【特邀嘉賓】
信風金融科技創始人 陳劍
陳劍博士現任信風金融科技的創始人兼CEO，MSCI公司亞太區ABS業務高級顧問，財新智庫高級顧問，財新傳媒專欄作家，《文匯報》影評專欄作家，《南風窗》時評專欄作家，上海市千人計劃金融領域專家，上海金融系統知聯會理事，世界華人不動產學會副秘書長。陳博士曾擔任點石金融服務集團管理合夥人，美國安富金融工程集團董事總經理，美國聯邦房貸公司（"房地美"）的信用風險及建模總監，美國花旗銀行信用風險副總裁，美國國民房貸協會（"房利美"）的信用風險管理總監。陳博士同時在上海高級金融學院擔任兼職教授，北京大學國發院-紐約福坦莫大學管理金融博士班兼職教授，併為多家報刊雜誌撰寫專欄文章。他在西安交通大學獲得電機工程學士，上海交通大學獲得電機工程碩士，美國馬里蘭大學史密斯商學院獲得量化金融博士學位。
【會議紀要】（文中"我"指主講專家，文中觀點僅僅代表主講人個人觀點，不代表任何機構的意見，也不構成投資建議，僅供內部討論）
本期的主題是利用信用風險量化模型科學防治新冠肺炎疫情。我在2月6號寫文章時主要是想分析為什麼湖北省的死亡率比較高，後來在同事的提醒下又把模型加入了預測的功能。這次疫情從中央到地方都認為是一場阻擊戰，孫子兵法裡說"夫未戰而廟算勝者，得算多也，未戰而廟算不勝者，得算少也。多算勝，少算不勝，而況於無算乎"，抗擊疫情，調兵遣將同樣需要進行"廟算"，預測其實就是一種"廟算"。預測模型的用途除了給醫務人員使用，很大程度上其實也是讓不太瞭解數據科學和預測模型的民眾保持謹慎樂觀的信心。
一、湖北省疫情預測模型回測結果
我與鄭軍華院長合作論文[1]中的預測模型對於湖北省的疫情做了一個回測，數據點是從1月25號到2月8號共14個數據點，參數選擇是基於2月8號的數據，預測了從2月9號到2月29號大約21天的值（圖1）。先來看大家比較感興趣的現有確診峰值，最後實現的峰值是5萬，出現峰值的日期是2月16號，重症的峰值是9289，出現峰值的日期也是2月16號，危重症的峰值是2492，出現峰值的日期是2月21號， 2月底的確診總數是66907。當時做預測時提供了三個不同的場景，實際值與謹慎樂觀場景比較類似，確診峰值在兩個預測值44000和55000之間，重症峰值超過了6400~8000的預測值。危重症的峰值當時的預測是2000~2500左右，確診總數當時預測的是6萬到7.1萬，比較準確。
圖1
現在流行病學裡常用的模型如SIR、SEIR模型，對數據要求相對來說比較低、比較簡單，但缺點也很明顯，不能處理中間狀態的預測，所以無法預測重症和危重症。而狀態轉移矩陣對數據的要求可高可低，數據模型比較複雜，但優點很明顯，它是唯一可以預測中間狀態的模型，缺點歸納在圖2中。還有Cox風險模型、存活性分析，這兩類模型都需要個例的數據，我們使用的是衛健委網站上公開的數據，顆粒度比較粗，所以無法用最後兩類模型。如果將來能夠拿到個例數據，可以採用這些更復雜的比如Cox風險模型來做分析。
圖2
簡單介紹一下SIR模型，它主要是把人群分成了三類，一類是Susceptibles，即易感人群；一類是Infectives，即被感染人群；還有一類是Removed，已經治癒或者死亡的人群。模型根據人群之間轉化的概率來預測疫情的走勢，這是一個比較典型的模擬傳染病的動力模型。如果中間加上潛伏期，就是SEIR模型，現在用的比較多。
