淺析信用評分模型

[摘 要] 本文對信用評分領域中主要的模型和方法做了細致的概述和優缺點比較， 這些模型包括判別分析模型、決策樹分析回歸分析和神經網絡模型。

[關鍵詞] 信用評分 判別分析模型 決策樹分析 回歸分析法 神經網絡法

一、信用評分概況

信用評分模型作為信用風險管理的基礎和核心，無論是對于建立社會征信體系還是對于金融機構的信貸資產管理，都有著不可替代的作用。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特定時間內違約的可能性，所有的信用評分模型，無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。為達到分類目的。當前，對個人信用評分模型的定義有多種，較為權威的種觀點認為:“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。”這一觀點指出了信用評分的作用和目的，不過隨著信用評分模型的不斷發展，信用評分已不僅是一種統計方法，也包含了運籌學，如數學規劃法、非線性模糊數學(如神經網絡方法)等。此外，信用評分的實際操作應用也與決策原則緊密相關，決策原則事實上決定了信用評分模型實現其目的和作用的程度。因此，對個人信用評分模型這一數學工具在金融和銀行業中的應用來說，較為全面和恰當的定義應是，“信用評分是運用數學優化理論(包括統計方法、運籌方法等)，依照即定原則或策略(損失最小原則或風險溢價原則)，在數據分析決策階段區分不同違約率水平客戶的方法。

二、各類信用評分模型概述

1.判別分析模型

判別分析法是對研究對象所屬類別進行判別的一種統計分析方法。進行判別分析必須已知觀測對象的分類和若干表明觀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測樣本分類時的錯判率最小。這種方法的理論基礎是樣本由兩個分布有顯著差異的子樣本組成，并且它們擁有共同的屬性。它起源于1936年Fisher引進的線性判別函數，這個函數的目的是尋找一個變量的組合，把兩個擁有一些共同特征的組區分開來。

判別分析方法的優點:適用于二元或多元性目標變量，能夠判斷，區分個體應該屬于多個不同小組中的哪一組。自身也存在不可避免的缺點:該模型假設前提是自變量的分布都是正態分布的，而實踐中的數據往往不是完全的正態分布，從而導致統計結果的不可靠性。

2.決策樹方法

決策樹模型是對總體進行連續的分割，以預測一定目標變量的結果的統計技術。決策樹構造的輸入是一組帶有類別標記的例子，構造的結果是一棵二叉或多叉樹。構造決策樹的方法是采用自上而下的遞歸構造。在實際中，為進行個人信用分析，選取個人信用作為目標屬性，其他屬性作為獨立變量。所有客戶被劃分為兩類，即好客戶的和壞客戶，將客戶信用狀況轉換為“是否好客戶”(值為1或0)，而后利用數據集合來生成一個完整的決策樹。在生成的決策樹中可以建立一個規則基。一個規則基包含一組規則，每一條規則對應決策樹的一條不同路徑，這條路徑代表它經過節點所表示的條件的一條鏈接。通過創立一個對原始祥本進行最佳分類判別的決策樹，采用遞歸分割方法使期望誤判損失達到最小。

決策樹模型的優點：淺層的決策樹視覺上非常直觀，容易解釋；對數據的結構和分布不需做任何假設；可以容易地轉化成商業規則。它的缺點在于：深層的決策樹視覺上和解釋上都比較困難；決策樹對樣本量的需求比較大；決策樹容易過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， 這其中以著名的logistic回歸為代表。除此之外， 線性回歸分析、probit回歸等方法亦屬于此類。最早使用回歸分析的Orgler，他采用線性回歸模型制定了一個類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違約可能性的大小。同數學規劃方法中一樣， 假設已經通過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性回歸模型，它是對大量的數據點中表現出來的數量關系模擬出一條直線，回歸分析的目標就是使目標變量值和實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，就是簡單的線性回歸模型，目前基于logistic回歸的信用評分系統應用最為普遍。

回歸模型的優點:容易解釋和使用；自變量可以是連續性的，也可以是類別性的;許多直觀的統計指標來衡量模型的擬合度。缺點：不能有效處理缺失值，必須通過一定的數據加工和信息轉換才能處理；模型往往呈線形關系，比較難把握數據中的非線形關系和變量間的互動關系，而且模型假定變量呈正態分布；模型受樣本極端值的影響往往比較大。

4.人工神經網絡法

近些年來， 隨著信用評分領域的研究深入， 有學者將人工智能領域的一些模型算法引入到了信用評分研究中， 人工神經網絡模型為典型代表。人工神經網絡是由大量簡單的基本元件——神經元相互連接而成的自適應非線性動態系統，是一種把各種投入要素通過復雜的網絡轉換成產出的信息加工結構。神經網絡模型本質上所解決的問題仍是分類或者說模式識別問題， 但其原理卻與其做方法迥然相異。人工神經網絡有多種模型， 比如BP神經網絡、RBF神經網絡、Hopfield網絡等。BP神經網絡為目前研究最為成熟、算法最為穩定同時應用也最為廣泛的一種神經網絡模型。

神經網絡模型的優點：有效地捕捉數據中非線性，非可加性的數量關系；適用于二元性，多元性和連續性的目標變量；能處理連續性和類別性的預測變量。缺點：基本上是一個黑箱方案，難以理解；如果不經過仔細控制，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

信用評分作為一種嚴謹的基于統計學等理論的決策手段， 正在逐漸被我國商業銀行重視。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踐方案， 更需要我國學界的創新或結合我國本土數據的實證研究。

參考文獻:

[1]陳 建:信用評分模型技術與應用.中國財政經濟出版社，2005

[2]郭敏華:信用評級.中國人民出版社，2004

[3]孫 薇:淺析信用風險評價方法.沿海企業與科技，2005