篇一：资料(风控)
大数据风控那些事（上）
大数据风控同传统风控在本质上没有区别，主要区别在于风控模型数据输入的纬度和数据关联性分析。据统计，目前银行传统的风控模型对市场上70%的客户是有效的，但是对另外30%的用户，其风控模型有效性将大打折扣。
大数据风控作为传统风控方式补充，主要利用行为数据来实施风险控制，用户行为数据可以作为另外的30%客户风控的有效补充。大数据风险控制的作用就是从原来被拒绝的贷款用户中找到合格用户，识别出已经通过审核的高风险客户和欺诈客户。
一、银行信用风险控制的原理
金融行业中，银行是对信用风险依赖最强的一个主体，银行本质就是经营风险，不同的风险偏好决定了银行的经营水平。在经济结构调整周期过程中，信用风险管理也是各个银行面临的巨大挑战。
1.两种常见的信用风险管理方式
银行信用风险管理有两种方式，第一种方式是从大量申请人中找到合格的贷款客户，将贷款放给这些人。第二种方式是从申请人中识别出有潜在风险的贷款客户，不将贷款发给这些人。可以简单地认为是找到好种子和识别出坏种子。
2.如何找到合格的贷款人？
银行在找好种子时，一般会对好种子进行一些基本限定，从贷款人的学历、年龄、收入、职业、资产、负债、消费等几个方面进行打分，最后综合评级，依据评估分数进行贷款审批，可以简单地认为是风险定价（RBP）。
贷款销售人员主要的任务是找到好种子的用户，通过KYC和风险评估等方式的找到潜在合格客户。这个阶段的风险控制可以认为是一个基线控制，经过风险评估之后，会得到客户的评估分数或风险评级。在控制基线之上的客户会被放进来，认为是潜在合格客户；风险管理部门进一步验证，如果审核通过之后，就会依据分数和级别发放贷款。
3.识别出潜在风险的人
利用数学模型来识别风险客户，目的是找到欺诈客户和未来不会还款的用户。在识别坏种子时，数学模型和坏种子是关键，数学模型决定风控方式是否科学，数据纬度是否全面，结论是否科学。坏种子是用来修正风控模型参数，提升模型的鲁邦性，同时让模型可以不断完善自己。在预防欺诈用户时，行业共享的黑名单也起到了很大的作用。
坏种子对识别出欺诈用户和潜在违约用户十分关键，风控模型是否有效的一个前提就是是否有足够多的坏种子。
4.个人消费金融授信的5P原则
信用贷款分为抵押贷款和无抵押贷款，其中抵押贷款的风险相对较低，风险评估过程中主要关注抵押品的自身价值和贷款覆盖率，贷款用途和还款能力占信用审批权重比例较低。银行过去大量的个人贷款，都是抵押贷款，其中按揭房贷占了很大的比重。
无抵押贷款称为信用贷款，时髦的称呼为消费金融。贷款人无需进行财产抵押，仅仅依靠自身信用分数或还款能力申请贷款。相对于抵押贷款，其风险较高，也是银行信用风险管理的重点领域。这几年消费贷款增加较快，预计2017年同个人消费相关的消费贷款，可以达到27万亿左右。很多银行、信用卡中心、互联网金融公司都在争夺这个市场。
个人金融消费贷款除了遵循CCCP消费金融授信审核标准之外，授信5P原则也经常用于评估客户信用风险。“5P”原则主要是指贷款人情况（people），资金用途（purpose），还款来源（payment），债权确保（protection），借款人展望（perspective）。
贷款人情况
是指贷款人信用情况、个人财力、银行往来记录，其中其个人信用评分比重最高，个人财力次之，贷款人的还款记录和还款意愿也很重要。
资金用途
是指贷款人的借款用途是否合理、合法。是否用于投机领域或高风险领域，例如高利贷或赌博等。资金用途是否合法，同贷款被按时归还相关度较高。
还款来源
