基于客户智能风险画像的融资融券风控数字化转型探索

文 / 国泰君安证券股份有限公司融资融券部总经理 刘硕

国泰君安证券股份有限公司 卢阳

华创证券有限责任公司 邹家齐  杨彦宇

融资融券业务经过十余年的发展，已建立较为完善的风险评估体系，覆盖业务的“前-中-后”端。前端风控集中在客户准入环节，中端关注客户在交易过程中的风险，后端管理主要是对债务的追偿。其中，中端风控主动性强、灵活性高，是融资融券风险管理的关键环节。中端风控的核心是对标准参数的管理，证券公司通过调整担保品折算率、标的保证金比例及账户集中度等参数，实现对信用账户交易的间接调控，从而有效控制风险。

目前，行业内多数券商调整标准参数的核心依据是证券质地，为此构建了较为完善的证券风险评估模型。但是，其调整极少关注客户的特质性，在投资者风险特征日益复杂化的背景下，风险效力或不断降低。本文拟以前期对于融资融券客户风险画像的研究为出发点，探索将客户维度风险因子纳入标准参数管理的具体路径，并提出融资融券风险管理数字化建设方案，推动金融科技应用促进行业高质量发展。

各项标准参数工具风控作用不同：融资保证金比例与担保品折算率影响信用账户的安全垫；账户集中度是控制极端风险的关键措施。

将客户维度风险纳入标准参数调整依据，核心是准确识别客户的风险特征。本文结合已有的融资融券客户智能风险画像，通过聚类分析定义了三类高风险客户（见表1）。

表1  高风险客户类别与主要风险特征值

基于高风险客户特征，本文搭建了一套动态交易回测模型，该模型可以将上述参数带入，模拟不同特征客户交易。利用此模型，可考察不同参数管理工具对不同风险特征客户的敏感性，研究客户差异化标准参数管理方案，为融资融券风险管理数字化建设奠定理论基础。

1.动态交易回测模型的假设与构建

针对重仓交易型、弱风控低收益型、高负债激进型三组风险客户，分别构建1万个信用账户。每个账户根据先融资买入后普通买入的方式从该组客户的历史交易池中随机买入，直至杠杆比例偏好达到阈值。随着交易进行，账户会根据投资偏好、追涨因子与止盈止损风格等开展动态交易。模型输出账户每日资产负债、持仓明细、累计成交及盈利等数据。本文通过对比日均成交额，验证不同标准参数工具对账户质量的影响，对比触及风险概率来验证不同标准参数对信用账户风控的实际效用。模型结构见图1。

图1  动态交易回测模型框架与结构

2.研究结论

首先，不同标准参数管理工具对客户交投及风险概率影响效果不同。折算率与保证金比例在控制风险上适用范围较广，但对客户交投活跃度有负面影响，集中度在控制风险上针对性更强，对客户交易活跃的影响呈中性。表2列示了不同特征客户尾部账户风险概率与日均成交额对各标准参数的敏感性。集中度在使用场景上对重仓交易型客户更具针对性，且对客户交易整体呈中性影响。

表2  不同特征客户尾部账户风险概率与

日均成交额对标准参数管理措施的敏感性分析

其次，对不同特征客户采用差异化标准参数，能显著降低尾部账户违约概率。结合参数管理工具敏感性分析，本文初步制定了标准参数客户差异化调整因子（见表3）。在经过差异化因子调整后，可直观看到不同特征客户违约概率均出现了显著下降（见表4）。券商应在准确判断客户特征的基础上，综合使用参数管理工具。

表3  标准参数客户差异化调整因子

表4  不同参数管理模式下，

不同特征客户尾部账户风险效力与交投情况对比

基于融资融券业务风险管理现状，结合客户风险画像方法与标准参数结合的应用研究，本文提出融资融券风险管理平台数字化建设方案。

1.系统建设思路

融资融券风险管理平台是基于数据驱动和智能算法的决策支持系统，需要对业务数据进行实时采集、处理及分析，实现对客户风险的评估与控制。系统建设可遵循以下思路。首先，以数据为核心。系统设计应围绕数据展开，建立完善的工作流程，包括明确数据来源、数据处理流程、数据验证和校验。其次，引入智能算法。引入机器学习、深度学习等前沿算法，构建融资融券客户风险预测模型，精准表征客户风险。最后，模块化设计。充分采用模块化、组件化等设计思路，以便系统升级、扩展和重构。

