信用评分模型分析论文.pdfVIP

信用评分模型分析论文

一、信用评分概况

信用评分模型作为信用风险管理的基础和核心,无论是对于建立

社会征信体系还是对于金融机构的信贷资产管理,都有着不行替代的

作用。其主要目的,在于尽量将能够猜测借款人将来行为的指标加以

整合,并统一成可以比较的单一指标,以显示借款人在将来特定时间内

违约的可能性,全部的信用评分模型,无论接受什么理论或方法,其最

终目的都是将贷款申请者的信用级别分类。为达到分类目的。当前，

对个人信用评分模型的定义有多种，较为权威的种观点认为:“信用评

分是猜测贷款申请人或现有借款人违约可能性的一种统计方法。”这

一观点指出了信用评分的作用和目的,不过随着信用评分模型的不断

进展,信用评分已不仅是一种统计方法,也包含了运筹学,如数学规划

法、非线性模糊数学(如神经网络方法)等。此外,信用评分的实际操作

应用也与决策原则紧密相关，决策原则事实上打算了信用评分模型实

现其目的和作用的程度。因此,对个人信用评分模型这一数学工具在

金融和银行业中的应用来说,较为全面和恰当的定义应是,“信用评分

是运用数学优化理论(包括统计方法、运筹方法等),依照即定原则或策

略(损失最小原则或风险溢价原则),在数据分析决策阶段区分不同违

约率水平客户的方法。

二、各类信用评分模型概述

1.判别分析模型

1

判别分析法是对争辩对象所属类别进行判别的一种统计分析方

法。进行判别分析必需已知观测对象的分类和若干表明观测对象特征

的变量值。判别分析就是要从中筛选出能供应较多信息变量并建立判

别函数，使推导出的判别函数对观测样本分类时的错判率最小。这种

方法的理论基础是样本由两个分布有显著差异的子样本组成，并且它

们拥有共同的属性。它起源于1936年Fisher引进的线性判别函数，

这个函数的目的是查找一个变量的组合，把两个拥有一些共同特征的

组区分开来。

判别分析方法的优点:适用于二元或多元性目标变量,能够推断,

区分个体应当属于多个不同小组中的哪一组。自身也存在不行避开的

缺点:该模型假设前提是自变量的分布都是正态分布的,而实践中的数

据往往不是完全的正态分布,从而导致统计结果的不行靠性。

2.决策树方法

决策树模型是对总体进行连续的分割,以猜测肯定目标变量的结

果的统计技术。决策树构造的输入是一组带有类别标记的例子,构造

的结果是一棵二叉或多叉树。构造决策树的方法是接受自上而下的递

归构造。在实际中,为进行个人信用分析,选取个人信用作为目标属性，

其他属性作为独立变量。全部客户被划分为两类,即好客户的和坏客

户,将客户信用状况转换为“是否好客户”值(为1或0),而后利用数据集

合来生成一个完整的决策树。在生成的决策树中可以建立一个规章基。

一个规章基包含一组规章,每一条规章对应决策树的一条不同路径,这

条路径代表它经过节点所表示的条件的一条链接。通过创立一个对原

2

始祥本进行最佳分类判别的决策树,接受递归分割方法使期望误判损

失达到最小。

决策树模型的优点：浅层的决策树视觉上格外直观，简洁解释；

对数据的结构和分布不需做任何假设；可以简洁地转化成商业规章。

它的缺点在于：深层的决策树视觉上和解释上都比较困难；决策树对

样本量的需求比较大；决策树简洁过分微调于样本数据而失去稳定性

和抗震荡性。

3.回归分析法

回归分析法是目前为止应用最为广泛的一种信用评分模型,这其

中以有名的logistic回归为代表。除此之外,线性回归分析、probit回

归等方法亦属于此类。最早使用回归分析的Orgler,他接受线性回归模

型制定了一个类似于信用卡的评分卡,他的争辩表明消费者行为特征

比申请表资料更能够猜测将来违约可能性的大小。同数学规划方法中

一样,假设已经通过肯定的方法从样本变量中提取出了若干指标作为

特征向量,回归分析的思想就是将这些指标变量拟合成为一个可以猜

测申请者违约率的被解释变量,自然就是违约率p,回归分析中应用最

广泛的模型当属线性回归模型,它是对大量的数据点中表现出来的数

量关系模拟出一条直线，回归分析的目标就是使目标变量值和实际的

目标变量值之间的误差最小。因此最早将回归方法应用于信用评分争

辩的模型，就是简洁的线性回归模型