第十章风险管理2-信用评分

第十章：风险管理—信用评分房勇2012年12月2主要内容信用评分概述信用评分的技术方法信用评分概述4什么是信用评分?目的：对于给定的信贷客户或者申请者，用统计的工具提供一个可量化的风险判别。定义：信用评分是这样一个过程，把有用的资料转化为一些数字，而通过数字的加总给出一个总分。目标：通过过去的行为去预测将来的表现。5住房抵押贷款汽车贷款信用卡个人贷款,包括分期付款贷款教育贷款信用评分在个人信贷中的应用6Character(品质):对信用负债的态度借贷人是否会还款?以往还款的历史,清收情况,公共记录(破产)Capacity（能力）:担当信用负债的财务能力借贷人是否有能力还款?收入,负债,经济负担,职业，工作的稳定程度Collateral（抵押）:贷款的保护如果借贷人不能归还贷款，信贷发放人是否有保护？预付定金、抵押品价值、抵押品流动性等个人信贷评估的5C原则7个人信贷评估的5C原则Capital（资本）:支持偿还债务的动产/不动产资源当负面情况发生时，借贷人是否有足够的现金存量来偿还债务？住房,汽车,股票,其它投资Conditions（情形）:可能对借贷人偿还能力产生负面影响的宏观经济情形预测国家/区域的经济以及就业前景8申请评分是在信贷申请之时对风险进行评估每个申请只被评一次申请评分被用于:信贷风险的识别信贷额的批准信用限额确定信贷决定申请评分（ApplicationScoring）9行为评分是通过内部客户行为数据对现有客户的风险评估根据客户情况的变化不断进行的行为评分被用于:授权增加限额/透支申请续借/评估清收策略风险级别Debit$1344.12Debit$234.01Debit$987.56Debit$6543.22Debit$32423.11Total$2556.00Debit$1344.12Debit$234.01Debit$987.56Debit$6543.22Debit$32423.11Total$2556.00Debit$1344.12Debit$234.01Debit$987.56Debit$6543.22Debit$32423.11Total$2556.00行为评分（BehaviouralScoring）10经济情况资产负债月偿还额月收入信用记录违约次数其它不良记录申请贷款目的储蓄情况打分卡是对顾客申请贷款时提供的各种分数分别给一个点数，然后对这些点数进行加总，得到一个分数。下面是一个打分卡考虑的一些因素:特征当前工作的年限住房状况在当前居住地居住时间长短打分卡11住房状况房主租赁其他+25-30+10工龄长短(年)23-45-67+2101525月收入0$500$1000$1500$2000$3000$30000152531374348违约次数无违约12+0-70-250打分卡的一个例子121、收入10、月付额度2、年龄11、定期存款3、婚姻状况12、经济负担4、职业13、私人借贷5、产业14、个人财产6、雇佣状况15、上次搬家年限7、头衔16、上次贷款年限8、贷款期限17、抵押9、贷款目的18、所在地区分期付款申请评分的输入例子13打分卡的精化把整个顾客集合（population）分成很多小的子集合（subpopulations），对每个子集合进行精细建模，提高评分的精度；特别地，注意抓住变量之间的非线性相关关系。14评分系统A分界点坏客户好客户10%%借贷人35%得分20%%借贷人35%评分系统B评分系统不是要给出一个客户是好是坏的准确判断，而是看他是属于好坏哪一组信用评分优劣的判断15信用得分与风险好坏比80/120/15/11/1••••••分数240200160100••••••••••••====16“好坏比”打分系统不是单个地区分一个申请人是“好的申请人”还是“坏的申请人”，而是将这个申请人划归为某一个“好坏比”组别里面。比如说对于一个200比1组别，显然这个组别是相当安全，是可以获利的。而对于一个4比1组别，风险就是不可接受的了。银行寻找一个分离点（cut-offpoint），低于这个分离点的“好坏比”组别是无利可图的。而在这个分离点以上，即使是“坏的申请人”也不加区分地接受，在分离点之下，好的也不接受。1704080120160200240280320360400440480520560600640680720760800ScoreNumberOfClientsGoodsBads评分的目的是能够以较高的概率去划分“好/坏”。分值的大小能够体现出“好/坏”的概率大小。“好/坏”的一个基本标准是“坏”的平均得分要低于“好”的平均得分。‘好/坏’划分18每个分数的“好/坏比”可以通过表现图直观地表现出来。