江苏龙网

  1. 首页 > 社会 > >

聂辉华：揭开美国“金融科技公司”的真面目

蚂蚁集团暂缓上市评论之一聂辉华江西省崇仁县人氏 ， 中国人民大学经济学博士 ， 美国哈佛大学经济学系博士后 。现为中国人民大学经济学院教授 ， 曾任中国人民大学国家发展与战略研究院常务副院长、科研处副处长 。聂辉华官方网站：白鲨在线(www.niehuihua.com)10月24日 ， 阿里巴巴集团和蚂蚁科技集团创始人马云在上海外滩金融峰会上发表了主题演讲 ， 公开炮轰中国金融监管 。 彼时 ， 蚂蚁集团已经确定将于11月5日同步在A股和H股上市 ， 无数网民正在准备“打新”抢购 。 一周之后 ， 热度未消 。 正当无数普罗大众还在持续地给马云的“胆大包天”点赞时 ， 11月2日马云却被央行、银保监会、证监会以及外汇局联合约谈 。 这已经是当天最大的新闻了 ， 比美国大选还惹人关注 。 不料 ， 更大的新闻在后头 。 第二天 ， 上交所发布公告 ， 决定暂缓蚂蚁科技集团在科创板上市的进程 。 对很多人而言 ， 这几乎是天大的噩耗了 。蚂蚁集团上市事件引发了很多争议 ， 我周围大部分学者都难以认同蚂蚁集团的上市行为 。 蚂蚁集团究竟是一家金融公司 ， 还是一家科技公司？蚂蚁集团以小博大的“空手道”模式是否危及金融安全？蚂蚁集团的消费信贷是否纵容了年轻人“寅吃卯粮”？庞大的用户隐私数据如何保护？平台垄断问题如何破解？蚂蚁集团赚取高额利差的行为算是普惠金融吗？这些问题 ， 没有一个泛泛的道德指摘 ， 都是关乎你我利益乃至国家金融安全的大问题 。可惜 ， 我们手头没有数据 ， 暂时无法回答这些大问题 。 那么 ， 我们不妨先来看看两位美国经济学家利用美国消费贷款的数据 ， 刚刚在美国国家经济研究局（NBER）上发表的一篇经济学论文 。 这篇论文 ， 有助于我们揭开所谓美国“金融科技公司”的本来面目 。文章索引如下：Di Maggio, Marco, and Vincent Yao, 2020,"Fintech Borrowers: Lax-Screening or Cream-Skimming?" NBER WorkingPaper No. 28021.我快速地做了一个读书笔记 ， 其中【】的内容是我的注释 ， 仅供参考 。《金融科技借贷者：放宽甄别还是撇油脂？》本文利用金融科技公司（fintech）和传统信贷机构的个人借贷数据 ， 研究了两者借贷策略的差别 。 文章的主要观点如下 。 金融科技放贷者（即网贷公司）占领市场的主要方式是先向高风险借贷者放贷 ， 然后转向安全借贷者 ， 并且主要依赖硬信息（信贷报告）做出放贷决策【压根没提“大数据”的作用】 。 相对于从传统金融机构贷款的个人 ， 借网贷的人有更高的违约率 。 原因是：第一 ， 他们本来就不具备被传统金融机构批准借款的条件；第二 ， 借网贷的人不是用这些额外的资金来确保偿还债务 ， 而是用于其他消费（例如买车） 。 但是 ， 网贷公司对这些人收取了更高的利息 ， 同时网贷公司对优质客户开出了比传统金融机构更优惠的条件 。 结论是 ， 网贷公司一方面放宽了信贷标准 ， 导致了更多违约率；另一方面又通过放宽借款条件 ， 抢夺了传统机构的优质客户 。 换言之 ， 网贷公司并不做真正的普惠金融 ， 网贷公司也没有利用所谓的“大数据”更好地甄别客户 ， 反而增加了风险客户的金融脆弱性 。文章很长 ， 有74页 ， 以下是导论部分的缩写 。金融科技公司的消费信贷市场份额占据了20% 。 问题是：谁从金融科技公司借款？这些金融科技公司的信贷是服务于传统金融机构无法服务的对象 ， 还是吸引了最有价值的信贷客户呢？这些借款能够帮助借贷者建立更好的借贷记录吗？金融科技公司有两种市场渗透策略 。 