2.系统架构设计

考虑到融资融券业务的综合属性，可搭建集客户管理、参数管理为一体的综合管理平台。从下往上看，业务架构可分为数据仓库、功能组件、承载模块和应用场景共四个层级（见图2），技术架构可分为数据采集、数据同步、数据存储、算法引擎、特征标签与数据接口共六个部分（见图3）。

图2  融资融券风险管理系统业务架构

图3  融资融券风险管理系统技术架构

3.系统模型构建

（1）数据采集与数据同步。数据采集与同步作为系统基础，需要满足以下要求。一是及时性。在不同系统间建立高效稳定的数据传输渠道，减少延迟带来的风险判断失误。二是精准度。落实内置校验机制与外部校验机制，对数据进行多次验证和清洗。三是可维护性。确保模块间的能独立运行和维护，建立完善的数据备份和恢复机制。

（2）数据仓库建设。数据仓库是融资融券风险管理平台的关键支撑，包括客户静态数据、客户动态数据、参数数据、标的证券数据、市场舆情数据、特征因子数据、特征标签数据共七大数据库（见表5）。

表5  底层数据库明细

（3）客户画像算法模型构建与特征标签制定。首先，利用监督学习算法识别客户风险特征，对客户未来风险情况进行预测，流程如表6。

表6  客户画像算法模型搭建流程

在完成客户风险评估后，可以采用无监督学习算法进行聚类分析，将风险特征相似的客户归为同一类别，实现风险客户的精准分群。最后，结合聚类结果和业务需求，为客户制定针对性的标签体系。

4.功能组件

为确保平台运行效率，可设计并配置如下功能组件（见表7），为业务人员准确呈现数据，提供决策支持。

表7  功能组件介绍

5.应用场景

该系统具有广泛的应用潜力，在两融风控下多个场景都能发挥作用（见表8）。

表8  应用场景介绍

融资融券风险管理平台建设是一项复杂工程，涉及多领域综合应用及跨部门协调，证券公司需不断完善系统核心功能，丰富应用场景，提升融资融券风险管理的精细化、数字化程度。

本文从当前融资融券业务风控现状入手，深入研究了客户风险画像应用于两融标准参数管理的具体路径，对融资融券风控的未来发展提出以下建议。

一是对不同类型风险客户采取针对性标准参数管理工具。行业各券商可通过建立客户风险画像，实现对不同风险客户的精准识别和分类管理，并在此基础上部署针对性的标准参数管理策略。

二是推进客户风险画像的跨平台深度融合。行业各券商可持续推进客户智能风险画像与自动化作业、交易、业务管理等平台的融合嵌套，形成一体化的风险管理系统。借助大数据、人工智能等金融科技手段，赋能个性化盯市、差异化参数设置、风险预案制定等业务场景，提高风险预警的自动化水平与决策的前置性，促进行业融资融券业务的健康发展。

[1] Giuseppe A,Umber T S. User profile modeling and applications to digital libraries [C]．The 3rd European Conference on Research and Advanced Technology for Digital Libraries，1999:184-197.

[2]胡明国.大数据时代下客户立体画像在银行业应用研究[J].中国城市金融,2016(01):40-42.

[3]李梅茵.大数据在互联网金融用户画像中的应用研究[J].中国高新科技,2021(10):47-48+70.

[4]刘硕,卢阳,邹家齐,杨彦宇.科创板制度创新下融券效用分析与思考[C]//.创新与发展：中国证券业2019年论文集,2020:457-463.

[5]刘硕,卢阳,邹家齐,杨彦宇,吴林远.科创板交易质量评价及影响因素分析[J].中国证券,2021,10:74-80.

[6]刘硕,卢阳,邹家齐,杨彦宇,任思语.注册制下融资融券风险标准参数管理优化完善研究[J].中国证券,2022,9:28-35.

（此文刊发于《金融电子化》2024年11月下半月刊）