微众、网商、新网、苏宁：互联网银行大起底！

在资产负债结构方面，互联网银行资产结构跟上市银行相比没有特别异常，负债端则明显缺乏存款；盈利能力方面，互联网银行走的是一种“高收益、高成本、高风险”的道路，与传统小微信贷银行非常类似。

截止目前，我国已经有多家纯线上运营的互联网银行，经过几年经营，其模式已得到初步验证，但其未来发展前景仍有待观察。本报告首先详细介绍其业务模式、风控模式，分析其2018年经营成果，然后讨论该模式对整个银行业可能的影响。

一、银行业舞于浪潮之巅

互联网银行是现代信息技术在银行业应用的最新阶段，而在过去半个多世纪以来，技术应用一直在进步。自上世纪后半叶以来，银行业持续引进计算机技术、信息技术等科技手段，不断实现自身的业务技术升级（整个金融业的技术进程也是类似，但本报告聚焦于银行业）。我们大致将银行业引进信息技术的过程分为以下三个阶段：

• 电子银行阶段：大约始于上世纪六七十年代，我国银行电子化进程略晚于西方，但差距并不算大。随着二战后全球经济快速增长，金融交易的金额和笔数日益增加，原先的手工处理逐渐不堪重负，出错率还高，西方发达国家的银行业开始尝试引进计算机技术，替代一些手工操作，其划时代的发明即为自动取款机。前台用计算机处理业务，后台有存储设备，内部由专用网络联接，并逐步建立了内部信息管理系统，这基本上构成了银行计算机系统的标准配置。除了高效处理业务外，还能使管理层、监管层能够更高效地掌握数据，便于更科学的经营和监管决策。后来，计算机在银行业中的应用逐渐深入，最终成为了行业基本配置。
• 网络银行时代：大约从1990年代开始，计算机网络技术——尤其是后来的互联网技术开始应用于银行业，不但全国银行业实现了互联互通，还使很多标准化程度较高的业务逐渐实现了网络化、在线化办理。我国于1995年由中国银行推出了内地第一例网上银行，随后各银行持续跟进，接入渠道有的是网银软件，有的是直接在网页上登陆网银。随着手机功能增强，2001年之后，手机等移动终端开始接入互联网，出现了移动互联网，随之很快便有银行在移动互联网上推出网上银行服务，又称手机银行（但在智能手机成熟之前，以WAP等方式接入手机银行体验不佳，未得推广）。

目前网上银行、手机银行已成为各家银行的基本配置。网上银行、手机银行极大便利了客户，实现随时随地业务办理，且大幅降低了单笔业务办理成本，使一家银行实现了对大量零售客群的高效服务。但由于当时技术条件所限，并无法实现所有业务的网络化，只能办理查询、理财、支付、转账等之类的标准化业务，但开户、贷款等业务仍然无法纯线上办理，办理放贷业务，银行仍然需要在线下审核贷款申请人。

• 互联网银行时代：进入21世纪之后，互联网技术日渐成熟、普及，开始在各行各业应用，互联网应用不再是早期网站主办方向互联网用户单方向提供内容，而是开始出现各种由客户参与交互的应用，比如论坛社交、电子商务、资料共享、作品发布等。大约在2004年前后，Web2.0概念被提出，又称UGC（User Generated Content，即用户创造内容），泛指各种用户主动参与的互联网应用。而与之对应的，就是Web1.0，即由网站主办方向用户单方向提供内容。在UGC模式下，用户的各种参与行为使数据、信息、内容的生产创造速度大幅度提高，各种互联网应用平台开始快速积累数据。经过多年积累，至2008年前后，开始形成“大数据”概念，用于形容维度丰富、总量巨大的海量数据。

