基于个人信用评分的建模分析和授信决策

什么是个人信用评分？

个人信用评分又叫“消费者信用评分”，是评估申贷人或借款人违约风险的一种统计方法。

通过统计用户的人口特征、信用记录、行为记录、交易记录等大量历史数据并进行系统分析，挖掘数据中隐含的行为模式和信用特征，开发信用评估模型，对用户的信用进行评估。

一些信用记录会影响个人信用评分，包括延迟付款、拖延付款时间、信贷账户数目增减、信贷余额变化、账龄、最近的查询记录等。

信用评分模型可以从个人信用档案中提取不同特征来评估用户的信用状态，一旦发现信用瑕疵，评分模型可以自动评估风险大小，扣除一定信用分数。

通过使用信用评分模型，申贷人可以快速得到答复，信贷决策的效率显著提高。据美国消费银行协会资料显示，在使用信用评分模型前，小额消费贷的平均审批时间是12小时，信用评分模型的自动处理程序将这个周期压缩到15分钟。60%的汽车贷款可在1小时内完成审批，信用卡审批只需一两分钟、甚至几秒钟。

如何构建信用评分模型？

在了解信用评分模型之前，首先要明白什么是信用评分卡。

在进行信用评估时，风控系统会采用一种叫作“信用评分卡”的表格。它由申贷人的各特征变量和对应信用分值组成。根据信用评分卡（如下表所示）可以计算不同借款人的信用评分。

信用评分模型是市场分析人员、风险管理经理、统计学家、数据库管理人员和计算机工程师等多个领域的专家协作建立的模型。建模过程中需要对每个环节进行精确设计。

建立信用评分模型的过程一般包括以下几个部分：

1. 明确建模目标

建立信用评分模型的目的是评估用户违约和拖欠的概率、贷款逾期损失等。当建模目的不同时，研究对象和开发方法、检测手段、处理原则都会有一定差异。正是因为差异的存在，金融机构需要建立适合自身应用场景的评估模型和审批体系。

2. 数据采集和样本抽提

在建模过程中，采集数据是非常重要的环节，也是决定评估模型是否有效的关键步骤。通常，采集数据越多、越详细，模型预测结果就会越准确。因此，在建模之前，需要明确能够使用的数据有哪些。

然而，技术人员不可能、也没有必要将所有采集的数据都用于建模，而是按照一定方法从中抽提合适的样本。利用质优数据建立信用评分模型，以达到精确预测的目的。

3. 选择建模工具

通常，用来进行信用评分建模的工具有判别分析、逻辑回归、分类树和神经网络。具体选择哪种工具，取决于建模目标和建模使用的特征。

在实际应用中，技术人员常常综合使用不同的工具，比如使用分类树选择变量，确定各变量之间的关系，构造新的变量。接着，将所有变量融合，使用回归方法构建信用评分模型。然后，把模型预测结果与神经网络模型预测结果进行比较，判断模型是否有效，并优化、改进模型。

4. 模型检验

在完成建模后，技术人员需要对模型效果进行测试。通常使用的方法是在建模前将所有数据随机分成两部分：一部分用于建模，一部分用于测试。如果模型对于建模样本和测试样本的预测效果都很好，证明模型很稳定，可以通过检验。

对于信用评分模型而言，检验方法有很多，常用的统计量包括Gini系统、Kolo-mogoov-Sminov统计量（简称K-S统计量）等。

模型检验的最终目标是评估该模型能否尽可能地将高风险用户和低风险用户区分开。同时，评估模型在应用于样本子集时是否稳定。

5. 选择阈值与人工修正

在信用评分模型开始应用前，需要考虑金融机构能够承受的风险大小。金融机构的风险承受能力取决于申贷人数量的市场分析、资本充足率以及定价、收益目标等因素。

资本充足率，即银行自身资本和加权风险资产的比率,代表了银行对负债的最后偿债能力。反映商业银行在存款人和债权人的资产遭到损失之前，该银行能以自有资本承担损失的程度。

根据金融机构的风险承受能力确定信用评分模型的阈值。当申贷人的信用评分低于该阈值时，金融机构将拒绝授信；若申贷人信用评分高于该阈值，则批准贷款。

通常，阈值的设定应使通过率大致与当前通过率保持一致，也就是保证稳定的坏账率。

同时，在信用评分模型应用之前，常常需要确定人工修正原则，即当金融机构的决策与信用评分模型的建议不一致时，需要采取的人工修正规则。

6. 模型监测

为了保证坏账率的稳定，在信用评分模型投入使用之后，技术人员应对该模型进行监测，并进行以下评估：

（1）信用评分模型的使用是否符合预期？人工修正率能否保持在一个尽可能低的水平？人工修正有切实的理由吗？最普遍的理由是哪些？

（2）信用评分模型对贷款风险的排序是否符合预期？坏客户比率与我们运行信用评分模型时的预期是否一致？

（3）申贷人的特征是否发生变化？是否有更多分值低的消费者申请贷款但是被拒绝了?他们的特征是什么？

（4）用户信用分值的分布是否发生了变化？

金融风控：通过率与坏账率的博弈

数学模型漫谈

什么是机器学习？（上）

什么是机器学习？（下）