我們做的狀態轉移矩陣模型，非常類似SIR模型，但是中間狀態相對來說比較多。圖3從左到右依次來看，從密切接觸到接受醫學觀察，有兩種不同的結果，一類是確診，還有一類是解除醫學觀察，即沒有感染。如果沒有感染對模型來說就移除出樣本，在確診裡又分成重症、非重症，重症還可以再轉化成危重症，危重症如果死亡就移除出樣本空間，但是危重症可以再重新被轉化為重症、非重症，非重症可以轉化為重症，也可以康復，這是基本的邏輯。
圖3
這裡的狀態轉移理論其實和信用風險裡，尤其是消費貸款信用風險事件的狀態轉移矩陣高度類似。從圖4消費類貸款的狀態轉移矩陣可以看到從貸款發放後，可能是正常貸款，也可以提前還款，提前還款是一個終結事件，正常貸款可能變成輕微逾期，比如30天的逾期或者60天的逾期，輕微逾期如果不加管理或放任，有可能變成嚴重逾期。 在嚴重逾期後，如果提前還上幾筆貸款，又可能重新變為輕微逾期，當然嚴重逾期也可能直接到違約，違約也是一個終結事件，進而對抵押品進行處置。中間有種狀態是貸款修復，一般是貸款曾經出過問題，對貸款進行了一定的利息減免或本金減免，或是期限延期，它不再是完全的正常貸款。類似我們現在說的已經治癒但是有可能復陽的病例，這些修復貸款可能提前還款，也可能再次進入逾期。
圖4
整個模型結構與新冠肺炎疫情的演變是一致的，這也是為什麼可以把信用風險模型套用到疫情的預測上來。圖5比較了疫情和信用風險事件的相似點，比如兩種事件都可能由外在的衝擊事件觸發，新冠肺炎可能是病毒暴露或是接觸傳染人群，信用風險有可能是在家隔離時收入減少；抵抗力方面，如果免疫力強就不容易感染，如果支付能力強也不容易違約；兩者都有輕微風險和嚴重風險，最差的結果對於新冠肺炎來說就是死亡，最好的結果是自愈，對於信用風險事件來說，不可挽回的事件是違約，最好的結果是經過修復成為正常貸款。
圖5
圖6是我們的模型回測結果，模型從2月9號開始做預測，裡面有幾個比較重要的指標，一個是新增確診，實際的新增確診有一個非常高的峰值，就是2月12號因為確診標準修改，當天新增了將近1.4萬例，這是模型無法處理的。但是我們當時並不認為需要對模型做大的改變，因為這些臨床診斷的病例遲早會進入確診人群，累計來看對模型的影響並不大。圖7是累計確診的數字，可以看到雖然2月12號有很大的漲幅，但我們的模型後面基本跟上來，在2月底時兩個數字非常接近。
圖6
圖7
圖8回測的是危重症人數的預測值，預測和實際值的走勢一直非常接近，直到2月22號住院人數已經開始下降，這時治癒率也比較高，所以危重症人數和原來的預測相對來說差別比較大，但是可以看到峰值基本一致。 如果當時按照我們的預測來準備危重症的床位應該說還是比較準確的。圖9是重症人數的預測值，比危重症的準確度差一些。回過頭去看，我們的狀態轉移矩陣裡從確診到危重症要經過兩個環節，而確診重症只經過一個環節，所以確診在大幅變化，對危重症的人數預測影響相對會小一些，對重症的預測影響相對大一些。
圖8
圖9
圖10是模型對每天新增死亡人數的預測，模型結果在2月24號之前相對來說還可以接受，原因類似之前提到的，這天之後一方面住院人數減少，危重症人數減少，另一方面醫護資源比較充分，醫生的經驗也日益豐富，所以死亡率下降比較快。圖11是對治癒人數的預測，誤差相對比較大，因為當時是按照2月8號的治癒率來做預測，後來治癒率上升比較快，但最近又出現一個大的下降，輕症基本能夠較快出院，據說如果20天沒問題基本就能出院，如果超過20天轉為重症、危重症的可能性比較大，出院的可能性也比較小，所以新增的治癒人數在減少。
圖10
圖11