几乎所有人都意识到了大数据深藏巨大的价值，但价值密度很低，有用的信息被淹没在巨大的数据量中，更像金矿，而不是现成的金子，需要采矿、提炼等工序才能得到金子，即有用的信息。于是，部分互联网企业开始进一步挖掘数据价值，尝试数据的其他应用，包括在商业、金融领域的应用。最后，互联网金融（具体到银行业则是互联网银行）的概念被提了出来，通过大数据刻画客户特征、辨别风险，最终开始尝试纯线上放贷，从而突破了网络银行时代的局限。因此，“互联网金融”一名显得有些不够准确，网络技术在第二阶段便已成熟了，第三阶段的创新之处在于大数据。

我国最早尝试纯线上放贷的机构是大型银行，它们拥有巨大的客群和数据，为了更好地服务客户，开始探索纯线上放贷。但后来以蚂蚁微贷为代表的互联网小贷公司则将其作为主要业务，进行了更大力度的开发和推广。而当纯线上放贷业务趋于成熟之后，才诞生了真正意义的、与客户可以自始自终不用见面的互联网银行。

当然，以上三个阶段的划分是非常粗略的。比如，第一阶段在银行内部其实也已经有了网络技术。再比如在第二个阶段，即网络银行阶段，就已经有了互联网银行的尝试，1995年，全球第一家无物理网点的互联网银行安全第一网络银行（Security First Network Bank）在美国成立，但并没有类似现在的大数据等资源和技术，也只能实现类似传统银行的网上银行的服务功能，因此经营效果并不理想，后来被其他传统银行收购。

从以上三个历史发展阶段，我们发现，银行业在新科技的应用上非常积极，在各行各业中居于较为领先的水平。同时，很多新应用的普及程度也较快，大部分卓有成效的技术最后都会变成行业基本配置，实现技术普及。目前，传统银行和互联网银行均已进入第三阶段，先后推出纯线上放贷业务，极大拓展了原先的信贷客群，挖掘了新的业务空间，是银行史上革命性的技术突破。

二、纯线上放贷的主要技术原理

纯线上放贷是指不与客户见面，完全依靠所掌握的数据和信息，在线上就实现了客户拓展与营销、完成风险定价（信用评价）实现放贷。传统银行和无物理网点的互联网银行均可从事这样的业务，但传统银行是将其作为自己传统业务的补充，而互联网银行则将此作为主营业务。本报告主要以互联网银行为样本，介绍这种纯线上放贷业务。

互联网银行并无精确定义，我国的银行监管分类上也无互联网银行一类，本报告所指的互联网银行，是指无物理网点（或虽有个别物理网点，但并不在全行业务中起主要作用，只是起到类似旗舰店的形象功能，比如新网银行、苏宁银行），并且依靠大数据风控，实现纯线上放贷经营的银行。我国目前主要有深圳前海微众银行、浙江网商银行、四川新网银行、江苏苏宁银行、中信百信银行等。除百信银行外，其余几家均为近几年先后成立的新民营银行，监管分类上归为城商行。

这些银行均依靠互联网、大数据实现客户的拓展和风险评价，但根据其主要客户、数据是来源于体系内和体系外，又可区分为专属客群模式和全客群模式。以微众银行、网商银行为代表，它们的客户主要来源于股东单位的互联网平台、生态圈，一般是互联网平台上的存量客户，本身已积累了较多大数据，同时也会从外部获取一些数据，相互结合，最终完成风险评价，我们将这一模式称为专属客群模式。这一模式下，由于机构本身便已对客户非常熟悉，因此事先精选了优质客群来定向推介信贷产品，更像是“邀请制”，而不是任何人都能主动申请贷款，未被选中的客户甚至在APP界面上都看不到申请贷款的链接。

而其他银行，股东或关联方不能提供类似的资源（或仅能少量提供），主要客群、数据均来自体系之外，则属于全客群模式。当然，两者之间也不是泾渭分明的，专属客群模式的机构也可以在自己体系之外拓展客户。但很显然，全客群模式更具可推广性，因此是我们研究的重点。

