信用评分、征信系统与监管

信用评分、征信系统与监管赖志红博士(HelenZ.H.Lai,Ph.D.)2009年3月和4月世界银行学院2提纲信用风险与信用评分通用与定制信用评分FICO评分与违约风险常用信用评分数学模型信用评分模型的检验美国的征信体系与监管3信用风险•信用风险–借款人未能偿还贷款的风险–借款人：个人或企业–贷款：定期贷款或信用额度–还款：本金或利息•影响信用风险的因素–借款人管理信用的能力（信用记录）–偶发事件（失业、医疗支出……）–宏观经济条件–其他（传统、教育水平等）4信用风险可以预测，但并不是百分之百准确•根据影响信用风险的因素，可以预测潜在借款人的信用风险•然而，预测并不完美–并不是所有因素都可以被观察或测量–模型方法的缺憾–信用风险是动态的，而预测是以基于过去点的情况做出的5信用评分•信用评分是对借款人信用风险的数字化评估•信用评分的目的–对潜在借款人进行风险排序–预测违约率(PD)及潜在损失(LGD)–帮助信用决策6信用评分的优势•信用评分是借款人与贷款人之间的共享信息•贷款人–识别潜在借款人的可信度，做出贷款审批决定–发放贷款或信用额度，为贷款定价–管理现有帐户–推动自动授信•借款人–证明可信度以获得贷款或信用–逐渐积累良好的信用纪录7信用评分的信息基础•大多数信用评分以借款人的信用历史为基础1.信用记录的长度2.还款历史3.信用或贷款额度4.公共纪录（破产、催收……）5.查询信息的次数•信用评分通常不考虑1.人类学信息（种族、性别、教育程度……）2.借款人的地理位置3.宏观经济因素8FICO•FICO是在美国普遍使用的信用评分数据•FICO评分在业内使用范围最为广泛•FICO评分范围为300至850–优750+(最优)–良660-749(较优)–中620-659(次优)–差619(不能授信)•三家主要信用公司都使用FICO评分，但三家机构的评分系统略有不同–Equifax(Beacon)–Experian(Pinnacle)–TransUnion(Precision)9FICO•FICO评分方法由FairIsaac公司开发•使用信用记录计算信用评分偿还历史35%贷款额30%信用历史20%新开立的信用账户15%10FICO评分分布与违约风险FICO分布与抵押贷款违约率050001000015000200002500030000350004000045000=450450-500500-550550-560560-570570-580580-590590-600600-610610-620620-630630-640640-650650-660660-670670-680680-690690-700700-710710-720720-730730-740740-750750-760760-770770-780780-790790-800800-810810-820820-830830-84000.020.040.060.080.10.120.140.160.180.2#贷款额度%违约率11全美2000年房屋贷款者的平均FICO值分布12全美2007年房屋贷款者的平均FICO值分布13信用评分模型•信用评分是利用输入相关变量利用统计模型得出的数据•信用评分模型主要种类–逻辑评定模型(LogitorProhibitmodels)–生存概率模型(SurvivalModels)–决策树模型(DecisionTreeModels）–神经网络模型(NeuralNetworkModels)–辨别分析(DiscriminantAnalysis)–线性规划(LinearProgramming)14通用与定制评分•通用模型评分是适用于一般用途的（如FICO、NextGen、Vantage等）以信用机构或公司的（如Equifax、Experian、TransUnion等）数据为输入变量•定制模型专门为特定目的开发的，大多数美国银行都有其定制模型及评分–用于不同产品（信用卡、抵押贷款、汽车贷款、中小企业贷款等）–用于不同目的（市场营销、并购、账户管理、定价等）–有些定制模型以通用模型评分为输入变量15定制信用评分模型•定制信用评分专门为特定产品或不同目的而量身设计，如–用于抵押贷款的并购模型–用于信用卡申请的批准模型–用于确定提高信用额度的账户管理模型•美国大多数大银行都开发并在内部使用和检验自己的定制模型•信用公司数据与其它数据都用于模型的开发与检验例如：–申请信息（收入、房屋所有状况等）–帐户信息（在银行内的偿还历史）16定制信用评分模型的开发•为零售银行产品开发信用评分模型时通常使用大量数据•每个模型可能包括几个子模型或部分信用卡购买模型FICO660(次优)FICO≥660(优质)最早交易时间3年最早交易时间≥3年档案中无破产纪录档案中有破产纪录现有账户过期账款17一例典型的信用评分模型变量参数截量0.324贷款与信用额度比0.231过去六个月查询信用评分的次数0.136过去十二个月30天晚付款的次数0.710最早的信用帐户的年限-0.058过去十二个月所新开帐户的数量0.300所有的信用额度-0.007过去3年有无破产记录?0.090有无车辆等小额贷款?0.013有无房屋贷款?