IFRS9的信用卡预期减值方法与流程

本发明涉及预期减值计算，特别是一种符合国际财务报告准则9号文(简称为ifrs9)的信用卡预期减值方法，该方法针对持卡人还款意愿和还款能力综合考虑内部数据及外部宏观经济数据进行预测，进而对未来可能发生的损失进行预估，适用于具有发卡资格的金融机构。

背景技术：

国际财务报告准则理事会(iasb¹)要求从2018年1月起执行新金融工具准则ifrs9²取代现行准则ias39³。与后者相比，主要变动之一是采用预期减值模型来计量和管理机构需要减值的减值准备金。2016年8月，中国财政部也已根据与iasb签署的准则趋同路线图推出了趋同ifrs9的新企业会计准则金融工具部分讨论稿，即cas22⁴、23⁵、24⁶修订稿。

与传统行用卡普及的美国相比，我国信贷市场起步较晚，在二十一世纪初才逐步建立起个人信用制度，而美国早在三十年前就发明了行用卡体系，至今已经形成了完善的个人信用制度和征信机构(环联transunion，艾克飞equifax和益博睿experian三大征信局)。当前，我国信用体制尚不完善、数据的完整性和长期性仍待加强，再加上我国金融市场开发开放相对较晚，在追随国际监管的步伐上随动性还有待进一步提高，导致我国关于ifrs9预期减值模型的研究与应用远落后于西方国家。

虽然信用卡产品从贷款总额上看，不属于目前传统金融机构放贷业务中的主力，但随着个人消费者对信用卡产品认识度的不断提高，内资行信用卡

发行量屡创新高，与此同时，各大外资行陆续在华取得独立发卡权(花旗2012年，渣打2014年，汇丰2016年)并积极开展信用卡业务，再加上近年来各大互联网金融公司对“虚拟信用卡”市场(京东白条、蚂蚁花呗、苏宁任性付)的不断抢滩，整个信用卡消费群体正不断壮大，对信用市场的占有率也不断攀升。作为未来社会的零售非抵押类信贷主体，信用卡产品的减值评估非常值得重视。

鉴于ifrs9的国际生效日期为2018年1月1日，截至目前，我国乃至国际采用的通用减值方法仍是一种基于已发生损失的模型，即在资产负债表内有客观证据表明贷款已发生减值时，才可以按照贷款的摊余成本和未来现金流的当前价值之差减值贷款减值。该方法具有明显亲周期性，在经济上行期，贷款违约率和损失率较低，减值的贷款损失准备金较少，从而利润增多，银行进一步扩大信贷，经济持续繁荣；而在经济下行期，贷款违约及损失增多，减值的贷款损失准备金也较多，这将进一步恶化银行的财务状况。由此可见，已发生损失模型对于贷款损失准备的确认时间较晚，在贷款信用周期的早期减值准备金的金额较少，这使得贷款早期利息收入被高估，贷款损失准备金无法得到有效积累以吸收经济下行时期产生的信用损失。因此，有必要开发新的贷款损失准备金减值模型，以缓解贷款损失准备金的亲周期性。

预期减值模型是一种用来预测贷款准备金减值额度的方法，在贷款整个生命周期内考虑贷款损失，每个会计期末会计主体需重新评估贷款预期现金流和预期信用损失，预期信用的任何变化均会反映在现金流量现值中，并影响损益变化。该模型能够较早地识别和确认信用损失，有助于贷款损失准备的积累以应对经济下行期间出现的大量贷款损失。在一定程度上解决了已发生损失模型中的亲周期问题。

目前，国内外对于ifrs9下信用卡预期减值模型的研究甚少。国际上，仅澳洲国家银行一家正式对外宣布已完成该模型的开发和实施，其他银行正在积极筹备相关工作；在国内，仅有的一些研究也停留在传统内部评级法或滚动模型法的简单假设上，对解决金融机构违约数据不足、缺乏经济下行数据、生命周期的定义以及动态切换，和全周期内折现现金流预估等挑战尚不充分。

技术实现要素：

本发明的目的在于提供一种符合国际财务报告准则9号文(以下简称为ifrs9)的信用卡预期减值方法，以解决至少一项上述技术问题。

本发明的技术解决方案如下：

一种信用卡预期减值方法，包括下列步骤：

步骤一，对存储有持卡人数据的金融机构内部数据进行预处理，包括持卡人状态、持卡人授信额度、使用情况和持卡有效期等；

步骤二，智能计算终端获取相关外部经济数据，包括失业率、实际国内生产总值变化率、消费者指数变化率，所述的智能计算终端是手机、笔记本电脑、台式电脑、平板电脑中的任意一种；

