普惠金融,主要是指以商业银行为代表的各类金融机构,在成本可负担、风险可控制的前提下,为需要获取外部资金援助以开展经营型活动的传统金融弱势群体,如小微企业等,提供的一种适当、有效的金融借贷服务。
普惠金融是一项涉及福祉民生的大事业,对于巩固脱贫攻坚成果接续推进乡村振兴、缓解中小微企业“融资难、融资贵”问题、开辟商业银行“第二发展曲线”新蓝海、增进居民就业,社会公平与和谐稳定,助力实现共同富裕与经济金融的高质量发展,具有重要意义。
近年来,党中央从政策层面出台了许多激励普惠金融发展的政策措施,引导金融机构加大对小微企业的支持力度。而受新冠疫情全球传播、世界经济衰退、国际市场需求波动、中国经济发展模式转型等多因素交织影响,我国的小微企业群体面临着更大的经营风险和资金压力,普惠贷款逾期欠息的频率与额度增高,防范化解金融风险也成为了重要的时代议题。党的二十大和中央经济工作会议明确指出,在未来的一定时期内,要坚持稳字当头、稳中求进,有效防范化解重大经济金融风险,强化金融稳定保障体系。
普惠金融贷款具有单笔额度低、覆盖群体广等典型特征,对金融机构而言,研究并构筑量化的普惠金融授信风险识别模型进行数字化、智能化的风险防控与授信决策,不但成本更为低廉,而且也能有效提升风险评估过程的标准化与执行效率,因此具有重要的实践意义。
在当代经济学类的本科教学体系中,普惠金融、信用风险评估、金融建模等内容属于核心知识点,但由于知识要素的抽象性与操作性更强,因而在传统的理论课教学中,学生难以充分掌握相关知识,时常出现理解片面化、操作不熟悉、掌握不到位等问题,影响教学效果。对此,有必要设计虚拟仿真课程,为学生提供任务导向下探索式的实验学习平台,在探究与学习结合的过程中,帮助学生形成感性且系统化的认知,夯实理论知识,增强实操能力。
(1)创新性
本虚拟仿真实验课程教学设计的创新性主要体现在以下六个方面:
一是课程主题的时代性。普惠金融是加快实现共同富裕、促进中国经济金融高质量发展的关键路径,同时普惠金融具有明显的面广量大特征,信用风险的结构复杂,如果缺乏有效的信用风险管理,可能会导致金融机构承担不必要的风险,因此信用风险管理对于普惠金融而言至关重要。此外,高质量的信用风险管理还可以有效提高普惠金融的服务质量,提高客户的满意度,最终有利于普惠金融的发展,实现普惠金融与信用风险管理双向驱动下的良性循环。在这一时代背景下,本课程紧密围绕具有鲜明时代特征的“普惠金融”与“风险防控”两大关键要素展开设计。通过学习,学生们可以增强对当代普惠金融与风险管理政策的深入理解,明晰新时代商科大学生的历史使命。
二是课程内容的前沿性。课程的基本设计思路紧密围绕当前普惠金融授信风险识别领域的最新发展趋势,融合了前沿的普惠金融信贷产品的额度与定价规则、前沿的数据挖掘建模与分析工具、前沿的现代商业银行授信风险识别流程,并结合前沿的普惠金融授信风险识别的实践数据展开实验设定。同时,虚拟仿真课程的设计充分吸收课程团队中银行从业人员的前沿业务经验,紧密围绕前沿信贷样本、前沿风控需求、前沿建模过程、前沿优化规则,引导学生熟悉当前商业银行实务中最前沿的“量化风险测度”新范式,实现虚拟机房与现实业务之间的无损平行互通,持续提升学生的实际操作能力与仿真模拟体验。总体上,课程设计在内容上保持了较好的前沿性。
三是教学模式的先进性。实验课的设计强调“以学生为中心”,通过多种方式引导学生综合运用自己在理论课堂上学习的知识来解决实际问题。在各个实验场景下,综合运用探究法、试错法、比较法等多种教学方法,引导学生对任务进行深入思考,切实促进学生的能力提升。
四是教学过程的合作性。在实验流程的后半部分引入“合作实验”模块,引导各个学生在独立提交完自己设计的单一结构的授信风险识别模型的基础上,进一步观察其它同学使用不同指标子集与基预测器构筑的差异化模型,在“通过合作实现取长补短”思路的指引下,鼓励学生比较自己与他人的成果,借鉴他人的实验经验,融合自己的中间结果与他人的中间结果,构筑形成组合结构的模型,通过合作实验加深对“组合模型”系列知识点的掌握,同时提升团队合作能力。
