楊帆

摘要：信用的存在與踐行是市場(chǎng)交易的基礎(chǔ)，現(xiàn)代征信行業(yè)中，以數(shù)據(jù)挖掘與數(shù)據(jù)分析為基礎(chǔ)的信用評(píng)分技術(shù)在市場(chǎng)的確定與開(kāi)拓中起著不可估量的作用。

關(guān)鍵詞：Logistic；回歸；信用評(píng)分；SPSS

中圖分類(lèi)號(hào)：F830.479 文獻(xiàn)識(shí)別碼：A 文章編號(hào)：1001-828X（2018）018-0011-01

引言

當(dāng)下互聯(lián)網(wǎng)金融已蓬勃興起，呈現(xiàn)出多種多樣的業(yè)務(wù)模式和運(yùn)行機(jī)制。金融機(jī)構(gòu)能夠突破時(shí)間和地域的約束，在互聯(lián)網(wǎng)上為有融資需求的客戶(hù)提供更快捷的金融服務(wù)。通過(guò)互聯(lián)網(wǎng)技術(shù)，加快業(yè)務(wù)處理速度，帶給用戶(hù)更好的服務(wù)體驗(yàn)。但同時(shí)存在著信用風(fēng)險(xiǎn)和用戶(hù)欺詐等問(wèn)題，急需通過(guò)信用評(píng)分模型提高風(fēng)險(xiǎn)控制水平。

一、材料與方法

（一）建模思路

根據(jù)我們所整理的文獻(xiàn)資料以及從FICO與芝麻信用處所了解到的打分標(biāo)準(zhǔn)，總結(jié)影響個(gè)人履約能力的有以下主要幾個(gè)要素，包括：

1.違約歷史，包括個(gè)人破產(chǎn)，斷供房產(chǎn)被拍賣(mài)，罰款等情況。

2.債務(wù)負(fù)擔(dān)，即個(gè)人杠桿率，包括信用卡信用額度利用率等。

3.信用種類(lèi)，客戶(hù)所用過(guò)的信用種類(lèi)越多，說(shuō)明其金融知識(shí)越豐富，受信方越容易對(duì)其信用歷史與信用情況做出總結(jié)。

根據(jù)上述評(píng)分標(biāo)準(zhǔn)，綜合比較個(gè)人信用評(píng)分的主要模型，結(jié)合所獲數(shù)據(jù)特點(diǎn)，我們首先利用R語(yǔ)言原始數(shù)據(jù)進(jìn)行清洗，基于處理后的數(shù)據(jù)確定指標(biāo)變量，選取logistic模型進(jìn)行建模，再根據(jù)logistic回歸模型的特點(diǎn)，探索一種將履約能力量化的方法，并將此作為最終的信用分?jǐn)?shù)，并據(jù)此進(jìn)行信用評(píng)分規(guī)則的制定。

（二）數(shù)據(jù)處理及指標(biāo)變量確定

1.數(shù)據(jù)處理

由于原始數(shù)據(jù)相對(duì)混亂且數(shù)量巨大，同時(shí)存在大量缺失值，我們首先利用R語(yǔ)言對(duì)原始數(shù)據(jù)進(jìn)行清洗，并將所有表根據(jù)整理后的變量合為一張表，確認(rèn)每位用戶(hù)的相關(guān)的指標(biāo)情況。

2.指標(biāo)變量確定

經(jīng)過(guò)整理指標(biāo)變量，總結(jié)了個(gè)人特征變量?jī)蓚€(gè)，包括婚姻狀況MARRY以及教育程度EDU；經(jīng)濟(jì)特征變量七個(gè)，包括貸款金額LA、未結(jié)清貸款金額ULA、未銷(xiāo)戶(hù)貸記卡合同金額DCA、未銷(xiāo)戶(hù)準(zhǔn)貸記卡合同金額PDCA、貸款逾期筆數(shù)ONLA、貸記卡逾期賬戶(hù)數(shù)ONDC以及準(zhǔn)貸記卡逾期賬戶(hù)數(shù)ONPDC。并對(duì)指標(biāo)變量進(jìn)行量化處理。

虛擬變量對(duì)應(yīng)的屬性為“真”時(shí)選擇“1”，為“假”時(shí)選擇“0”。以“教育程度”為例，當(dāng)樣本數(shù)據(jù)中“教育程度”指標(biāo)為初等教育時(shí)，虛擬變量“教育0”取1，其他虛擬變量取0；“教育程度”指標(biāo)為中等教育時(shí)，虛擬變量“教育1”取1，其他虛擬變量取0“教育程度”指標(biāo)為高等教育時(shí)，虛擬變量“教育0”，“教育1”都取0。

我們以用戶(hù)“183728'為例（變量對(duì)應(yīng)的屬性為“真”時(shí)選擇“1”，為“假”時(shí)選擇“0”），該用戶(hù)已婚，接受過(guò)中等教育，有30萬(wàn)N50萬(wàn)的貸款金額，目前還有不到5萬(wàn)的貸款金額未結(jié)清，有不到5萬(wàn)的未銷(xiāo)戶(hù)貸記卡合同金額，同時(shí)還有1到3筆貸款逾期筆數(shù)。

