中国货币市场

（177434）个赞

（860）篇文章

展示账户

账号净值余额

暂无

个贷不良资产批转市场关键特征分析及预测模型初探

作者： 中国货币市场 | 2025-08-07

内容提要

文章以个贷信用类不良资产包为研究对象，综合运用统计学方法和机器学习算法，深入分析个贷信用类不良资产包各类数据特征对起拍折价率的影响程度，给出特征重要性排序，并据此构建个贷信用类不良资产包起拍折价率预测模型，旨在为金融机构和投资者在资产处置、资产收购、风险评估等场景中的决策提供参考依据。

一、引言

近年来，随着个贷不良资产市场规模的持续扩张，传统处置手段已难以满足金融机构日益增长的不良资产压力。为了有效应对这一挑战，金融机构不断探索不良资产处置新路径，2016年推出了不良资产证券化和不良资产收益权转让业务，开启了我国个贷不良资产处置领域多元化、市场化变革的崭新篇章。2021年1月，个人不良贷款批量转让试点正式启动，标志着个贷不良资产市场步入一个全新的发展阶段，首批试点机构包括6家国有大型商业银行、12家股份制商业银行、金融资产管理公司、符合条件的地方资产管理公司和金融资产投资公司。2022年12月，原银保监会办公厅发布《关于开展第二批不良贷款转让试点工作的通知》，进一步扩充试点机构，将国家开发银行、进出口银行、农业发展银行以及信托公司、消费金融公司、汽车金融公司、金融租赁公司，以及注册地位于11个省市的城市商业银行、农村中小银行等纳入试点机构范围，新增出让方超过500家，其中绝大多数机构都涉及个贷业务。这一系列政策的推进，使得个贷不良资产批转市场从无到有，从小到大，逐步走向规范化、专业化。

随着试点工作的稳步推进，个贷不良资产批转市场规模呈现出快速增长的态势。2021年，在银登中心挂牌转让个贷资产包49个，本息合计54.61亿元。2022年市场规模进一步扩大，挂牌个贷资产包104个，本息合计208.71亿元。2023年因试点机构类型增多，个贷不良资产批转市场迎来爆发式增长，全年累计挂牌个贷资产包462个，同比增长344.2%，本息规模合计1,198.26亿元，同比增长474.1%。2024年市场继续保持高增长态势，资产包数量增长至699个，本息规模接近2,000亿元，短短四年时间里，资产包数量暴增13倍，规模更是激增34倍。与此同时，个贷不良资产批转市场凭借其独特的投资机会与发展潜力，吸引大批投资者踊跃参与其中，市场成交规模持续扩张，成交数量从2021年的45个增长至2024年的573个；成交规模更是由2021年的47.56亿元一路攀升至2024年的1,583.5亿元，市场活跃度与吸引力与日俱增。

尽管个贷不良批转市场堪称万亿级规模蓝海，极具发展潜力，但当下其存在的难点与痛点同样不容忽视。与对公不良资产包相比，个贷不良资产包具有债权笔数多、债务人分散、单户违约金额偏低，且债权无抵押物等特性。这使得单纯依靠尽职调查，很难对单笔债权的现金回收金额以及回收时间做出科学、合理的评估，在此基础上确定合理的转让价格更是难上加难。试点初期，个贷不良批转市场由于尚未形成市场普遍认可的估值定价模型与标准，市场交易数据稀缺，买方难以获取历史回收数据，导致市场定价出现较大偏差。随着市场的发展，出让方供应数量持续增加，受让方在核查个贷不良资产包质量方面积累了更多经验，个贷不良资产交易价格逐步回归到合理区间。然而，个贷不良资产包估值定价问题至今依旧是行业内各方高度聚焦、潜心钻研的核心热点议题。

经过四年试点工作，银登中心已累计发布上千条个贷信用类不良资产包转让数据，涵盖贷款笔数、户数、本金余额、本息余额、逾期天数等核心指标，以及出让方和受让方基本信息，为全面洞察市场特征奠定了坚实的数据基础。本文将围绕这些数据资源，运用统计学方法、机器学习算法等，深入挖掘其中隐藏的数据价值，探寻影响个贷信用类不良资产包定价的关键因素，并据此构建个贷信用类不良资产包起拍折价率预测模型，旨在为金融机构和投资者在资产处置、资产收购、风险评估等场景中的决策提供参考依据。