下面簡單分析下模型的誤差主要來自於哪些方面。狀態轉移矩陣模型能夠把各部分的誤差分門別類來看，這裡最大的模型假設是新增密切接觸人數的變化率，我們假設了三種不同場景，數值分別是-10%、-5%和-1%。模型判斷依據是2月8號的數據，這項參數當時是8%左右，在預測未來的新增密切接觸人數時認為它肯定會減少，但當時還是在增加。我們並不知道它會減少到多少，所以做了三種不同的場景，當時認為每天衰減10%應該是一種非常好的結果，實際數字在2月27號之前都沒有達到10%，在2月11號到2月24號之間，湖北省的數字是接近-2%， 我們當時謹慎樂觀假設了-5%，實際後來加速下降到-15%。這個參數是整個模型非常重要的假設，可以把它認為是每個病人一天之內能夠傳染幾個人，後來湖北省內的數字恢復比較快，比我們最早的樂觀預測還要快，但總的來說2月份的加權平均值大約在-9%左右，其實也在我們假設的-5%到-10%之間。
圖12
還有一個參數是單日解除醫學觀察的概率，我們假設了兩個值，分別是17%和10.5%。當時預測的時間是2月8號，可以看到2月份後面大部分時間這個數字是在15%~20%之間，接近我們假設的17%的比較樂觀場景。
圖13
圖14和圖15分別是單日的非重症康復率和重症的死亡率，也是當時重要的比較湖北省內和湖北省外的數據指標，尤其是單日重症死亡率。為什麼湖北省的死亡人數會這麼高，當時考慮是不是因為湖北省的重症比較多所以死亡人數也較多，但是後來計算條件概率，發現即使對於重症來說，湖北省的死亡概率還是非常高，可以看到在2月8號時幾乎是省外的兩倍，在更早期就更高。最近這兩個數字已經基本一致，全國各地給湖北支援了將近4萬名醫護人員，對於降低死亡率的效果非常明顯。
圖14
圖15
隨著疫情趨勢的好轉，我們研究或預測的重點也由原來的預測峰值拐點轉為預測完全可控的時點。到底什麼是完全可控也沒有非常一致的看法，包括鍾南山院士說4月底基本可控的時候，也沒有明確的量化指標。我和鄭院長討論的結果認為如果醫學觀察的人數在100人以下，可以保證每天的新增可能最多兩、三人，這種情況應該說是基本可控了。我們對湖北省內和湖北省外的醫學觀察人數分別做了預測，結果是基本上在3月底，全國除湖北外的密切接觸者在接受觀察人數應該能夠降到100人以下。這個預測是在2月底做的，最近又多了一些數據，比我們的保守估計還要差一些，主要是因為出現了海外的感染者回到中國，造成疫情的倒流。如3月5日全國新增17例，其中16例是來自海外。當時預測時沒有考慮到這個因素，所以現在湖北省外達到疫情可控的時間點可能會晚一些，但應該還是比我們預測的悲觀場景早一些。如果沒有特別大的反彈，到4月底湖北省的密切接觸者在接受觀察人數應該會降到100以下。
圖16
二、疫情對於中國信貸資產的影響
隨著疫情逐漸好轉，我的研究重點也轉到疫情對中國信貸資產的影響上。2月底到3月初我們做了一些研究，研究對象主要是居民消費類貸款，分類包括住房抵押貸款、汽車貸款、信用卡分期和無抵押的消費金融貸款，具體包括銀行消費貸款、持牌消費金融公司貸款、互金貸款、電商平臺類貸款，我們也對企業類信貸，包括中小微企業貸款、供應鏈金融、租賃、保理、CMBS等數據進行了分析。
一般來說貸款逾期90天以上才能叫做違約，所以對於消費者或是企業，即使他們在1月底或2月底停止還款，也要等到4、5月份，才能計入真實違約，違約數據相對滯後。為了瞭解疫情對於居民消費類貸款的影響，我們針對評級公司，包括國際和國內評級公司，還包括國有銀行、股份制銀行以及信用卡的助貸機構、消費金融公司、中小企業助貸機構做了一些調研。