-0.07918模型有效性（提升表）•提升表–所有账户都根据模型评分进行排序并分组–计算每组的违约率–高评分与低违约率之间存在联系0%1%2%3%4%5%6%7%8%9%5%15%25%35%45%55%65%75%85%95%违约率完美模型（将所有“坏”帐归入最差的评分组）WorstScore19测试模型排序能力的统计数据•KS(Kolmogorov-Smirnov)指数是衡量模型辨别能力的普遍方法–账户被分为违约和非违约两类，并根据模型评分进行排序–画出两条累积曲线–KS就是两条曲线间的最大距离–KS值在0到100之间，KS越大，模型越好0102030405060708090100020406080100DefaultNon-DefaultKS20Gini指数是另一个常用数据BestScoreARAPGini=AR/AP0%10%20%30%40%50%60%70%80%90%100%0%10%20%30%40%50%60%70%80%90%100%累计违约率模型A完美模型21样本外测试是检验模型的重要方法•样本外测试反应出模型对更广泛数据的预测能力•样本外测试比样本内测试更有效•样本外测试能够反映模型是否只适合开发数据–模型对开发数据反映出高的KS和Gini值，但在样本外测试中KS和Gini值明显下降22比较不同的评分模型0%1%2%3%4%5%6%7%8%9%10%5%10%15%20%25%30%35%40%45%50%55%60%65%70%75%80%85%90%95%100%违约率模型A模型B•提升图显示，在账户排序方面，模型B比模型A效果更好。最差分数23比较不同的评分模型0%10%20%30%40%50%60%70%80%90%100%0%5%10%15%20%25%30%35%40%45%50%55%60%65%70%75%80%85%90%95%100%累积违约率模型A模型B•累计图也显示，在账户排名方面，模型B比模型A的效果好•在这个例子中，模型B有较高的KS与Gini值最佳分数24模型的持续监控•应对模型定期检查，保证其效果（通常每月检查一次）•持续监控的元素–稳定与特征分析–分辨能力–精确度25模型的被忽略•由于银行信贷政策的要求或变化而忽略模型结果•忽略可能有助于消除模型的盲点•两种模型被忽略情况–模型允许，但政策不允许–模型不允许，但政策允许26信用评分模型的不足•模型不能涵盖所有相关信息–人口统计信息（受法律约束，如种族，性别等）–不可预料的偶发事件（离婚、意外事故等）–地理信息–宏观经济信息–计量错误（收入报告等）•模型风险–样本偏好–模型设定误差–大多数信用模型评分只是评估当时的瞬间状态，而非动态连续的评估27美国的信用报告系统•美国信用报告系统与监管发展概况–信用机构出现于19世纪末–1906年，消费者信用调查联合会或ACB或消费数据产业联盟(CDIA)成立–1916年，信用局数量为100家，1927年发展到800家，1955年翻了一番。–1965年，2,200家–1972到1997年，约1,700家–现在约500家050010001500200025001899190619161927195519651972200928美国信用报告监管•美国公平信用报告法(FCRA)与平等信用机会法–进行相关规定，努力改善私营部门建立的自愿信息共享机制–联邦贸易委员会(FTC)与其他联邦银行监管机构是负责FCRA规定的主要机构–协调信息准确性与低成本之间的平衡•与欧洲信用报告体系比较–政策制定者决定是否要求贷款人与其他公司共享信息29请思考•你认为信用评分方法是否对你和你所在的银行适用？•如不适用，原因是什么？•如适用，那它能否–提高贷款质量？–降低目前担保抵押品要求？–增加贷款发放数量？–降低筛选与监控成本？•评分方法是否需要根据你的业务状况与环境进行调整？需要进行什么样的调整？•根据现实情况，你认为引进信用评分体系需要多长时间？•你和你的机构是否已经准备好接受并使用信用评分方法？