是授信审批中最重要的，用来了解贷款客户是否具备还款来源，其偿债能力如何。其中客人的月度薪资收入、资产收入、支出费用、财产价值都高度相关。其中常用衡量标准是无担保贷款不得超过月收入的22倍（DBR小于等于22），月还款金额不得超过客人扣掉所有支出费用后，所剩费用的一半。另外信用卡的授信额度也会被考虑在内。
债权确保
主要是指对申贷客户所提供的各项担保品进行评估，当贷款违约时，银行可以处理担保品，减少带贷款损失。消费金融一般无担保品，因此债权担保不太适用，但是某些消费金融公司会让贷款人购买一个担保产品，一般为贷款总额的2%，可以作为债权确保。
借款人展望
就是贷款人未来违约的可能性，依据贷款人的行业、薪资、职业、职务、学历等因素进行预测，评估未来发生风险的概率。一般入门门槛低、专业程度低，可替代性高度高的工作或行业风险较高。
5.贷前风险控制的重要性。
信用贷款的风险控制分为贷前，贷中，贷后三个阶段。贷前控制主要是找到合格贷款人；贷中控制主要预防抵押品资产减值，无法覆盖贷款标的，或者预防借款人还款能力下降，无法按时归还贷款；贷后控制，主要当贷款发生逾期时，通过催收降低银行损失。其中，贷前风险控制是最为重要的。
摩根大通银行有一个统计，75%的信用风险可以在贷款前进行风险控制，贷后风险控制的有效性大概只用25%。因此对于金融企业，贷款前的风险控制更为重要。在信用卡领域，贷款前的恶意欺诈占整体信用贷款损失的60%，真正贷款到期，不进行还款的的客户只占信用贷款损失的40%。互联网金融企业也是如此。信用贷款风险控制过程中，贷前风险控制是最为重要的。
二、金融行业信用风险控制的挑战
金融行业在过去主要依靠经验和宏观经济形式来实施风险控制，以定性为主，更多依赖风险管理精英的个人能力，特别在经济发展很好的时期，风险管理偏好不太科学，不能够反应出真正的风险水平。定性的风险管理占主体，定量的风险管理起到很小的作用。
现在，越来越多的银行正在重视定量风险管理，积极利用风控模型来实施风险评估。巴塞尔III协议的推行，推动了定量风险评估。大多数中国银行的风控模型大多从国外引入，经过自己定制和改良之后用于信用风险评估。但是信用风险和操作风险比较复杂，由于信息不全以及其他问题，很多国外的信用风险模型效果不太明显。于是大多数中国银行参考国外信用风险评估模型，做了一个中国版本。包括著名的FICO风控模型，现在银行很少直接采用。 在这个中国版本的风控模型中，企业信用贷款过于依赖政府授信和国有企业，这种粗放型信用风险管理在经济结构调整过程中，引发了很高的不良贷款率。对私业务中，过高的信用审核标准，无法为更多的贷款申请人提供贷款，造成了无法为更多人提供服务，特别是在信用消费领域，无法实现普惠金融服务。
银行在个人信用风险管理过程中遇到的主要挑战。
1.缺少坏种子
银行建立风控模型的基本原理是，利用大量坏种子，寻找到共性信息，建立风控模型。在利用另外一批坏种子来优化风控模型，找到合适算法，预测参数，加快收敛等。
坏种子对于建立风控模型至关重要，如果坏种子数量不够，风控模型无法设定参数和修正模
型。过去银行严格的信贷审批机制，造成了小额贷款（信用消费信贷）规模很小，产生的坏种子也不多，规模较小的坏种子对于建立信用评估模型不利，，无法优化已有的模型和提高风控模型的适用性。
信用风险常见的算法有参数统计法例如逻辑回归、Bayes风险判别分析法，以及非参数统计方法例如聚类和K－means法，神经网络法。现在应用较多的是SVM支持向量级机方法，其在小样本、非线性及高纬模式识别中有特有的优势。同时SVM也是努力最小化结构风险的算法。
2.数据纬度不全
量化风险评估需要将涉及到此风险的所有相关数据都包含进来，通过模型进行信用风险评估，计算出还款意愿和还款能力。评估采用的基本数据因素有年龄、收入、学历、客户资历、行业、区域等，其占主要部分。信用因素包含如负债状况、缴款记录、理财方式；以及行为因素例如交易时间和频率等。
