为有效应对经济“新常态”下的商业银行不良贷款管控压力，提升资产处置管理效益，促进不良资产处置定价技术发展，论文基于文献研究和定性分析方法，通过梳理外不良资产定价相关理论和实证研究成果，总结分析开展不良资产处置定价“大数据”研究的必要性与可行性，得出“大数据”分析技术在不良资产处置管理领域应用时机成熟、潜力巨大的结论，并给出农业银行开展不良资产处置定价大数据研究的具体建议。

深入研究有效盘活存量资产方式，提高不良贷款回收效益，加强在不良资产管理领域的精耕细作，是商业银行适应更加注重质量和效益的经济增长“新常态”的必然选择。不良资产处置定价是不良资产处置回收过程中的关键环节，在处置风险控制中起到核心作用，往往决定着不良资产的最终处置收益。目前不良资产价值评估技术远未成熟，决定不良资产价格的影响因素众多，定价合理性论证和风险控制均为业务实践中的难点。如将不良资产处置定价实务与方兴未艾的大数据分析技术相结合，或可寻找到解决上述问题的创新途径。

一、外不良资产处置定价研究现状

（一）国外贷款定价和风险度量模型相关研究

国外对于贷款定价（包括不良贷款定价）和风险度量，已经形成了较为完整系统的理论和方法，可大致分为传统定价模型和信用风险定价模型两大类别。

1.传统定价模型。国际商业银行传统的贷款定价模型分为四种类型，分别是：从商业银行经营成本与效益角度定价的成本相加模型、从市场竞争角度定价的基准利率加点模型、从整体效益角度定价的客户盈利性分析模型以及统筹考虑风险和收益定价的风险调整资本收益法（RAROC方法）。

2.信用风险定价模型。国外对不良资产定价的研究主要源自金融机构投资中的信用风险定价，包括信用风险VaR模型和信用风险期限结构模型两种类型。信用风险VaR模型通过模拟损失分布度量风险大小，其中的典型代表有JP摩根的CreditMetrics模型（CreditMetrics，1997）、麦肯锡公司的CreditPortfolio View模型（Wilson，1997a，1997b）和KMV公司的KMV模型（Crosbie，1997）。信用风险期限结构模型认为不同的期限结构对应不同的利差风险，可进一步分为结构模型（也称公司价值模型）和简约模型。结构模型以Merton（1974）模型为基础，其核心是公司未来价值的不确定性为违约风险的来源，当资产价值下降到某个阈值便认为违约发生，简约模型则不引入公司资产价值作为参数，认为违约事件是外生的随机变量，通常利用某些外生的跳跃过程描述信用事件，两类模型均包括了违约过程、回收过程和利率过程。

3.模型应用。上述模型依据具体金融工具的类型及其相关评级确定合理的风险收益，在信用风险债券、信用风险衍生工具定价中得到了广泛应用，但由于商业银行贷款数据普遍难以获取，相关研究较少涉及贷款定价领域，多集中在宏观金融资产价值和风险分析，少有对微观领域不良资产价值评估的理论研究。

（二）不良资产处置定价相关研究

不良资产处置一般要经过尽职调查、评估、定价、处置方式选择、处置实施等环节，对应着不良资产的价值发现→价值判断→价值实现的全过程。对于定价来说，评估是其基础。对于单个不良资产，主要是依据相应的行业准则（金融不良资产评估指导意见）对其价值进行估算，在此基础上实现定价；对于不良资产包，既有基于单个资产估值的加总，也有根据违约资产的回收率历史数据和理论因子模型应用统计回归分析和模拟方法建立起预测模型，然后将特定项目相关数据输入预测模型中得出该资产包的回收率预测值。此外，对于国际通用的几类定价模型，相关研究主要集中在对风险度量方法的适用性研究，以及利用多元判别式、Logit分析等统计学方法以及决策树、神经网络等数据挖掘方法的实证性研究上。

二、大数据在不良资产处置定价领域的应用前景

（一）金融不良资产评估的有关行业准则

在金融资产评估实务上，国际上比较有影响的评估专业标准是《国际评估准则》（International Valuation Standards），最新版准则（2013版）由框架、通用准则、资产准则和评估应用四部分构成，涵盖企业和企业权益、无形资产、厂房和设备、不动产权益、在建投资性房地产和金融工具等资产。其中金融工具评估以评估框架中提出的市场法、收益法、成本法三类方法为基础，准则分析了影响金融工具价值的参数、不同评估方法的优缺点和旨在提高评估透明度和客观性的程序，同时准则也强调金融资产的流动性越差则相关市场交易数据越匮乏，对调整和衡量评估参数的技术要求就越高。

