基于Logistic回归个人信用评估模型.docVIP

基于Logistic回归个人信用评估模型 　　一、引言 　　 　　个人住房贷款是指贷款人向借款人发放的用于购买各类自用住房的贷款，具体是指购房人在向房地产开发商购买房产时，自己先交首期房款，其余部分由银行贷款垫付，并用所购买的房产权益作为抵押，按月偿还贷款本息（月供）的一种贷款方式。由于个人住房贷款不良率低，有利于商业银行资产结构的改善，所以我国商业银行一般认为个人住房贷款是银行的优质贷款，长期以来其风险没有引起足够的重视，直到最近几年我国商业银行事件频繁发生，关于个人住房贷款风险的讨论才开始升温。从近几年的情况来看，在个人住房贷款的风险中，有一半以上是来源于信用风险。而信用风险的评估是商业银行信用风险管理的基础和关键环节，因此，怎样分析贷款人的信用状况，对信贷管理者如何衡量个人住房贷款的风险具有极大的价值。本文利用交通银行长沙分行的个人住房贷款资料，建立logistic回归模型，其目的是为商业银行发放个人住房贷款需要对个人进行信用评估时提供一个初步的信用评估模型，同时希望通过建立信用评估模型的过程，发现目前中国商业银行在建立信用评估模型时遇到的难点、问题，并探索解决办法。 　　 　　二、Logistic回归分析法 　　 　　假设用表示发放一笔贷款这一事件，用Y=1表示到期后借款人违约（通常称为一个“坏”的贷款），Y=0表示借款人不违约（通常称为一个“好”的贷款）。我们的目的是利用已有的样本资料建立模型，对借款人违约（即Y=1）的概率p进行预测。 　　在Logistic回归模型中，假设： 　　Logit(p)=ln(p1-p)=β0+β1x1+…+βkxk 　　其中p表示Y=1（即“坏”的贷款）的概率，xi是描述借款人特征的一些指标（这些指标被认为与违约的概率有关，又称为解释变量），p/(1-p)称为发生比（odds）。 　　我们可以利用已有的样本指标对模型中的参数进行估计，并对模型进行相关的统计检验及计量经济检验。待得到一个较为稳定的、预测准确性较高的模型后，模型即可投入使用：即一个新的借款人的相关指标数据输入模型，对其违约发生比（或违约概率）进行预测。在实际使用时，通常将违约发生比或违约概率通过某种线性变换转换成分数，银行可以根据申请人的信用得分情况决定是否发放贷款及发放的额度。 　　三、实证分析 　　（一）变量选取与数据的处理 　　研究选取的指标全部来自于某银行个人住房贷款资料册，在参考了已有文献以及考虑到尽量保留原始指标的基础上，本文选取了性别、年龄、教育程度、户籍性质、婚姻状况、供养人口、个人月收入、家庭年收入、单位性质、职务、职称、目前有无使用交行产品、贷款期限、贷款金额，共14个指标进入Logistic回归模型作为自变量；客户质量作为因变量。由于15个变量都是分类变量，在建立模型时必须将它们用虚拟变量来表示，具体情况如下： 　　1.性别（X1）：男，X1=1；女，X1=2。 　　2.年龄（X2）：30岁以下（不包括30岁），X2=1；30-40岁（包括30岁，不包括40岁），X2=2；40岁以上（包括40岁），X2=3。 　　3.教育程度（X3）：研究生以上，X3=1；大学本科，X3=2；大学大专，X3=3；中专及高中，X3=4；其他，X3=5。 　　4.户籍性质（X4）：本地，X4=1；外地，X4=2。 　　5.婚姻状况（X5）：未婚，X5=1；已婚，X5=2；离异，X5=3；丧偶，X5=4。 　　6.供养人口（X6）：0个，X6=0；1个，X6=1；2个，X6=2；3个及以上，X6=3。 　　7.个人月收入（X7）：2千以下（不包括2千），X7=1；2千-4千（包括2千，不包括4千），X7=2；4千-6千，（包括4千，不包括6千），X7=3；6千以上（包括6千），X7=4。 　　8.家庭年收入（X8）：5万以下（不包括5万），X8=1；5万-10万（包括5万，不包括10万），X8=2；10万-15万（包括10万，不包括15万），X8=3；15万-20万（包括15万，不包括20万），X8=4；20万-25万（包括20万，不包括25万），X8=5；25万以上（包括25万），X8=6。 　　9.单位性质（X9）：行政事业单位，X9=1；企业，X9=2；个体私营，X9=3；其他X9=4。 　　10.职务（X10）：高级领导，X10=1；中级领导，X10=2；一般员工，X10=3；其他，X10=4。 　　11.职称（X11）：高级，X11=1；中级，X11=2；初级，X11=3；无，X11=4。 　　12.目前有无使用交行产品（X12）：有，X12=1；无，X12=2。 　　13.贷款期限（X13）：10年，X13=1；15年，X13=2；20年，X13=3；20