除了这些变量和因素，其实还有一些因素并没有被考虑到现有的风险评估模型中。例如贷款者的身体健康情况、生活规律、是否参与赌博、是否参与民间借贷等，同信贷违约高度相关的信息没有被考虑到信用风险评估当中。
特别是用户行为特征，几乎很少的信贷评估模型会考虑用户的行为。如果客户在借款前，频繁去澳门赌博、或参与民间高利贷、或有吸毒历史、或者飙车、或者经常半夜出入夜店等危险区域、或经常半夜使用App等。这些危险行为因素都会对其信用风险产生影响，但这些因素原来并没有被考虑到信用风险评估之中。
风险评估过程中，如果数据纬度不全，高相关数据没有被考虑进来，对风控模型是一个大的风险。信用风险评估模型缺少了重要风险因素的输入，其评估结果的偏离度就会较大，评估结果失效的可能性就很大。
3.风险定价不够精细
量化风险管理的一个核心是风险定价，根据银行自身的风险偏好来对资产进行定价，高风险资产定价较高，低风险产品定价较低，根据风险高低来制定资产收益，RBP（基于风险定价）已经成为主流。
大多数银行过于保守，不愿意容忍较高的逾期率和不良率，对于所有信贷产品都一视同仁，严格控制逾期率和不良率水，一旦过高，立即缩紧信贷政策，严格控制贷款规模。复杂的经济环境和风险场景，以及缺少全面数据，让风险管理专家更加谨慎对待风险管理，误杀率远远大于漏放率。
实际上，不同风险的产品应该有不同的信贷风险控制指标，高收益的产品，其不良率应该比低风险的产品要高。例如利率为12%的小额信贷就可以容忍3%左右的不良贷款率，其利差收益完全可以覆盖不良贷款。对于风险较低的消费信贷，其不良贷款率也可以适当放开。在逾期和不良贷款管理中，应该按照风险覆盖程度细化资产定价，不能采用统一的风险偏好，这样才能支持消费贷款，依据风险水平，提供精细化信贷产品。
4.风险模型的自我学习能力和数据的实时性
量化风险成为主流风险管理方式之后，银行也在思考风险评估模型的科学性。影响信用风险管理的因素很多，除了客户自身的还款能力和还款意愿，还有恶意欺诈、外界经济环境、黑天鹅事件等不可预见的因素。信用风险的评估完全依赖风控模型将会产生另外一个风险，就是模型自身学习能力和数据实效性。
好的风控模型需要具有自我学习能力，可以依据输入数据来修正模型，另外模型的抗干扰能力也需要较强，避免大量噪声数据干扰计算结果。具有自我学习能力的模型可以适应外部多种因素的变化，同时也可以自身迭代提高，抵抗外界噪音干扰。
实时有效的数据对于风险评估结果影响也很大，数据是有时间价值的，滞后的数据会影响评估结果，不能反映实时风险变化情况。实时的数据录入和动态信用风险评估现在对银行是一个巨大的挑战，一个月进行一次的风险评估并不能实时反映信用风险变化情况，银行需要找到一个好的方法来建立动态风险视图，不仅仅是信用风险管理，其他的风险管理方法也要向实时数据录入和风险实时评价方向转变。
5.外部风险来源的多样化
现在的信贷市场，不再是银行一家的市场。互联网金融企业的崛起，让客户更加容易获得贷款，同时也加大了银行管理信贷风险的难度。
例如一个客户在银行环境内部授信额度是10万，但是其在外面的互联网金融公司、典当行、民间借贷机构，都有借贷行为，可能总计借贷规模远远超过10万元。客户的高额借贷增加了违约风险，这些不在金融企业内部的借贷行为，银行无法了解，也无法实施有效的信贷风险管理。
信贷环境的复杂给银行信贷风险管理带来的较大挑战，客户信贷信息分散和孤立，造成了外部风险来源的多样化，银行需要寻找一种方式来打破这种信息不对称，购买外部信贷数据可以解决这个问题，但信贷数据的覆盖率也是一个较大的挑战。
大数据风控那点事？（中）
