信用評(píng)分模型中的拒絕推斷-職稱論文寫作

1、信用評(píng)分模型中的拒絕推斷[摘要]申請(qǐng)?jiān)u分模型是為了評(píng)估申請(qǐng)者是否有能力如期償還貸款的模型是信用評(píng)分模型的一大分支應(yīng)用于信用卡征信審核階段。本文從產(chǎn)生原因入手詳細(xì)分析了申請(qǐng)?jiān)u分中的一類特殊問題——拒絕推斷并采用實(shí)證分析的方式說明了擴(kuò)張法是解決拒絕推斷問題較好的方法。[關(guān)鍵詞]信用卡申請(qǐng)?jiān)u分拒絕推斷擴(kuò)張法Logistic回歸一、拒絕推斷問題的研究背景申請(qǐng)信用評(píng)分是為了評(píng)估申請(qǐng)者的信用狀況是否有能力如期償還貸款的模型。它應(yīng)用于信用卡征信審核階

2、段通過申請(qǐng)人填寫的個(gè)人信息及征信局信息可有效、快速地辨別和劃分客戶質(zhì)量根據(jù)評(píng)估結(jié)果決定對(duì)于哪些人授信授信多少。相對(duì)于行為評(píng)分的事中信用風(fēng)險(xiǎn)控制和催收評(píng)分的事后信用風(fēng)險(xiǎn)控制申請(qǐng)?jiān)u分為銀行信用卡業(yè)務(wù)提供事前信用風(fēng)險(xiǎn)控制。所以模型的目標(biāo)是預(yù)測(cè)申請(qǐng)者違約的概率通過與閾值的比較確定是否應(yīng)該批準(zhǔn)其申請(qǐng)。但是實(shí)際上在建模過程中我們使用的僅僅是部分申請(qǐng)者的記錄——已經(jīng)被批準(zhǔn)的申請(qǐng)者作為樣本開發(fā)模型因?yàn)槲覀兡軌蛴^察到這部分客戶的后續(xù)行為。但是我們無法獲取

3、那些被拒絕的申請(qǐng)者的未來行為也就無法準(zhǔn)確判斷他們究竟是好客戶還是壞客戶。對(duì)比而言模型的應(yīng)用對(duì)象將是包括拒絕和批準(zhǔn)的全部客戶。這就導(dǎo)致了使用部分?jǐn)?shù)據(jù)但是為估計(jì)總體而建立的信用評(píng)分模型存在參數(shù)估計(jì)的偏誤相關(guān)的研究也表明了這一點(diǎn)。拒絕推斷(RejectInference)即對(duì)于建?？傮w中被拒絕的客戶樣本如何處理是建立申請(qǐng)?jiān)u分模型時(shí)特有的問題。如果我們能夠順利運(yùn)用某些方法成功地推斷出被拒絕的客戶的信用表現(xiàn)(即是好客戶還是壞客戶)那么我們就得到一

4、個(gè)較完整的建?？傮w和建模樣本。二、拒絕推斷的方法拒絕推斷并不能解決所有樣本偏差的問題。在經(jīng)常改變授信政策的情況下總會(huì)發(fā)生樣本偏差的問題只有通過積累數(shù)據(jù)來調(diào)整模型。在一致的授信政策下如果模型總是被應(yīng)用在固定的政策拒絕之后開發(fā)模型的樣本與使用模型的樣本是一致的這時(shí)無需進(jìn)行拒絕推斷或者在高批核率或低壞賬率時(shí)被拒客戶可以認(rèn)定為壞客戶并且由于其樣本量小可忽略其對(duì)樣本偏差的影響無需考慮拒絕推斷。在征信局?jǐn)?shù)據(jù)完備的情況下可以利用征信局?jǐn)?shù)據(jù)或者通過其他

5、途徑補(bǔ)充被拒絕客戶表現(xiàn)數(shù)據(jù)如購(gòu)買其他銀行數(shù)據(jù)也可以不考慮拒絕推斷。如果以上情形均不滿足模型開發(fā)中必須要考慮拒絕推斷問題。1.接受部分壞客戶解決樣本選擇偏差的最直接有效的方法就是隨機(jī)抽取未被授信的客戶對(duì)其進(jìn)行授信觀察未來表現(xiàn)。對(duì)于這部分客戶加以一定的權(quán)重與那些原本被授信的客戶合起來作為模型開發(fā)的樣本。但是這種方法在現(xiàn)實(shí)中很難被銀行的風(fēng)險(xiǎn)管理部門所接受因?yàn)槲幢皇谛诺目蛻粢话惚徽J(rèn)為存在拖欠行為的可能性較大對(duì)這部分客戶進(jìn)行授信風(fēng)險(xiǎn)也往往較高易帶

6、來?yè)p失。2.擴(kuò)張法擴(kuò)張法(Augmentation)又稱加權(quán)法(ReWeighting)假設(shè)被拒絕的申請(qǐng)者行為模式與被授信的申請(qǐng)者行為模式相似其基本思想是加權(quán)被授信的申請(qǐng)者使得被授信的申請(qǐng)者能夠代表被拒絕的申請(qǐng)者的行為。該方法分為兩個(gè)階段。第一階段建立一個(gè)拒絕批準(zhǔn)模型然后假設(shè)相近拒絕批準(zhǔn)概率的客戶具有近似的風(fēng)險(xiǎn)特征因此考慮將拒絕批準(zhǔn)概率分成若干段每段的好壞賬戶能代表該段內(nèi)的被拒客戶的特征因此利用這些好壞賬戶可以推測(cè)被拒帳戶中的好壞。第二