五是学习过程的探究性。实验课的设计初衷之一,是强化学生的综合能力。对此,在实验的关键步骤与环节,要求学生根据即时更新的任务指引,探索并学会如何分析问题,充分发挥观察能力与判断能力,综合运用已学习的信用风险评估理论知识、Power-BI建模知识等,独立或组合地解决问题。在各关键中间步骤与实验完成时,向学生反馈量化评价结果,并提供反向修改与调整优化的机会,帮助学生更好地基于先验与后验信息,理解课程内容,调整环节设定,为学生提供了较大的探索空间。
六是实验结果的差异性。在实验的大部分环节为学生提供了个性化、差异化的选择机会,大多数问题没有标准答案,只有解决方案的优劣之分,并在多维度评价视角下,充分揭示个性化答案之间的相对优劣,避免实验过程的千篇一律与标准答案的强制约束,充分提高学生的学习热情与学习效率,做到“千人千面,一人一解,量化评价”。
(2)高阶性
课程的设计旨在促进专业知识与能力素质的有机融合,培养学生解决复杂问题的综合能力和高级思维。实验场景设定为高度模拟仿真的银行授信风险识别的实践应用场景,在实验中,需要学生充分调动已学习的理论知识与操作原理,在多阶段任务的激励下促进专业知识与能力素质的有机融合。
同时,实验课的设计过程也充分了融入课程思政元素,引导学生就普惠金融支持实体经济、防范化解系统性金融风险等战略性高阶现实主题进行深度思考,培养学生坚忍不拔、攻坚克难精神,重点树立学生的专业自信与使命感,强化学生学习金融助力经济发展、维护金融稳定的责任担当,旨在助力实现共同富裕与经济金融的高质量发展。
(3)挑战度
与传统的基于限定步骤展开固定操作的实验课程教学方法不同,本课程的设计融入了大量开放探索、鼓励试错的教学环节与要素,需要学生在自由度较高的各任务场景下,恰当地选择解决方案实现既定的实验任务目标。
同时在主线实验任务目标完成后,会展示综合评价结果,并鼓励学生回溯到关键的探索性环节,在缺乏先验信息的情形下,结合实时的观察与分析,展开自由探索与优化,尝试多种思路,体验多类解法,实现实验结果的性能精度再提升。
在整个实验过程中,学生感受到的挑战性逐步提高,从实验前期的“根据已学习的理论知识完成实验基础目标”到实验后期的“在缺乏理论知识的情形下,根据优化实验结果展开探索,发现新知识”,潜移默化地提升学生分析问题与解决问题的综合能力,同时提升相关知识系统化的掌握水平。
(1)价值目标
通过系统性地解决普惠金融授信风险识别问题:
①引导学生认识普惠金融支持实体经济、防范化解信贷风险的重要性以及基于系统化评估工具完成相关任务的先进性;
②激发学生理解金融服务社会的使命,认同国家金融监管政策与普惠金融政策,强化自身学习意识;
③通过导向性的实验任务设定,充分将数据合规操作、信贷风险管理、发展普惠金融等意识润物无声地融入学生的价值体系中;
④通过难度递增的探索式任务设计,逐步强化学生坚忍不拔、攻坚克难的奋斗品质与实干精神。
(2)知识目标
重点协同商业银行经营管理、金融风险管理、金融数据挖掘等关联主干课程,融合干中学与学中干,持续夯实学生的知识掌握程度与理解水平,强化学生的如下知识体系:
①数据清洗整备的知识体系:通过设计分散数据拼接、描述性统计、缺失值填补、样本平衡化、噪声数据识别、特征提取等实验步骤,强化学生对不同数据清洗与整备方法的原理认识与实际操作;
②独立风险建模的知识体系:通过设定具有较高自由探索度的独立风险评估模型设计实验模块,深度融合风险建模的理论与实践知识,使学生在实验中,深入理解独立风险建模的工具与方法;
③组合风险建模的知识体系:通过组合实验,融合不同学生的独立风险建模模型成果,在实验中使学生掌握前沿的组合建模理念及其实践方法,结合实验结果,正确、感性、直观地认识独立风险评估模型的局限性与组合风险评估模型的优越性;
④模拟信贷决策与授信的知识体系:在学生完成风险评估模型的构筑后,进一步引导学生使用该模型对模拟客户进行是否授信、授信额度与利率的决策,并结合对决策结果的科学性评价与反馈,强化学生对授信决策环节相关知识的掌握程度。
(3)能力目标
坚持以学生为中心,将“为学生赋能”的理念贯穿整个实验课程的教学设计中,通过目标型的课程任务设计、承前启后模块化的实验过程设计与自由试错式的探索性实现路径,旨在培养学生识别问题、分析问题、解决问题的软性决策能力,观察预判、量化评价、分析比较的硬性实践能力,以及独立分析、团队合作的组织协同能力,最终助力培养具有一定数据分析、风险管理与商业决策水平,具备团队合作精神,能够满足以商业银行为代表的普惠金融服务企业用人需求的实践型普惠信贷风险识别人才。