2015年互联金融出现了井喷式的发展，行业贷款规模已经突破1万亿元，同时几个大的案件也将互联网金融推到了风口。相对于传统金融来讲，互联金融面对的客户风险较高，其风控面临的挑战更大，对数据风控对要求就会更高。
三、互联网金融行业的风控挑战
中国的互联网金融企业愿意从美国挖一些风控人才来提高自身风控水平。但是美国的征信环境比中国简单，很多信息可以拿得到，美国已经是一个成熟的信用社会，复杂的欺诈场景和复杂的信用风险场景不多。很多风控模型到了中国之后并不适合，因此很多中国领先的互联网金融公司并没有采用美国的风控模型，大多是自己开发风控模型。中国目前互联网金融的风控环境和东欧的信用环境相似，东欧的一些征信公司在中国很有市场就是这个原因。中国互联网金融公司在信贷风险管理方面面临的挑战如下。
1.客户风险较高
传统金融主要服务70%左右的客户，他们共同的特征就是还款能力强或者背景好。其他的客户包括中小企业和收入较低的白领、蓝领客户，银行不愿为他们提供服务。互联网金融公司主要为这些客户提供短期贷款、过桥贷款、消费贷款、发薪日贷款等。
大多数互联网金融客户收入较低，在银行那里拿不到较好的贷款额度，不是银行的目标客户，其信用评分较低。传统金融认为这批客户还款能力较差，不愿意降低信贷审批要求，为他们提供融资。
特别在目前中国经济调整的阶段，这些小企业经营者或者中低收入人群缺少原始积累，受宏观经济影响较大，企业经营和收入波动较大，他们的还款能力不稳定。互联网金融客户中，还款能力不稳定的客户占很大比例，他们的信用风险较高，对互联网金融企业的信用风险控制提出了很大的挑战。
2.客户信用信息不全
传统金融行业可以借助于人民银行的企业征信和个人征信数据实施信用风险评估，各个银行和信用卡中心也可以及时更新客户金融信贷信息，共享黑名单。在传统金融领域，个人和企业的信用信息集中在一起，容易进行风险评估。
在互联网金融领域，大多数互联网金融公司没有接入人行征信系统，无法拿到客户全维度信用信息，例如客户财产、学历、收入、贷款、金融机构交易信息等信息。互联网金融企业在实施信用风险评估时，仅能够依靠客户提供信息进行验证，但是客户在传统金融领域的借款信息，互联网金融客户的信用信息是不全的。
篇二：利率风险控制及其模型设计
利率风险控制极其模型设计
内容摘要
随着金融改革的深化以及利率市场化改革的推进，利率风险逐渐成为我国商业银行的主要风险。而目前，我国商业银行对利率风险的意识淡薄，规避和管理利率风险的工具匮乏，普遍存在着重新定价风险、基差风险等诸多隐患。因此，利率风险的管理控制将成为商业银行风险管理的主要内容。
VaR模型法是一种新型的风险管理工具，作为金融风险测度和控制的量化模型，在精确量化利率风险方面有着巨大优势。本文着重对VaR模型进行分析，并对其进行评价。
关键词：利率风险；度量；计算方法
目录
一、引言 .................................................. 1
二、什么是利率风险 ........................................ 1
（一） 重新定价风险 .................................... 1
（二） 基差风险 ........................................ 2
（三） 收益率曲线风险 .................................. 2
（四）选择权风险 ....................................... 2
三、利率风险度量的VaR方法 ................................ 3
（一） 简单平均法 ...................................... 4
