撰文：曹添旺、李宗穎
【台灣銀行家】你是否遇過刷卡時發現超過額度上限被拒絕？這時候若致電銀行要求提高額度，銀行接受與否的準則為何？在銀行眼中，你是屬於高風險、中風險，還是低風險客戶？
周年慶又到了，去百貨公司血拚，刷卡卻發現已經超過額度上限而被拒絕，打電話給銀行客服中心要求提高額度，這時候銀行的客服人員應不應該接受要求？若是接受，額度要提高多少？這個問題有很多答案，取決於手上所有的工具與相關管理規範。
建置預測模型需備先決條件
主要有兩個，首先是有業務需求，再來是資料的品質與數量要到位。如果沒有業務需求，資料的品質再好、數量再多，也沒有建置預測模型的必要。一般而言，有擔保品的放款業務對預測未來一定期間內的違約機率（Probability of Default, PD）需求，比沒有擔保品的放款業務還低，定期估計擔保品的市價反而比較重要。
以房貸為例，只要擔保品（房屋）的市值大於放款餘額（曝險，Exposure）跟處理擔保品的成本總和（銀拍、法拍），萬一貸款人違約，銀行也沒有損失。在房價頻頻上漲時，違約率（Realized Default）也特別低，因為貸款人可以賣掉房子或是拿房子去申請住宅權益貸款（Home Equity Loan）來還債，這時候要建置違約機率模型，也會遇到違約樣本數不足的窘境。如果房價下跌，擔保品（房屋）的市值低於放款餘額，是否就需要違約機率模型？也未必。因為模型的建置如果是在承平時期或房價上漲期間，用的資料跟未來房價下跌的資料不一樣，加上原本的違約樣本不足的問題，預測模型不會準。那麼如果用房價下跌時的資料來建模呢？首先要考慮時效性，建模要先收集6個月的資料，通常再花6個月建模，來得及嗎？
其實信用卡對預測模型有業務需求，資料的品質與數量（某種程度）相較於其他信用產品也最到位，是使用預測模型的最佳選擇。信用卡使用的預測模型有個專有名詞：評分卡（Scorecard），因為將羅吉斯迴歸分析（Logistic regression, logit model）的結果（介於零跟一之間）轉換成便於使用的分數。
信用卡可以在風險控管和市場行銷使用評分卡，在風險控管有所謂的AB Scorecards（Application、進件評分卡，Behavior、行為評分卡）；在市場行銷（Marketing & Sales）則有RR Scorecards（Response、回覆評分卡，Revenue、盈餘評分卡），另外還有催收評分卡（Collection Scorecard），是針對已經遲繳但是尚未變成呆帳的客戶建置的預測模型。風險控管的評分卡（主要是AB Scorecards）要求較嚴、比較準，因為稍微失準，呆帳就會飆升，寧可錯殺，不可錯放，使用壽命至少5年。市場行銷的評分卡較不重要，也沒那麼準，壽命周期約2、3年。FICO score（Fair Isaac Corporation）跟上述AB Scorecards不同，它是所謂的「通用評分卡」（Generic Scorecard），就是它可以A-card或B-card，不過它的缺點是，因為樣樣精通，所以樣樣稀鬆，預測能力比不上個別的評分卡，是不得已時候才用的。在美國，如果要衡量一個人的信用品質（Credit Worthiness）通常是看這個人FICOScore，高於720是超級好的（Super Prime, ≥720），高於660是好的（Prime, 介於660跟719之間），低於660屬於信用有瑕疵的，還分為近好的（near Prime, 介於620跟659之間），而引起2008年金融海嘯的次級房貸（Sub-prime）的FICO Score介於580跟619之間。
花旗銀行信用卡在美國有約3,000萬持卡人，廣泛應用各種評分卡（Scorecard、Predictive Modelling、預測模型），最重要的是跟風險相關的AB卡，Application Scorecard進件評分卡與Behavior Scorecard行為評分卡，另外，還有盈餘評分卡（Revenue Scorecard）、回應評分卡（Response Scorecard）、催收評分卡（Collection Scorecard）等，不同的評分卡還可以同時使用，以下舉例說明：
