一、          背景

随着我国注册制的顺利推出，资本市场改革持续深化， 证券公司融资融券业务也迎来了新的挑战和机遇。个别股票市场波动异常，传导至流动性风险，从而引发部分集中持仓的信用账户穿仓爆发信用风险的情况，给行业目前关于两融业务风险管控措施的有效性和适应性敲响了警钟。

随着两融业务的发展，行业目前普遍基于授信-担保-交易的业务风险管理框架需要进行优化和升级，以便能够有效的覆盖市场上呈现的风险新特征，进而提升融资融券业务的总体风险管理能力，促进两融业务的高质量发展。

二、          两融业务的发展现状

我国融资融券业务自2010年3月试点以来，发展势头十分迅猛。试点首日，沪深两市的融资融券余额仅为659万元，而截至2021年9月30日，这个数字已经达到18415.25亿元，占A股流通市值的2.61%，其中融资余额为16853.41亿元，融券余额为1561.83亿元。截至2021年9月30日，开展融资融券业务的证券公司合计94家，标的物经历了多次的扩容后，从最初的285只已经增加至2147只，上市板块涉及主板、科创板及创业板。融资融券信用账户总数从最初的49477户猛增至5909111户。从统计数据来看，近十年间，我国融资融券业务呈现出爆发式增长，在顶峰时期，融资融券余额占A股流通市值的比重一度超过了4%，融资融券交易额占A股成交额的比重一度超过19%，可见融资融券交易对整个股市的影响是不容小觑的。

图1：两市融资融券余额（亿元）

图2：两融余额占A股流通市值、交易额占A股成交额（%）

三、          两融业务痛点

1、信用风险识别难度大

两融业务自2010年3月试点开展至今，行业内已经形成了较为成熟、统一的业务运作模式和风险管理框架，证券公司普遍采用授信-担保-交易-风险监测与处置的管理思路。两融业务属于融资类业务，收益来源与主要业务风险集中于融资人的信用风险，但由于两融业务主要涉及自然人客户，征授信环节可以获取的信息较为有限，对于产品户融资人，由于其较为复杂的投资结构，可能存在较自然人更高的信用风险。此外，两融业务作为标准化的场内业务，业务规则中天然嵌入了担保品作为提升融资人信用风险的增信措施，把控两融业务风险的关键落在把控客户信用账户中担保品的市场风险，这对融出方市场风险的管理能力提出了较高要求。

2、担保品的资质评估缺乏有效工具

担保品范围是业务准入阶段的重要风险管控措施，直接决定了信用账户中担保品的增信能力。此外，目前行业对担保品范围的管理普遍较为宽松，市场上出现了通过套现绕标，最终规避融资标的范围限制，持仓非标的证券（担保品）的现象，一定程度上降低了担保品的整体资质，加大了信用账户面临的市场风险。然而，目前行业对于担保品资质的评估方法主要停留在较为简单的评分模型，缺乏多维度的有效评估体系，导致业务人员在实际筛选担保品的过程中缺乏工具抓手，难以保证风险识别能力。

3、舆情监控及风险预警能力薄弱

风险处置是风险管理的关键环节，两融业务风险处置的关键在于担保品的变现能力。针对个别投资者“炒差、炒小”等投资逻辑，此类股票普遍估值较高，价格波动大，一旦市场发生异动，容易导致信用账户维保比例快速下跌，若再叠加流动枯竭，极易造成被动穿仓及业务损失。目前同业在两融业务的事中管控中虽然采购了大量的资讯软件和外部数据，但在具体的识别方法上更多的依赖于业务人员的个人经验，往往导致顾此失彼，而未能及时发现的负面舆情和预警信息往往导致融出方错失最佳处置窗口期。

四、模型方案建议

对于证券公司而言，通过强化个股的风险评估，在事前、事中主动积极的管理客户融资融券账户的业务风险，是融资融券风险管理中审慎而有效的一环。目前证券公司使用的融资融券业务风险管理的手段主要包括管理标的证券范围、可冲抵保证金证券折算率、账户集中度和维持担保比例等，这些工具手段无不与个股风险计量密切相关。