（二）指数加权移动平均法 ............................... 4
（三）广义自回归条件异方差法 ........................... 4
四、利率敏感性缺口 ........................................ 4
参考文献： ................................................ 6
利率风险控制及其模型分析
一、 引言 随着利率调整的加快利率风险的加大，一些主要依靠利息收入获取收益的商业银行开始频繁地暴露于利率风险之下。由于在我国商业银行对存款利差的依赖程度很高，因而利率风险管理便日益迫切。 基于以上思路，论文对我国商业银行所面临的利率风险进行了研究，对我国商业银行进行了利率风险度量的方法：基于ARCH族模型的VaR度量方法。接着，运用基于ARCH族模型的VaR度量方法对我国商业银行所面临的利率风险进行了实证研究，实证结果表明，基于ARCH族模型的VaR度量方法能够较好的解决构建原则与思路中提出的问题，是一种较为有效的利率风险度量方法。
二、 什么是利率风险
利率风险是指市场利率变动的不确定性给商业银行造成损失的可能性。巴塞尔委员会在1997年发布的《利率风险管理原则》中将利率风险定义为：利率变化使商业银行的实际收益与预期收益或实际成本与预期成本发生背离，使其实际收益低于预期收益，或实际成本高于预期成本，从而使商业银行遭受损失的可能性。指原本投资于固定利率的金融工具，当市场利率上升时，可能导致其价格下跌的风险。巴塞尔银行监管委员会将利率风险分为重新定价风险、基差风险、收益率曲线风险和选择权风险四类。
（一）重新定价风险
重新定价风险是最主要的利率风险，它产生于银行资产、负债和表外项目头寸重新定价时间(对浮动利率而言)和到期日(对固定利率而言)的不匹配。通常把某一时间段内对利率敏感的资产和对利率敏感的负债之间的差额称为“重新定价缺口”。只要该缺口不为零，则
利率变动时，会使银行面临利率风险。70年代末和80年代初，美国储贷协会危机主要就是由于利率大幅上升而带来。该风险是普遍存在的，中国商业银行也面临着重新定价风险。
（二）基差风险
当一般利率水平的变化引起不同种类的金融工具的利率发生程度不等的变动时，银行就会面临基差风险。即使银行资产和负债的重新定价时间相同，但是只要存款利率与贷款利率的调整幅度不完全一致，银行就会面临风险。中国商业银行贷款所依据的基准利率一般都是中央银行所公布的利率，因此，基差风险比较小，但随着利率市场化的推进，特别是与国际接轨后，中国商业银行因业务需要，可能会以LIBOR为参考，到时产生的基差风险也将相应增加。
（三）收益率曲线风险
收益曲线是将各种期限债券的收益率连接起来而得到的一条曲线，当银行的存贷款利率都以国库券收益率为基准来制定时，由于收益曲线的意外位移或斜率的突然变化而对银行净利差收入和资产内在价值造成的不利影响就是收益曲线风险。收益曲线的斜率会随着经济周期的不同阶段而发生变化，使收益曲线呈现出不同的形状。正收益曲线一般表示长期债券的收益率高于短期债券的收益率，这时没有收益率曲线风险；而负收益率曲线则表示长期债券的收益率低于短期债券的收益率，这时有收益率曲线风险。
（四）选择权风险
选择权风险是指利率变化时，银行客户行使隐含在银行资产负债表内业务中的期权给银行造成损失的可能性。即在客户提前归还贷款本息和提前支取存款的潜在选择中产生的利率风险。由于中国自1996年以来先后8次下调存贷款利率，许多企业纷纷“借新还旧”，提前偿还未到期贷款转借较低利率的贷款，以降低融资成本；同时个人客
户的利率风险意识也不断增强，再加上中国对于客户提前还款的违约行为还缺乏政策性限制，因此，选择权风险在中国商业银行日益突出。
