王彦博等：智慧银行视角下的商业银行负债质量管理

相关技术在银行负债管理方面的应用探讨

❑ 零售储蓄存款交叉销售

Shibor(上海银行间同业拆借利率)作为反映市场利率变动的重要指标，对于指导商业银行利率定价方面发挥着重要作用。另外，国库现金存款作为商业银行主动负债的一项重要来源，有研究表明其中标利率也与Shibor之间存在着稳定的均衡关系。

对于Shibor的预测，早期主要运用的是传统的金融时间序列模型。随着大数据人工智能的发展，传统方法的局限性日益凸显。就目前学界的研究结果而言，无论是传统的时间序列模型，还是单一的机器学习方法，其对Shibor值预测的偏差均随着预测时间段的加长而增大。由于现实问题的复杂性，往往需要多次运用不同的数据挖掘技术。基于此，我们对于Shibor值的预测提出一种可能方案，即运用“回归树+时间序列”的方法来实现3个月（3M）Shibor值预测。该算法不仅能有效避免单一技术方法的局限性，而且能更深层次地对Shibor值的预测进行探索。

无监督学习聚类技术。无监督学习聚类技术源于“物以类聚”的思想，根据数据特征属性来对数据样本进行分群。当数据样本不带有类别标签时，可以使用聚类技术促使可能带有潜在相同类别标签的数据样本聚为一群，所以说聚类可以被看作是一种无监督的分类。在聚类分析中，类别中样本的相似性越大、类别间样本的差异性越大，聚类的效果就越好。对样本相似性和差异性的度量，通常使用欧几里得距离方法。在商业银行负债业务场景下，无监督学习聚类技术可用于对银行负债业务流失情况进行定义。

■王彦博 张彦超 杨 璇 张 军   [龙盈智达〔北京〕科技有限公司，华夏银行]

我们首先采用无监督学习聚类技术对存款业务流失进行定义，明确对公一般性存款季日均比上季度下降超过55%为流失；而后采用有监督学习分类技术，在综合考量客户基本特征、业务特征和交易特征等信息的基础上，构建对公存款业务流失预测模型。从模型效果来看，通过运用混淆矩阵对模型进行评估，结果表明该模型能够预测出近50%未来存款下降的客户（即模型在测试集上的Recall指标接近0.5），并且具有超过70%的预测精准性（即模型在测试集上的Precision指标> 0.7）。从实现经济效益来看，我们对挽留客户所带来的存款日均金额进行测算，通过历史数据得到该银行各季度客户流失率平均值和最低值，并严格地选取最低值作为流失率基准；随后，我们统计了自模型应用以来各季度的客户流失率，并通过与基准流失率进行比较，计算出模型应用后每个季度少流失客户的比率、客户数及带来的存款日均金额。实证结果显示，试应用该模型1年左右的时间，能够挽回对公存款年日均约4亿元人民币。

智慧银行视角下的负债管理研究

无监督学习关联规则挖掘及分配规律挖掘技术。为研究超级市场商品项目之间诸如“购买啤酒会导致尿片被购买”这类产品交叉销售问题，无监督学习关联规则挖掘问题于1993年被提出。在关联规则挖掘的诸多算法改进中，一个重要的方向是数量关联规则挖掘；在市场应用中，数量关联规则可以简单表示为→，该表达式可解释为“当人们购买9～14个面包时，他们倾向于同时购买12～20个火腿”。更进一步，分配规律挖掘技术可以从数据中发现→这样的表达式，其可解释为“当人们把25%和35%的资金分配到面包和火腿的购买中时，他们倾向于同时将40%的资金分配到牛奶的购买中”。分配规律挖掘技术不仅可以表明各项目之间重要性的相关程度，而且实现了总体之间的“分配”规则，即描述了总体是如何被分配在各项目之间的。在市场应用中，分配规律挖掘可以用来表示顾客对于多种商品的资金分配习惯；而将牛奶、面包、火腿等商品替换为储蓄存款、理财、基金、贷款、中间服务等金融产品，分配规律挖掘技术则可用于探索“销售负债论”中的银行资产类、中间服务类等产品与负债产品的交叉销售策略。

❑ 对公存款业务批量获客

如何有效驱动大数据人工智能技术为商业银行负债管理赋能，已成为学界和业界各金融机构关注的焦点。负债产品的日益丰富源于业务端在对监管要求的充分理解和熟悉掌握后进行的不断创新，而大数据人工智能技术对于拓展负债渠道和来源存在巨大潜力。随着金融脱媒加剧，不少银行对公存款业务流失情况日趋严重。基于国内某商业银行对公存款客户真实数据，我们探索与商业银行实践紧密结合的对公存款业务规律，从而实现对对公存款流失的预测。

银行负债管理理论主要经历了“存款负债论”“购买负债论”“销售负债论”等发展阶段。我国银行业早期主要遵循“存款负债论”开展业务，该理论重点关注存款状况并由此来指导贷款业务，其优点在于尽可能地保障了银行的安全性与流动性，但却牺牲了银行的盈利性。而后，银行负债管理逐步转向“购买负债论”，该理论指出银行为确保其流动性必要时可进行主动负债，但伴随负债扩张而产生的风险也相应增大。同时，随着同业资金监管的逐步增强，该理论的发展面临着进一步的挑战。“销售负债论”则认为负债管理的任务是以客户为中心，以客户需求为导向，设计出满足客户需求的产品并销售给客户，提升负债产品销售主动性，从而提升客户服务能力。

综上，在智慧银行视角下，我们运用多种机器学习与数据挖掘技术，从对公存款业务流失预测、对公存款业务批量获客、对公负债定价研究以及零售储蓄存款交叉销售等多个负债业务场景出发，对商业银行智能化负债管理提出可行性方案，以期为商业银行在提升负债规模和降低负债成本等智能化负债质量管理方面提供有益借鉴。

除对公存款外，零售客户储蓄存款由于分散程度高、抗周期性强，往往承担着银行负债“稳定器”的作用。从资产组合的角度出发，将零售客户的储蓄存款作为交叉销售的重要产品进行配置，不仅可增强客户资产组合稳定性，对银行负债质量的提升也具有重要作用。

商业银行负债管理发展概述

结 语