资产评估协会于2005年发布了《金融不良资产评估指导意见（试行）》，比较系统地归纳和总结了用于金融不良资产的定价理论方法，其中对债权类不良资产价值分析基于两种途径，一种是以债务人和债务责任关联方为分析范围，主要包括假设清算法、现金流偿债法和其他使用方法；另一种是以债权本身为分析范围，主要包括交易案例比较法和专家打分法和其他适用方法。不良贷款定价水平的提升在很大程度上依赖于历史数据的积累和利用，比如对于现金流偿债法中的折现率、交易案例比较法中的可比案例、假设清算法中的职工安置费用等都需要基于大量历史数据确定的可信参照值。

（二）不良资产处置定价与大数据的联系

狭义上，大数据是一个大样本和高维变量的数据集合，使用传统方法或工具很难进行处理或分析；而广义上，大数据涵盖多学科领域、多源、混合的数据，涉及文本与语言、录像与图像、时空、网络与图形等多种数据类型，简言之是“海量数据”+“复杂类型的数据”。大数据的目的是将数据转化为知识，探索数据的产生机制，进行预测和作出决策。

同金融领域其他业务一样，农行不良资产处置相关的数据资源极度丰富，具备如下“大数据”特征：一是数据量大、跨地域、跨系统分布。经过多年的信息化建设，农行遍布全国的分支机构中，与不良资产相关的信贷发放、账务核算、风险计量、日常管理、评估定价、处置方案制定和实施等一系列海量数据资料，得以在信贷、财务、风险和处置管理等多个系统中完整记录和保存；二是数据组织形式多样、结构各异。既有直接从系统页面读取的传统账务数据、报表数据和文档数据，还有档案资料中的影像数据、图片数据等难以量化处理的信息；三是数据产生机制受政策变化影响明显。不良资产的产生与处置消化受银行内部的风险管理政策影响，也与宏观形势、监管要求、法规政策密切相关，这些因素都对处置政策的选择和最终的处置定价有系统性影响，另一方面处置定价及贷款回收的结果也能反映同时期经济发展、产业转型及金融的趋势与规律。

由于市场交易不透明，涉及资产类型众多，同时受债务人还款意愿不确定性大等诸多方面的影响，不良贷款定价水平的提升在很大程度上依赖于历史数据的积累和利用。在不良资产处置管理领域及定价环节，开展“大数据”研究应用大有可为。

（三）运用大数据进行不良资产处置定价的挑战

1.影响不良资产价值的因素众多。Gupton and Roger（2002）在采用Moody'sKMV公司的Loss Calc（2002）进行LGD（违约损失率）影响因素贡献度分析时发现，偿债优先顺序等项目因素对LGD的影响贡献度为37%，宏观经济周期等外部经济环境的影响贡献度为26%，然后是行业性因素占21%，企业资本结构因素占16%。考虑到不良贷款形成的特殊原因及清收处置环境的特殊性，在搜集价值分析所需数据时，需要综合考虑如下因素：（1）宏观因素。如经济周期、市场成熟度、法律体系结构、区域信用环境、投资者退出机制等。（2）中观因素。如行业特征、供求状况、产品结构、竞争态势、行业所处生命周期阶段等。（3）微观因素。如银企关系、企业财务状况、抵押品现值、资产权属瑕疵等。

2.真实资产信息收集困难。贷款形成不良后，需要通过尽职调查重新确定主体存续状态、财务状况、法律关系和债务关联人还款意愿等信息，但往往存在以下问题：（1）信息变动大。在信贷发放阶段对于贷款人的资信评估和抵押资产的价值评估，往往建立在债务企业经营效益或债务人的收入及抵押品价值均处于最佳状态，能够足额覆盖债务本息的假设上，多依赖常规尽职调查信息和银行内部授信模型判断；而在贷款风险暴露，形成不良资产后，需要正视债务人偿债能力减弱或丧失、抵押品及物权资产存续状态发生较大改变的现实，此时无论是债务人的经营能力还是有效资产的价值及存续状态均有较大的变动。（2）信息不对称。银行与债务人已由信贷投放时的合作共赢关系转变为债务追偿时的利益博弈关系，企业可能不配合尽职调查和资产评估，提供的财务、经营和财产信息也可能失真。（3）信息获取成本增加。为确保信息准确需要多渠道进行验证，如从有关管理部门查询债务人机动车辆、被执行财产、持有知识产权、交纳水电气暖等费用情况来推断债务人的真实偿债能力，对于法律关系复杂或产权有瑕疵的资产需聘请专业人士进行调查和成本预估等。（4）信息清理过程繁琐。清理每笔不良资产清收记录须包括收回时间、收回金额、回收资金来源，历史上押品价值、抵押率及其变化，违约时客户的经营状态、当时行业和区域风险状况，以及回收所发生的直接成本和间接成本等信息。

3.资产处置定价数据分析技术远未成熟。不良资产的价值评估和处置定价目前还没有成熟的、被学术界和实务界认可的方法。目前已有的对于LGD的分析和研究也并不是出于对已经违约债务价值进行评估的需要，其首要目的是为违约风险的计量服务，因此在不良资产处置应用，尤其是面向债务关联人和资产交易市场的处置定价中缺乏指导意义。实践中，国际大型银行以及部分资产管理公司已于近年来开展了不良资产估值定价模型研发。但受限于前期数据基础和数据分析技术，对不良资产的估值定价主要应用于资产组合层面，还难以实现单个资产的较准确处置定价。