二、結(jié)果與分析

（一）信用評(píng)分模型的構(gòu)建

1.模型選擇

回歸分析中，因變量Y有兩種情形，即定量變量和定性變量，而logistic回歸模型是在于研究因變量非連續(xù)變量情況下的分析模型。logistic回歸模型作為經(jīng)典的信用評(píng)分模型，將實(shí)數(shù)域上的輸出映射到[0，1]上，且具有較強(qiáng)的可解釋性。

2.Logistic回歸模型的構(gòu)建與求解

logistic回歸的結(jié)果可以看出，教育程度EDU、貸款金額LA、未銷(xiāo)戶(hù)貸記卡合同金額DCA、貸記卡逾期賬戶(hù)數(shù)ONDC和準(zhǔn)貸記卡逾期賬戶(hù)數(shù)ONPDC這五個(gè)變量的p值均小于0.05，可以認(rèn)為教育程度、貸款金額、未銷(xiāo)戶(hù)貸記卡合同金額、貸記卡逾期賬戶(hù)數(shù)和準(zhǔn)貸記卡逾期賬戶(hù)數(shù)與因變量之間的線(xiàn)性關(guān)系在統(tǒng)計(jì)上是顯著的，保留五個(gè)變量在模型中。

最終采用前進(jìn)法，將顯著的指標(biāo)變量未銷(xiāo)戶(hù)貸記卡合同金額DCA、貸款金額LA、貸記卡逾期賬戶(hù)數(shù)ONDC、教育程度EDU、準(zhǔn)貸記卡逾期賬戶(hù)數(shù)ONPDC納入回歸方程。

（二）信用評(píng)分規(guī)則的制定

1.指標(biāo)變量得分計(jì)算

根據(jù)評(píng)分模型所求得測(cè)試集的信用分?jǐn)?shù)最小值為243，而最大值為321，將客戶(hù)的信用得分情況與其原有資料相對(duì)比，信用得分在300分以上的客戶(hù)，基本為履約客戶(hù)，很少出現(xiàn)履約或逾期不還現(xiàn)象；而得分在280分以下的銀行客戶(hù)，其在銀行信用記錄上多次出現(xiàn)準(zhǔn)貸記卡逾期賬戶(hù)或貸記卡逾期賬戶(hù)，屬于所界定的違約客戶(hù)。

2.信用評(píng)分規(guī)則的制定

根據(jù)評(píng)分公式計(jì)算客戶(hù)信用得分，得分區(qū)間為[240，328]，隨著所得分?jǐn)?shù)的上升，客戶(hù)的信用隨之提升，違約概率相應(yīng)減小，反之，信用分?jǐn)?shù)越低，客戶(hù)違約概率越大。結(jié)合訓(xùn)練集數(shù)據(jù)信息，信用得分在300分以上的客戶(hù)，信用評(píng)估較好，基本為履約客戶(hù)；而得分在280分以下的銀行客戶(hù)，其違約概率較大，此時(shí)銀行應(yīng)謹(jǐn)慎考慮是否繼續(xù)放貸。

三、討論

（一）結(jié)論

為了有效控制和防范信貸風(fēng)險(xiǎn)，銀行必須充分利用已經(jīng)掌握的數(shù)據(jù)，對(duì)借款人利用信用評(píng)分模型進(jìn)行準(zhǔn)確的風(fēng)險(xiǎn)評(píng)估。信用評(píng)分模型，選擇了五個(gè)虛擬變量，制定評(píng)分規(guī)則，計(jì)算信用得分，銀行可以根據(jù)得分高低，評(píng)估借款人的信用風(fēng)險(xiǎn)，進(jìn)而選擇是否放貸，從而有效降低風(fēng)險(xiǎn)，實(shí)現(xiàn)效益最大化。但是，信用評(píng)分模型也存在缺陷。

（二）建議

為使得銀行降低個(gè)人信貸風(fēng)險(xiǎn)，保持經(jīng)濟(jì)健康穩(wěn)定發(fā)展，一方面，銀行應(yīng)當(dāng)建立全面而精準(zhǔn)的風(fēng)險(xiǎn)管理體系，不斷完善客戶(hù)信用檔案，提高信用評(píng)估模型的準(zhǔn)確性、穩(wěn)定性以及解釋性；另一方面，在使用信用評(píng)分模型時(shí)，要關(guān)注其時(shí)效性，及時(shí)更新模型，在具體使用過(guò)程中，可以憑借審批經(jīng)驗(yàn)，對(duì)信用等級(jí)的分?jǐn)?shù)劃分進(jìn)行及時(shí)調(diào)整，謹(jǐn)慎評(píng)估后做出是否放貸的決定，如此才能在最大程度上保證授信方與受信方的利益，并且開(kāi)拓更加廣泛的市場(chǎng)。