信用評分模型探討分析論文
一、信用評分概況
信用評分模型作為信用風(fēng)險管理的基礎和核心,無(wú)論是對于建立社會(huì )征信體系還是對于金融機構的信貸資產(chǎn)管理,都有著(zhù)不可替代的作用。其主要目的,在于盡量將能夠預測借款人未來(lái)行為的指標加以整合,并統一成可以比較的單一指標,以顯示借款人在未來(lái)特定時(shí)間內違約的可能性,所有的信用評分模型,無(wú)論采用什么理論或方法,其最終目的都是將貸款申請者的信用級別分類(lèi)。為達到分類(lèi)目的。當前，對個(gè)人信用評分模型的定義有多種，較為權威的種觀(guān)點(diǎn)認為:“信用評分是預測貸款申請人或現有借款人違約可能性的一種統計方法�！边@一觀(guān)點(diǎn)指出了信用評分的作用和目的,不過(guò)隨著(zhù)信用評分模型的不斷發(fā)展,信用評分已不僅是一種統計方法,也包含了運籌學(xué),如數學(xué)規劃法、非線(xiàn)性模糊數學(xué)(如神經(jīng)網(wǎng)絡(luò )方法)等。此外,信用評分的實(shí)際操作應用也與決策原則緊密相關(guān)，決策原則事實(shí)上決定了信用評分模型實(shí)現其目的和作用的程度。因此,對個(gè)人信用評分模型這一數學(xué)工具在金融和銀行業(yè)中的應用來(lái)說(shuō),較為全面和恰當的定義應是,“信用評分是運用數學(xué)優(yōu)化理論(包括統計方法、運籌方法等),依照即定原則或策略(損失最小原則或風(fēng)險溢價(jià)原則),在數據分析決策階段區分不同違約率水平客戶(hù)的方法。
二、各類(lèi)信用評分模型概述
1.判別分析模型
判別分析法是對研究對象所屬類(lèi)別進(jìn)行判別的一種統計分析方法。進(jìn)行判別分析必須已知觀(guān)測對象的分類(lèi)和若干表明觀(guān)測對象特征的變量值。判別分析就是要從中篩選出能提供較多信息變量并建立判別函數，使推導出的判別函數對觀(guān)測樣本分類(lèi)時(shí)的錯判率最小。這種方法的理論基礎是樣本由兩個(gè)分布有顯著(zhù)差異的子樣本組成，并且它們擁有共同的屬性。它起源于1936年Fisher引進(jìn)的線(xiàn)性判別函數，這個(gè)函數的目的是尋找一個(gè)變量的組合，把兩個(gè)擁有一些共同特征的組區分開(kāi)來(lái)。
判別分析方法的優(yōu)點(diǎn):適用于二元或多元性目標變量,能夠判斷,區分個(gè)體應該屬于多個(gè)不同小組中的哪一組。自身也存在不可避免的缺點(diǎn):該模型假設前提是自變量的分布都是正態(tài)分布的,而實(shí)踐中的數據往往不是完全的正態(tài)分布,從而導致統計結果的不可靠性。
2.決策樹(shù)方法
決策樹(shù)模型是對總體進(jìn)行連續的分割,以預測一定目標變量的結果的統計技術(shù)。決策樹(shù)構造的輸入是一組帶有類(lèi)別標記的例子,構造的結果是一棵二叉或多叉樹(shù)。構造決策樹(shù)的方法是采用自上而下的遞歸構造。在實(shí)際中,為進(jìn)行個(gè)人信用分析,選取個(gè)人信用作為目標屬性，其他屬性作為獨立變量。所有客戶(hù)被劃分為兩類(lèi),即好客戶(hù)的和壞客戶(hù),將客戶(hù)信用狀況轉換為“是否好客戶(hù)”(值為1或0),而后利用數據集合來(lái)生成一個(gè)完整的決策樹(shù)。在生成的決策樹(shù)中可以建立一個(gè)規則基。一個(gè)規則基包含一組規則,每一條規則對應決策樹(shù)的一條不同路徑,這條路徑代表它經(jīng)過(guò)節點(diǎn)所表示的條件的一條鏈接。通過(guò)創(chuàng )立一個(gè)對原始祥本進(jìn)行最佳分類(lèi)判別的決策樹(shù),采用遞歸分割方法使期望誤判損失達到最小。
決策樹(shù)模型的優(yōu)點(diǎn)：淺層的決策樹(shù)視覺(jué)上非常直觀(guān)，容易解釋?zhuān)粚祿慕Y構和分布不需做任何假設；可以容易地轉化成商業(yè)規則。它的缺點(diǎn)在于：深層的決策樹(shù)視覺(jué)上和解釋上都比較困難；決策樹(shù)對樣本量的'需求比較大；決策樹(shù)容易過(guò)分微調于樣本數據而失去穩定性和抗震蕩性。