三、利率风险度量的VaR方法
VaR本质上是对金融资产组合价值波动的统计测量，其核心在于构造金融资产组合价值变化的概率分布。它的基本思想仍然是利用金融资产组合价值的历史波动信息来推断未来情形，只不过对未来价值波动的推断给出的不是一个确定值，而是一个概率分布。根据VaR的定义，我们可以得到：
Prob(?P>VaR)=1-c
其中，?P为证券组合在持有期缸的损失，VaR为置信水平C下处于风险中的价值。换而言之，在某个确定的概率下，损失不会超过VaR。
VaR有两个重要的参数：资产组合的持有期和置信水平。这两个参数对VaR的计算及应用都起着重要的作用。
为了描述资产组合价值分布特征，人们建立了不同的模型，从而形成了不同的VaR模型体系，适用于不同的市场条件、数据水平、精度要求等。这里只介绍方差——协方差法。
方差——协方差法的基本思想是对组合内资产收益率的分布做出假设，并且令投资组合收益率是各资产收益率的线性组合。在正态假设下投资组合的VaR为：
VaR???W
其中，?为给定置信水平下所对应的分位数，?为资产收益率的标准差，W是资产组合的价值。
因此，求组合的VaR也就相当于求该组合收益率的标准差。一旦得出投资组合收益率的标准差，相应的VaR值也就确定了。由投资组合理论，资产组合的标准差是通过组合内各资产的方差——协方差矩阵求出的，因此这种方法被称为方差——协方差矩阵法。资产组合收益的标准差的度量方法有以下三种常见方法：
篇三：详解国内P2P的八种风控手段
详解国内P2P的八种风控手段
现在国内的P2P平台的风险控制手段，主要有以下几种：
手段一：设立风险保证金。
目前很多平台均设立了风险保证金，比例一般为贷款金额的1%，一旦投资人无法收回投资，由风险保证金提供先行赔付。这一制度看上去有点类似银行，按贷款余额的1%计提风险准备金。但是，这个1%真的与银行一样吗?
我们先普及一个常识，专业人士可以选择跳过。
1、截至2014年6月末，全国商业银行不良贷款率1.08%，上半年16家上市银行不良贷款余额超过5581亿元，其中中小企业贷款不良率大部分介于2-3%之间(不含上半年核销的709.93亿元不良贷款)。P2P投放的贷款由于利率水平远远高于金融机构，其客户质量及保证措施不大可能优于金融机构，P2P如何能够用1%的准备金来覆盖?
2、2014年上半年，中国16家上市银行拨备覆盖率为251%，环比下降13%。拨备覆盖率(也称为“拨备充足率”)是实际上银行贷款可能发生的呆、坏账准备金的使用比率。不良贷款拨备覆盖率是衡量商业银行贷款损失准备金计提是否充足的一个重要指标。
拨备覆盖率=(一般准备+专项准备+特种准备)/(次级类贷款+可疑类贷款+损失类贷款)×100%。举例来讲，某银行贷款余额100亿，其中正常类90亿，关注类2亿，次级类5亿，可疑类2亿，损失类1亿，则其不良贷款率为(5+2+1)/100=8%。
假设不计提特种准备，按照现行规定，首先计提贷款一般损失准备金=100*1%=1亿，然后按比例计提专项贷款损失准备：2*2%+5*25%+2*50%+1*100%=3.29亿。加上一般准备，准备金总额应当达到4.29亿元。
目前，对于一些银行，中国银监会要求拨备覆盖率达到150%，是比拨备充足(100%)
更审慎的要求。这些拨备资金来源均是银行的税前或税后利润。
以上说明，P2P的1%计提不同于金融机构的1%，金融机构是用自身利润来计提的，而P2P大都是将1%成本加到借款人或出借人身上的，这势必带来了更高的融资成本，从本质上加大了贷款的风险。金融机构是多重拨备，且远远超过贷款余额的1%，而P2P的准备金如何持续与积累?另外P2P宣称的准备金是否真实到位?有无挪用?如何监管?
