分析消费者信用管理 第7章 个人信用评分.pptVIP

二、构造信用评分模型的变量 （二）特征变量的形成 1.申请信用评分模型特征变量的构造 构造特征变量的数据来源： 客户的基本状况 客户的学历、居住状况等不需要进行提炼和构造，但“按揭成数” “收入还贷比”等需要进行构造。 客户与信贷机构的业务关系数据 客户的征信局历史数据 二、构造信用评分模型的变量 （二）特征变量的形成 2.行为评分模型特征变量的构造 构造的特征变量包括：账户基本情况（账户已开户月数）、拖欠情况（如当前是否拖欠、观察期内拖欠的期数占总账期期数的比重等）、贷款情况（如贷款总额、月平均贷款余额）和还款情况（如还款额占贷款额的比重、贷款余额占信用额度的比重）以及消费和交易行为（如消费总额、月消费平均金额、有交易行为的账期次数）、取现行为（最近6个月信用卡剔除现金额超过1000元的次数）等。 三、信用评分模型的分组 分组即按照某种标准，将客户划分为不同的组，每个组内客户的行为模式在某种程度上相同或相似，组之间则存在显著差异。分组完成后对每一组分别建立评分模型。 分组的原因： 不同类型的客户其信用行为的影响因素是不一样的，即使同样的影响因素在模型中的权重也可能不一样。 出于信贷政策的需要。 出于统计上的原因。 用于分组的变量是可以观察到的观察期的变量。分组可以按一个变量进行，也可以按多个变量进行复杂的分组。 四、建立信用评分模型 （一）特征变量预测能力分析 1. 离散型特征变量的分组 分组的目的： 减少特征变量的特征项个数； 使一个特征变量的不同特征项之间客户的信用行为存在明显差异。 分组的基本原则： 对样本容量少的特征项进行合并； 将“发生比”较接近的特征项予以合并。 特征项 好客户 频数 坏客户 频数 好客户 频率（%） 坏客户 频率（%） 好客户发生比 （Odds to be good） =1000 42 100 21.8 78.13 0.42/1 1000-2000 156 322 32.6 67.36 0.48/1 2000-4000 296 274 51.9 48.07 1.08/1 4000-8000 179 128 58.31 41.69 1.40/1 8000-16000 71 52 57.72 42.28 1.37/1 16000-32000 17 9 -- -- -- =32000 1 0 -- -- -- 缺失 31 38 44.93 55.07 0.82/1 合计 793 923 46.21 53.79 0.86/1 表7-3 “收入”特征变量各特征项频率及发生比 表7-4 “收入”重新分组后的特征项的频率及发生比 特征项 好客户 频数 坏客户 频数 好客户 频率（%） 坏客户 频率（%） 好客户发生比 （Odds to be good） =2000（或缺失） 229 460 33.24 66.76 0.498/1 2000-4000 296 274 51.93 48.07 1.080/1 =4000 268 189 58.64 41.35 1.418/1 合计 793 923 46.21 53.79 0.86/1 四、建立信用评分模型 （一）特征变量预测能力分析 2. 连续型变量的分组——连续型变量的离散化 分组的好处： 捕捉到特征变量与表现变量之间的非线性关系。 分组的方法： 先在特征变量取值范围内将特征变量划分成若干组，每组所包含的客户数占全部客户数的百分比相等，然后，再利用对离散型变量重新分组的方法考虑是否将临近的组进行合并，最后得到最终的分组结果。 图7-2 不同年龄段好客户比率 四、建立信用评分模型 （二）选取建模特征变量 方法： 专家咨询法。 统计学方法。 信用评分建模特有的方法。 考虑因素： 不同国家的法律约束以及社会文化因素的影响。 模型的预测结果具有可解释性。 模型实施时具有可行性。 四、建立信用评分模型 （三）选择适当的建模工具 统计学方法。包括传统的判别分析、线性回归、Logistic回归、生存分析等参数统计方法以及分类树算法、最近邻估计等非参数方法。 非统计学方法。包括线性规划、整数规划、神经网络、遗传算法、支持向量机等方法。 选择何种方法既与建立信用评分的目的有关，也与建模样本有关。实际常将多种方法交叉使用。 利用这些建模工具，我们可以确定特征变量各特征项在评估消费者信用时的权重。 五、信用评分模型的检验 “保留样本法” ：在收集了建模样本后，将样本随机地分成两部分，一部分用于模型的开发，另一部分（称为“保留样本”，通常为占样本总量的20%-40%）用于检验。 常用的区分度统计量： K-S统计量 分离度统计量 马氏距离 图7-3 两个模型计算的客户信用得分的概率分布 六、信用评分模型的实施、监测与验证