［圖1］使用兩個評分卡分別衡量風險與盈餘，各自又分為高、中、低，形成一個九宮格，根據不同區域（如圖所示有區域1、2、3）可以訂定不同策略。區域1屬於高風險區，這區的持卡人遲繳、違約的機率較高，需要嚴加追蹤，若是在其他銀行已經出事，就要採取預防措施。區域2屬於高收入、非高風險區，是好收入的來源，是銀行需要照顧、留住的對象，客戶關係管理（CRM）應該在此發揮作用。這類客戶有時候是可遇不可求，再舉花旗銀行為例，當年美國航空公司（American Airlines）要推出自己的AA聯名卡，先找上美國運通（American Express），不料被拒絕，然後去找花旗銀行，結果美國航空聯名卡變成花旗最賺錢的信用卡。因為AA聯名卡的使用者很多是公司派去出差的商務人士，違約機率幾乎等於零，是低風險、高獲利的客群。區域3屬於低風險、非高獲利的客群，有很多持卡卻不用卡或是沒有循環餘額（當季都一次付清）的客戶，透過跟聯合徵信中心（JCIC）購買他們的相關資料，再佐以資料採礦（Data mining）分析，可以嘗試餘額轉換（Balance Transfer, BT，說服客戶將他們在其他發卡銀行的循環餘額轉到本行）。餘額轉換在美國許多大銀行都嘗試過，2016年高盛（Goldman Sachs）要跨足消費金融，跟奇異資融（GE Capital）買斷整個信用卡業務，將組合轉為個人信貸（Personal Loan），賠了不少錢，終於在去年（2022）停止個人信貸業務。事實上，目前還沒有聽說推餘額轉換賺錢的，在美國的大銀行都付了不少學費，主要原因還是在於沒有做好風險控管，以至於轉換來一大堆呆帳。本土銀行如果有意嘗試，只要能做好風險控管，還是值得一試。
再拉回文章一開始的周年慶，假設銀行已經有如同［圖1］的設定，那麼要求提高額度的持卡人如果屬於區域1（高風險），直接拒絕；若屬於中風險，可以考慮暫時提高額度；其餘狀況可以答應客戶要求。
模型應用的挑戰：師徒相傳
模型的應用是另一大挑戰，台灣傳統商業銀行的徵授信人員透過師徒相傳，多年經驗是公司寶貴的資產，但是因為時空背景變遷、客戶行為改變等，加上缺乏系統性的整合，讓這些經驗可能流於見樹不見林，資深的員工甚至可能排斥引進較為科學的預測模型。再者，萬一兩位資深員工有互相矛盾的經驗，要如何排解？另一方面，建模人員雖然採用較科學的統計模型，但是也無須將模型當作神聖不可侵犯，若是脫離現實，不跟營運結合，只是閉門造車，類似做學術研究，見林不見樹，對企業沒有助益。
結合雙方長處，建模人員應該多了解整體營運狀況，包括徵授信、客戶回饋與抱怨、遲繳催收等。越了解整體營運狀況，越有助於建置更準確的模型，資深員工也不用排斥新的科技，學習與擁抱、使用新的科技，才可提升企業長期發展。
關於預測模型的迷思：並非唯一依據
預測模型是重要的決策依據（不管是日常營運或制定中長期策略），但是非唯一依據，模型越準，依據的比重就越高。有的模型天生（by Nature, Intrinsically）就比較準，有的較沒那麼準，了解模型的侷限是使用模型的必要認知。再次舉信用卡為例，核准信用卡申請的過程通常需要通過一些條件（Criteria），這些條件可能來自於資深員工多年徵授信經驗的彙整，理想一點的還加上科學統計的分析，其中一條可能是進件評分卡的應用，設定一個分數門檻（Cut-off Point），低於這個門檻就直接拒絕。假設這個進件評分卡很準，那麼其他條件可以盡量放寬，讓進件評分卡負擔起核准與否的重擔。但是進件評分卡（跟所有評分卡一樣）會漸漸失效，在新的進件評分卡建置成功前，其他條件可能就需要慢慢鎖緊。
更完美的情況是定期做條件分析（Criteria Analysis）跟模型驗證（Model Validation），隨時調整因應任何變化。預測模型的驗證是模型建置與後續應用重要的一環，也是一門嚴謹的科學。美國的花旗銀行在核准信用卡申請的授信過程有設定一些天條，只要違背，直接拒絕（但是仍須走完授信程序，結果資料留著並儲存，日後的條件分析與建置進件評分卡會用到），這些天條包括：過去7年內曾經破產、過去幾年曾經有重大犯法、FICO分數低於720等等。除了天條，還有一些可以變動、調整的條件，這些條件也要定期檢驗。
主管機關面臨稽核挑戰