手段二：小额分散，将一笔资金分散到若干个借款标的。
众多P2P平台将小额分散作为降低风险的主要手段之一。实际上，此种分散在降低单一客户的本金风险的同时，也降低了客户的收益率。这种信贷投放越分散，单一客户承担的风险越接近行业平均不良率。
就如一个赌徒，将100美金的注分成1注下还是100注下，带来的结果是1注有可能全赢、全输，100注各有输赢，后者在分散风险的同时，也失去了单注全赢的可能，越分散下注，其赔率越接近赌博项目的平均赔率，众所周知，赌场赢的就是那个1%的赔率，也就是说，如果一个赌客将自已的筹码无限分散，那得到的结果肯定必输无疑。
P2P与之不一样的地方是，不存在赌场必胜的1%。但最终投资者通过此种方式实现的收益，只能是行业平均毛收益率减去行业平均损失率的最后差额。这种方法在分散单一投资人风险的同时，也分散了单一投资人的收益，此差额有可能高于银行存款利率，也可能低于银行存款利率，当平台平均不良率超过一定比例的情况下，投资人扣除承担的平均风险损失，综合回报率甚至有可能低于存款利率。
上述通过小额分散来解决风险的做法，其实本身并不是风散了投资风险的绝对值，而是将损失平摊到每一个投资人身上，它仅仅能减少一个投资人血本无归的机会以及延伸带来的对P2P平台的压力，在宏观层面上并没有改变风险本身。
另外，上述的P2P行业平均损失率还不仅仅是贷款不良率造成的损失，还有平台操作与道德风险产生的损失，这一点，P2P与当前银行业金融机构是不可比的。一些国资或银行背景的P2P当属另类，但是这类平台的投资回报率也比一般P2P平台要低的多，这其中应理解为官方背书的成本吧。
手段三：由担保公司、小额贷款公司等第三方提供担保，由担保公司及小贷公司承担尽职调查成本及代偿风险。
大家看一组数据，基本可以判别这种方式的可靠程度了。截止2013年末，全国融资担保公司法人机构总计8185家。银行业金融机构融资性担保不良贷款余额348亿，比年初增加160亿元，增长84.5%。融资性担保贷款不良率为2.24%，比年初增加0.95个百分点(中国担保协会统计数据)。
事实上，由于协会统计数据均来自各家担保公司自报，其真实度无可考量，至于消失与死亡的担保公司也就更不在其中了。据笔者了解的情况，真正的担保贷款不良率基本不可能低于10%，这还不包括这些融资担保公司银行合作外的担保及违规集资的数据。看看全国担保行业在2013至2014年度出现的大洗牌现象就应该有更直接的理解。
今年以来，四川省有12家担保公司因不合格被注销，23家公司需整改;广东已有30多家担保公司退出了融资性担保市场;此外，浙江、江苏、河南、湖北等地也出现了类似情况，大部分担保公司或被移交，或重组，或变更，或注销，担保业倒闭潮已呈现全国蔓延之势。
据不完全统计，2014年通过主管部门年检的担保公司约为2013年末的半数，目前仍能够正常开展融资担保业务的公司不超过总数的20%。
另外，相当一部分P2P平台合作的担保公司根本没有主管部门授予的融资担保资质，
仅是名称上有个担保字样而已，或者直接就是P2P平台关联人成立的皮包公司。
至于全国小额贷款公司，因没有统一的不良贷款数据来源，只能根据多方情况进行概括。笔者由于是行业中人，接触到全国众多省份的监管机构及小贷同行，因此对全国情况相对了解。全国的小贷公司良莠不齐，差距极大，如果希望得出一个统一的数据基本不可能，但据笔者接触到的全国十余个小贷行业发展较好的省份情况反映，当前小贷公司的贷款平均不良率也不可能低于10%。