步骤三，智能计算终端综合内、外部数据对信用卡资产进行减值参数预测，并最终对减值额度进行计量并输出；

本发明为合格持卡金融机构提供了一套可靠的动态预测信用卡减值额度的方法，并通过智能终端做到管理层可以实施监测信用卡减值变动，真正做到对可能的信用风险采取及时行动。

附图说明

图1是本发明信用卡预期减值方法的流程示意图。

图2是本发明预期减值准备金汇总流程示意图

图3是本发明信用卡预期减值方法的结构框图

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合实施例和附图对本发明作进一步阐述。

一种符合ifrs9监管规定的信用卡预期减值方法，包括如下步骤：

1)对存储的内部数据进行预处理，包括：

1.1)数据清理、缺失值、异常值处理和数据集结：

信用卡的核心数据如表格1和

表格2所示，包括：账户相关信息(账户号码、账户状态、暂停代码)，账户有效性信息(开户日、信用卡到期日)，账户授信额度、账户花销信息(账户零售余额、账户现金余额、信用卡账户贷款余额)、逾期信息(0-29、30-59、60-89、90-119、120-149、150-179、180-209、210天及以上逾期金额)、利率信息(账户还款利率)，历史实际减值信息(90、120和150天逾期)，核销和回收总额。

通过对账户状态和暂停代码的筛选保留下生存账户，依据模型需求，通过对开户日和到期日的限制，获取具体某个分析月份yyyymm(比如需要分析2017年1月信息，则需要获取201701相关数据)信用卡生存账户资产信息。表格1.信用卡基本信息数据明细及内部处理1(违约概率和违约风险敞口相关)

表格2.信用卡基本信息数据明细2(违约损失率相关)

上述核心数据经过缺失值、异常值的处理后，为预期减值模型的建立提取特征变量，作如表格3所示处理：

定义合格生存账户特征变量is_valid的有关三个条件分别为：

(1)account_status为0或1或2(即非销户账户)，

(2)account_block_code不等于b(即非冻结账户)，和

(3)x90_plus_current_balance不大于零(即非90天或以上逾期账户)，若以上三个条件都满足，则设定is_valid值为1，否则为0；

如果(即非90天或以上逾期账户)x90_plus_current_balance不大于零，则定义违约标签is_default值为0，否则违约标签值为1；

如果90_plus_current_balance大于零，定义第三阶段标识特征变量is_stage_3为1，否则为0；

如果x30_89_current_balance大于零，定义第二阶段标识特征变量is_stage_2为1，否则为0；

如果past_due_amount大于零，定义第一阶段标识特征变量is_stage_1为1，否则为0；

定义信用卡使用率特征变量utilisatioin＝account_current_balance/account_credit_limit.

表格3.信用卡基本信息特征提取

1.2)历史风险参数的计算：

在某个月份m0时刻的历史观测违约率(observeddefaultrate,简称为odr)定义如下：

odr_m0＝(is_default_m1+is_default_m2+…+is_default_m12)/is_valid_m0

定义某月份m0上的历史违约损失率(lossgivendefaultrate，简称为lgd)如下：

lgd_m0＝(cc_iia_90dpd+cc_iia_120dpd+cc_iia_150dpd+cc_wo_amount-cc_recovery_amount)/(overdue_bal_90dpd+overdue_bal_120dpd+overdue_bal_150dpd+cc_wo_amount)，

通过对各历史月份信用卡账户的加权平均(基于信用卡余额account_current_balance)，可以得出信用卡整体资产层面的历史违约概率lgd.

持卡人对信用卡的使用率定义为：

utilisation＝account_current_balance/account_credit_limit，对上述使用率进行合理分割之后，对每个分区上的持卡人群体进行进一步分析得到各分区上的附加因子add-on为20％(当utilisation在0至80％时)；10％(当utilisation在80至100％之间)；5％(当utilisation超过100％)。从而，得出违约风险敞口(exposureatdefault，简称为ead)：

ead＝account_current_balance+add_on*account_credit_limit.

通过持卡人还款利率r计算得出折现率(discountingfactor，简称为df)：df_n＝(1+r)^n，其中n为持卡人所持有信用卡的生命周期年限。范例中，定义还款利率r＝30％，而信用卡的生命周期不超过5年，即n≤5.

2)外部数据的导入和处理：

2.1)通过对历史数据分析，行业内的信用卡资产组合违约概率与外部经济数据相关性较高的有以下三种：

表格4.外部经济数据特征提取

a＝ln[p(1-p)]＝-5.9185+0.1562*unemployment_rate+(-0.0276)*real_gdp_growth+(-0.1411)*consumer_price_change

其中，unemployment_rate表示失业人数占总劳动力的比例(单位为％)，real_gdp_growth是与上年实际gdp相比的变动比率(单位为％)，consumer_price_change是与上年消费者指数相比的比率变动(单位为％)。

进而计算得出p的值，p＝exp(a)/[1+exp(a)]，p的值越大，即外部的违约概率越高。

2.2)导出如下新变量，可用于后续计算：

表格5.新变量小结

预测未来内部实际违约概率(pd_m，pd_m_s2，pd_m+1_s2，pd_m+2_s2，pd_m+3_s2，pd_m+4_s2)，具体说明如下：

第一阶段持卡人(逾期不超过30天的持卡人)的一年期预期违约概率为：

pd_m＝{p_m/p_m-1}*odr_m-1，

其中，p_m和p_m-1分别表示在月份m和m-1时的外部违约概率(上述2.1中有具体介绍p_m即月份m上p的计算方法)，odr_m-1表示在月份m-1时的内部实际违约率。