二、个贷信用类不良资产包关键特征分析

（一）数据范围

考虑到转让结果公告发布有一定的滞后性，本文将研究范围锁定在2021年至2024年这段时间内在银登中心官网挂牌转让的个贷信用类不良资产批转项目。同时，这些项目还需满足两个条件：一是在2025年2月19日前已正式发布转让结果公告；二是起拍折价率处于0%（不含）至30%（含）范围之内。本文将以满足这些特定条件的项目数据作为研究样本。

（二）特征分布情况

1. 本息规模

从市场数据来看，个贷信用类不良资产包规模跨度较大，最小本息规模55.55万元，最大本息规模169.76亿元。通过分析起拍折价率与资产规模之间的关系，不难发现：资产规模越大，起拍折价率越低。这可能与大规模资产包需要更高的资金投入，对受让方资金实力和风险承受能力要求更高有关系，因此在一定程度上影响个贷信用类不良资产包的定价。

2. 贷款笔数

统计结果显示，贷款笔数处于适中水平的个贷信用类不良资产包，其加权起拍折价率要高于其他情况。这可能是因为当贷款笔数偏多时，催收工作会趋于复杂和繁重，成本也会随之增加，在一定程度上压缩利润空间。反之，当贷款笔数过少时，虽然催收工作相对轻松，但可挖掘的收益潜力相对有限，或许较难满足市场参与者对投资回报的预期。贷款笔数处于合理范围的个贷信用类不良资产包能够较好地平衡成本与收益，因此比较容易受到市场参与者的关注，相应地，其价格也会偏高。

3. 逾期时间

逾期时间是衡量不良资产价值的关键指标。一般而言，逾期时长与借款人还款可能性呈负向相关关系，逾期越久，借款人还款意愿和能力下降的可能性越高，不良资产回收难度也就越大，其价值也会随之降低。统计分析结果充分验证了这一规律，揭示出逾期时间在不良资产价值评估体系中的核心地位。

4. 核销情况

已核销债权比例较高是当前个贷不良资产批转市场的一大特点。在已成交资产包中，超过47%资产包的债权核销比例超过90%。统计数据显示，个贷信用类不良资产包债权核销比例与加权起拍折价率呈负相关关系。事实上，相对于未核销资产，已核销资产回收难度更大，回收价值存在较大不确定性，因此在定价时往往会有较大折扣。

5. 贷款类型

在过去两年间，个人消费贷款以及信用卡透支在个贷批转领域的占比迅速攀升，与之对应的成交比例也呈现出显著的增长态势。统计数据表明，在各类贷款中，除混合贷外，信用卡透支加权起拍折价率最高，个人消费贷款次之。

6. 借款人加权平均年龄和加权平均授信额度

除了宏观因素、地区经济因素外，借款人的偿债能力和偿债意愿决定了债权回收情况，通常需要综合考量借款人信用状况、收入水平、年龄、职业等多个核心指标。基于现有数据情况，笔者仅研究借款人加权平均年龄和加权平均授信额度与起拍折价率之间的内在联系。统计结果表明，借款人加权平均年龄介于40岁（含）至45岁（不含）之间的个贷信用类不良资产包加权起拍折价率相对更高。同时，借款人加权平均授信额度介于10万元（含）至20万元（不含）之间的个贷信用类不良资产包加权起拍折价率相对更高。

7. 出让方机构类型

在个贷批转市场中，出让方格局呈现出鲜明特点。股份制商业银行和消费金融公司是市场上主要的资产供应方，两者个贷批转市场份额超过80%，但两者加权起拍折价率要低于其他金融机构。

（三）特征重要性分析

特征分析在数据挖掘和机器学习领域中扮演着至关重要的角色，其目的是识别出对目标变量有显著影响的特征，从而提高模型的预测性能和可解释性。特征分析方法主要可分为统计学方法和机器学习算法，常用的方法有相关性分析、线性回归、随机森林、XGBoost。下面将借助这些方法研究未偿本息、加权平均逾期天数、借款人加权平均年龄、借款人加权平均授信额度、核销贷款占比、机构类型、贷款类型等特征对起拍折价率的影响程度。

为了提高特征重要性评估的准确性和可靠性，本文将采用统计学方法和机器学习算法相结合的综合评估策略，具体步骤如下：

首先，运用相关性分析进行初步筛选，确定与目标变量具有一定相关性的特征，剔除特征间相关性较强的特征。结合数据特点，本文选用肯德尔相关系数进行分析。分析结果表明，加权平均逾期天数和核销贷款占比与起拍折价率有相对较强的负向相关关系；特征间不存在相关性较强的特征。