第一种是瞄准那些融资约束者 ， 因为公司可以利用更多数据来改善信贷模式和减少甄别时间 ， 但是这可能导致较高的违约率 。 第二种是聚焦于最有价值的信贷客户 ， 通过提供比传统金融机构更好的条件来吸引他们 。 这可能导致更慢的增长率和更低的利润率 ， 但是它能向市场证明更好的技术有助于识别更高质量的客户 。本文使用来自三大信贷公司之一的个人消费信贷数据检验上述假说 。 本文的样本包括了2012-2017年超过370万笔贷款业务 ， 涉及超过188万个借贷者 。 除了前面提及的结论 ， 作者还发现：平均而言 ， 对于那些低评分的借贷者 ， 金融科技放贷者收取了比传统机构高3%的费用 。 与此同时 ， 针对那些高评分的借贷者 ， 金融科技放贷者收取了低1.5%的费用【这就是所谓的“撇油脂”策略 ， 抢最肥的市场 。 】 。 最后 ， 针对那些信贷报告比较薄的借贷者 ， 金融科技放贷者要比传统机构多收取5%的费用 。上述证据表明 ， 将硬信息包含在信贷报告中可能是借贷者定价差异的关键因素 。 然而 ， 金融科技公司却在广告中大肆宣称 ， 它们使用了其它没有出现在信贷报告中的数据 ， 例如支付租金、物业费和读书的账单【说好的“大数据”甄别优势呢？】 。 我们用利率对借贷者个人特征进行回归 ， 考虑了线性和非线性两类模型 ， 并控制了地区和月份固定效应之后 ， 出人意外的是 ， 信贷报告包含的信息能够解释金融科技放贷者的大部分利息 ， 但对传统放贷者却不是这样 。 这表明 ， 金融科技放贷者比传统金融机构其实更依赖信贷报告这类硬信息【意外不意外？！】 。作者还比较了贷款发放后15个月内的绩效 。 结果显示 ， 金融科技放贷者的违约率比传统金融机构高出1.1% ， 而全样本违约率的均值是1.4%【说好的风控机制呢？】 。 我们发现那些金融科技借贷者比匹配对象的违约率更高 ， 当他们有低评分和很薄的信贷报告时 。 这表明 ， 并非是金融科技能够识别那些“看不见的次级”借贷者 ， 而是能够被识别的个体绩效就比那些从传统机构借钱的人要差【并没有传说中的筛选机制】 。接下来 ， 文章分析了不良行为记录更高的原因 。 一种可能性是 ， 金融科技借贷者不是用这些额外的资金来确保偿还债务 ， 而是用于其他消费 。 文章发现 ， 一些金融科技借贷者更有可能在最初贷款下来之后去买车 ， 这导致他们过度负债并且更可能违约 。 这导致这些人的信贷积分先增加（由于最初的债务加固） ， 但是随即稳定地下跌 。 关于软信息缺乏的证据以及基于信贷报告厚度的异质性分析表明 ， 金融科技借贷者出现了逆向选择问题 。 例如 ， 金融科技借贷者在财务管理技能上可能更差 。 但是 ， 通过主要依赖硬信息 ， 金融科技放贷者可能忽略了这类风险来源 ， 并且最终向那些可能被传统放贷者拒绝的人发放了贷款 。在控制了借贷者个人特征之后 ， 文章发现利息率与违约率正相关 。 相对而言 ， 与传统机构相比 ， 金融科技的借贷者的利息率是违约率更好的预测指标 。 这表明 ， 金融科技放贷者更善于在集约边际（intensive margin）上定价 。 这种做法的好处是 ， 减少了违约者的逆向选择效应 。 另外 ， 金融科技的借贷者具有较高的忠诚度 ， 他们的终身价值更高 。以上分析结果表明 ， 接近信贷资源的容易度增加和时间加速对于特定家庭是非常有吸引力的 ， 再加上他们使用其他信贷资金来源 ， 维持了他们的消费 ， 最终使得他们在财务上更加脆弱【听上去并没有真正改善社会福利】 。那么 ， 蚂蚁集团的情况如何呢？它究竟是一家科技公司 ， 还是一个金融机构？我们拭目以待 ， 且听下回分解 。


    推荐阅读


    上一篇：侯安扬：阿里水逆

    下一篇：吴晓波：创业是一场可以量化的行为艺术