对于模型的要求，一方面需要对个股风险的识别有足够的提前量，实现开仓集中度管控，另一方面能够快速纳入市场信息、响应市场的变化，因此，设计开发的个股风险计量模型，需要在反映低频的基本面的风险特征的基础上，实现日度更新，从而体现高频的市场行为特征。该模型的结果会将风险分为五个等级，称其为“五级分层模型”。

从管理措施的角度考虑，五级分层模型可以协助担保品池管理和集中度精细化管理的执行。

1、五级分层模型框架

五级分层模型一方面从内部视角挖掘与公司质地直接相关的财务、行情等数据，找出上市公司风险特征的根源；另一方面从股东行为、买方行为、卖方行为、管理层行为等上市公司利益相关方的行为信息出发，更全面和中立的洞察风险事件发生的前兆。

2、模型开发过程

五级分层模型的开发包括以下7个步骤：

1）  数据准备

数据包括企业基本信息、财务、行业、区域、工商、司法、股权、舆情、市场行情、买方、卖方、股东等多方行为数据。其中部分数据为公开数据，来自于统计局网站、官网、年报、评级报告等公开渠道，部分数据来自第三方机构，通过加工而成。

2）  “好”“坏”样本定义

本次建模中我们将连续缩量暴跌两个交易日及以上客户定义成“坏”样本，同时定义变“坏”前的一段时间的观察期内的样本均作为坏样本，通过调整观察期的时长看到模型的前瞻性效果。样本变“坏”后一段期间内，由于其指标往往呈现出异常特征，故将其从样本池中删除。考虑到违约重生问题，对于变“坏”后一段时间的客户，如未再次发生缩量暴跌，则重新入样本池。

3）  指标长清单

指标筛选采用分层的结构，指标包括基本面、技术面和行为面三个大类，具体指标筛选如下图所示：

指标档位的划分应遵循以下三个原则：

• 业务含义：各分档的切分点需要有合理的业务解释；

• 样本均衡：分档后的每个分组内的样本占比例不宜过低或过高，各分组的样本占比应相对均衡；

• 风险相关性：各分组的bad rate变动趋势需要与风险相关性相符。

4）  单因素分析

单因素分析过程主要关注指标三个方面的特性：1）指标的获取难度；2）指标的风险区分能力；3）指标与经济理论假设的一致性。对指标的获取难度及风险区分能力的分析主要通过统计分析实现；对指标与经济理论假设的一致性则主要通过主观分析判定。

上述指标分析及初筛选过程侧重指标的统计意义，后续我们以研讨会的形式吸收核心专家的经验，在统计分析的基础上进一步判断指标经济含义对评级模板的适用性，对上述分析及初筛选结果进行微调，并最终确定短清单。

在筛选短清单指标时，可采用自上而下的方法，将风险要素拆解到不同的层次。与通常的建模思路相一致，基础指标的准确性、时效性、完整性都需要作为重要的评估标准。特别的，现实中罕见而危险的风险要素（即“低频高危”）容易形成模型训练的盲区，一方面其数据获取往往依赖于海量的舆情提炼，不易取得结构化的样本数据；另一方面即使获取到这类数据，其对于大量的样本仍然是没有任何区分能力的（事件未发生），在模型训练时这类指标通常被归入不具备显著性的一类。

最终入模指标是指标短清单中指标的组合或全量指标。而“低频高危”指标如果有较好的前瞻性价值，会流入到评级调整规则引擎中，而长清单剩余指标则不会进入模型。

5）  模型训练

确定指标权重的过程，我们称为“多因素分析”过程。多因素分析，是指对多个指标组合与“好”“坏”客户标识之间的关系进行分析。事实上，如何基于指标短清单挑选出最优的组合是多变量分析中需要解决的主要问题。而所谓的最优变量组合，不仅需要满足较强的统计显著性和区分能力，同时也需要具备业务适用性。

为提升模型的业务解释性、强化模型的泛化能力，模型的构建分为统计建模算法构建基础模型和纳入业务经验规则调优模型两个步骤。其中统计建模思路是使用全市场数据训练分类模型，模型的目标变量根据未来一段时期内个股是否发生重要的价格风险事件，从而输出每日的“未来一段时期内发生重大价格风险事件”的概率。从模型输出在业务部门推广的角度出发，模型结构需选取广义线性模型、决策树模型等具备业务解释性的方法，同时在算法调优阶段需基于专家主观经验对模型参数的合理性做出细致的评估，以降低模型过拟合的风险。