現在來看疫情對消費類貸款影響比較大，主要體現在幾個方面。首先是收入大幅減少，尤其是服務性行業，最近財新的PMI指數從50跌到26，是有史以來的最低點，對消費類行業的衝擊確實非常巨大。其次是催收效率降低，武漢其實是中國的催收中心之一，包括招行、交行、民生、中信、招聯消金、微眾、捷信和馬上金融都有大量的催收人員在武漢，這些催收人員現在沒法上班，導致很多早期的逾期無法修復，可能轉變成嚴重逾期，最終違約的風險大幅增加，和輕症沒有及時收治轉為重症的概率增加是一個道理。還有一點是疫情對居民的心理衝擊很大，未來消費的謹慎程度會大大增加，很多人可能會不著急還款，現在確實看到網上有一些這類消息，很多消費類貸款都是選擇最低還款額，如果大家這樣選擇信用風險會增加。
其他幾類不同的消費類貸款調研結果顯示，對房屋抵押類貸款的影響相對來說比較低，因為現在房價還看不出受到特別大的影響，除了湖北省，各地已經出臺了一些支持房地產的政策，為了尋找更好的醫療資源，一線城市如北京、上海的房價可能還會上升。據瞭解，也有一些銀行分行收到了延期支付的申請，說明壓力還是存在。
車貸的影響會更大一些，一方面是前幾年車貸市場下沉比較激進，這些借款人的收入和能力受衝擊度會比較大。另一方面部分車貸以運營為目的，受到影響會更大，因為交通運輸也是受衝擊比較大的行業。此外武漢有三家比較大的東風系，包括東風日產、尼桑、標誌發行的ABS裡，湖北省的貸款比重相對來說要更多一些，所以這幾家汽車金融公司可能受影響更大。
不同的人對信用卡的逾期增幅估計不太一樣，有的估計20%~40%的逾期增長，但有的業內人士估計是100%的增長，現在還看不到準確數字，但是可以預期逾期增長是肯定的。捷信的CEO在2月底發了一封內部信，說捷信的業務要進行大規模轉型，很多人把這封信看做是可能會進行大規模裁員的標誌，另外馬上金融內部減薪，總體幅度在20%左右。消費金融貸款（包括持牌消費金融公司、P2P /金融科技助貸、電商類消費款）在四大類消費貸款中受影響最大，客戶信用風險最高。假設以捷信的平均客戶來看，它的貸款額度只有3000~6000元，名義利息是20%以上，再加上服務費可能更高，如果這些客戶為了3000~6000塊錢就願意借這麼高利息的貸款，說明他們的存款非常少，因此受疫情的衝擊也比較大。
中小企業貸款受到的影響可能比消費類貸款更大，據業內資深人士估計，逾期率增長將近4倍。財新針對新冠疫情對中小外貿企業的影響做了一個調查，發現企業受影響的因素63%是由於停工無法交貨，企業的內部困難有50%到65%之間是因為防疫隔離或患病員工無法返崗。80%的海外客戶對於延遲交貨的接受程度是不接受，會發生違約賠付責任，所以對中小外貿企業的衝擊很大。根據清華大學的調研報告，80%的企業只能堅持停工停產三個月，財新的調查數據顯示能堅持停工停產三個月以上的企業不到一半，當然不同的企業樣本，結果出現偏差也很正常。
圖17
圖18
貸款逾期的早期處理非常重要，如果對於早期逾期的處理不當或者不及時，可能導致大量的早期逾期貸款成為嚴重逾期，直至不良貸款，現在來看這個趨勢有可能會發生，所以需要儘快採取一些措施緩解早期逾期。圖19中可以看到金融危機發生時期，美國各類消費類貸款嚴重不良率的增長情況。當時主要是房價發生了比較大的波動，抵押貸款、房屋抵押貸款的不良率是最早開始上升，然後是信用卡和汽車貸款，再然後是學生貸款。但是對中國來說可能會不一樣，大家基本還是遵循傳統的還款優先順序，首先還房貸，然後車貸、信用卡，再然後是無抵押的消費貸款。
