改善本土銀行信用風險控管的「加減乘除學」

守護資產品質 需要新利器

面對瞬息萬變的國際局勢，風控對金融業來說相當重要。銀行營運的核心取決於信用風險管理，不論科技如何進步，FinTech如何發展，相關單位仍需落實控管，避免金融危機銀行業者不自律的嚴重後果再次上演。

世界上無時無刻存在著各式各樣的風險，諸如地緣政治風險、資安風險、國安風險、氣候變遷風險、金融海嘯風險、經濟衰退風險、染疫風險等，各種風險之間的交互作用又讓人難以捉摸。面對瞬息萬變的國際局勢，風險控管更形重要。

不管科技如何進步、金融科技（FinTech）如何發展（例如投資風險極高的加密貨幣、中央銀行正在研究的數位貨幣以及區塊鏈技術的應用等），銀行營運的核心仍舊取決於信用風險管理。銀行業最古老、傳統的風險就是借錢不還（不管是有意的或是無意的），2008年的金融海嘯追根究柢也是歸因於「交易對手信用風險」（Counterparty Credit Risk, CCR）。近年來台灣電商發展越發蓬勃，先買後付的交易模式可能會讓消費者陷入債務問題，進而提升整體違約風險，有關單位不得不重視相關議題。

改變思維 重新審視現況並扮演適當角色

要提升本土銀行的信用風險控管，主管機關和銀行業者需要重新審視現況，並扮演好各自的角色。主管機關需要引導與督促銀行，不可以單純相信市場參與者的自律，否則2008年的金融海嘯可能在台灣上演。值得一提的是，金融海嘯後，美國國會為了強化金融監理，通過《陶德─法蘭克法案》（Dodd-Frank Act），中小型銀行頓時怨聲載道，因為它們難以滿足法案的要求，且獲利能力嚴重受損，後來美國國會從善如流，才放寬對中小型銀行的規範。台灣主管機關也不應該拿國際標準硬套在本土銀行身上，因為兩者的營運模式相差甚遠，要認知到國際規範（如巴塞爾協定，Basel Accord）適用於國際大型銀行，台灣本土銀行礙於資源有限，無法照單全收。那麼，本土銀行就不用或無法做好信用風險控管了嗎？也不盡然。信用風險控管不是一蹴可幾，想要一步登天，必然失敗，要按部就班才有成功機會。例如學習微積分要從加減乘除開始，然後代數、幾何、三角函數。過程可以加速通過，但是不可以省略。建置好的信用風險控管系統與制度要先蒐集跟儲存與日常營運相關的歷史資料、建置可以用在日常營運的預測模型，最後再依據這些預測模型跟相關資料來計算供高層（例如董事會）制定營運策略的經濟資本配置與壓力測試的壓力損失。

台灣本土銀行也需要改變觀念，部分管理人有心要落實風險控管，但不知道如何著手，大多只是應付主管機關規定。風險控管不是第二個稽核單位，它需要有前瞻性，要能夠預測未來可能的風險，並以此作為營運策略的依據之一。數10年來，信用風險控管早就引進統計預測模型為工具，根據歷史資料來預測交易對手在未來一定期間內違約的機率（實務上信用卡的評分標準與對企業放款的信用評等依據皆由此衍生），而在這基礎上，後續才能夠計算更複雜的經濟資本和進行壓力測試。風險控管就像汽車的剎車，汽車行駛時大部分時間要踩油門，但關鍵時刻必須踩剎車，否則銀行可能陷入營運危機。好的風險控管可以提供藍圖、規劃，清楚標示各類風險程度，以便董事會和高階主管擬定營運策略。風險控管部門的目標應該是幫忙銀行透過避開高風險可能引發的呆帳損失來極大化利潤，而不是只聚焦於風險極小化。

蒐集與存取資料 大型國際銀行與國內本土銀行作法不同

風險控管需要依據大量的歷史資料進行預測，對銀行業者而言，第一步就是蒐集、儲存歷史資料。在大數據時代，資料可視為一種新的生產要素，業者必須善加利用。然而，儘管多數高階主管都知道資料的重要性，卻鮮少費心建置完善的資料庫，因此後續的分析應用常常遭遇各種困難。那麼對本土銀行業而言，需要蒐集什麼樣的資料呢？首先要釐清，歷史資料不同於營運系統內的即時資料，歷史資料可以被定義為：隨著時間推移，在不同的時間點陸續存下的即時資料。用歷史資料建置預測模型，使用模型時要輸入即時資料，然後根據模型輸出的結果來做下一步決策。

在美國有幾千萬持卡人的花旗銀行，最早也是買外面的評分卡FICO（Fair-Isaac scorecard，評分卡是信用卡預測模型的專業用語），一份將近3美元，花旗銀行近3,000萬持卡人，做一次事中管理要花近9,000萬美元買類行為評分卡，所費不貲，而且一年可能不只買一次！而FICO屬於通用評分卡，可以用於不同功能，但是因為樣樣精通、樣樣稀鬆，每一樣功能都不是最準。因為業務考量，花旗銀行決定追隨美國通運（American Express）的腳步，內部建置各種評分卡。這是個重大決定，但是第一步卻不是去外部挖角建置預測模型的專家，而是先組成一隊資訊科技的人才，建置資料倉儲，儲存歷史資料，過了2、3年，已經有足夠的歷史資料了，再去外部找建模人才。畢竟巧婦難為無米之炊，就算有幸遇到名廚願意料理滿漢全席，缺乏好的材料與工具，也是無法成功。

