个人信用评价影响因素决策分析

《个人信用评价影响因素决策分析》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、为增强党员保持先进性教育活动学习教育的针对性,使广大党员身临其境、潜移默化受到革命传统教育，增进同人民群众的血肉联系个人信用评价影响因素决策分析　　作者：何晓群胡小宁　　征信XX年03期　　个人消费信贷在我国迅速发展，对拉动经济增长起到了一定的促进作用，。但其中也隐藏着很大的潜在风险，即信贷资产不能及时有效地收回。因此，亟须建立完善的个人信用体系，使得商业银行在放贷前就能够对贷款申请人的信用做出有效的评估，从而降低信贷风险。通过建立数学模型，对申请人的信用进行预测，是常用的一种信用评价方法。目前广泛应用的方法主要有两大类：统计分析方法和机器学习方法[1]。当然，也有学者将多种方法加

2、权组合进行预测[2]。机器学习方法虽然预测精度较高，但稳健性差，且建模过程基本上是一个“黑箱”，模型的解释性不强；统计分析方法则在稳健性和模型可解释性上有其自身的优势。统计分析方法中，学者最关注的是logistic模型，其计算简单、预测精度高、模型解释能力强[3]。国内外许多学者对个人信用评价方法进行了许多有益的探讨，但对信用评价影响因素的讨论并不多见。本文将通过logistic模型，对影响个人信用评价的因素进行探讨。　　二、数据及预处理　　（一）数据来源采用红歌会这种大众喜闻乐见的比赛形式来加强红色主题文化在校园的传播，不仅可以向同学们传播红色精神、营造校园的红色氛围为增强党员保

3、持先进性教育活动学习教育的针对性,使广大党员身临其境、潜移默化受到革命传统教育，增进同人民群众的血肉联系　　本文数据选用的是德国某银行的个人信贷数据集合[4-5]。该数据集中有1000条记录，21个字段。其中前20个字段为信贷申请人的个人特征描述（表1），最后1个字段是银行对客户信用级别的定义：0为“差客户”，1为“好客户”。数据集中信用差客户与好客户的数量比为3:7。在信用“差客户”和“好客户”中分别随机抽取80%用以建立模型，剩余20%用来验证。　　（二）共线性检测　　拟合logistic模型时，与多元线性回归一样，对自变量中存在多元共线性很敏感[6-7]。在建立模型前，首先对

4、数据做共线性诊断，结果（表2）可见，最大的VIF值为，表明共线性不明显。　　（三）数据不平衡处理　　当数据存在不平衡问题时，稀有类的识别率远远低于大类，使得分析结果具有很大的偏向性[8]。个人信用评价将信贷申请人评判为“差客户”和“好客户”，而真实数据中“差客户”数量比“好客户”要少得多。信用评价模型将真正的“差客户”误判为“好客户”的错误称为A类错误，将真正的“好客户”误判为“差客户”的错误称为B错误。建模过程中，在保证整体判别准确率的前提下，应尽量减少A类错误，因为犯A类错误比B类错误的代价更大，这样做可以降低信贷违约率[5]。采用红歌会这种大众喜闻乐见的比赛形式来加强红色主题

5、文化在校园的传播，不仅可以向同学们传播红色精神、营造校园的红色氛围为增强党员保持先进性教育活动学习教育的针对性,使广大党员身临其境、潜移默化受到革命传统教育，增进同人民群众的血肉联系　　本文所用数据集中信用“差客户”与“好客户”的数量比为3:7，数据不平衡比较明显，如果不对原始数据进行处理，将更倾向于犯A类错误。为了降低数据不平衡对分析结果造成的影响。采用RandomOversampling方法[8]在信用“差客户”中生成200条记录参与建立模型，自我评价《》。　　三、信用评价影响因素分析　　（一）logistic模型的建立　　通过SPSS21软件建立logistic模型，变量选择

6、采用FSTEP（WALD），得：　　Logistic模型对数据集的预测结果（表3）表明：模型对训练集总体预测准确率达到73%，相对于未经过不平衡处理的训练集而言，总体预测准确率相差不大，但犯A类错误的机会由60%有效地降低为%，尽管犯B类错误的机会有所提高，但符合“保证整体判别准确率的前提下尽量减少A类错误”的要求[5]。对测试集的总体预测准确率也高达76%。说明建立的logistic模型是合适的。　　（二）标准化回归系数　　由于自变量的度量尺度不同，在比较因变量与不同自变量之间关系的强度时，通常采用标准化回归系数[6，9]。在logistic回归中，标准化回归系数的计算较为复杂，

7、可以根据估计的logit和模型的类来间接计算其标准化回归系数[6]：采用红歌会这种大众喜闻乐见的比赛形式来加强红色主题文化在校园的传播，不仅可以向同学们传播红色精神、营造校园的红色氛围为增强党员保持先进性教育活动学习教育的针对性,使广大党员身临其境、潜移默化受到革命传统教育，增进同人民群众的血肉联系　　（三）决策分析　　本文结合德国银行的信贷数据，首先利用RandomOversampling方法克服了数据不平衡性带来的问题，通过共线性检测后，建立了标准化的logist