自动化信用评分卡

《自动化信用评分卡》由会员分享，可在线阅读，更多相关《自动化信用评分卡（7页珍藏版）》请在金锄头文库上搜索。

1、 自动化信用评分卡自动化信用评分卡 自动化信用评分卡自动化信用评分卡 使自动化的内部评分卡模型的开发成为可 能 信贷风险平衡 易于度量的违约概率 风险评分 客户评级 几乎所有的金融机构持有一种共 识，信贷风险的管理，是影响成败的 决定性因素之一：如果承受过量的信 贷风险将可能导致过高的违约率以及 叠加的损失；而如果过度地缩减风险 敞口则会造成业绩的下滑以及竞争力 的丧失。因此，对于金融机构而言， 为了最优化其业绩表现，维持一个适 度的风险敞口水平是至关重要的。 在过去的 20 年中，我们可以看 到随着技术的进步和日益激烈的市场 竞争，统计模型被渐渐地被应用于风 险决策，以替代人为的主观判断。如

2、 今这些模型不仅仅被用于决定是否应 该给一个新的申请人发放贷款，同时 也用于预测那些已被授予信用额度的 客户的违约概率。 在这类风险项目中, “信用评分” 被视作为一种科学的评判标准。简单 而言，相当于使用统计模型来为那些 申请人或现有的授信客户计算一个风 险评分。这让银行不管是在面对新的 个人申请者还是其现有客户时，都能 够快速有效地基于当前的客观情况， 得到其信用风险状况的一个有效预 测。无论是针对潜在的还是现有的客 户，信用评分都是信贷产品的定制化 服务中不可或缺的部分，可以被用来 设定授信额度，首期金额，以及利 率。 外包的信用评分策略通常意味着 长时间的开发周期以及每年高昂的固 定成

3、本支出。此外，一旦选择从第三 方获取信用评分，由于缺少流程化的 报告机制，管理人员不可避免地在获 取这些重要信息时将存在一定的延 迟，而业务人员也很难及时地做出自 主的修正。 为了协助信贷审核员并优化信用评分流程，AsiaAnalytics 开发了一 套精密的计算模型自动化信用评自动化信用评分卡。分卡。模型运行于 SPSS Modeller, 这 是一个高度智能化的程序套件，使企 业能够利用自动化运行的软件，自主 开发并生成评分卡。无论是新的申请 人还是现有客户，该解决方案能够计 算违约概率并通过生成得分进行排位 评估。 对于最终用户而言，自动化信用自动化信用 评分卡评分卡仅要求输入用以生成评

4、分所需 的数据，并且定义这些数据在分析建 模构成中所扮演的角色，便可开展整项工作。 自动化信用评分卡自动化信用评分卡 可以让使用者: 自动化信用评分卡自动化信用评分卡解决方案可以应对评分卡建立过程中的每一个所需步骤。 利用原始数据来评估新的贷款申请 人（或现有客户）： 根据相应的信用评分，对所有申请人进行 排序（或现有客户）： 1 具 备 功 能具 备 功 能 1. 定制优化 2. 数据准备 3. 数据可视化及探索 4. 模型建立 1. 定制优化定制优化 AsiaAnalytics 的自动化信用评分卡自动化信用评分卡建立在智能的自动化方法论之上，使模型算法能够针对不同的原始数据集，生成最 优的

5、评分卡。当我们在进行建立评分卡所 需的所有必要步骤（例如：数据准备，模 型建立，模型评估，部署，评分生成）时，这一自动化方法论将能够根据用户提 供的数据情况，确定最佳的实施方法来完 成每一个步骤。为实现这一目标，自动化自动化信用评分卡信用评分卡将尝试多种组合直到最终得到 最佳的方案。 您现在阅读这份参考指南中，所有描述解 释的子功能都遵循这一自动化方法论，并 且根据相关原理及算法进行操作。 2. 数据准备数据准备 任何信用评分项目的第一步都是将现有的 数据进行准备处理以用于分析。换句话 说，这意味着将数据整理成“就绪”的状 态，以实施之后的所有的信贷评分流程中的相关步骤，同时也为了更方便地进行

6、各 项分析处理工作。 数据准备步骤示例： - 数据清洗：删除离群值/替换离群值 （根据不同情况用均值，众数或中位 自动优化机制 数替换），替换缺失值（用均值，众数或中位数），必要时对极值进 行平滑处理。 - 数据平衡：必要时，建立一个建模样本集，使二分类目标变量的数据集中，其两种取值 0 和 1 的个案数相近（对信贷评分而言即是历史数 据中好客户和违约客户的数据亮相 近）。 - 数据分区：将数据集分割为训练集和 测 试 集 （ 必 要 时 再 分 出 验 证集）。 - 数据离散化：通过分箱的处理方 法，将连续型变量转化为离散型变 量。 得益于自动化方法论，根据不同的 数据集情况，自动化信用评分

