《消费者信用管理》 第7章.pptVIP

07;第七章 个人信用评分;第一节 信用评分的概念与用途;一、信用评分的概念和分类;表7-1 一个假设的信用评分卡;主要信用卡;一、信用评分的概念和分类;利用信用评分进行信贷决策的优点： 节约审批时间，提高审批效率。可以将贷款申请审批所花时间缩短到1个小时之内。 减少审批过程中的主观性。可以保证信贷机构对不同的申请者使用同一个标准。 信用评分模型使得信贷机构在进行信贷决策时可以考虑多种因素。 除用于评估信用风险之外，信用评分技术还被应用于评估账户关系的风险调整??利能力、确定借款人初始及后来的信用额度、信贷欺诈的预防、拖欠干预以及减少不良贷款损失等多方面。;二、信用评分技术开展的简要历史;三、信用评分的应用领域〔以信用卡为例〕;三、信用评分的应用领域〔以信用卡为例〕;三、信用评分的应用领域〔以信用卡为例〕;第七章 个人信用评分;第二节 信用评分模型的数据来源;一、征信局数据;二、信贷机构内部数据;特征变量;第七章 个人信用评分;??三节 信用评分模型的开发与应用;一、选取建模样本;关于样本的数量： 一般，好、坏客户的比率或者为50:50，或者位于50:50与总体中好、坏客户比例之间。 泰德.莱温斯(1992)建议，好、坏客户各1,500个 马库其(1998)建议，将所有的〞坏〞客户都选入样本中，选取的〞好〞客户数在10,000个左右。;二、构造信用评分模型的变量;二、构造信用评分模型的变量;图7-1 观察期和表现期的划分;申请模型表现期和观察期样本的选取： 定义好表现期后，向前倒推一定的时间段形成观察期选，取该时间段内申请得到批准的客户的特征信息并提炼形成特征变量作为模型的自变量〔又称为解释变量、预测变量〕，表现期那么用于观测客户的信用表现，按照一定的规那么将他们区分为不同类型〔如“好客户〞或“坏客户〞 〕，从而形成因变量。;二、构造信用评分模型的变量;二、构造信用评分模型的变量;二、构造信用评分模型的变量;三、信用评分模型的分组;四、建立信用评分模型;特征项;表7-4 “收入〞重新分组后的特征项的频率及发生比;四、建立信用评分模型;图7-2 不同年龄段好客户比率;四、建立信用评分模型;四、建立信用评分模型;五、信用评分模型的检验;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;六、信用评分模型的实施、监测与验证;第七章 个人信用评分;第四节 ??解FICO评分;一、什么是FICO评分;分数;评分范围为300～850 中位数为723分 700分，同意发放贷款； 600分，提高贷款利率或者拒绝; 600～700分，进一步调查核实，采用其它的信用分析工具，作个案处理。;二、FICO评分考虑的主要因素;三、FICO评分的新开展;案例分析7-1 ：ZestFinance的大数据信用评分 ?ZestFinance是美国一家新兴的互联网金融公司，于2021年9月创立于洛杉矶。前期的业务主要通过ZestCash平台提供放贷效劳，后来专注于提供信用评分效劳，旨在利用大数据技术重塑信贷审批过程，为难以获得传统金融效劳的消费者创造可用的信用，降低他们的借贷本钱。 ZestFinance的根本理念是认为消费者的一切数据都是和信用有关，信用评分应该在能够获取的数据中尽可能地挖掘信用信息。ZestFinance采用大数据技术为缺乏信用记录的消费者挖掘出信用信息。其技术主要包括两个方面：;大数据采集技术。ZestFinance以大数据技术为根底从不同的数据源采集数据，一方面它继承了传统征信体系的决策变量，重视深度挖掘授信对象的信贷历史；另一方面，将能够影响消费者信用水平的其他因素也考虑在内，如社交网络信息等。其评分模型中应用的特征变量是传统模型的上百倍。 大数据分析模型。采用先进的机器学习预测模型和集成学习策略。首先，数千种各种来源的原始数据被输入系统；其次，寻找数据间的关联性并对数据进行转换；再次，在关联性分析的根底上将变量重新整合成新的预测变量〔即特征变量〕；然后将这些新的特征变量输入到不同的数据分析模型中去；最后，将每一个模型输出的结果按照模型投票的原那么，形成最终的信用分数。;THANKS