信用評分模型中的拒絕推斷-職稱論文寫作

1、信用評分模型中的拒絕推斷[摘要]申請評分模型是為了評估申請者是否有能力如期償還貸款的模型是信用評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)生原因入手詳細分析了申請評分中的一類特殊問題——拒絕推斷并采用實證分析的方式說明了擴張法是解決拒絕推斷問題較好的方法。[關(guān)鍵詞]信用卡申請評分拒絕推斷擴張法Logistic回歸一、拒絕推斷問題的研究背景申請信用評分是為了評估申請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、段通過申請人填寫的個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)評估結(jié)果決定對于哪些人授信授信多少。相對于行為評分的事中信用風(fēng)險控制和催收評分的事后信用風(fēng)險控制申請評分為銀行信用卡業(yè)務(wù)提供事前信用風(fēng)險控制。所以模型的目標是預(yù)測申請者違約的概率通過與閾值的比較確定是否應(yīng)該批準其申請。但是實際上在建模過程中我們使用的僅僅是部分申請者的記錄——已經(jīng)被批準的申請者作為樣本開發(fā)模型因為我們能夠觀察到這部分客戶的后續(xù)行為。但是我們無法獲取

3、那些被拒絕的申請者的未來行為也就無法準確判斷他們究竟是好客戶還是壞客戶。對比而言模型的應(yīng)用對象將是包括拒絕和批準的全部客戶。這就導(dǎo)致了使用部分數(shù)據(jù)但是為估計總體而建立的信用評分模型存在參數(shù)估計的偏誤相關(guān)的研究也表明了這一點。拒絕推斷(RejectInference)即對于建模總體中被拒絕的客戶樣本如何處理是建立申請評分模型時特有的問題。如果我們能夠順利運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無需進行拒絕推斷或者在高批核率或低壞賬率時被拒客戶可以認定為壞客戶并且由于其樣本量小可忽略其對樣本偏差的影響無需考慮拒絕推斷。在征信局數(shù)據(jù)完備的情況下可以利用征信局數(shù)據(jù)或者通過其他

5、途徑補充被拒絕客戶表現(xiàn)數(shù)據(jù)如購買其他銀行數(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抽取未被授信的客戶對其進行授信觀察未來表現(xiàn)。對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)實中很難被銀行的風(fēng)險管理部門所接受因為未被授信的客戶一般被認為存在拖欠行為的可能性較大對這部分客戶進行授信風(fēng)險也往往較高易帶

6、來損失。2.擴張法擴張法(Augmentation)又稱加權(quán)法(ReWeighting)假設(shè)被拒絕的申請者行為模式與被授信的申請者行為模式相似其基本思想是加權(quán)被授信的申請者使得被授信的申請者能夠代表被拒絕的申請者的行為。該方法分為兩個階段。第一階段建立一個拒絕批準模型然后假設(shè)相近拒絕批準概率的客戶具有近似的風(fēng)險特征因此考慮將拒絕批準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)測模型。具體操作如下:對所有樣本賬戶先構(gòu)建一個粗略的拒絕批準模型其中批準賬戶包括“好賬戶”、“壞賬戶”據(jù)此得到對所有賬戶的預(yù)測的拒絕概率。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)測的拒絕概率分成0—0.10.1—0.2……0.9—1.0共10段計算每段的好壞賬戶、拒絕賬戶的個數(shù)計算每段的權(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。在這里我們采用國內(nèi)某商業(yè)銀行信用卡申請數(shù)據(jù)對于擴張法進行實證檢驗。模型的目標為:預(yù)測新申請賬戶在未來15個月內(nèi)變成壞帳的可能性。目標變量定義為: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。刪除某些缺失嚴重的記錄以及將某些缺失變量用合適的值進行彌補后共計150345條申請記錄。這其中包括109005條有15個月表現(xiàn)期的批準賬戶信息及41340條拒絕賬戶信息。在模型構(gòu)建

9、的過程中為了檢驗?zāi)Ｐ驮跇颖就獾男Ч枰獙⒛Ｐ烷_發(fā)數(shù)據(jù)集按照6:4隨機分成兩部分:開發(fā)集與測試集。下面進行模型的初步擬合——拒絕批準模型。拒絕批準模型的目標變量定義為是否批準申請的二元變量對開發(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)果對所有開發(fā)集帳戶進行評估按照評分值大小排序分成10組組內(nèi)每個帳戶的權(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)重修正因子對所有被授信申請者采用有加權(quán)的逐步

10、Logistic回歸方法經(jīng)過顯著性檢驗、方向性檢驗、共線性檢驗、穩(wěn)定性檢驗等步驟獲得最終的評分模型。最后對于使用與未使用拒絕推斷的評分模型效果進行比較可用下面的拒絕推斷圖來進行考察。針對授信賬戶與(實線)拒絕賬戶(虛線)分別作圖其中橫座標為拒絕概率分組縱座標有加權(quán)調(diào)整前的評分PGB和加權(quán)調(diào)整后的評分PGB(REWGT)。從圖形上可以看出加權(quán)與否對評分的影響。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速度高于原始模型尤其是對于拒絕

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

12、壞客戶的方式會給銀行帶來潛在的損失成本高在操作上存在難度。而擴張法的應(yīng)用基于統(tǒng)計假設(shè)實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評分模型的預(yù)測能力。參考文獻:[1]BanasikJ.B.CrookJ.N.ThomasL.C.2001.SampleionbiasincreditscingmodelsWkingPaper015CreditResearchCentreUniversityofEdinburgh[2]CrookJNBa