图1 相关性分析热力图

bj.96weixin.com

其次，分别用线性回归、随机森林、XGBoost分析这些特征对目标变量的影响程度。从图2可以看出，对于三种算法，加权平均逾期天数和核销贷款占比这两个特征均是影响起拍折价率的关键因素。其他特征的重要性因算法不同呈现出一定差异。

最后，为了更全面、客观地评估各特征的重要性，将对各算法得出的特征重要性进行归一化处理，并在此基础上，根据算法表现，为其分配不同的权重，最后得出各特征重要性的综合排名。

图2 不同回归算法下各特征重要性

bj.96weixin.com

（四）建模特征选取

特征重要性排序仅能展现出各个特征对目标变量的影响程度。若要提升模型预测的准确性和稳定性，特征选择是不可或缺的重要环节。本文以XGBoost模型作为核心模型，运用递归特征消除（RFE）方法进行特征选择。递归特征消除方法的核心原理是通过反复构建模型并逐步移除重要性最低的特征，逐步缩减特征集，直至达到所需特征数量。为了全面衡量特征选择的稳定性和泛化能力，避免因单一数据划分导致的模型性能评估偏差，在特征筛选过程中引入交叉验证法。经过上述特征筛选流程后，最终选定加权平均逾期天数、核销贷款占比、户贷比、未偿本息和机构类型五个特征作为后续构建模型的候选变量。

三、预测模型的构建与验证

下面将数据集按照8:2的比例划分为训练集和测试集。由于数据集的划分是随机的，可能存在一定的误差，为消除这种误差，本文采用网格搜索结合五折交叉验证法对模型超参数进行调优。基于调优后的最优参数，构建了个贷信用类不良资产包起拍折价率预测模型。从模型性能评价指标看（见表1），模型在训练集上表现良好，在测试集上也具有较好的拟合效果。

表1 模型性能评价指标

bj.96weixin.com

图3 评估模型的预测效果图

bj.96weixin.com

进一步，将该模型应用于在银登中心已进行重复挂牌并发布转让结果公告的个贷信用类不良资产包上进行验证评估。结果显示，模型的均方误差（MSE）为0.0003601，平均绝对误差（MAE）为0.014493，拟合优度（R2）为 0.777877。这些指标表明，该模型具有相对较低的误差水平和较好的拟合优度，能够较为有效地对相关数据进行分析和预测。

四、总结与展望

本文以银登中心发布的转让结果公告中的个贷信用类不良资产包为研究对象，综合运用统计学方法与机器学习算法，深度挖掘个人贷款批量转让业务中各类数据特征的重要程度。基于XGBoost算法，构建了个贷信用类不良资产包起拍折价率预测模型。模型性能评价指标检验结果表明，该模型拟合效果较好，可为金融机构和投资者在资产处置、资产收购、风险评估等场景中的决策提供参考依据。

然而，个贷不良资产批转市场尚处于发展初期，可用于训练模型的样本量相对有限，这使得本文构建的模型在稳定性和准确性方面还有进一步提升空间。同时，现有模型是基于当前数据维度训练构建的，如果数据维度发生变化，模型可能在部分场景下难以准确输出有效结果，进而失去其应用价值。

为了让模型持续发挥高效作用，可从以下几个方向推进优化：

一是积极探索更为先进的特征选择算法，融合深度学习等前沿技术。通过挖掘更具隐蔽性的数据价值，提升模型的预测精度和泛化能力，使其能够更好地应对复杂多变的市场环境。

二是引入动态分析视角，充分考虑数据的时间维度，开展时间序列分析。在个贷不良资产批转市场中，各特征对起拍折价率的影响并非固定不变，而是随着时间推移呈现动态变化。通过时间序列分析，能够敏锐捕捉到这种随时间演变的规律，为市场参与者提供更为及时、精准的决策信息，助力其在不同时间节点做出更契合市场动态的决策。

此外，监管政策在个贷不良资产批转市场中扮演着至关重要的引导和规范角色。必须实时跟踪政策动态，及时根据政策变化对模型和特征选择策略进行优化调整，确保模型在政策变动的情况下依然能够保持良好的适用性和有效性。