7、階段建立有權(quán)重修正因子的違約預(yù)測(cè)模型。具體操作如下:對(duì)所有樣本賬戶先構(gòu)建一個(gè)粗略的拒絕批準(zhǔn)模型其中批準(zhǔn)賬戶包括“好賬戶”、“壞賬戶”據(jù)此得到對(duì)所有賬戶的預(yù)測(cè)的拒絕概率。該拒絕接受模型僅用于加權(quán)調(diào)整采用的變量可以放寬。將預(yù)測(cè)的拒絕概率分成0—0.10.1—0.2……0.9—1.0共10段計(jì)算每段的好壞賬戶、拒絕賬戶的個(gè)數(shù)計(jì)算每段的權(quán)重修正因子:(好賬戶數(shù)壞賬戶數(shù)被拒賬戶數(shù))(好賬戶數(shù)壞賬戶數(shù))。將每段的帳戶的原有權(quán)重和該段的權(quán)重修正因子相

8、乘得到新的權(quán)重變量這個(gè)新的權(quán)重變量用于模型擬合與調(diào)整。在這里我們采用國(guó)內(nèi)某商業(yè)銀行信用卡申請(qǐng)數(shù)據(jù)對(duì)于擴(kuò)張法進(jìn)行實(shí)證檢驗(yàn)。模型的目標(biāo)為:預(yù)測(cè)新申請(qǐng)賬戶在未來15個(gè)月內(nèi)變成壞帳的可能性。目標(biāo)變量定義為:好帳戶——表現(xiàn)期最壞狀態(tài)=M1壞帳戶——表現(xiàn)期最壞狀態(tài)為M3。刪除某些缺失嚴(yán)重的記錄以及將某些缺失變量用合適的值進(jìn)行彌補(bǔ)后共計(jì)150345條申請(qǐng)記錄。這其中包括109005條有15個(gè)月表現(xiàn)期的批準(zhǔn)賬戶信息及41340條拒絕賬戶信息。在模型構(gòu)建

9、的過程中為了檢驗(yàn)?zāi)Ｐ驮跇颖就獾男Ч枰獙⒛Ｐ烷_發(fā)數(shù)據(jù)集按照6:4隨機(jī)分成兩部分:開發(fā)集與測(cè)試集。下面進(jìn)行模型的初步擬合——拒絕批準(zhǔn)模型。拒絕批準(zhǔn)模型的目標(biāo)變量定義為是否批準(zhǔn)申請(qǐng)的二元變量對(duì)開發(fā)集中的所有記錄采用逐步Logistic回歸方法根據(jù)回歸的結(jié)果對(duì)所有開發(fā)集帳戶進(jìn)行評(píng)估按照評(píng)分值大小排序分成10組組內(nèi)每個(gè)帳戶的權(quán)重設(shè)為該組所有帳戶數(shù)與組內(nèi)所有被授信申請(qǐng)者數(shù)的比值獲得加權(quán)權(quán)重表如下:利用權(quán)重修正因子對(duì)所有被授信申請(qǐng)者采用有加權(quán)的逐步

10、Logistic回歸方法經(jīng)過顯著性檢驗(yàn)、方向性檢驗(yàn)、共線性檢驗(yàn)、穩(wěn)定性檢驗(yàn)等步驟獲得最終的評(píng)分模型。最后對(duì)于使用與未使用拒絕推斷的評(píng)分模型效果進(jìn)行比較可用下面的拒絕推斷圖來進(jìn)行考察。針對(duì)授信賬戶與(實(shí)線)拒絕賬戶(虛線)分別作圖其中橫座標(biāo)為拒絕概率分組縱座標(biāo)有加權(quán)調(diào)整前的評(píng)分PGB和加權(quán)調(diào)整后的評(píng)分PGB(REWGT)。從圖形上可以看出加權(quán)與否對(duì)評(píng)分的影響。隨著被拒絕概率的增加采用拒絕推斷的模型違約概率增長(zhǎng)速度高于原始模型尤其是對(duì)于拒絕

11、賬戶這一效果更為明顯。這說明了對(duì)于可能被拒絕的這部分客戶拒絕推斷能夠得到一個(gè)較高的違約概率模型的預(yù)測(cè)能力明顯高于不采用拒絕推斷。三、結(jié)論隨著我國(guó)信用卡業(yè)的高速發(fā)展如何有效地對(duì)申請(qǐng)客戶進(jìn)行信用評(píng)分防范信用不良客戶申辦信用卡在發(fā)卡環(huán)節(jié)增強(qiáng)銀行預(yù)防和抵抗風(fēng)險(xiǎn)的能力提高發(fā)卡質(zhì)量是所有銀行迫切需要解決的問題。作為信用評(píng)分的一類申請(qǐng)?jiān)u分具有其特殊性。與成熟市場(chǎng)相比目前國(guó)內(nèi)的征信局?jǐn)?shù)據(jù)嚴(yán)重缺乏利用征信局?jǐn)?shù)據(jù)進(jìn)行拒絕推斷的核實(shí)方法受到限制。采用接受部分

12、壞客戶的方式會(huì)給銀行帶來潛在的損失成本高在操作上存在難度。而擴(kuò)張法的應(yīng)用基于統(tǒng)計(jì)假設(shè)實(shí)踐也證明了其修正樣本選擇偏差的效果可以有效地提高申請(qǐng)?jiān)u分模型的預(yù)測(cè)能力。參考文獻(xiàn):[1]BanasikJ.B.CrookJ.N.ThomasL.C.2001.SampleionbiasincreditscingmodelsWkingPaper015CreditResearchCentreUniversityofEdinburgh[2]CrookJNBa