第二阶段持卡人(逾期在30-89天之间的持卡人)的生命期预期违约概率pd_m_s2：

通过如下两等式推导得出：

pd_m＝{p_m/p_m-1}*odr_m-1，和pd_m＝pd_m-1+(1-pd_m-1)*pd_m_s2，即：

pd_m_s2＝{[p_m/p_m-1]*odr_m-1-[p_m-1/p_m-2]*odr_m-2}/(1-pd_m-1)。

3)汇总预期减值准备金并输出

预期减值准备金分类计算方法如下表所示：

表格6.预期减值准备金分类计算方法

第一阶段预期减值额度：ecl_s1＝pd_m*lgd*ead

第二阶段预期减值额度：ecl_s2＝pd_m_s2*lgd*ead*df_1+pd_m+1_s2*lgd*ead*df_2+…+pd_m+4_s2*lgd*ead*df_5,

第三阶段预期减值额度：ecl_s3，直接沿用原ias39方法下的准备金，

通过上述账户层面的分类计算，得到任一账户应该分配到的减值准备金，经预期减值准备金汇总流程，得到信用卡资产组合层面的减值准备金总额，参见图2。

经验证，上述方案针对经济良好情况下的某外资行信用卡在华标的进行减值计算，在ifrs9框架下的减值和实际信用卡资产损失相比，保守度约为40％，而现有的ias39则达到70％，从节约资金成本角度考虑，新方案下的减值风险识别度更高，保守性也可以得到保证。

智能计算终端设有一无线通信模块，智能计算终端通过无线通信模块连接存储有信用卡用户资产组合数据的数据库，包括加密后的持卡人用户信息，账户有效性信息，账户授信额度，账户花销情况和逾期及核销信息，同时，通过无线通信模块，智能终端还能调用外部经济数据，包括官方记录的失业人数占总劳动力的比例，与上年实际gdp相比的变动比率和与上年消费者指数相比的比率变动。

所有数据输入智能计算终端后，所述的智能计算终端通过数据处理和集结之后，留存在缓存内等待调用，由于内部数据已加密，保证了数据获取的安全性。

所述的智能计算终端设有预测减值计算模块，该模块设有数据调取、数据计算、个例分析、结果展示输出、参数设置和log日志六个分模块，其中：

数据调取：通过点击数据调取按钮，界面展开显示：

(1.1)数据导入，此时可以通过该按钮导入之前已经导入在缓存中的待用数据；

(1.2)空值检查，通过预先设定的一些规则，对导入数据进行基本检查，必须通过基本检查才能进行之后的流程；

数据计算：数据调取成功后，通过数据计算按钮，按以上叙述方案(表格6)进行底层计算。

值得注意的是，智能计算终端通过数据挖掘的算法分析持卡人与违约间的关系，挑选对违约有显著影响的特征，并分析外部经济环境对持卡群体的还款意愿影响，对持卡人违约风险进行动态评估。通过数据挖掘的算法，进行最优化的拟和，得出内外部关系，使评估值和实际违约记录的匹配程度最高。预测采用回归分析和p值假设检验的方法。个例分析；计算完成后，智能计算终端可选进入个例分析界面，对信用卡风险暴露前十的客户进行各中间变量及最后计算结果的展示，为行方使用人员(尤其是风控或财务员工)提供一个直观的影响较大客户的减值示范。

结果展示输出：集中展示总减值和第一、二、三阶段上的分类减值数额。同时可以选择生成报告，将账户层面至资产组合层面的结果导出至文件(.csv，.txt或.xlsx形式)参数设置：为智能计算终端的某些高级使用人员(需要对参数进行变动更新)提供了一个解决方案；log日志：用于记录主要的步骤结果，如果有错误，用户可以去log日志翻看，方便定位出错步骤或原因。

需要注意的是，所述智能计算终端上设有一个身份识别系统，用于用户级别管理(可读、可写、可修改风险参数)，所述的身份识别系统包括摄像头与语音接收装置中的至少一种信号采集模块；

所述的身份识别系统通过所述摄像头采集人脸、虹膜、名片中的至少一种信息；

所述身份识别系统通过所述语音接收装置采集声音；

所述身份识别系统还包括一微型处理器系统，所述信号采集模块连接所述微型处理器系统，所述微型处理器系统设有一信号输出端；

当微型处理器系统判断信号采集模块采集到的人员信息具有预测减值计量软件登入权限时，所述的微型处理器系统控制减值计量软件自动登入；

所述的微型处理器系统将登入预测减值计算软件的设备号发送给服务器组，实现登入信号评分软件的智能计算终端调取服务器组的数据。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。