一、项目背景及目标

项目背景：

在金融科技快速发展与数字化转型的浪潮下，银行业务面临着前所未有的挑战与机遇，在经济形势下行的态势下，对公客户风险大大提升，风险愈发隐蔽、层出不穷。传统的银行信用评级方式主要依赖人工收集和分析少量财务数据，存在信息不全面、主观性强、效率低下等问题，难以满足日益复杂的金融市场环境需求。随着监管要求的不断提高，商业银行需要更加精准、高效的风险评估手段，以有效防范信用风险，确保业务稳健发展。

与此同时，大数据、人工智能等技术的成熟，使得多维度数据整合与深度分析成为可能。企业的财务信息、征信记录、工商登记、账户交易行为以及科技创新能力等数据，都蕴含着丰富的信用风险信息。整合这些海量数据，通过科学的量化模型与定性分析，能够更全面、准确地评估客户信用状况。在此背景下，对公智能评级项目应运而生，旨在利用先进技术，革新传统评级模式，提升恒丰银行的风险管控能力和市场竞争力。

项目目标：

（1）构建智能评级体系：整合对公客户财务、征信、工商、账户行为、科创等多维度数据，运用量化模型与定性分析相结合的方式，构建科学、精准的智能评级体系，实现对客户信用等级的客观、准确评定；

（2）提高业务效率：通过系统自动获取定量数据，减少人工操作环节，提高评级工作的效率，缩短评级流程耗时，满足信贷业务快速审批的需求，提升整体业务处理效率；

（3）强化风险管控：为信贷审批、贷款定价和贷后管理等环节提供可靠的信用评级依据，帮助银行更准确地识别和评估客户风险，优化信贷决策，降低信用风险，保障资产质量；

（4）支持业务发展：基于精准的评级结果，为不同风险等级的客户制定差异化的金融服务策略，拓展优质客户群体，优化资源配置，促进业务可持续发展，提升银行在对公业务服务能力。

二、创新点

（1）多维度数据深度融合

传统银行对公客户评级除定性分析外，更多聚焦财务数据，而本项目突破性地整合财务信息、征信信息、工商信息、账户行为、科创信息等多维度数据，构建不同数据维度的评级子模型，各子模型相互融合共同影响企业最终评级。以科创信息为例，将企业专利数量、研发投入强度、高新技术资质等纳入评级范畴并构建科创子模型，能更全面反映企业创新能力与发展潜力，突破了单一数据维度的局限性，为评级提供更丰富、立体的信息支撑。

（2）数智化流程革新

该项目借助大数据和人工智能技术，实现系统自动获取定量数据，代替大量人工数据收集、整理与计算工作。数据处理和评级流程自动化，大幅减少人为操作失误和主观干扰，提升评级效率与客观性。以征信模型为例，传统模型需客户经理查看企业征信报告并手动计算金额占比再录入系统重，该项目实施后可自动获取报告中数据完成计算，减少基层工作量和失误率，并持续提升科技运作能力，赋能金融业务转型升级。

（3）助力五篇大文章，构建科技金融评级体系

恒丰银行对公智能评级项目新增大中型科创企业模型和小微型科创企业模型，通过系统科技金融标识自动判断客户所属敞口，针对不同企业规模科创企业的特点，整合专利广度、深度、价值等科创信息，再结合财务、征信等多维度数据，构建精准的信用评级体系。银行可依据模型评定的信用等级，更准确地识别大中型科创企业的技术实力与发展潜力，以及小微型科创企业的成长空间，为其提供差异化的信贷额度和利率方案。例如，对技术领先、成长前景良好的小微型科创企业给予低息贷款，支持其技术研发和业务拓展；对处于关键发展阶段的大中型科创企业加大信贷支持力度，促进科技成果转化，推动科技信贷向精准化、高效化发展，优化金融资源在科创企业中的配置。

三、项目技术方案

智能评级基于多维数据及模型融合的总体架构设计，融合了定量模型、定性模型、特例调整模型三大类，每类模型又根据不同数据维度设计了不同的子模型，优化思路主要依据其样本量和业务意义决定，包括统计模型、专家打分卡两种实现方法。其中定量子模型重点考虑财务、工商、账户行为、企业征信、科创评价、实际控制人个人征信等数据维度信息；定性子模型重点考虑公司治理、环境保护、企业经营、企业竞争力、知识产权等数据维度信息；特例调整重点考虑风险监控预警信息、ESG评价信息、其他特例调整事项等数据维度信息。

子模型建设思路根据实际业务特点，对多维数据融合建立各类子模型，主要技术工艺包括：识别大中和小微企业、账户行为数据调研、账户行为数据提取和加工、行为数据建模、模型效果验证及应用设计、坏客户定义、长清单设计、单/多变量分析、逻辑回归、模型效果验证、行内模型效果验证。

基于国际评级公司标普评级标尺重新优化主标尺，并重新进行模型校准，根据优化后内评模型对主标尺进行优化，各级别对应的违约概率（PD）水平均有所上升，在确保业务应用一致性的基础上，准确反映行内资产风险水平，提高同业可比性。优化后的主标尺一来更能准确刻画行内近年资产风险水平，二来与同业他行主标尺水平可比性更好，三来确保业务应用的连续性，加强客户评级的基本和核心应用。