主管機關要如何稽核？稽核什麼？建議先確認業務使用預測模型，要求提供文件，甚至資料來證明。對於沒有使用預測模型的業務，則要求書面解釋為什麼。若是遇到在信用風險控管上面完全沒有使用任何預測模型的銀行，第一次可以書面警告並限期改善，第二次則罰款並暫停業務6個月，第三次可以無限期暫停營運執照，逼其賣掉業務，幫忙解決銀行過剩的問題（Over-banking）。
國際大銀行有完善的制度、資源，訓練人才輕而易舉，人才濟濟。通常模型建置完成後，在上線之前，建模單位會有1、2位資深同仁複檢（Review）建模文件（Documentation），通過後才允許模型上限，建模文件建檔。台灣本土銀行目前無法複製這種做法，大多數先進的模型是雇用外面顧問公司建置，因為商業機密，顧問公司通常也僅提供黑盒子，文件則教導如何使用與驗證，不包括建模過程、方法論與結果的參、變數。
萬一台灣本土銀行內部有人建置先進的預測模型呢？台灣的現狀不是太尊重智慧財產權，完整的建模文件內部若是沒有人看得懂，卻不幸流到外面去，對原本有競爭優勢的銀行好嗎？又如果原始程式碼被不懂的人（裝懂）亂改，結果出事，誰負責？知識與技術的移轉（Know-how Transfer）最好是透過好的制度訓練人才、留住人才，而不是透過原始程式碼（Source-code）或完整文件，那些是死的，知其然而不知其所以然，只會照抄，無法創新，未來遇到不同的問題找不到解答。信用風險管理對本土銀行而言並非新的概念，但是要落實，銀行需要經過企業文化改造的痛苦過程，如何製造訓練人才、留住人才的環境與條件，考驗高階主管跟老闆們的智慧。（本文作者曹添旺為中華經濟研究院董事長、東吳大學名譽教授暨東吳法商講座教授；李宗穎為美國德州農工大學經濟學博士，曾在花旗銀行紐約總部信用風險管理處工作，回台後曾在多家銀行協助建置信用評分卡、計算經濟資本、設計壓力測試與計算壓力損失等，為銀行信用風險控管專家、大學兼任助理教授）
探索更多精彩內容，請持續關注《台灣銀行家》雜誌
https://taiwanbanker.tabf.org.tw/index
本文為作者評論意見並授權刊登，不代表TVBS立場。
【台灣銀行家】你是否遇過刷卡時發現超過額度上限被拒絕？這時候若致電銀行要求提高額度，銀行接受與否的準則為何？在銀行眼中，你是屬於高風險、中風險，還是低風險客戶？
周年慶又到了，去百貨公司血拚，刷卡卻發現已經超過額度上限而被拒絕，打電話給銀行客服中心要求提高額度，這時候銀行的客服人員應不應該接受要求？若是接受，額度要提高多少？這個問題有很多答案，取決於手上所有的工具與相關管理規範。
建置預測模型需備先決條件
主要有兩個，首先是有業務需求，再來是資料的品質與數量要到位。如果沒有業務需求，資料的品質再好、數量再多，也沒有建置預測模型的必要。一般而言，有擔保品的放款業務對預測未來一定期間內的違約機率（Probability of Default, PD）需求，比沒有擔保品的放款業務還低，定期估計擔保品的市價反而比較重要。
以房貸為例，只要擔保品（房屋）的市值大於放款餘額（曝險，Exposure）跟處理擔保品的成本總和（銀拍、法拍），萬一貸款人違約，銀行也沒有損失。在房價頻頻上漲時，違約率（Realized Default）也特別低，因為貸款人可以賣掉房子或是拿房子去申請住宅權益貸款（Home Equity Loan）來還債，這時候要建置違約機率模型，也會遇到違約樣本數不足的窘境。如果房價下跌，擔保品（房屋）的市值低於放款餘額，是否就需要違約機率模型？也未必。因為模型的建置如果是在承平時期或房價上漲期間，用的資料跟未來房價下跌的資料不一樣，加上原本的違約樣本不足的問題，預測模型不會準。那麼如果用房價下跌時的資料來建模呢？首先要考慮時效性，建模要先收集6個月的資料，通常再花6個月建模，來得及嗎？
其實信用卡對預測模型有業務需求，資料的品質與數量（某種程度）相較於其他信用產品也最到位，是使用預測模型的最佳選擇。信用卡使用的預測模型有個專有名詞：評分卡（Scorecard），因為將羅吉斯迴歸分析（Logistic regression, logit model）的結果（介於零跟一之間）轉換成便於使用的分數。