低频高危的事件可以调整项的形式反馈在整体模型输出之外。最终，模型输出的风险概率和调整规则共同将个股划分进入对应低风险、中低风险、中风险、中高风险和高风险的五个风险层次（符号表示为A、B、C、D、E），进而风险部门可采用不同的风险应对措施，例如，将最高风险的个股移出融资买入标的证券范围，并将其充抵保证金折算率调整为0%。

6）  模型外调整

模型外调整一般会包括一系列的规则、规则引擎的扩展。例如 “重大行政处罚事件”、“重大诉讼”等事件一旦触发，会使得个股的信用质量恶化以极快的形式传播出来，从而影响价格波动。模型外调整将通过这些事件的风险程度对模型输出结果进行进一步向上或向下的调整。

7）  模型验证

模型验证从两个方面开展，一方面将同一组样本的模型结果和业务专家的专家结果做对比，通过秩相关函数评估其准确性；另一方面可以通过混淆矩阵，在监督式学习下，对于模型的效果及业务解释性进行衡量。

3、五级分层模型效果

我们对全市场股票每日更新五级分层结果，基于2016年至2021年的6年历史数据统计，混淆矩阵结果如下表所示，C、D、E三级可以捕获到全市场92%的坏样本。换句话说，中国股票市场上，未来5个交易日内开始发生暴跌的票平均为12只，其中后三类C、D和E能识别其中的11只。

4、个股风险监控案例

以仁东控股为例，从2020年11月25日至12月14日，该上市公司连续14个交易日跌停，其股价从60.17元下跌至13.76元，市值蒸发260亿元。14个交易日的连续跌停，使得仁东控股的股价回到一年前的水平，相关融资业务大规模出现风险。

·         重要事件的时间线如下：

1）2019年7月29日，实际控制人发生变更，变更前为：霍东，变更后为：北京市海淀区人民政府国有资产 监督管理委员会 ；

2）2020年11月17日，实际控制人再度发生变更，变更前为：北京市海淀区人民政府国有资产监督管理委员会， 变更后无实际控制人 ；

3）2020年11月25日至2020年12月14日，连续交易异动跌幅偏离值达7%以上，共计9次 。

4）2020年4月28日公布2019年年报，净利润为2989.97万元，同比增长- 43.57%。

·         个股风险分析

1） 基本面薄弱。公司披露2019年净利润为2989.97万元，同比去年增长- 43.57%。仁东控股历史净资产收益率从14年到2019年分别是，-4.82%、0.87%、 9.86%、-27.79%、5.47%、3.3%。

2） 公司基本面没有得到主流机构认可。据2019年年报显示，公司前十大股东为北京仁东信息技术有限公司， 天津和柚技术有限公司，陈家荣，仁东（天津）科技有限公司，景华，阿拉山口市民众创新股权投资有限合伙企业，重庆信三威投资咨询中心（有限合伙）－润泽2号私募基金，崇左中烁企业管理咨询合伙 企业（有限合伙），王逑，阎金娥，前十大股东中并未有主流机构的参与。

3） 公司股东质押比例高。截至2020年三季度末，仁东控股前十大股东中，已有六大股东合计质押1.96亿股。控股股东北京仁东信息技术有限公司质押股份占其直接持股比67.63%，第二大股东天津和柚技术有限公司质押比例占其直接持股比100%。

·         五级分层模型从多个维度提前暴露公司异常：

1）2020年2月2日开始，五级分层模型中的部分指标，如股利政策、偿债能力、盈利能力与管理层行为等提示异常。如净资产收益率位于全市场后15%，并且经营活动现金流处于全市场后1%等。而对于2020年11月15日的国资撤出，模型对于这类股东变动也给予了高风险提示。由此可以看出，五级分层模型对于股票的未来风险具有提前警示作用；

2）自2020年2月起，五级分层模型的输出结果一直处于D或E评级，即股价虽然在不断反弹上涨，但个股始终位于中高风险与高风险档位内，说明指标从公司经营层面指出了公司的经营问题，成功检测出股价与公司实际价值的背离，做出风险预警。五级分层模型从公司实际价值出发，深入挖掘风险要素，提示风险信息。