大数据主要用于客户拓展与营销、信用风险评价，本报告主要讨论信用风险评价及授信决策。任何授信决策必然包括对客户还款能力、还款意愿的分析，同时还要关注完成上述分析所花费的成本，成本合理才能实现商业可持续。因此，核心问题是还款意愿分析、还款能力分析和成本优化控制。

• 还款意愿：这类纯线上放贷，目标客群往往是无法获取常规银行信贷服务的人群，信用水平一般较为下沉，很多人没有纳入央行征信系统，而征信报告是传统上评判一个人还款意愿的重要依据。由于缺乏征信报告，因此需要银行借助其他数据来分析这些客户的还款意愿。由于这类客户单笔金额较小，真正还不起钱的可能性较低，分析其还款意愿更为重要，这主要依赖于反欺诈系统，排除恶意申请贷款的人。反欺诈系统不是互联网时代的新生事物，银行传统信用卡业务已经建有这一系统，但新时代的技术大幅提高了反欺诈系统的功能。它本质上是一个通过观察客户的行为来识别坏人的系统，主要是观察客户的各种异常行为，来判断用户是不是“坏人”，甚至是不是有坏人冒充用户。比如客户在表格输入信息的指法习惯、上网的时间、设备或地点等行为信息，一旦出现异常，则可能遇上恶意申贷的坏人，需要及时拒绝。
• 还款能力：利用大数据预判客户的还款能力，即大数据信用风险评价（有时简称大数据风控），原理上主要是一个个回归模型。这一过程大致划分为前后相连的三个阶段：首先是建模期，先选定一些变量（包括原始变量和组合变量，组合变量就是由其他原始变量相互计算而成的新变量），以过去的变量的历史数据为基础，与后来的信用结果（还款情况）之间寻找相关性，找到与信用水平最为相关的变量，并以此构建征信模型；然后是验证期，用以测试验证模型，代入不同于建模样本的历史变量数据，得到模型预测的信用结果，再与最终真实的信用结果比对，观察模型预测的信用结果是否有效；最后，在实战中运用该模型，将新客户的这些变量输入，得到对信用的预判，即信用评价。

以上为整个过程中最为关键的三个阶段，此外还包括数据采集和处理、模型的跟踪与优化提高等相关工作。比如，在后来的模型使用过程中，还会持续跟踪实际运用的结果，不断迭代优化这些模型。如果长期不优化模型，不排除某些较为专业的不法分子能逐渐大致猜测出哪几个变量是最为重要的，于是针对性地“刷分”，获取贷款。我们把整个完整流程体现为下图：

过去，征信专家凭经验寻找变量，收集并处理数据，构建模型，并测试模型的有效性。但现在各类技术发展后，开始使用机器学习等方式，自动从海量数据中找到相关性显著的变量，有时出来的模型结果不一定具有可解释性（无法解释该变量和信用的相关性）但却是有效的。而且，即使不考虑不法分子“刷分”的原因，该模型也不是一成不变的，可能随着客户样本、时间的不同，模型需要不断迭代更新。

起初，放贷机构面对的可能是从未获取贷款的客群（是指整个群体都未获得过贷款），那么也没有代表还款情况的因变量可用来构建模型，此时一般只能先由征信专家挑选可能与还款相关的变量，尝试性地放款，看到信用结果后，再慢慢积累经验、完善模型。

• 成本优化：由于获取变量的数据是要付出一定成本的，因此，面对新申请贷款的客户，不能一口气把模型中全部可能涉及的变量数据都买来，而是会准备不同的优化模型，购买少量关键数据，便能排除一大部分客户，然后剩余的客户再购买其他数据，再排除一批，依次进行下去，直至产生最后的征信结果。以此，便尽可能在被拒绝贷款申请的客户身上节省数据费用。

通过上述几项系统，银行或其他放贷机构便可以客户的大数据为基础，以合理成本，实现对陌生客户的风险评价，完成授信决策。专属客群模式的原理也是一样的，只是其数据来源可能更好一些。上述模式的主要成本包括营销成本、数据获取成本、模型或系统开发成本等，由于该模式兴起年限还不算长，因此整体成本水平不算低，这也导致了现有的几家互联网银行放贷利率均较高，我们在后续的财务分析中分析这一点。