圖19
總的結論，我們認為新冠肺炎疫情對信貸資產的影響將是全面和劇烈的，需要儘快研究怎麼讓金融機構更好地幫助中小企業和消費者走出困境。我們也做了一些國家紓困政策的調研，發現力度還是不夠，到目前為止大部分的紓困政策都是針對大型企業，很多的紓困措施包括減免稅收或是五險一金，從發生效率來看可能會比較長，因為現在企業收入減少的很快，不盈利也就沒有稅可交，如何能夠緩解其實是最重要的。此外針對消費者的措施力度不夠，比如在美國金融危機時，專門針對消費者的HAMP (Home Affordable Modification Program)和HARP(Home Affordable Refinance Program)，效果值得借鑑。對於消費貸款的修復，目前來看包括央行和銀保監方面還沒有推出特別有針對性的政策。
最後是關於疫情預測模型的一些感想。在做這個模型時遇到了很多的不理解甚至是批評，認為預測數據不準確，模型做出來也沒什麼用，但我覺得這種想法是錯的。我的兩位朋友，一位是張主任，他說現在沒有藥也沒有疫苗，但是沒辦法也得去治病；還有一位是鄭軍華院長，他在除夕之夜去武漢時，是全國第一批去武漢援助的醫療隊，當時他們對疫情或病毒完全沒有特別多的瞭解，風險非常高，但是沒有選擇必須得這麼做。同樣做模型也沒有完美的數據，所以不管數據準確不準確，都必須拿來用，不完美的數據也可能做出比較好的模型，或者說有應用的模型。好的模型並不是說100%預測準確，而是可以用來做科學決策，如果能夠幫助大家保持信心，能夠為一線醫務人員提供參考，那麼模型就是有用的。
三、問答環節
Q1：根據您的模型及所做一系列研究，現在全球出現一定蔓延趨勢，請問您作何判斷？
A1：這個問題確實也是我最近在做的新模型，把韓國、意大利和伊朗的數據都納入考慮，國內湖北省內和湖北省外完全是兩個場景，所以把這兩個場景分別做了一些綜合，再運用到國外三個國家的場景裡面。目前來看，韓國應該是做的最好。圖20是把湖北作為基礎Y軸，比較韓國、意大利和伊朗的累計確診時點，我們把它定義為發生50例的日期。可以看到，韓國的增長雖然很快，但增速已經慢下來，現在曲線的斜率基本已經類似湖北省外的斜率，而不是像湖北的指數增長形式，而伊朗相對來說增長非常快。所以我們認為韓國應該是這三個國家裡最早控制住疫情的國家。圖21是比較累計死亡的時間點，原始節點定義為發生10例的時間點。從趨勢明顯看出，韓國的趨勢和湖北省外的趨勢非常類似，兩條線幾乎重合。而意大利和伊朗的死亡人數上升比韓國要快得多，但還沒有到湖北這麼高。 因此我們認為三個國家裡，韓國應該是類似湖北省外的場景，伊朗和意大利在好的情況下是介於湖北和湖北省外的場景。如果防控不到位，在我們的一個假設場景裡伊朗有可能會超過湖北省的感染人數，但是目前數據還比較早期仍在繼續觀測。
圖20
圖21
我們發現其實起最大作用的是政府採取防控措施的效果和民眾的接受程度或者說是自律性，東亞國家在這方面相對來說可能會好一些。現在疫情已經傳播到美國、法國、德國，這些國家現在看到的數據還比較少，所以很難預測。目前最擔心的應該是美國，他們直到最近才開始檢測，增加了大約100多例，死亡人數14例[2]，所以目前美國的死亡率已經是全球最高，說明實際上沒有被檢測到的感染人數應該遠遠高於現在披露的感染人數，美國有可能是世界上潛在爆發風險最大的國家之一。這個話題我和張主任也有交流，他覺得確實沒想到最好的結果和最壞結果居然同時出現，現在對於中國來說，從技術上防控從境外迴流的人群，可能比原來防控內部人群傳染要容易一些。所以大家對於國內的疫情應該有更高的信心，但是國外目前確實很難說，我和鄭院長的團隊正在合作，針對國外三個國家的預測模型，應該很快會有研究成果。