信用卡可以在風險控管和市場行銷使用評分卡，在風險控管有所謂的AB Scorecards（Application、進件評分卡，Behavior、行為評分卡）；在市場行銷（Marketing & Sales）則有RR Scorecards（Response、回覆評分卡，Revenue、盈餘評分卡），另外還有催收評分卡（Collection Scorecard），是針對已經遲繳但是尚未變成呆帳的客戶建置的預測模型。風險控管的評分卡（主要是AB Scorecards）要求較嚴、比較準，因為稍微失準，呆帳就會飆升，寧可錯殺，不可錯放，使用壽命至少5年。市場行銷的評分卡較不重要，也沒那麼準，壽命周期約2、3年。FICO score（Fair Isaac Corporation）跟上述AB Scorecards不同，它是所謂的「通用評分卡」（Generic Scorecard），就是它可以A-card或B-card，不過它的缺點是，因為樣樣精通，所以樣樣稀鬆，預測能力比不上個別的評分卡，是不得已時候才用的。在美國，如果要衡量一個人的信用品質（Credit Worthiness）通常是看這個人FICOScore，高於720是超級好的（Super Prime, ≥720），高於660是好的（Prime, 介於660跟719之間），低於660屬於信用有瑕疵的，還分為近好的（near Prime, 介於620跟659之間），而引起2008年金融海嘯的次級房貸（Sub-prime）的FICO Score介於580跟619之間。
花旗銀行信用卡在美國有約3,000萬持卡人，廣泛應用各種評分卡（Scorecard、Predictive Modelling、預測模型），最重要的是跟風險相關的AB卡，Application Scorecard進件評分卡與Behavior Scorecard行為評分卡，另外，還有盈餘評分卡（Revenue Scorecard）、回應評分卡（Response Scorecard）、催收評分卡（Collection Scorecard）等，不同的評分卡還可以同時使用，以下舉例說明：
［圖1］使用兩個評分卡分別衡量風險與盈餘，各自又分為高、中、低，形成一個九宮格，根據不同區域（如圖所示有區域1、2、3）可以訂定不同策略。區域1屬於高風險區，這區的持卡人遲繳、違約的機率較高，需要嚴加追蹤，若是在其他銀行已經出事，就要採取預防措施。區域2屬於高收入、非高風險區，是好收入的來源，是銀行需要照顧、留住的對象，客戶關係管理（CRM）應該在此發揮作用。這類客戶有時候是可遇不可求，再舉花旗銀行為例，當年美國航空公司（American Airlines）要推出自己的AA聯名卡，先找上美國運通（American Express），不料被拒絕，然後去找花旗銀行，結果美國航空聯名卡變成花旗最賺錢的信用卡。因為AA聯名卡的使用者很多是公司派去出差的商務人士，違約機率幾乎等於零，是低風險、高獲利的客群。區域3屬於低風險、非高獲利的客群，有很多持卡卻不用卡或是沒有循環餘額（當季都一次付清）的客戶，透過跟聯合徵信中心（JCIC）購買他們的相關資料，再佐以資料採礦（Data mining）分析，可以嘗試餘額轉換（Balance Transfer, BT，說服客戶將他們在其他發卡銀行的循環餘額轉到本行）。餘額轉換在美國許多大銀行都嘗試過，2016年高盛（Goldman Sachs）要跨足消費金融，跟奇異資融（GE Capital）買斷整個信用卡業務，將組合轉為個人信貸（Personal Loan），賠了不少錢，終於在去年（2022）停止個人信貸業務。事實上，目前還沒有聽說推餘額轉換賺錢的，在美國的大銀行都付了不少學費，主要原因還是在於沒有做好風險控管，以至於轉換來一大堆呆帳。本土銀行如果有意嘗試，只要能做好風險控管，還是值得一試。
再拉回文章一開始的周年慶，假設銀行已經有如同［圖1］的設定，那麼要求提高額度的持卡人如果屬於區域1（高風險），直接拒絕；若屬於中風險，可以考慮暫時提高額度；其餘狀況可以答應客戶要求。
模型應用的挑戰：師徒相傳
