基于Logistic模型的信用卡风险管理实证研究.docVIP

基于Logistic模型的信用卡风险管理实证研究 　　[摘　要]　根据中国信用卡业务风险管理现状以及存在的问题,采用Logistic回归方法构建用于量化申请人信用风险的模型，通过统计信用卡业务的实际经营数据，针对我国信用卡的风险管理进行实证分析，得出结论：性别方面：男性的违约性高于女性；年龄方面：随着年龄的增长，客户的违约率逐渐降低；教育程度方面：学历高的持卡人，违约率较低；婚姻方面：未婚客户的违约率高于已婚客户；收入方面：收入越高的人违约概率会越低。 　　[关键词]　Logistic模型；信用卡；风险管理；结论 　　[中图分类号]　F470　　　　[文献标识码]　B 　　一、Logistic回归模型的基本原理 　　对于风险，存在风险发生与不发生的两种情况。我们可以对这两种情况分别进行赋值，当风险发生时，Y=1，反之Y=0。本文所采用的二元Logistic回归分析，正是一种将因变量分为0和1两类，在线性回归的基础上，利用Logit对数函数变换，引入多个自变量进行回归的统计技术。利用一般线性多元回归模型，对因变量取值为1的概率P进行建模，即：Py=1=β0+βiXi，此时模型因变量的取值是0～1之间，而一般线性回归模型要求因变量取值于-∞～+∞之间，在实际应用中，这个概率与因变量之间往往是一种非线性关系，基于这样的分析进行以下处理： 　　第一，将P转化为Ω=，其中Ω称为相对风险或者发生比率，是事件发生的概率的比。这种转化是非线性的，同时Ω是P的单调递增函数，保证了P与Ω增长(或下跌)的一致性，这种转化更易于对模型的理解。0～+∞之间是其取值范围。 　　第二，将Ω转换成1nΩ=1n，其中InΩ称为LogitP。在经过这样的转换之后，LogitP与Ω之间仍呈增长(或下降)的一致关系，且取值于-∞～+∞之间。这同一般的线性回归模型中对应变量的取值范围相吻合。 　　LogitP变换说的便是上述两步转换过程。在经过LogitP变换后，就可以利用一般线性回归模型建立因变量与自变量之间的依存模型：1n=β0+βiXi。该公式左边即是履约客户发生比的对数，显然该值越高，客户履约的可能性越大。只要将其与商业银行设定的履约率相比，即可据此做出是否授信及授信额度区间的决策。 　　二、实证分析 　　(一)数据样本及客户界定 　　信用卡风险管理的重点在于防范信用卡客户违约的信用风险上，且客户的申请状况和履约程度直接影响了商业银行对信用卡的风险控制。因此本文研究的样本数据均来自于中国工商银行黑龙江省分行的实际经营业务数据。选取210位有效客户作为样本数据，这些样本是从2011年3月新办理信用卡的客户中随机选取的，包括姓名、性别、婚姻状况、出生年月、年龄、教育程度、居住条件、收入水平、职业、岗位、工作年限等基本信息。 　　判别客户能否正常履约的标准是申请人的信用状况，即为模型的响应定义。所谓正常履约客户是指发卡银行愿意为持卡客户提供各项服务并且授信银行对这些客户能够按时还本付息有着较好的预期；违约客户是指银行不愿意为其提供服务且对其支付本息的能力有所怀疑。本文将在1年中有三次不能够及时偿还信用卡透支款项记录的客户定义为违约客户，履约的正常客户则与之相反。在这210个样本中，正常履约客户有150位，违约客户有60位。经过指标的选取，数据收集、整理后，本文选取的指标体系如表1。 　　(二)虚拟变量的定义 　　在建立模型时之所以必须用虚拟变量来表示，是因为要选取的指标都是定序变量或者是定类变量。所以根据虚拟变量的个数要比所分的类少一个从而避免虚拟变量陷阱的这一原则，将各个指标用虚拟变量表示如表2。 　　(三)变量的格兰杰因果检验 　　对各影响因素变量与履约率进行格兰杰因果检验，根据多次实验对比，选取滞后阶数为2阶。结果如表3。 　　经过以上检验结果可知，在5%的显著性水平下，只有Edu2、Inc2两项大于0.05，而其余所有变量的p值均小于0.05，所以拒绝原假设；在10%的显著性水平下，所有变量的p值都小于0.10，检验值大于10%的显著性水平的临界值，可以认为这些变量都是履约率的格兰杰原因。说明履约率产生一定程度上都会受到这些变量的影响，因此，本文将上述变量都选择进入到模型中。 　　(四)模型的计算 　　在运行Eviews6.0软件后，运用Logistic回归分析法，回归因子是上述虚拟变量，以Y=0(违约)、Y=1(履约)为回归建立模型如下： 　　LnY=X+X1*SEX+X2*AGE1+X3*AGE2+X4*EDU1+X5*EDU2+X6*MAR+X7*INC1+X8*INC2 　　上式中Y=p/1-p，其中p是客户能够履约的概率，1-p便是客户违约的概率，Y客户履约概率发生比。导入样本数据并运行软件便可以得到回归方程如下： 　　LnY=2.3462+0.5