关于个人信用评分应用的研究

龙源期刊网关于个人信用评分应用的研究作者：曹齐来源：《财讯》2016年第15期在消费信贷迅速发展的今天，建立健全的个人信用体系迫在眉睫，其核心技术就是个人信用评分，本文对当前国内外个人信用评分的研究现状和应用做了归纳总结，指出了其存在的问题和未来的研究方向。个人信用评分征信系统指标体系国外个人信用评分研究现状20世纪40年代以来，信用评分技术发展速度惊人。以美国为代表的西方资本主义发达国家已经建立的非常完善的信用评分系统。信用评分的发展先后经历了线性判别分析模型、统计分析、人工智能分析三个阶段。Fisher（1936）发表了一篇关于判断头颅起源的文章并第一个做出了对分类问题的研究，这就是著名的Fisher判别的起源。DavidDurand（1941）在参加美国国家经济研究局的项目时发现判别分析法可以用于甄别贷款，并把贷款分为Good和Bad。Eisenbeis（1977，1978）使用Fisher判别分析法在信用评分领域进行了推广。Wiginton（1980）第一个将多元统计中的Logistic方法用在信用评分上，并对评分效果做了分析。Grablowsky和Talley（1981）对Probit回归模型和判别分析模型进行比较研究，结论显示Probit回归模型的效果更好。Carter和Catlett（1987）把决策树方法应用于信用评分研究分析得到决策树方法的预测效果优于简单线性回归模型。Chatterjee和Barcun第一次在信用评分中使用了最邻近方法。Odom（1990）第一次把神经网络方法引入到企业破产领域，用BP神经网络预测了财务困境，并与判别分析模型进行了对比，结果显示神经网络模型比判别分析模型好。1998年Pearl首次提出贝叶斯网络模型，该模型后来在信用评分模型中得到了推广。Baesens和Gestel第一次把支持向量机（SVM）方法运用与信用评分模型中，实验结果证明支持向量机的判断效果优于神经网络。Fogarty和Ireson（1993）首次在个人信用评分中应用了遗传算法。专家系统是一个包含在计算机系统中的决策规则集合，该集合整合了信贷管理专家的经验决策，可用来预测违约风险。Leonard（1993）使用专家系统预测了信用卡欺诈行为。West（2000）将五种神经网络模型与线性判别分析、Logistic回归、K最近邻、决策树等模型在信用评分中的预测精度进行了比较，结果表明MOE和RBF神经网绍优于MLP神经网络，同时Logistic回归模型在所有统计模型中预测精度最高。国内个人信用评分研究现状龙源期刊网我国的个人信用评分技术目前处于起步阶段。国内关于个人信用评分的研究大多数是借鉴国外模型或者是在其基础上进行优化改进。越来越多的学者致力于对信用评分的研究，现在已经取得了一定的进步。在信用评分指标体系方面，王丽建从个人基本情况、守信能力和信用行为三个方面来选取个人信用评分指标，并建议立法先行、提高失信成本。孟晗骏认为应该借鉴美国成熟的信用指标体系来完善国内个人信用指标体系。刘征通过训练集和测试集对多种模型的进行实验得到神经网络稳健性不佳，而Logistic回归模型的稳健性优于其他模型。张成虎将判别分析法应用于个人信用评分模型并进行了实证分析，结果表明多元线性判别模型具有较好的稳健性。赵静娴在信用评估模型中应用决策树方法，通过改进CODT（处理大规模数据的新型决策树算法）提高了模型的预测精度。程笑迎将BP神经网络应用于我国商业银行个人信用评分并与中国建设银行个人信用评分体系对比，得出BP神经网络预测精度更好。吕杨使用专家判断-AHP法和Logistic回归对个人信用评分体系中指标权重的分配进行了研究，结果表明AHP有利于提高指标权重的准确率，且专家判断和AHP方法简单易推广。段明勇将最小二乘法和支持向量机相结合（PLV-SVM），并将这种方法应用于个人信用评分，相对于单独使用最小二乘法和支持向量机PLV-SVM在判断准切率和运行时间方面均有优化。储蕾针对德国信用数据和澳大利亚信用数据使用BP神经网络和支持向量机的信用评分模型，并对两种模型的效果进行了比较，发现两者均有很高的预测精度，但支持向量机模型的稳健性更高。冯琼通过对比研究两种单一模型（Logistic回归模型和RBF神经网络模型）和非负权重组合预测模型发现，这种组合模型的预测精度和稳健性均高于两种单一模型。