04080120160200240280320360400440480520560600640680720760800ScoreNumberOfClientsGoodsBads1001Graph2-LogOddsPerformanceChart052512864532501640004080120160200240280320360400440480520560600640680720760800Good/BadOdds02468101214LogGBOs(Base2)8to12to13表现图申请评分卡建设流程图•特征分析•多元模型的建立•拒绝推断准则统计分析定制化的打分卡•产品识别•文件和数据的可得性•抽样•收据抽取/成本数据完整性设立分离点执行检验一般性打分卡•外部数据资源•打分卡销售商外源打分卡监测20FairIsaacCorporation(FICO):1956成立，是美国的头号信用评分公司信用局:三个主要的信用局:Equifax,Experian,andTransUnion几乎所有的信贷发放者将信用偿还行为报告给这三个信用局信用评分:美国情况21信用评分由Fair&Isaac在６０年代早期开发出来80年代早期被美国、90年代早期被英国广泛所接受FICO评分在美国被所有信贷发放者用于信贷决策75%的美国抵押贷款是基于FICO评分做出来的但FICO只是一个一般模型，几乎所有的信贷发放者都有自己的客户模型，用来适用于自身的市场分割和产品由来22个人信贷在美国是一个严格规范的行业。平等信贷机会法（EqualCreditOpportunityAct(ECOA)）:美国法律禁止使用种族、肤色、宗教、原籍、性别、婚姻状况、年龄作为信贷判据。美国法律要求信用评分模型必须经实证为驱动，要在统计上表现出明显的可靠性。拒绝信贷要给出理由（TurndownReason)。信用评分:美国的监管信用评分的建模技术24输出时点评分时点行为窗表现窗•被解释变量:–借贷人表现:好,坏，不能确定–坏帐的损失•表现窗:–一般6-24个月•解释变量–内部数据:信用申请数据,内部行为记录–外部数据:信用局,公共记录一般情况下是预测到期不还,但也有要预测提前还贷，比如住房抵押贷款。问题的形成:由过去的行为预测将来的表现25信用评分的常用方法Logistic回归判别分析神经元网络数学规划专家系统决策树26问题的描述找出一组（一个）判别规则，将借贷人（申请人）划分为两个子集，“好”的（可接受的）和“坏的”（不可接受的），并且使得预测误差的数学期望最小。27Logistic回归的数学形式:kjjjxpp01lnkjjjkjjjxxp00exp1expLogistic回归模型2800.20.40.60.8102004006008001000Good/BadProbabilityLogisticLinear(Good/BadProbability)Logistic回归的拟合效果远远好于线性回归.Logistic回归模型29判别分析选择一组风险因子，比如X,Y,Z.利用过去的数据寻找“最佳系数”a,b,c使得得分S=aX+bY+cZ，能够最好地将“好客户”与“坏客户”分离开来比如，如果一个新的申请人的得分Ss(由管理层设置的分离点)则接受这个申请人的信贷申请30判别分析的优点在风险因子具有多元正态分布，而且有相同的协方差矩阵时，有很好的数学基础，可以用样本的均值和协方差来替代变量的均值和协方差.尽管不保证最优，但实用效果尚佳，预测效果比较稳定。31判别分析的缺点理论上对多元正态分布，而且有相同的协方差矩阵时变量之间的共线性导致系数的不稳定定性指标(如居住地,住房条件)需要转化为定量指标32神经元网络基本思想是建立计算机结构来模拟人脑结构。一个神经元网络包含一组相互连接的处理单元。处理单元之间的连接强弱用权重表示。神经元网络通过对训练样本的学习，来修正权重，从而能够对新的输入做出正确的判断。神经元网络的层次结构。上下层之间相互连接，首层为输入层，尾层为最终输出层，中间层称为隐藏层。33数学规划方法假设每个借贷人（申请人）可以用一个由p个特征值组成的向量表示。设有n个“好客户”他们的数值为xi1,xi2,xi3,…,xip，i=1,2,…,n；设有m个“坏客户”他们的数值为xi1,xi2,xi3,…,xipi=n+1,…,n+m.需要找出权重Ij,1jp，以及分界值c,使得如果得分I1x1+I2x2+…+Ipxpc,则接受;否则拒绝.转化为一个数学优化问题Minimizea1+a2+a3+…+an+ms.t.I1xi1+I2xi2+I3xi3+…+Ipxipc–ai1inI1xi1+I2xi2+I3xi3+…+Ipxipc+ain+1in+mai034数据挖掘运筹学方法最优化技术模拟仿真压力测试划分递归算法（CART）马尔可夫模型MART(多可加性回归树)生存分析多指标多原因分析实验设计质量控制技术控制图评分方法的新动向问题36个人信用体系缺失除上海、广东、北京等少数地区刚刚起步的、尚十分幼稚的个人征信系统以外，其它各地区尚没有个人征信系统，更谈不上全国统一的个人征信系统。银行以及其他行业长期忽视个人信用数据的积累缺乏权威的、独立的社会中介机构制度和法律的缺失37粗糙的评分方法简单的打分卡，对分值的设定，分界点的设定没有科学的依据同一评分值在各地的内涵必须一致（如在上海或甘肃评分结果为200分有同样的含义，都代表坏帐的几率为5%）打分标准的不统一，使得打分结果没有可比性。38发展的不均衡金融机构之间的不平衡：无论是消费信贷规模还是发展速度，四大国有商业银行均处于领先地位，股份制商业银行在消费信贷总规模中的比例很小。如截止到2002年底，四大行个人信用消费占全部消费信贷余额之比为85.6%，其它为14.4%。地区之间的不平衡：集中在东部沿海地区，主要是上海、北京、广东、江苏、浙江、福建几个地区，其他地区比例很小。申请数据历史数据银行台帐征信数据知识库综合数据库模型目标客户遴选行为评分申请评分iMaciMaciMac营销申请管理iMac清收数据收集数据处理数据分析结果应用信用评分的IT架构LGD评分