智能评级项目系统架构设计的核心是对公客户评级和中央风险计量引擎两个物理子系统。对公客户评级系统负责提供用户操作页面、业务流程控制和多维数据收集；中央风险计量引擎负责落地实现多模型融合的总体模型架构设计，接收对公客户评级传送的多维数据进行子模型的数据智能运算并将模型运算结果回传给对公客户评级系统进行反显，由对公客户评级系统完成客户评级的后续审批流程。评级所需的多维数据则由对公客户评级系统通过外部数据管理系统、企业级数据仓库以及行内其他系统提供。

四、项目过程管理

模型开发阶段阶段：2024.05-2024.09 该期间主要是梳理行内外部可用数据，明确各类风险指标的数据源、指标说明、加工逻辑等，在数据清洗的基础上，重塑对公客户评级模型体系，基于大数据、机器学习算法及行内风险偏好业务发展战略，开展对公客户模型开发、验证和优化工作。

系统实施前期对接：2024.09-2024.10 该期间主要是基于上述阶段的模型，与开发人员对接，沟通具体的落地方案，最大化减少基层工作量，提高评级流程效率和评级质量；同时，基于行内现状制定相应的应用方案。

系统开发阶段：2024.10-2024.12 该期间主要是开发人员基于需求进行系统逻辑梳理、代码编写、系统开发、多系统联调等相关工作，业务人员同时开展全行系统上线前培训、推广并配合开发工作。

系统测试阶段：2024.12-2025.01 该期间主要是SIT测试和UAT测试阶段，测试人员基于测试方案开展了3轮系统测试且每轮约1000条测试案例，测试系统开发的结果是否满足预期，同时验证结果是否准确、系统操作是否流畅。为确保投产一次性切换模型成功，我行进行了充分的系统测试，尤其要确保模型准确性，目前采用模型白盒测试、批量测试和逐笔测试结合的方式来进行测试。

（1）在模型开发过程中，业务人员全程介入，对照模型配置表和需求一一比对，确保模型开发配置过程准确。

（2）针对所有模型预置客户测试数据，充分考虑模型输入正常值、边界值、异常值等场景，确保模型准确性和鲁棒性。

（3）通过逐笔测试，确保系统流程贯通、页面反显准确，同时核查模型准确性。

（4）通过批量测试，将业务模型预期值与系统运行输出值进行批量比对，提高测试效率。

系统上线前准备及投产：2025.01 该期间主要是检查编写相关文档，投产前回归测试，组织投产绿灯测试验证和投产部署工作。为提前应对投产后发生的未知问题，系统测试工作将持续进行，主动发现问题并修复，直至系统完全稳定、模型准确。投产后，先小范围在生产进行客户评级，观察生产运行情况，待模型经过生产运行确认后，逐步放开全面重评。

五、运营情况

对公智能评级项目系统自2025年1月投产部署后，即开展绿灯测试验证工作，验证顺利通过。系统投产后，即开展全行范围内培训及应用宣导，从投产到2025年5月，全行共计5226户客户通过新的模型体系完成评级，获取新的评级结果及pd。评级结果应用于客户风险限额计算、贷款定价、拨备计提、授信准入、RAROC计算等方面。

六、项目成效

支持创新驱动发展战略：通过新增大中型科创企业模型和小微型科创企业模型等差异化评级模型，将金融 “活水” 精准滴灌至不同成长阶段的科创企业（如大中型企业的技术迭代、小微企业的研发投入），助力国家科技创新体系建设，符合 “科技自立自强” 战略导向。

提高信用风险评估的精准性和及时性：考虑工商、舆情、科创、征信、交易行为及财务等多维度内外部数据，通过机器学习等大数据建模，构建新的信用评级体系，可准确评估对公客户的信用风险水平；此外，联动行内全面风险预警系统，针对触发预警规则客户实时调整对公客户在我行评级结果，提高了信用风险评估的及时性和时效性。

七、经验总结

（1）多源数据整合，夯实评级基础

项目成功整合财务、征信、工商、账户行为、科创等多维度数据，打破数据孤岛。在建设过程中，建立第三方数据机构的合作机制，确保数据来源的权威性与稳定性。同时，运用大数据清洗、标准化处理技术，解决数据格式不统一、质量参差不齐等问题，为精准评级筑牢数据根基。

（2）技术驱动创新，优化评级流程

采用人工智能、机器学习等技术构建量化模型与模型组合，实现评级流程的自动化与智能化。在模型开发阶段，组织专业技术团队与金融业务专家深度协作，根据不同客户类型和业务场景，调整模型参数和算法，提升评级准确性。通过系统自动获取定量数据，替代人工手动录入，缩短评级流程时间，提高工作效率，降低人为操作风险。

（3）建立反馈机制，持续优化迭代

在模型建设、需求编写、项目部署及后续推广过程中，建立健全客户经理和审批人员反馈渠道，定期收集对评级模型、系统功能、服务流程等方面的意见和建议。根据反馈及时调整模型参数、优化系统功能，不断提升评级的准确性和实用性。通过持续优化迭代，使项目更好地适应市场变化和业务发展需求，保持项目的竞争力和生命力。