步骤目标要求 | 步骤合理用时(分钟) | 目标达成度赋分模型 | 步骤满分 |
1.掌握实验系统的操作方法 | 3 | 完成10道关于实验基础知识的测试题,每题答对+0.5分 | 5 |
1.掌握信贷决策的基本思路(风险与收益相匹配、大数定律、概率判断等) | 3 | ||
1.学习商业银行风险管理部、普惠金融部、授信审批部、科技部等部门的主要职责,强化对“合规操作”的深刻理解 | 4 | 虚拟沟通:共有4个虚拟部门,完成与每个部门的联络人进行虚拟对话,+0.5分 | 4 |
1.明确“主键”的概念 | 3 | 选择主键:一次性选对,+2分;错误2次后选对,+1分;持续选错2次及以上,+0分 | 3 |
1.实施描述性统计 | 5 | 一次完成描述性统计+6分,错误1次后成功+4分,错误2次后成功+2分,错误3次及以上+0分 | 6 |
1.学习不同填补算法的原理与特征,并选择最恰当的填补算法 | 5 | 在删除缺失样本、均值填补、随机值填补、相似值填补四类方法中,选择最能满足“最大限度保留现有样本信息、同时提升填补结果精准性”的填补算法(应为相似值填补法),选对+6分,选择均值或随机值填补+3分,选择删除缺失样本+0分 | 6 |
1.掌握不同平衡化算法的原理,根据预设的平衡效果评价模型(logistics模型)的评价结果,选择最佳的平衡化算法 | 5 | 通过观察简单过抽样、简单欠抽样、SMOTE算法、ADASYN算法四类不同算法下,平衡效果评价模型(logistics模型)的评价结果,选择泛化能力最优的算法。选对+4分,选错+0分 | 4 |
1.掌握基于凝聚式聚类的噪声样本检测方法,并通过实验掌握参数设定与聚类结果的相关关系 | 10 | 预设的噪声样本比例为5%,评价学生在自由组合参数设定的情况下,凝聚式聚类的分类结果中,最小规模簇的样本数量,与5%目标值的差异。差异在目标值(5%)的正负3%区间内波动,+8分;在正负4%区间内波动,+5分;正负5%区间内波动,+2分;在大于正负5%区间内波动,+0分 | 8 |
1.掌握主成分分析的基本原理与特征提取方法,并完成建模样本的特征提取 | 6 | 学生需要正确的选择提取所有有效特征根(特征值大于1),学生在完成选择后,系统进行正确性判定。一次性全部选对,+8分;错误1次后选对+4分,持续选错2次及以上,+0分 | 8 |
1.根据数据集特征选择最恰当的建模工具,完成单一决策模型的构筑 | 6 | 学生需要根据所构筑的数据集的特征,结合数据规模、指标维度等信息,从逻辑回归、k最近邻、决策树、支持向量机、BP神经网络等5种代表性的模型中,选择最恰当的建模工具。具体标准为:如果数据集规模 | 10 |
1.学习模型性能评价的维度与解读方法,并观察自身构筑独立模型的性能水平 | 4 | 观察情况:在该页面停留时间超过1分钟,+1分 | 9 |
1.对所构筑模型的参数组合进行参数优化,进一步提升模型的决策精度 | 15 | 尝试次数:学生每点击“完成优化”按钮1次+1分,满分为3分; | 9 |
1.观察其他学生的模型构筑结果,丰富完善建模思路,为下一步的组合模型选择形成认知储备 | 2 | 在该页面停留时间超过0.5分钟,+1分;超过1分钟,+2分,满分2分 | 2 |
1.实现组合实验模型的构筑 | 10 | 模型选择:要求学生根据组合模型的构建原则(使用不同的基本建模工具,差异化的指标集,且性能更为优越),选择至少3个用于组合的协同模型。系统根据公共模型池中各模型的构筑信息,判断学生选择的有效性。具体规则为: | 10 |
1.学习模型性能评价的维度与解读方法,并观察自身构筑组合模型的性能水平 | 4 | 观察情况:在该页面停留时间超过1分钟,+1分 | 9 |
1.基于以上实验结果模型,对10个预选客户进行模拟授信决策,并根据授信结果进行评价 | 5 | 根据授信结果进行赋分:如果没有出现客户违约,+7分;仅出现了一位违约客户,+4分;出现两位以上的违约客户,+0分 | 7 |
合计学时(分钟) | 90 | 合计总分 | 100 |