综合上述情况，如果仅仅是依靠担保公司、小贷公司来鉴别项目并提供保证，其可靠度可想而知。
手段四：由P2P平台运营方提供代偿保证。
这一点更不靠谱。试看当下P2P平台，除几家银行国资系及拿了VC、PE钱的公司实收资本略大一点外，又有几家公司资本金经得住赔付?绝大部分P2P平台实收资本与P2P贷款余额比例低于1%，有的甚至早已亏损为负数，根本无法承担代偿责任。高收益对应高风险，如果说三两家平台依靠资源、技术或运气可能会成为另类的风险控制佼佼者还有可能，那么整个行业是无法打破这个规律的。
红岭创投，一个项目损失一个亿，而它的注册资金只有5000万元，加上利润、资本公积金也就9000万元，它也就只能拿“疯投”的钱赔了。类似的情况比比皆是，如何相信P2P公司能够代偿?
手段五：由房产提供抵押，所有借款人必须提供房产抵押。
应该说，想出这个方法的人肯定是信贷的外行。如果风控就依靠简单的房产抵押能解决的话，那银行完全可以坐在房产登记处放贷款就行了。应该来说，这个措施骗骗老百姓及不懂金融的投资人是非常有效的，在这个房价上天的时代，房子被老百姓当成了一生最大的追
求与可靠的依赖，听说有房产抵押，就认为是零风险。不仅是老百姓了，连郞咸平教授在电视上也大为赞赏P2P的房产抵押零风险。
事实上，真正有过信贷工作经验的人都懂得，把房产抵押当作信贷的唯一选择，结果是反而将贷款客户质量向下挤压了一大步，加大了信贷风险。银行做房地产抵押贷款相对可靠，因为它利率低，可以优选客户，拥有房产的优质客户除了银行，也没有其它的选择。
而P2P做房地产抵押贷款，那么高的利率首先就将优质客户全部排除在外，剩下的大都是风险客户，等于捡了一地垃圾。众所周知，当下银行对房产抵押贷款的认可度极高，如果一个企业或一个自然人拿房产去银行抵押都拿不到贷款的话，那最大的可能就是借款人的各种风险因素导致的拒贷。这其中包括借款人没有可靠的还款来源、借款人用途有风险或抵押房产存在纠纷等。
千万不要相信那些银行不做小额贷款、银行官僚、银行不专业等妄言，在当下金融机构比厕所还多的年代，在历年信贷膨胀，连应收款帐、仓单质押、类信用保理、无抵押信用贷款、信用卡透支消费都大规模推广的今天，相对安全的房产抵押项目如果不是借款人存在较大的风险，基本上跑一两家银行完全可以借得到贷款。
可以想象一个思想健全、经营良好的人会放弃银行的8%左右的利率，而去选择18%左右成本的P2P资金吗?愿意拿房产抵押到网上融入资金的个人与企业，有点类似劣币驱逐良币的过程，其贷款逾期的比例远远超过一般人的想象。现实的数据更能证明这个问题，目前金融机构、担保公司、小贷公司出现不良贷款最多的，恰恰是房产抵押类贷款，它容易让人放松对借款人风险审核的警惕性。
另外，投资人的一个认识误区是，大家普遍认为，一旦借款人贷款逾期，就可以获得他的房子或将其变现，是零风险的，这种误解在民间信贷机构从业人员中也普遍存在。事实上，
《银行风控模型》
由：免费论文网互联网用户整理提供,链接地址：
http://m.csmayi.cn/show/171030.html
转载请保留,谢谢!
- 上一篇：社会实践活动目的
- 下一篇：感谢同学的一段话