Q2：您做了一件很有意思的事，用信貸風險的模型來預測疫情的發展趨勢。請問是怎麼想到這樣做？
A2：當時在看數據時覺得和以前做的一些數據似曾相識，用圖畫出來後發現和信用風險方向裡面用的模型非常相似，所以就做了一個很簡單的模型。仔細想想，很多計量經濟學尤其是信用風險的方法，其實和醫學上的一些研究方法非常類似，比如存活性分析，最早的時候是用來測算藥物的有效性，比如看某個癌症藥物能不能有效延長病人的存活期。在信用風險裡也有用存活性分析，主要看貸款什麼時候會終結，終結的原因到底是提前還款還是違約，所以很多數學研究方法在兩個領域是相通的。
Q3：您的模型對其他國家更有效地調配資源也非常有借鑑，但不同國家體制不同，參數選取時您考慮過數據背後的制度因素嗎，還是數據趨勢就已包含制度因素？
A3：這是一個非常重要的問題，就是說觀測中國的經驗是否能夠複製到別的國家，現在還不好說。我們的模型參數選擇，在湖北省內和省外是完全不一樣的，這也說明模型的效果首先和它的初始條件有關，如果湖北省已經大規模蔓延，效果就會差一些，湖北省外相對來說都是輸入型病例為主，而且從春節時期武漢封城，各地嚴防死守的情況下效果非常好。這種效果別的國家能不能複製，我覺得應該很難，從美國和西歐國家就能看出來，他們是沒有辦法做到像我們這樣舉國之力來防止疫情，對他們來說首先政府沒有這麼大的權利，其次他們覺得沒有那麼嚴重，如果花這麼大的力氣來防止疫情可能付出的其他成本會更高。我們當時是因為不知道到底有多嚴重，所以不得已做了，其實是為全世界人民做出很大的犧牲，付出了很大代價來控制住疫情。我們在做國外的模型預測時，準備了湖北省內的參數、湖北省外的參數，還有另外一套參數是假設他們做不到像中國這麼嚴的措施，現在三套參數都在使用，看對國外的預測有沒有一個相對比較合理的結果。
註釋：
[1] Utilize State Transition Matrix Model to Predict the Novel Corona Virus Infection Peak and Patient Distribution，https://www.medrxiv.org/content/10.1101/2020.02.16.20023614v1https://www.medrxiv.org/content/10.1101/2020.02.16.20023614v1https://www.medrxiv.org/content/10.1101/2020.02.16.20023614v1
[2] 數據截止時間為嘉賓演講日期3月6日。
本文為內部交流紀要，未經主講嘉賓本人審閱，所載信息均為個人觀點，不代表任何機構的意見，僅供“全球市場與中國連線”的活動參會人員使用。紀要根據參會者發言整理，不保證相關信息的準確性和完整性。紀要中所述內容和意見僅供參考，不構成對所述資產的投資建議。
本文版權為“全球市場與中國連線”會議秘書處所有，本團隊對本紀要保留一切權利，未經事先書面許可，任何機構和個人不得以任何形式翻版、複印、發表或引用本紀要的任何部分。
閱讀更多 巴曙鬆 的文章
