1703655903
对于非预期损失（UL），非零售风险暴露：
1703655904
1703655905
1703655906
1703655907
1703655908
其中b是期限调整因子，R是相关系数。
1703655909
1703655910
零售风险暴露：
1703655911
1703655912
1703655913
1703655914
1703655915
互联网信贷风险与大数据：如何开始互联网金融实践 [:1703653524]
1703655916
三、原因分析
1703655917
1703655918
针对资产组合管理RAROC或者EVA的表现，需要进行数据分析，找出原因，并采取针对性的措施，达到优化资产组合的目的。如图6-3所示，可以通过抽丝剥茧的方式分析原因。
1703655919
1703655920
1703655921
1703655922
1703655923
图6-3 资产组合管理分析
1703655924
1703655925
例如，通过对收入、成本、风险等各方面分析，分析RAROC低的原因是由什么造成的？是由于收入低，还是运营成本高，抑或还是风险成本高？风险成本高是由于客户违约的概率高，还是回收率低，又或者是违约风险暴露高？是贷前引入客户问题，贷中客户管理问题，还是逾期客户管理的问题？利用层层递进的方式，找出资产组合较差的原因，落实到客户层面，从而采取相应的措施进行优化。
1703655926
1703655927
互联网信贷风险与大数据：如何开始互联网金融实践 [:1703653525]
1703655928
四、措施设计
1703655929
1703655930
通过原因分析，金融机构可以找到资产组合的“病因”，而措施设计则相当于医生对症下药。常见的措施包括通过市场促销、取现优惠（信用卡）、分期优惠（信用卡）等手段提高收入，通过提高客户准入门槛、限额控制、客户清退、调整催收策略等措施来降低风险成本和经济资本。
1703655931
1703655932
以信用卡产品为例，循环客户能给发卡行带来大量的利息收入，但循环客户的风险控制难度相对较高。为了平衡该类客户群的风险与收益，需要对循环客户进行细分管理，设计差异化的管理措施。例如，通过对循环客户的监测，发现循环客户可以根据其行为特征区分为习惯性循环客户和间歇性循环客户，其中习惯性循环客户会经常性、连续性地发生循环行为，而间歇性循环客户仅是偶尔发生循环。还可进一步分析习惯性循环客户和间歇性循环客户的风险特征，比如，分析结果显示习惯性循环客户虽然多次循环，但都没有发生严重的逾期行为，而间歇性循环客户则很有可能由于当前的偿付能力发生异常才出现循环，未来逾期的可能性较高。因此，在进行措施设计时，便可以培养和鼓励习惯性循环客户的用卡行为，对于间歇性循环的客户，则需要限制其循环次数，或控制授信敞口，避免产生较大损失。
1703655933
1703655934
又如，为了提高资产收益率，保留并培养一部分信用卡取现客户。但由于无法追踪信用卡取现后的交易行为，可能导致较高的风险。发卡行可以通过有效的产品设计方式，引导取现客户群的交易行为。比如，主动为风险可控的取现客户提供现金转账专属产品，将部分信用卡授信额度转入客户名下的同行储蓄账户，通过对储蓄账户的监测，跟踪客户的交易行为，控制现金客户的风险水平。
1703655935
1703655936
互联网信贷风险与大数据：如何开始互联网金融实践 [:1703653526]
1703655937
五、监测体系
1703655938
1703655939
如图6-4所示，监测体系有利于金融机构及时了解资产组合的发展趋势，对出现的问题及时了解，进行有效原因分析，并迅速采取措施，动态地对资产组合进行管理，提升资产组合质量。同时，监测体系也可以帮助金融机构了解采取相关措施后资产组合的变化情况，如措施是否有效，问题出在哪里，应该采取什么样的改进措施。
1703655940
1703655941
1703655942
1703655943
1703655944
图6-4 监测体系
1703655945
1703655946
监测体系的实现通常依赖于信息系统，提供自动化、标准化的决策支持，减少人为因素的干扰，防止操作风险的出现。监测体系的监控维度可根据金融机构需要自行设计，例如，体系可包含的监测维度有：
1703655947
1703655948
•审批维度：进件数、通过率、平均额度、批核金额、拒绝原因等。
1703655949
1703655950
1703655951
1703655952
•集中度维度：客户数、客户数占比、贷款余额、贷款余额占比等。