三、样本银行的财务分析

我国目前有多家互联网银行从事（或主要从事）纯线上放贷业务，也有传统银行从事这一业务。我们以披露了2018年年报的互联网银行为样本，基于他们的财务报告数据，分析这一商业模式的财务经营效果。同时，我们将A股上市银行的合计值作为全行业的平均水平，用来对比。

目前，列入样本的是微众银行、网商银行、新网银行、苏宁银行。前两家完全无物理网点，且属于专属客群模式，后两家有一家总行网点，但并不在全行业务中起主要作用，且属于全客群模式（当然股东方也会有一定的资源支持）。这四家成立时间都不算久，各银行的基本信息如下：

以下我们从资产负债结构、盈利情况两个方面，分析互联网银行的财务经营效果。

3.1 资产负债结构分析

首先，我们对比互联网银行与行业的2018年末资产负债结构：

从资产结构上看，大部分互联网银行的贷款占比与全行业较为接近，均在50%左右。但是其他非信贷资产的配置则较为多样。有些银行积极参与金融投资，主要是包括各种债券等，这一点与全行业类似，也是银行流动性管理的常规操作。但同时，互联网银行留存的现金与准备金普遍较多（有些银行还有较高比例的同业资产），可能是流动性管理需要，当然也可能是由于成立时间不长，资产投放能力还在建设过程中，因此有富余流动性。但整体而言，与全行业比，资产结构并不算非常异常。

负债结构上，则发现大部分互联网银行存款占比较低，有些甚至大幅低于行业水平（68%），而同业融资占比更高。这突出反映了互联网银行由于无网点优势，也无基础客户积累和结算网络优势，无法大量吸收低成本的结算存款，只能靠一些收益率较高的存款产品来吸收存款，此外还要依赖同业融资，所以整体负债成本必然不低，这会深刻反映在银行的利息收支上。

3.2 盈利能力分析

接着，我们根据互联网银行的盈利情况。以下是它们2018年利润表的杜邦分解：

从以上数据上看，互联网银行普遍资产收益率较高，部分贷款产品收益率甚至达到10%以上，远超行业平均水平。这也意味着，申请这类贷款的客群，主体是不被传统银行贷款产品覆盖的客群，比如职场新人、小白领、蓝领、小生意主、微型企业等，收入水平不算特别高，在手头紧的时候需要周转资金（其他高收入人群主要从传统银行处获取信贷服务，利率更低）。这类贷款大部分体现为个人消费贷、个人经营贷或者小微企业贷款，属于普惠金融范畴，受政策鼓励，主要竞争对手是一些仍有法律争议的现金贷、民间借贷等，相当于将“灰色信贷”纳入正规银行信贷服务，积极意义巨大。但是，由于也导致了一些中低收入人群过度借贷，在贷款伦理上也引起一些争议。总体上看，这是一个积极意义较为明显的业务品种，是向长尾客群推广普惠金融的有力举措。

但同时，负债成本率也不低，尤其是在很难吸收结算存款、主要依靠高成本负债的情况下，总的负债付息率明显超出行业水平。利息收入与利息支出相抵后，几家互联网银行的净息差水平显著高过行业。但除利息支出外，业务及管理费也不低，“业务及管理费/平均资产”在1.1~4.5%之间，而行业平均水平仅0.76%，高出非常多，显示出互联网银行在数据购买、技术研发投入方面成本并不低。然后，“资产减值损失/平均资产”也高于行业，主要是这些客群本身信用水平低于传统银行，但整体不良率还是维持在了可控的水平，甚至低于行业。

