大数据课件——第五章-信用评分.pptxVIP

第五章 信用评分 一　信用评分背景 四　信用评分模型构建步骤和方法 五　信用评分应用案例 二　信用评分的概念 三　信用评分的方法 自1998年起,商业银行就一直在强化信贷管理、规范信贷决策行为、防范信贷风险并取得了一定的成绩,但仍存在一些比较突出的问题。主要表现在以下方面: 第一,对借款人的信用状况缺乏较全面的了解。 第二,对个人信用评价缺乏科学的方法。 国际银行业信贷风险管理工具框架最为基础和核心的工作是建设信贷风险内部评级模型,只有在利用风险评级工具精确衡量风险的基础上,才能有效地运用更为复杂的信贷风险管理工具。 一 信用评分背景 二 信用评分的概念 信用评分是指根据客户的信用历史资料,利用一定的信用评分模型,得到不同等级的信用分数。根据客户的信用分数,授信者可以分析客户按时还款的可能性。据此,授信者可以决定是否准予授信以及授信的额度和利率。虽然授信者通过分析客户的信用历史资料,同样可以得到这样的分析结果,但利用信用评分却更加快速、更加客观、更具有一致性。 在信用评分领域有两个非常重要的方面: 一是客户信用资料的收集； 二是利用信用评分模型进行评分。 二 信用评分的概念 客户信用资料的收集:是指在信用消费中,通过调查了解申请授信的消费者个人的信用信息。 利用信用评分模型进行评分:是指输入客户信用资料,通过信用评分模型得到客户的信用分数,确定客户的信用等级。 三 信用评分的方法 在信用评分的过程中,最关键的就是信用评分模型的构建。用来产生信用评分的模型不胜枚举,每一种模型均有其独特的规则。在此,我们主要介绍信用评分模型的构建方法。 信用评分模型的基本原理是确定影响违约概率的因素,然后给予权重,计算其信用分数。信用评分模型的构建,目前最为有效的手段是数据挖掘。 四 信用评分模型构建步骤和方法 1.信用评分模型构建步骤 利用数据挖掘技术构建信用评分模型一般可以分为6个步骤,它们分别是:商业理 解、数据理解、数据准备、建立模型、模型评估、模型部署。 (1)商业理解 明确数据挖掘的目的或目标,是成功完成任何数据挖掘项目的关键。 (2)数据理解 在给定数据挖掘商业目标的情况下,寻找可以解决和回答商业问题的数据。构建信用 评分模型所需要的是关于客户的大量信息,应该尽量收集全面的信息。 (3)数据准备 在选择并检测了数据挖掘需要的数据、格式或变量后,在许多情况下数据转换非常必 用要。 四 信用评分模型构建步骤和方法 (4)建立模型 在时间或其他相关条件(诸如软件等)允许的情况下,最好能够尝试多种不同的挖掘到客技巧来建立模型。因为使用越多的数据挖掘技巧,可能就会解决越多的商业问题。 (5)模型评估和结果解释 数据挖掘之后,应该根据零售贷款业务情况、数据挖掘目标和商业目的来评估和解释挖掘的结果。 (6)模型部署 数据挖掘关键问题,是如何把分析结果即信用评分模型转化为商业利润。通过数据挖掘技术构建的信用评分模型,有助于银行决策层了解整体风险分布情况,为风险管理提供 基础。 四 信用评分模型构建步骤和方法 2.信用风险评分模型构建方法 商业信用评分模型是根据过去信用记录和个人资料进行数据分析,描述影响个人信用水平的因素,从而帮助贷款机构发放消费信贷的一整套决策模型。 (1)判别分析法 判别分析法在个人信用评分历史上曾经是使用最广泛的方法。它通过利用所建立的判可别函数的系数对特征变量加权来确定个人的信用得分。 (2)线性回归分析法 普通的线性回归曾被用于解决信用评分中的分类问题,它产生的也是一个线性评卡。 (3)数学规划法 数学规划法通过研究对客户信用有影响的各个因素并确定它们的权重,把客户分为坏两类,从而建立一个线性规划方程,目的是使得方程误差最小,它也产生一个线性评分卡。 四 信用评分模型构建步骤和方法 (4)神经网络法 神经网络是一种模仿人脑信息加工过程的智能化信息处理技术,具有自组织性、自适 应性及较强的稳健性。 (5)分类树法 分类树法最后不生成一个评分卡,而是将消费者分成不同的组,在组内各样本的违约概率尽量相等,而违约概率在组之间的差异则尽可能大。其特点是能更有效地处理特征变 (6)最近邻法 也是一种非参数方法,其结果也是评分卡。它的思想是在申请人的特征向量空间内定义一种测度(距离)用于测量两个申请人之间的距离。当对一新申请人信用评估时,只要考察与他最近邻的k个人中“好客户”及“坏客户”的比例,根据此比例确定该申请人的信用类型。 五 信用评分应用案例 见教材92页 谢 谢 大 家