个人信用评分在国外的应用个人信用评分发源并成熟于国外，以美国FICO评分最为流行，也是使用最广泛的个人信用评分模型。FICO评分是二十世纪五十年代由BillFair和FairIsaac发明的，美国四大个人征信机构中三家都在使用FICO评分量化个人信用风险。FICO评分系统将信用分数设为325–900分之间，得分越高则借款人的违约风险越小。根据大量实践数据证明，当借款人的FICO得分大于800分时，违约率为0.0773%，700～800分之间时，违约率为0.81%，低于600分以下时，违约率为12.5%。通常情况下当贷款申请人的FICO评分值低于620分时，金融机构会拒绝发放贷款或者要求贷款申请人增加担保。当贷款申请人的FICO评分值在620～680分之间时，金融机构会做进一步分析。当贷款申请人的FICO评分值高于680分时，金融机构会毫不犹豫的贷款给申请人。个人信用评分在国内的应用我国个人征信体系建设较晚，相对于西方发达国家有较大差距。2000年6月28日，上海市“个人信用联合征信服务体系”正式使用，上海资信有限公司成立于2001年4月，是我国首家提供信用咨询服务公司。从2003年1月1日起，凡是购买房产、向北京住房资金管理中心申请个人贷款的个人，须同时提供北京市住房贷款信用服务中心出具的个人龙源期刊网信用评估报告。该系统将个人信用分为7级：AAA，AA，A，BBB，BB，B，C。依据个人基本信息、经济状况、信用记录等进行定级。就个人信用评估方法而言，我国目前多以主观的判别分析法为主，以金融行业专家及信贷员的经验为主要依据，主观因素影响较大，缺乏合理性。2005年4月底，鹏元征信有限公司自主研发的个人综合信用风险评分——“鹏元800”，正式对授信机构及个人提供信用评分查询服务。“鹏元800”通过建立数学模型对个人信用信息进行统计分析，以预测未来一段时间内发生违约风险的可能性，并用一个分数综合反应个人信用状况。该信用评分体系共设6个等级，从320分到800分，每80分一级，把个人信用状况详细量化，每个分数对应一个违约概率，分数越高表示违约风险越低。评分模型选用了与个人信用相关的四十多个变量，概括起来可分为个人基本信息、银行信用信息、个人缴费信息、个人资本状况四类变量，其中，银行信用信息所占权重最大，接近50%，其余三类变量所占权重大致相当。中国工商银行根据客户信用得分不同，将贷款客户划分为AA、AA-、…、B共10个信用等级。基于客户数分布特征的信用等级划分模型：迟国泰等（2014）根据各等级贷款客户数服从正态分布的特征，反推出各等级样本数对应的分位点，将客户分为AAA、AA、…、C九个信用等级。中国建设银行在我国最早开始实行个人信用评分，其使用的个人信用评分模型是借鉴国外商业银行的信用评分体系并结合我国实际情况设计而成，模型采用百分制，由自然情况、职业情况、家庭情况、与银行的关系四部分组成。研究与应用的发展趋势从以上国内外研究综述可以看出，目前对于信用评分模型的建立始终没有一种统一的方法，没有一种模型能够完成预测精度、稳健性和解释性的完美统一。单一模型的发展已经成熟，甚至趋于完善，几乎没有可改善的空间。但是组合模型方法的研究还很少，之后的信用评分模型会朝着组合模型的趋势发展，以完成但以模型无法实现的预测精度、稳健性和解释性的完美统一。组合模型主要分为串行结构和并行结构，组合模型的难点就在于选择多少个单一模型进行组合、以什么样的结构进行组合、每个单一模型的权重如何确定这三方面问题。这都是今后学者需要解决的。国内个人信用评分还没统一指标选择，各大银行都有自己的评分标准，还没有一种评分成为主流，今后需要研究出一种能够结合各种评分有点的评分并成为主流。作者简介：曹齐（1993），女，汉族，河南。硕士，四川大学，研究方向宏观经济统计分析。[1]刘峙廷.我国P2P网络信贷风险评估研究.广西大学，2013.5：44[2]王梦佳.基于logistic回归模型的p2p网贷平台借款人风险评估[D].北京外国语大学，2015.[3]中国工商银行.关于印发《中国工商银行小企业法人客户信用等级评定办法》的通知[R].中国工商银行，工银发[2005]78号，2005：5-7，13-21.龙源期刊网[4]迟国泰，潘明道，齐菲.一个基于小样本的银行信用风险评级模型的设计及实证[J].数量经济技术经济研究，2014（6）：1～14.