（四）开展不良资产处置定价领域大数据研究的意义

提升银行内部不良资产处置管理专业化程度。目前商业银行不良资产处置管理实务中，由于相关制度文件对不良资产评估方法的规定较为粗略，在选择方法、设定假设和确定参数方面缺乏规范性标准，价值评估和处置定价多依赖于实际处置人员结合多方面信息资料作出的主观判断，处置过程中的能力风险、道德风险等较为“隐蔽”，处置效益也难以进行客观评价。通过大数据分析建立不良资产处置定价预测评估体系，可为经营计划制定、绩效考核、处置方案审查审批、监督检查提供量化的客观依据，还可协同风险管理部的内部评级法应用工作，为前台业务部门提供信贷准入、贷后管理、贷款定价、风险预警等决策参考数据。

为银行不良资产证券化等未来业务提供重要历史资料。依托农行全国性信贷业务数据，建立不良资产处置数据库，不仅是对经济转轨阶段经济、金融和银行经营领域的重要记录，也是对不良贷款回收处置规律的较全面总结。在银行不良余额和不良率“双控”压力不断增大的背景下，不良资产证券化业务将有望成为除批量转让外，盘活存量资金、加快不良资产市场化处置的又一创新手段，不良资产证券化的核心在于交易结构和产品定价设计，掌握不同条件下不良资产处置回收的现金流、回收期限和处置费用规律，对于合理设计证券化产品、平衡风险收益将发挥巨大作用。

建立不良债务评级数据库和外部咨询服务能力。缺乏真实有效且足够数量的违约损失率数据是当前银行业面临的主要问题。这一方面可能成为相当数量的金融机构实施巴塞尔新资本协议有关监管要求的掣肘，另一方面对于客户准入、贷后管理和风险管控的模型设计缺乏大样本的数据支撑。目前国际上重要的外部违约损失率专业数据库，如穆迪公司的违约与回收数据库，标准普尔的LossStats Database数据库，惠誉旗下的Algorithmics公司承建的欧洲银行信用风险数据库PECDC（泛欧数据库）等，其共同特点是数据点详细、内容丰富，有大量的违约贷款或债券的信息；同业中，东方资产管理公司旗下的东和数据咨询公司，开发了号称最大的不良贷款回收状况数据库LossMetrics。上述数据库均已进行了不同程度的商业化运作，直接体现了从数据到价值的功效。

三、对农行开展不良资产处置定价领域大数据研究的路径建议

（一）加强历史处置业务数据治理，确保数据源的质量

做大数据离不开准确、优质、全方位、系统性的数据信息。数据积累并非一日之功，而不良资产处置回收过程复杂、处置周期长，相关数据的形成更属不易。与其不假思索地获取源源不断的数据，更应该把精力放在对已经积累的海量信息资料的系统补录、核实更新、去冗分类、去粗取精上，充分挖掘银行现有数据资产价值。农行不良资产处置业务运作几十年来，在信贷、财务、风险和处置管理等多个系统中积累了大量与不良资产处置定价相关的数据。由于客户总量大、时间跨度长、数据源分散，数据仍然存在一定程度上的错误、遗漏或更新不及时等问题。历史业务数据质量分析和治理将会是开展大数据研究的第一步。

（二）搭建数据整合和分析处理平台，提高数据资源的可获取性

由于不良资产处置定价分析所需的基础数据来源广泛，不仅包括银行内部相关业务系统，还可能来自协议购买、数据互换、公开渠道查询等数据源头，因此需要通过构建全面、完整、统一的数据模板，将跨渠道、跨产品、跨系统、跨机构的数据信息整合起来，建立完整、可用、集成的数据资源库，方便业务人员实时调用各类数据，实现数据价值最大化。在数据集合基础上，还要构建适应大数据分析框架的多功能、跨渠道、多粒度应用模型，为业务人员使用大数据技术，开展数据挖掘、智能分析、模型推演提供工具支撑。

（三）增强数据研究与分析能力，增强分析结果的决策应用价值

大数据作为一种发现新知识的工具，与数据挖掘、统计分析、搜索等人工智能方法有着密切联系，也可能涉及语义分析和分词处理等文本处理技术。因此，对不良资产处置定价大数据研究团队而言，既要熟悉业务管理制度和业务流程、具备资产处置项目运作经验，还需要熟练掌握数理统计和模型构建等数学分析知识，以及分布式计算、图计算、机器学习等大数据技术。要以不良资产处置定价作为大数据在不良资产管理领域研究应用的切入点，最终以点带面，持续推进，逐步实现不良资产处置管理业务的精细化、科学化和高附加值运作。