以支撑向量法建构之自动化余额代偿信用评价模式.pdfVIP

以支撐向量法建構之自動化餘額代償信用評價模式 江坤林 簡立仁 李育杰 國立台灣科技大學 國立台灣科技大學 國立台灣科技大學 資訊工程系 資訊工程系 資訊工程系 martystudio@ ljchien@.tw yuh-jye@.tw 摘要 人所提供之個人信用資料部份，均需提出相關證明 文件，再由徵信人員以電話或面洽之方式來查證， 餘額代償是一種高收益但也高風險的金融商 過程相當耗時。而在聯徵中心所提供之資料方面， 品，申請人過去都曾與其他銀行密切往來過一段期 依政府規定從一般的貸款餘額到即時更新的現金 間，故已累積許多與銀行互動的紀錄於財團法人聯 卡繳款紀錄等，均需主動由借款銀行向聯徵中心通 合徵信中心的資料庫中，一般銀行在進行代償徵審 報，故聯徵中心所提供之資料可真實地反應申請人 的工作上亦相當重視此紀錄。我們應用機器學習的 過去之信用狀況，且較具參考價值。根據北部某金 技術來擷取正常戶與逾放戶之特徵資訊，佐助人工 融機構的統計，在成本的考量下，平均一份申請餘 徵審以降低逾期放款的比率。目前在機器學習的範 額代償的聯徵查詢報告至少會包含五種項目，約十 疇中，支撐向量法 (Support Vector Machines)在分類 頁左右之資料。雖然資料很豐富、數據很多，但在 問題實務上有優秀的表現。本研究旨在應用支撐向 一般人工徵信實務上，卻僅會用到幾個經驗上認為 量法，以過去核貸客戶在聯徵中心所累積之歷史信 較重點的數據，來評定申請人之信用，因此許多可 用資料及其逾放與否作為訓練的樣本，透過機器學 能對徵審有幫助的資料就會被忽略。 習的方法來建構自動化之餘額代償信用評價模 目前已有很多銀行導入電子核貸系統 (eLoan 式。經由北部某銀行提供之資料實證後，本模型確 System)來輔助徵審人員辦理授信業務，除了可統一 實可減銀行之損失。 審核之標準，降低人員審核差異，更可提升核貸之 關鍵詞 ：餘額代償、分類問題、機器學習、電子核 品質。一般常見的核心技術不外乎使用決策樹 貸、支撐向量法。 (Decision Tree) 、類神經網路(Neural Network) 等機器 學習演算法。近年來在機器學習及資料探勘的領域 1 前言 中，支撐向量法 (Support Vector Machines , 以下簡 稱 SVM[13])對於分類問題(Classification Problem) 近年來金融業的競爭愈形激烈，在高獲利因素 提供最佳化的處理技術，且在目前的應用上都有極 吸引下，各家行庫紛紛推出各種形態的信用貸款， 佳的表現。 在電子媒體的促銷及廣告明星的代言下，高利率的 本研究之目的希望結合具有最佳化效能的 信用貸款被包裝成圓夢的最佳工具，造成特殊需求 SVM 與申請餘額代償客戶過去在聯徵中心所累積 人口負債上升。因之而生一種可降低利息支出的貸 豐富的信用紀錄，在不使用申請人所提供之信用資 款商品- 「餘額代償信用貸款」，逐漸在金融界受到 料可能需要進行徵信( )下，建構一套餘額代償信用 重視，光以信用卡之循環信用餘額做為代償的目標 評價模式，提供貸放與否之建議給徵審人員參考， 市場，就約有4 千多億1 的潛在商機。餘額代償的商 以降低銀行業者的授信風險、提高經營的績效。 品特性為以中高利率 (9~15%)之信用貸款來代償高 本論文將在下一