| 论文首页哲学论文经济论文法学论文教育论文文学论文历史论文理学论文工学论文医学论文管理论文艺术论文 |
1.评分卡模型。该模型可以通过数学表达式来加以表达，其中：Xi为第i个评估变量的取值，wi为对应的权重，N为评估变量的总个数，Score为最终的得分值(越高越好)。进一步可依据最终的得分值对个人信贷的风险水平进行等级划分，在该模型中Xi，wi都是基于个人信贷专家的经验和主观判断来加以确定的。根据前文所构建的个人住房贷款信用评分模型的分析框架(参见图1)，并通过与个人信贷专家的广泛交流，我们最终确定了如图2所示的打分卡权重，其中：以100分为满分，作为第一还款来源的借款人要素占有了最高的权重，为50分；包括住房抵押和担保在内的风险缓释要素作为第二还款来源占有次之的权重，为30分；贷款方案的权重占有剩余的20分，结合表1给出的收入充足性和稳定性、借款名誉度和诚信度等各细化要素的具体指标及其取值，我们就可以基于该评分卡来对个人住房贷款做出信用评分。
2.定量模型
(1)定量模型的构建方法。个人住房贷款信用评分定量模型的整个构建流程可以分为以下几个步骤：
①建立指标体系。即给出个人住房贷款信用评分定量模型的使用指标范围，类似于表1的内容。
②数据收集。即根据“正常贷款”和“不良贷款”的定义，收集包含所有指标在内的个人住房贷款数据样本，此时要考虑到模型的观察期、表现期的要求，其中：观察期是指在建立信用评分模型时，解释变量的历史观测时段；表现期是指建立信用评分模型时，被解释变量或违约纪录的观测时段。对于我们所建立的个人住房贷款信用批准模型来说，其观察期可选为12个月，表现期可选为10～15个月。
③数据清洗。数据清洗是保证模型分析效果的关键性步骤。不同来源的数据对同一个概念有不同的表示方法，在集成多个数据来源时，需要消除数据结构上的这种差异。此外，对于相似或重复记录，需要检测并且合并这些记录，解决这些问题的过程称为数据清洗过程。数据清洗的目的是检测数据中存在的错误和不一致并加以修正，由此提高数据的完整性、正确性和一致性。
④变量筛选。变量筛选的目的是从整个指标体系中选择出最终量化模型所需要使用的一组解释变量，其过程大致为：用所有变量对违约记录进行单变量回归；找出对违约解释能力最强的单个变量，将该变量与每单个剩余变量组合后进行双因素回归；找出对违约解释能力最强的两个变量，将这两个变量再与每单个剩余变量进行三因素回归；找出对违约解释能力最强的三个变量，然后再进行四变量回归，直到所选择的变量个数达到预定的违约解释能力为止，一般来说，最后使用的解释变量个数不超过15个。
⑤模型估计。对于个人住房贷款信用评分模型而言，目前应用最广泛的统计模型是Logistic回归模型，在已知模型解释变量的基础上，应用收集的样本数据对所选择的模型进行参数估计，获得各解释变量的权重系数。
⑥模型验证。模型验证可分为定性和定量两个方面，其中：定性验证主要对模型的解释变量及其权重在经济意义等方面的合理性进行评估；而定量验证则是通过使用ROC曲线、CAP曲线及其度量指标线下面积AUC、准确率比率AR等，来对个人住房贷款信用评分模型的违约区分能力进行统计检验。
⑦模型使用。利用以上建立的模型对个人住房贷款进行信用评分，进一步可依据计算的信用评分值对个人住房贷款进行等级划分，如优、良、中、差和违约五个等级，并在此基础上设定不同的风险限额和贷款定价策略。
⑧持续监控。在量化信用评分模型的使用过程中，应该不断地对模型的评估绩效进行持续监控以分析模型是否需要进行调整和优化，例如，在银行客户群发生变化的情况下，我们就应该对所建立的模型进行适当调整。此外，由于所建立的信用批准模型一般是预测贷款批准后10—15个月的违约表现，那么可以将实际情况与预测情况进行对比，计算实际的违约率。通常在国外先进银行中，它们会批准一些信用评分低于最佳截止点的客户得到贷款，以检验在10—15个月内这些客户是否会如预测的那样发生违约。对信用评级量化模型的监控和维护是非常重要的，因为它直接关系到前台营销和后台审批工作，通常每12～18个月会调整一次。