模型的應用是另一大挑戰，台灣傳統商業銀行的徵授信人員透過師徒相傳，多年經驗是公司寶貴的資產，但是因為時空背景變遷、客戶行為改變等，加上缺乏系統性的整合，讓這些經驗可能流於見樹不見林，資深的員工甚至可能排斥引進較為科學的預測模型。再者，萬一兩位資深員工有互相矛盾的經驗，要如何排解？另一方面，建模人員雖然採用較科學的統計模型，但是也無須將模型當作神聖不可侵犯，若是脫離現實，不跟營運結合，只是閉門造車，類似做學術研究，見林不見樹，對企業沒有助益。
結合雙方長處，建模人員應該多了解整體營運狀況，包括徵授信、客戶回饋與抱怨、遲繳催收等。越了解整體營運狀況，越有助於建置更準確的模型，資深員工也不用排斥新的科技，學習與擁抱、使用新的科技，才可提升企業長期發展。
關於預測模型的迷思：並非唯一依據
預測模型是重要的決策依據（不管是日常營運或制定中長期策略），但是非唯一依據，模型越準，依據的比重就越高。有的模型天生（by Nature, Intrinsically）就比較準，有的較沒那麼準，了解模型的侷限是使用模型的必要認知。再次舉信用卡為例，核准信用卡申請的過程通常需要通過一些條件（Criteria），這些條件可能來自於資深員工多年徵授信經驗的彙整，理想一點的還加上科學統計的分析，其中一條可能是進件評分卡的應用，設定一個分數門檻（Cut-off Point），低於這個門檻就直接拒絕。假設這個進件評分卡很準，那麼其他條件可以盡量放寬，讓進件評分卡負擔起核准與否的重擔。但是進件評分卡（跟所有評分卡一樣）會漸漸失效，在新的進件評分卡建置成功前，其他條件可能就需要慢慢鎖緊。
更完美的情況是定期做條件分析（Criteria Analysis）跟模型驗證（Model Validation），隨時調整因應任何變化。預測模型的驗證是模型建置與後續應用重要的一環，也是一門嚴謹的科學。美國的花旗銀行在核准信用卡申請的授信過程有設定一些天條，只要違背，直接拒絕（但是仍須走完授信程序，結果資料留著並儲存，日後的條件分析與建置進件評分卡會用到），這些天條包括：過去7年內曾經破產、過去幾年曾經有重大犯法、FICO分數低於720等等。除了天條，還有一些可以變動、調整的條件，這些條件也要定期檢驗。
主管機關面臨稽核挑戰
主管機關要如何稽核？稽核什麼？建議先確認業務使用預測模型，要求提供文件，甚至資料來證明。對於沒有使用預測模型的業務，則要求書面解釋為什麼。若是遇到在信用風險控管上面完全沒有使用任何預測模型的銀行，第一次可以書面警告並限期改善，第二次則罰款並暫停業務6個月，第三次可以無限期暫停營運執照，逼其賣掉業務，幫忙解決銀行過剩的問題（Over-banking）。
國際大銀行有完善的制度、資源，訓練人才輕而易舉，人才濟濟。通常模型建置完成後，在上線之前，建模單位會有1、2位資深同仁複檢（Review）建模文件（Documentation），通過後才允許模型上限，建模文件建檔。台灣本土銀行目前無法複製這種做法，大多數先進的模型是雇用外面顧問公司建置，因為商業機密，顧問公司通常也僅提供黑盒子，文件則教導如何使用與驗證，不包括建模過程、方法論與結果的參、變數。
萬一台灣本土銀行內部有人建置先進的預測模型呢？台灣的現狀不是太尊重智慧財產權，完整的建模文件內部若是沒有人看得懂，卻不幸流到外面去，對原本有競爭優勢的銀行好嗎？又如果原始程式碼被不懂的人（裝懂）亂改，結果出事，誰負責？知識與技術的移轉（Know-how Transfer）最好是透過好的制度訓練人才、留住人才，而不是透過原始程式碼（Source-code）或完整文件，那些是死的，知其然而不知其所以然，只會照抄，無法創新，未來遇到不同的問題找不到解答。信用風險管理對本土銀行而言並非新的概念，但是要落實，銀行需要經過企業文化改造的痛苦過程，如何製造訓練人才、留住人才的環境與條件，考驗高階主管跟老闆們的智慧。（本文作者曹添旺為中華經濟研究院董事長、東吳大學名譽教授暨東吳法商講座教授；李宗穎為美國德州農工大學經濟學博士，曾在花旗銀行紐約總部信用風險管理處工作，回台後曾在多家銀行協助建置信用評分卡、計算經濟資本、設計壓力測試與計算壓力損失等，為銀行信用風險控管專家、大學兼任助理教授）
探索更多精彩內容，請持續關注《台灣銀行家》雜誌
https://taiwanbanker.tabf.org.tw/index
本文為作者評論意見並授權刊登，不代表TVBS立場。
Blueseeds天然初萃精油