五、应用方案建议

1、黑白名单池的管控建议

根据五级分层模型的结果建立担保品的准入标准和黑白名单池。对于风险级别为E的担保品可直接列入黑名单，对于风险等级为A的担保品可直接进入白名单。一般来说，公司可以将级别C的证券作为担保品的准入等级，对于级别D，业务人员可以结合个股风险画像的风险特征进行复核，进一步确认是否准入。

2、担保品折算率的管控建议

在黑白名单池的基础上，可考虑将五级分类结果与担保品折算率挂钩，或作为确定担保品折算率的重要参考依据，建立更加多维度及更加精细的评估模型及方法，有效地防范融资融券业务风险。

3、集中度的管控建议

通过五级分层的结果，设置集中度的管控指标及阈值，集中度管控的范围包括全量业务单票集中度、单一层级集中度、单一客户单票集中度等。对于单一客户单票集中度的管控，可以按维保比例及五级分层结果设置集中度管控指标。譬如：当客户维持担保比例低于180%时，可以设置所持有的归属于E集中度分组的单一证券的市值占信用账户总资产的比例不得超过5%，达到判定标准时，交易系统实时限制该只证券的新增融资买入和普通担保品买入；当客户维持担保比例低于180%时，所持有的归属于“E”集中度分组的所有证券的市值占信用账户总资产的比例不得超过20%，即通过对集中度为“E”的全部证券集中度分组管控，降低信用资质较差担保品的风险。

持仓集中度限制的本质是通过风险的分散效果降低信用账户整体的市场风险，而借助五级分层模型，通过差异化的集中度管控，有效降低了信用账户整体维保比例对个别高风险股票的敏感程度，在市场发生波动时，提高了信用账户整体的抗风险能力，确保信用账户留有足够的安全边际，大大降低潜在的净信用风险敞口，帮助融出方为风险处置预留更加充足的窗口期。

4、强化维持担保比例的测算

针对个别投资者“炒差、炒小”等投资逻辑，此类股票价格波动大，估值水平普遍偏高，按照股票市价测算的维持担保比例可能存在失真，难以真正体现担保品的增信能力。实践中，可借助五级分层模型为每个可准入的级别设定折算率，并计算考虑折算率后的维持担保比例。该调整后的维持担保比例可不作为信用账户平仓的判断依据，但可用于融出方内部对信用账户风险状态实质预判，从而提高风险发现效率和识别能力，把握与客户沟通的时机，避免信用账户最终出险。

5、舆情监测与实时预警

市场上各类负面舆情信息导致股价下跌速度和程度不一，部分负面事件带来的冲击能够轻易击穿预警/平仓线构建的安全垫。模型通过舆情标签场景化定制，梳理信用业务特定的重点舆情类别，有所侧重的进行负面舆情提示。

除此之外由于个股本身有着充分的数据，可以依托于市场隐含信息理论，通过模型输出个股预警信号，比如流动性敏感度；也可以以此为基础通过进行强关注潜在风险个股清单（日度）的整理，来实现赋能智能盯市，及时为分公司及营业部提供舆情和预警信息，营业部和分公司可根据实际情况和客户保持沟通，及时提示客户规避潜在风险。

六、总结

证券公司信用业务中的两融业务经历了缩量暴跌、恶性风险事件导致的市值大幅萎缩等一系列事件后，信仰已然打破，目前主流做法主要还是从维持担保比率的监控入手，不能够有效及时的跟踪担保物的质量，难以将市场风险引发的账户信用风险控制在可承受的范围内。针对该短板，各大头部机构已经开始着手建立量化模型，结合前台柜台系统实现实时或日终监控。

在这个既蓬勃发展又危机四伏的时代，证券公司应具备风险预判效力，通过建立客户风险画像与动态股票分层模型，构建覆盖业务全流程的融资融券风险管理体系，并通过研讨、培训等形式，相互学习，不断摸索，共同进步，为高质量服务客户、稳健发展信用业务夯实基础。

作者：赵森、郭雅婷、王嘉康，国融证券， 陈绿原，德勤中国