(2)定量模型的现实选择。对于个人住房贷款信用评分模型而言，目前应用最广泛的统计模型是Logistic回归模型，该模型可以通过以下的数学表达式来加以表达：其中，Xi为第i个解释变量的取值，βi为对应的权重，N为解释变量的总个数。这里的Score为最终得分值，代表了贷款的风险水平，因此该值越低越好，当然我们也可以通过简单的线形变换来将该值转化为贷款的信用得分，此时的信用得分是越高越好，符合使用上的习惯。从理论上讲，对此式所给出的个人住房贷款信用评分 Logistic模型的完整估计需要在大量历史数据的基础上，通过执行解释变量筛选、模型参数估计以及模型验证三个步骤来获得，很显然目前不具备这样的数据基础，因此这里我们通过借鉴一些国外银行在东南亚国家所使用的定量化模型，并结合我国的实际情况，确定了该模型的Xi和wi，如表2所示，其中各变量的具体含义可以参见表1。从表2可以看出，与所建立的评分卡模型相比，该模型只用了为数不多的几个关键解释变量来评估个人住房贷款的信用状况。
根据上面构建的个人住房贷款信用评分卡模型和定量的Logistic回归模型这两个模型，我们可以最终设定所要得到的混合模型(见图3)。在图3中，根据评分卡模型和定量模型的结果划分了四个区域，其中：右上角是两个模型都接受的区域，此时可依据模型的结果直接接受贷款的申请；左下角是两个模型都拒绝的区域，此时可依据模型的结果直接拒绝贷款的申请；左上角和右下角是两个模型结果互相冲突的区域，此时需要审批人员的干预并运用业务规则来做出接受或拒绝贷款申请的决策。从这里的分析可以看出，所构建的混合模型实质上是利用打分卡模型和定量模型两种模型的结果进行相互校验的模型，因而也就同时具备了这两种模型的优点。
三、混合型个人住房贷款信用评分模型的验证
前文我们基于专家判断法和定量模型法建立了个人住房贷款的混合型信用评分模型，接下来的工作是要对该评分模型的预测能力进行验证，以便在实际中得到应用。从理论上看，模型验证方法可分为定性和定量方法两大类，其中：定性方法主要是从理论和经验依据出发，对模型开发中的过程、所使用的方法和所使用数据的质量等方面的正确性和合理性做出定性判断；而定量方法则是基于各种数据、运用统计方法来对模型的预测能力做出定量判断，按照所使用数据来源的不同，定量方法又可分为返回测试和基准测试，前者是将模型预测结果与自身内部得到的实际结果进行比较，后者是在缺乏内部数据的情形下将模型预测结果和相关模型利用外部数据所得到的结果进行比较。
由于历史数据和相关外部数据的缺乏，难以对所构建的信用评分模型做出完整的定量验证，因此，我们在此设计了另一种形式的定性验证方法，即将所构建的信用评分模型应用于已有的个人住房贷款，通过观察已有个人住房贷款信用得分的分布特征来判断该模型结果的合理性。
为此，我们从某股份制商业银行收集了544笔有效的个人住房贷款数据，然后用所构建的个人住房贷款信用评分卡模型和定量模型对这些贷款分别进行评估，最后以直方图的形式来表达所有贷款信用得分的分布(见图4和图5)。从图4和图5可以看出两个模型的评估结果都呈现出一种近似正态的分布，这符合我们的期望，反映了两个模型能够对贷款的风险水平做出明显的区分。
在设定评分卡模型和定量模型的接受临界值为40的情况下(实际使用时要根据各模型的实际表现和银行信用政策来加以具体确定)，混合模型对样本贷款的评估结果显示在图6中，对照示意图3可以看出，在大多数情况下评分卡模型和定量模型的评估结果是一致的，此时可直接做出接受或拒绝的信贷决策，只在少数情况下评分卡模型和定量模型的评估结果产生差异，此时需要人工干预来做出决策。
四、总结与下一步的研究方向
个人信贷信用评分模型的构建是我国银行业紧迫的一项工作，对此本文首先从借款人、贷款方案、贷款投向和风险缓释四个要素出发构建了产品水平的信用评分模型的整体分析框架，并将该分析框架具体应用于个人住房贷款产品，详细分析了该产品信用评分模型应考虑的细化要素和指标；随后，在考虑构建个人住房贷款信用评分模型时，本文结合目前我国商业银行业的发展现状与所构建模型的可实施性，构建了一个基于专家判断法的评分卡模型和一个基于定量模型法的Logistic回归模型，将这两个模型相结合就构成了我们所设计的个人住房贷款信用评分混合模型；最后，本文还基于某股份制商业银行的样本贷款数据对所建立的模型进行了部分验证工作，该工作显示模型的评估结果是合理的。为更进一步验证本文所构建混合型模型的有效性，我们下一步的研究方向是准备通过加强数据收集工作来对模型的实际预测能力执行量化的返回测试工作。
共2页: 2
论文出处(作者):