3.回歸分析法
回歸分析法是目前為止應用最為廣泛的一種信用評分模型,這其中以著(zhù)名的logistic回歸為代表。除此之外,線(xiàn)性回歸分析、probit回歸等方法亦屬于此類(lèi)。最早使用回歸分析的Orgler,他采用線(xiàn)性回歸模型制定了一個(gè)類(lèi)似于信用卡的評分卡,他的研究表明消費者行為特征比申請表資料更能夠預測未來(lái)違約可能性的大小。同數學(xué)規劃方法中一樣,假設已經(jīng)通過(guò)一定的方法從樣本變量中提取出了若干指標作為特征向量,回歸分析的思想就是將這些指標變量擬合成為一個(gè)可以預測申請者違約率的被解釋變量,自然就是違約率p,回歸分析中應用最廣泛的模型當屬線(xiàn)性回歸模型,它是對大量的數據點(diǎn)中表現出來(lái)的數量關(guān)系模擬出一條直線(xiàn)，回歸分析的目標就是使目標變量值和實(shí)際的目標變量值之間的誤差最小。因此最早將回歸方法應用于信用評分研究的模型，就是簡(jiǎn)單的線(xiàn)性回歸模型，目前基于logistic回歸的信用評分系統應用最為普遍。
回歸模型的優(yōu)點(diǎn):容易解釋和使用；自變量可以是連續性的，也可以是類(lèi)別性的;許多直觀(guān)的統計指標來(lái)衡量模型的擬合度。缺點(diǎn)：不能有效處理缺失值，必須通過(guò)一定的數據加工和信息轉換才能處理；模型往往呈線(xiàn)形關(guān)系，比較難把握數據中的非線(xiàn)形關(guān)系和變量間的互動(dòng)關(guān)系，而且模型假定變量呈正態(tài)分布；模型受樣本極端值的影響往往比較大。
4.人工神經(jīng)網(wǎng)絡(luò )法
近些年來(lái),隨著(zhù)信用評分領(lǐng)域的研究深入,有學(xué)者將人工智能領(lǐng)域的一些模型算法引入到了信用評分研究中,人工神經(jīng)網(wǎng)絡(luò )模型為典型代表。人工神經(jīng)網(wǎng)絡(luò )是由大量簡(jiǎn)單的基本元件——神經(jīng)元相互連接而成的自適應非線(xiàn)性動(dòng)態(tài)系統,是一種把各種投入要素通過(guò)復雜的網(wǎng)絡(luò )轉換成產(chǎn)出的信息加工結構。神經(jīng)網(wǎng)絡(luò )模型本質(zhì)上所解決的問(wèn)題仍是分類(lèi)或者說(shuō)模式識別問(wèn)題,但其原理卻與其做方法迥然相異。人工神經(jīng)網(wǎng)絡(luò )有多種模型,比如BP神經(jīng)網(wǎng)絡(luò )、RBF神經(jīng)網(wǎng)絡(luò )、Hopfield網(wǎng)絡(luò )等。BP神經(jīng)網(wǎng)絡(luò )為目前研究最為成熟、算法最為穩定同時(shí)應用也最為廣泛的一種神經(jīng)網(wǎng)絡(luò )模型。
神經(jīng)網(wǎng)絡(luò )模型的優(yōu)點(diǎn)：有效地捕捉數據中非線(xiàn)性，非可加性的數量關(guān)系；適用于二元性，多元性和連續性的目標變量；能處理連續性和類(lèi)別性的預測變量。缺點(diǎn)：基本上是一個(gè)黑箱方案，難以理解；如果不經(jīng)過(guò)仔細控制，容易微調于樣本數據，從而不具備充分的抗震蕩性和穩定性。
三、結語(yǔ)
信用評分作為一種嚴謹的基于統計學(xué)等理論的決策手段,正在逐漸被我國商業(yè)銀行重視。信用評分系統的建設在我國屬于起步階段,應逐步建設適合我國特色的、高水平的信貸決策支持制度不但需要借鑒國外已有的理論研究成果和實(shí)踐方案,更需要我國學(xué)界的創(chuàng )新或結合我國本土數據的實(shí)證研究。
【信用評分模型探討分析論文】相關(guān)文章：
探討統計信息失真分析論文04-08
探討分析電梯安全與事故論文06-13
學(xué)習環(huán)境設計的模型研究分析論文04-15
探討軟件開(kāi)發(fā)過(guò)程模型的發(fā)展論文02-12
醫院統計指標的分析與探討的論文04-25