最后，大部分互联网银行获得了超过行业水平的ROA、ROE，不良率控制在相对合理的水平，因此，初步验证了这一商业模式的有效性和盈利性。

整体而言，互联网银行走的是一种“高收益、高成本、高风险”的发展道路，与传统小微信贷银行非常类似，虽然资产收益率较高（甚至部分品种可以说是非常高），但其负债成本、业务成本、风险成本也较高，尤其是技术研发投入很高，因此最终虽然可以实现较好盈利，但也并非极不合理的暴利，只是在行业中属于中等偏上水平（部分优秀的传统银行也能达到这水平，比如台州银行等）。

3.3 主要结论与问题

由于我国互联网银行经营时限不长，最早的微众银行、网商银行成立于2015年，最迟的苏宁银行成立于2017年，上述财务结构与经营成果可能并非是未来的稳态，因此还需等待实践的进一步检验。展望未来，其盈利性可能有以下几点变动方向：

• 随着业务规模扩大，技术研发成本会被进一步摊薄，成本收入比下降，因而盈利水平有可能还会提升。因为与传统业务不同，互联网银行的很多技术研发成本属于“固定成本”（但数据购买成本属于变动成本），承接新业务的边际成本很低，因而业务规模扩大后，能降低成本收入比，提高盈利性。
• 但是，贷款收益率可能会有所下降，不一定能永远保持这么高收益率。目前，我国银行业正处于快速转型的过程中，随着经济结构转型，传统对公客户的业务空间变小，很多大小不等的银行均有向零售客户进军的态势，参考互联网银行的做法，利用大数据技术进军原先不被传统银行覆盖的草根客群，是这些银行的共同目标。因此，这一领域的参与者必然越来越多，竞争会加剧，贷款收益率可能下降。

以上两个因素一正一负，最终尚不能准确判断未来的盈利变化。而再往更长远展望，我们认为还可能有以下几个问题需要重点关注：

• 未来大数据成本有可能显著下降。因为，政府已经意识到大数据对社会的价值，开始推动大数据在个人征信上的应用，开始组织整合各方面所掌握的数据，建立健全大数据风控，同时打击个人数据的非法获取。这些工作最终将使放贷机构获取征信所需大数据的成本下降，从而有望降低最终的放贷利率。更为关键的是，国家主导的大数据更为成熟后，不同机构间获取的大数据有可能趋于雷同，除部分拥有专属数据的机构外，大多数机构之间比拼的将是建模能力、数据处理能力。
• 跟前几次银行信息化浪潮中的结局一样，新技术应用可能在未来普及，互联网银行、传统银行都将逐渐掌握类似的模型和数据处理技术，届时机构之间比拼的就只能是客户基础、资金成本等因素了。资金成本低廉，客户基础雄厚的大型零售银行反而优势凸显。当然，我们目前尚无法知晓这一天何时到来。

四、投资建议

本报告主要介绍互联网银行的情况，但A股并无直接可投资的个股，只有新网银行的股东红旗连锁、苏宁银行的股东苏宁云商等。但是，正如上文所述，传统银行也在从事类似的纯线上放贷业务，并且也取得了一定的效果，并且是大大小小的不同类型银行均有参与。在数据成本、行业竞争等情况未发生重大变化的情况下，基于大数据风控的纯线上放贷业务，盈利水平还是要超过行业水平。因此，各类传统银行进入这一领域，短期内还是能够提高盈利水平的。当然，长远看，这一领域的盈利水平有可能最终会回归至行业水平。

对银行板块，我们维持其基本面偏弱的判断。考虑到板块估值处于历史较低水平，维持行业“超配”评级，预期回报以赚取ROE为主。个股方面继续推荐工商银行、农业银行+宁波银行、常熟银行的“哑铃型”组合。

五、风险提示

由于我国互联网银行经营时限普遍不长，其经营尚处于早期阶段，因而相关财务数据波动性很大、稳定性不足，导致有关分析指标的代表性可能不够；

前述对新兴互联网银行分析的样本数较少，因此类比分析其他互联网银行或从事相关业务的机构时可能会有偏差。