity，Capital，Collateral，Conditions）

　　（3）核心观点

　　信贷风险不是简单的概率问题，而是由一系列因果因素决定的复杂现象。违约事件是企业经营、行业环境、管理层决策等多因素共同作用的结果，通过专业的因果推理可以识别风险根源。信贷专家需要深入分析借款人的商业模式、竞争优势、现金流机制等定性因素，构建完整的因果逻辑链。真正的风险识别需要理解“为什么会发生违约”，而非仅仅知道“有多大概率”违约。它的底层逻辑：

　　强调理解违约发生的具体原因、传导路径和内在机制。“知其然，更要知其所以然”。通过深入分析因果关系和业务逻辑来判断风险。

　　（4）现实应用

　　主要在中小企业贷款、项目融资等缺乏历史数据或信息复杂难辨的场景中使用。投资银行的尽职调查、私募股权投资的决策过程都强调深入的因果分析。技术代表：专家判断法（如传统信贷员经验、5C分析法）、现金流分析（预测未来偿债能力）、基本面分析（深入剖析财务报表、经营策略、行业竞争、管理层素质）、情景分析与压力测试（模拟特定因果事件的影响）、尽职调查（发现潜在风险点）。在国内形成影响力的主要是德国IPC、泰隆银行的微型信贷技术；在公司信贷方面则各行基本是财务分析法和各种专家判断法的变形，只是没形成系统、标准和样版。

　　3．不确定派：信贷风险本身就是不确定的，难以分析与预测

　　（1）理论起源与发展

　　不确定派源于弗兰克·奈特（1921）对风险与不确定性的区分，约翰·梅纳德·凯恩斯（1936）强调动物精神和非理性决策的重要性。

　　（2）核心理论体系

　　奈特不确定性（1921）：区分可计算的风险与不可计算的不确定性

　　行为金融学（卡尼曼和特沃斯基，1979）：认知偏差如何导致系统性误判

　　复杂系统理论：强调风险的涌现性和不可预测性

　　（3）核心观点

　　信贷风险本质上是不可量化的不确定性（Uncertainty而非Risk）。人类认知存在根本局限，无法通过概率计算或因果推理准确预测违约事件。极端事件（黑天鹅）的发生概率无法计算，但其影响却是决定性的。风险具有层展性（EmergentProperties），微观层面的理性行为可能在宏观层面引发系统性风险。有效的风险管理不是追求准确预测，而是构建反脆弱体系，确保在极端情况下也能生存。

　　（二）三种理论的冲突和新形势下的问题

　　过去相当长的时间内，概率派主要在消费信贷领域发生作用，专家经验派则主要在公司信贷领域应用。这两派虽然处于二维对立的状态，但信贷实践中冲突并不多，偶尔还有一些简单的互补做法。多数问题体现在各自领域内，表现为缺乏整体风控策略的认知、技术水平差异等方面，并没有显示出对信贷风险认知理论迫切的更新需求。但随着金融科技的发展，两派冲突与融合方面的认知问题越来越严重。

　　随着经济与金融的发展，上述三种理论逐渐出现了融合的趋势，比如《巴塞尔协议Ⅲ》在要求量化模型的同时，强调压力测试和专家判断的重要性；人工智能技术试图将专家经验转化为可计算模型；行为经济学帮助理解非理性因素如何影响信贷决策。但是，虽然出现了融合，但截至目前并未出现一种非常清晰的理论来表述这三种理论融合的趋势，也未给出如何融合、融合的原则及如何融合的具体方法。这就导致了银行业出现了各种观点与做法的冲突。

　　1．消费信贷在跨经济周期时、重大经济金融政策调整期，经常出现模型失灵的现象；

　　2．在市场充分竞争、科技水平同质化的情况下，如何利用专家经验来对模型进行干预形成一种迫切需求，但如何干预、如何科学发挥专家因果推演的能力，需要有明确的方法论指导。

　　3．很多银行试图用量化、AI模型来解决中小企业风险分析的问题，希望能以此摆脱信贷员能力的约束、批量提升业务规模；

　　4．以专家经验为基础的企业信贷风险分析难以标准化、规模化，容易产生道德风险与操作风险。目前公司信贷业务更加迫切需要技术的革新。

　　5．很多银行提出了线上+线下的所谓综合信贷风控模式，但多数策略设计过于简单，实践中普遍失败。比如POS贷、流水贷、税务贷，已经出现大量风险，但各家银行并未找到确定安全的解决方案，都在缝缝补补。

　　6．随着政府部门加大了对金融的调控政策，特别是对金融功能的重新定位，伴随着外部经济形势巨变，之前仅重点关注借款人、目标客群本身的数据与风险特征的信贷风险方法论，也出现了巨大的理论缺口。量化也好、专家经验也好，现代模型、专家模型均存在严重的缺失，需要补上外部因素、社会层面、地域因素等方面的风险要素，这些因素在过去的实践中虽然也有部分考量，但未形成系统化的认知，更未在理论层面得到充分体现。（为了方便，我将这些因素统一命名为“社会建构”因素，后文有详述）。

　　7．三派虽然在理论上有了融合趋势，但在实践中仍然是小范围应用，而且这种融合同样因缺乏具体的理论和技术原则指导而出现乱序，典型的就是税贷、流水贷等信贷产品的系统性风险失控。

　　(本文作者介绍：曾在人民银行、银监会系统工作十六年，后从事私募、融资担保、小额贷款、金融科技工作。小微信贷行业代表性人物，中国小微信贷机构业务创新合作联盟发起人，小微信贷实战专家，互联网金融知名评论者，财经专栏作家。著有《为什么说99%的P2P终将死亡》等一系列热点文章，多次准确预判小微信贷市场走向与监管趋势。)