消費金融新契機-財力評估模型/所得代理模型應用

 金管會 8/8 宣布，銀行申請財力評估模型試辦第一案，最快 8 月底上路。此措施不啻為銀行業者、貸款需求人員與BNPL（Buy Now, Pay Later 先買後付 分期付款） 業者一個鼓勵，並且也為了金融科技的創新，添加了一個良好的應用。

 無擔保額度(含信貸與信用卡) 以 22 倍為上限是金管會 2007 年開始的規範，旨為了防止雙卡風暴之後的信用擴張。此一舉措雖利益甚佳，執行面則將薪資證明成為申辦的重要文件，不利於普惠金融的發展，也有助長非金融機構貸款的疑慮。

 由因信貸與信用卡市場競爭激烈，又要客戶提供財力證明，著實有擾民之虞。過去金融科技的重點無非以介接 Open API來取得客戶薪資資料，而此一方向容易有資安與個人隱私的問題。雖然法理面與技術面皆已經完備。

從風險管理的本質來說，22倍薪資額度上限規範的本意，是導引銀行能夠確實評估客戶還款能力，除了保障銀行債權，也提醒借款人量力消費。換句話說，如果銀行能夠以一個更便利，更準確的方式來評估借款人風險與收入水準，直接使用數量模型來評估也就是好的解決方案。畢竟銀行也不會真的 100% 確認客戶不會不還錢才借款，要求提供不便民的文件，似乎也不是個好方案。

 從模型預估的基本原理來說，如果採用了統計的因果模型(如迴歸模型)，由於銀行徵信通常都會累積薪資資料，搭配徵信歷史資料，則可以簡易的產出客戶財力評估模型。然則政府的Open Data 以及主計處的薪情平台均已提供了各產業薪資水準的普查資訊。再結合銀行過去的歷史資料，包含職位、產業、年資、AUM、消費行為等豐富的客戶資料，則能夠對於客戶的還款能力得以更精確的評估。如以下圖形：

如果能夠從主計處的資料，先取得行業的總體趨勢，再進行個案的個體差異不同的預估，則模型便可以反應薪資的調整以及個案針對總體之間的差異。例如可從主計處資料得到電子業作業員的平均薪資，再根據年資職位學歷等個體變數進行薪資水準的增減調整，則能夠得到良好的模型預估。

由於這些模型是採用數據進行預測，也將會依循相關法規以及銀行同業對於計量模型的管理辦法，進行上線前驗證、事中監控與定期驗證等機制，來維持模型的合理性，以降低模型失效風險。總之如果未來一旦財力評估模型為主管機關所採行作為收入證明之替代，可預期的效益包含：

• 對銀行而言，針對額小量大的貸款因不用給予財力證明，因此審核速度提升，客戶體驗與觀感將增加。
• 針對正常附上財力證明之客戶，可以利用此一模型進行對財力證明的雙重勾稽，以找出收入填報有異常之客戶。
• 對主管機關而言，普惠金融的實施，將體制外的借款人納入銀行正軌進行評估與監控，能夠促使社會安定。
• 對借款人而言，能夠盡速獲得資金的撥貸，以滿足其需求

(本文作者為  勤業眾信風險管理諮詢(股)公司副總經理 從事銀行業與銀行顧問 24 年)

『金融業運用人工智慧指引』與『巴塞爾資本協定內部評等法』一致的管理意涵

巴塞爾資本協定，將銀行的風險區分為市場風險、信用風險與作業風險。針對於商業銀行最大的風險：信用風險，對於風險衡量機制完備的金融機構，自2007年起可以採行內部評等法(Internal Rating Based Approach) 來計提法定資本，雖因某些原因，主管機關審查銀行使用 IRB的作業遲至 2024 年初才決定開放，也有七家銀行於申請截止日 6/30 前遞件通過。

IRB的主要架構就是銀行法定資本計提的多寡係利用銀行內部評等的模型來決定，而內部評等模型的開發，是利用銀行內部借款人過去的違約資料，經由羅吉斯廻歸方法而來，此一方式和『金融業運用人工智慧指引』(以下簡稱AI指引)對AI 系統定義：「……透過大量資料學習，利用機器學習或相關建立模型之演算法，進行…..預測……之技術｣。是相同的。因此似乎信用評等模型在AI指引的定義下，是最早的人工智慧技術。然而IRB 法規在 2007 年就已經頒布，同時內部評等是銀行掌握核心業務-貸款，最重要的風險管理工具，於法規周延性與發展的歷史性，IRB 應更勝於 AI 人工智慧指引，仔細比對兩方的內容，發現從內部評等發展的實務以及IRB 法規的規範，人工智慧指引著實可以參考以落實相關的管理措施，以下說明評等系統的開發與人工智慧指引二者的關係：

l   建立治理及問責機制為AI 指引核心原則一，旨在明確管理AI 系統的架構及風險管理政策，當責的人員需知悉各種事項等，並有完整之處理錯誤或非預期事件之程序。而使用內部評等系統的銀行，通常都會有模型開發單位熟知模型各項細節同時能夠對內對外解釋，並有二道防線的驗證單位，驗證與開發上線須經由董事會授權當則高階主管進行核准，於IRB法規中規範評等有效運作品質要素包含透明度､獨立性､可歸責性的規範，已經周延呼應了此一原則

l   重視公平性及以人為本的價值觀：此一原則主要希望運用AI 系統時，應評估公平性，儘可能避免偏見(bias)。該因評等系統構建時會考慮各類面向的長清單(Long List) ，而開發過程中會與有關人員進行討論，最終模型也會避免權重集中於同一構面上以造成模型的不穩定性，這些具體的細節雖然沒有法規的確實規範，然則均為評等模型開發時模型選擇上的經驗法則。

l   保護隱私及客戶權益：目前有使用評等模型的金融機構大多在去除敏感性資料的環境中開發，運用時則回歸於營運系統有關個資法的保障。這與此一規範的精神一致。至於客戶權益保障的部分，由於核貸的權利仍歸屬於金融機構，請客戶提供資料進行徵信查核，均經客戶之同意，因此客戶權益在此作法上係得到對應之保障。

l   確保系統穩健性與安全性：信用評等模型的開發過程均有經過驗證單位與稽核單位重重的把關才能夠上線，以確保系統之穩健。系統上線後則歸屬於現有金融業資安的機制。

l   落實透明性與可解釋性：信用評等系統目前所採用的技術，通常都是線性廻歸或羅吉斯回歸所產出的信用評分卡，權重與風險因子均能夠被解釋選用的過程，同時也被要求文件化與透明度，在上線前已經由驗證單位與稽核單位進行多重的把關。這通常是比生成式AI或類神經網路等純粹的 AI 模型多了可解釋性的特質。

l   促進永續發展：AI 指引主要是唯恐AI的應用導致部分人員失業，與永續政策有所違背。惟信用評等的應用僅惟輔助徵信人員進行決策，並非取代，信用評等的應用與永續發展並不違背。

 

綜觀上述信用評等的實務與 IRB 的規範對應，兩者並不衝突。而IRB的規範以及信用評的的管理上，實際比AI的治理指引周延許多。因此針對於要準備申請IRB 的銀行而言，並不會因為AI指引的發布，要變更或精進目前的做法。而一般金融機構，建議仍以 IRB 作為信用評等模型的標竿，將更為周延。

(本文作者為勤業眾信風險管理諮詢(股)公司  副總經理 )