對銀行而言，資料可區分為內部資料跟外部資料。內部資料是銀行專有的、非公開的資料，屬於銀行的商業機密，也是競爭優勢之一；外部資料又可大致區分為可免費公開取得（如道瓊工業指數等）與需付費（如聯合信用徵信中心、路透社、彭博社等）的資料。舉例而言，面對新戶申請信用卡，銀行內部沒有此人的相關資料，對申請者一無所知，因此只能購買外部資料來做後續評估（這種狀況通常要跟聯合信用徵信中心購買）。

一般而言，跟業務相關的資料都要蒐集，包括徵、授信過程的相關資料等。若是業務平常營運已經數位化，則可以根據需求定期備份，歷史資料隨時間經過自然成形。有些銀行業務只有紙本文件（例如企業放款），則需要設法將文件數位化，以便日後存取、分析及應用。

再來是關於資料的存取。資料存取可以大致區分為3種：國際大型銀行最常採用的、昂貴的資料倉儲（Data Warehouse）；《巴塞爾協定》強烈建議、次之的資料市集（Data Mart）；以及將最原始、未處理過的原始資料（Raw Data）直接儲存於硬碟中。數十年前，資料是存在大型主機（例如IBM 360／390）的磁帶，因為是循序存取（或稱順序存取，Sequential Access），存取非常費時。隨著科技進步，記憶體逐漸由晶片取代磁帶，改為隨機存取（Random Access），儲存速度加快，記憶體越做越大、也越便宜，亦可以提供更多先進的功能。此外，資料庫系統也會影響資料存取的效率。建置資料庫主要的效益在於節省儲存空間與運算時間，但是建置過程和維護需要一定的專業，對任何企業而言，都是一項不小的投資（在軟、硬體和雇用人才方面）。傳統關聯式資料庫（Relational Database）因為已經將實體之間的關聯性內建在資料庫，使用者（通常是商業分析師）只需要懂簡單的結構式查詢語言（SQL）便可以分析資料做市場研究。目前大部分的資料倉儲和資料市集屬於傳統的關聯式資料庫。一群資料市集可以整合成一個資料倉儲，單一的資料市集也可以是部分的資料倉儲。

大型國際銀行投資建置資料倉儲合情合理，因為後續有足夠的商業分析師們使用，但是中小型銀行就未必划算，投入大量資源只為了整理少量資料，後續使用者也不多，不符成本效益。其實國內本土銀行規模不大，最划算的做法應該是定期將原始資料儲存於硬碟，未來若需要建置統計預測模型，再找外部顧問公司合作。或者，日後若銀行業務成長到一定規模，再來考慮建置資料市集。

數位轉型三階段 數位化、數位優化及數位轉型

前述內容牽涉到銀行業的數位轉型議題。資策會將數位轉型分成三階段，分別為「數位化」、「數位優化」以及「數位轉型」。概念上，數位化指的是銀行業者將過往紙本填寫的表單轉變為易儲存、處理的資料格式，並可透過對應的系統管理資料；數位優化則是指在數位化的基礎上，改善銀行業的作業流程；最後，數位轉型則是指銀行業利用前述的架構發展出新的商業模式，從而提升自身價值。在完成相關數據的建置後，銀行業者可透過AI模型建構違約風險指標，從而降低面對的信用風險。數據是數位轉型中最重要的元素之一，沒有高品質的資料與友善的分析架構，銀行業者在未來勢將面臨嚴峻的挑戰。

主管機關積極作為 展現督促落實風控決心

上文提及不少本土銀行可以做的努力，那麼主管機關金管會又應該如何扮演引導和督促的角色呢？首先，在現有的金融法規下，擬定及公告新的管理辦法，要求銀行業者建置相關資料庫，展現督促銀行落實風險控管的決心。主管機關到各銀行稽核時，應該從根本做起，例如檢查銀行是否有留存歷史資料、如何儲存、存在什麼系統、如何取回等，然後再檢查銀行如何進行分析以及如何應用在日常營運。若銀行業者不重視資料的完整性，如何透過先進、複雜的風險控管預測模型來降低信用風險？

主管機關可以考慮以下作法：如果業者第一次沒有通過主管機關對資料蒐集、儲存的稽核，可給予書面警告並要求限期改善；若第二次稽核仍沒有通過，則可依法裁罰，並要求銀行停止部分業務；若銀行業者持續不改善，且主管機關判定可能引發重大系統性金融風險，則可考慮勒令該銀行停止營業，直到改善為止。2008年金融危機讓我們看到銀行業者不自律可能產生的嚴重後果，主管機關應該重視潛在的影響，並採取強勢的作為，同時，也可順便解決銀行過剩（Overbanking）問題。

（本文作者曹添旺為中華經濟研究院董事長、東吳大學名譽教授；李宗穎為美國德州農工大學經濟學博士，曾在花旗銀行紐約總部信用風險管理處工作，回台後曾在多家銀行協助建置信用評分卡、計算經濟資本、設計壓力測試與計算壓力損失等，為銀行信用風險控管專家、大學兼任助理教授）