7、卡自动化信用评分卡都能够 找到最佳的方法来准备要分析的数据。 3. 数据可视化及探索数据可视化及探索 未处理过的数据 准备就绪的数据 自动化方法论自动化方法论 能够针对不同的数据集自动地生成最 优的评分卡。 所有的步骤都依照自动化方法论进行 以最优化地方式整理数据 清洗数据 平衡数据 分割数据 功能2 5. 模型展现与比较 6. 模型部署 7. 生产评分 8. 评分卡管理及监控 可视化工具可视化工具 对所有成功的数据分而言，探索都是一个 重要环节，而数据探索中的一个重要组成 部分便是数据的可视化。自动化信用评分 卡方案能够使您以交互的方式来发现数据 中存在的彼此联系，识别趋势，对您感兴 趣的内

8、容进行深入的挖据并对指出您之前 可能忽略的细节。为了达成这一点，自动自动 化信用化信用评方卡评方卡方案为用户提供了多样的可 视化工具如曲线图，饼图或动态图 连续变量 离散变量 等，使用户能够被 “看”到数据并迅 速地洞察其特点。它还让用户能够多 角度，快速地切换各种可视化工具， 以确保在开始下一步的数据分析工作 前，充分理解各项关键要素。 4. 模型建立模型建立 一旦我们正确地准备好数据，下 一步便是建立起能够精确预测目标变 量的模型。自动化信用评分卡自动化信用评分卡将尝试 多种算法及模型来完成建模，其中包 括了： - 线性及逻辑回归 - 贝叶斯网络 - 判别式 - 决策树 - 神经网络 -

9、其他模型。 此处请注意，AsiaAnalytics 会不 定期地更新模型算法。通过这种方 法，能够保证客户紧跟信用评分方法 的发展趋势。 功能3 直方图 通用选择面板 三维散点图 带状图 “观察”你的数据“观察”你的数据 提供了大量多样的可视化工具来理解数据 点状图 饼图 直方图 条形图 线图 气泡图 散点图 密度图 更多 功能 4 根据客户现有的数据，特定模型算法 可能获得比其他模型更好的预测表现。按 照客户的要求，自动化信用评分卡自动化信用评分卡将使 用多项指标来评估模型的表现，诸如： - 响应提升度 - 总体准确率 - AUC（ROC 曲线下面积） - 总收益 - 其他指标 自动化信用评

10、分卡自动化信用评分卡将使用一部分的 数据来尝试每一种模型，并且用另一部分 的数据来测试每一个建立的模型。建立评 分卡过程中的这一步骤称为“模型测 试”，这对于保证评分卡是否能够正确地 应用于新的数据起了至关重要的作用。 5. 模型展现与比较模型展现与比较 当测试完所有的算法及模型之后，自自 动化信用评分卡动化信用评分卡将为用户提供一份模型排 名，将算法模型按照指定的表现指标由好到差依次列出（根据现有数据）见图1。 此外，对每一种算法模型，用户将能够获取所有必要的评估指标，以深入理解模型 的结果及比较其表现。这些评估指标包含 了： - 预测变量重要性 - 基尼（GINI）系数 - 曲线下面积（A

11、UC） - 接收者操作特征曲线（ROC 曲线） 见图 2 - Kolmogorov-Smirnov 曲线 （KS 曲线） - 其他。 6. 部署部署 一旦找到了匹配测试数据的最佳模型，自动化信用评分卡自动化信用评分卡能够直接将其应 用于需要进行预测的数据。在进行这一步 之前，对于需要进行预测的数据，同样要 算法与模型 图 1 图2 算法与模型算法与模型 确保使用最适合您的数据及您公司经 营环境的模型。 最高的准确率 大量且多样的算法及模型 及时地更新算法及模型 模型测试 模型表现评估 深入地理解每一种算法及模型 功能 5 而对使用者来说，无需具体深入生成得分的这些步骤或计算公式。如之前由自动化

12、自动化 信用评分卡信用评分卡执行的所有步骤一样，得分将 被完全自动地生成。 对某些算法模型而言，普通的得分生成方法将不适用。对于这种情况，预测的 违约概率将被用于评估客户的信用状况。 定制化的评分标准也是另一种选择。 8. 评分卡管理及监控评分卡管理及监控 当模型开发的工作从分析开发团队移交到IT 团队时，常常会引发各种交接的误解问题。通过自动化信用评分卡自动化信用评分卡，这些问题将 能够被避免，因为双方团队的大多工作都 已被自动化流程替代。 与其他的管理及监控工具相比，自动化信自动化信 用评分卡用评分卡能够实现如下功能： - 利用自我记录的工序流程图有效地映射了整个数据挖掘过程 - 便捷地转

13、换及再利用模型 - 根据合规要求生成必要的合规及检查报告。 - 设定自动的预警，来侦测评分卡的表现是否出现下滑，提示是否需要完整 地重新执行信用评分流程以生成适用于新的业务环境的评分卡。 功能总结功能总结 自动化信用评分卡自动化信用评分卡为拥有历史数 据金融机构提供了一套将数据有效地转 化为经验和知识的工具和系统。 与独立自主开发相比，自动化信用自动化信用 评分卡评分卡省去了模型算法研究和建模工具 的开发过程，以及数据接口的建立。 与评分系统外包相比，自动化信用自动化信用 评分卡评分卡完全由企业自己所有，业务及管 理人员可以更及时地查看任何一个评分 过程中的细节，并自主地调整改进。 全面且完善

14、的功能，及开放的系统 将助您有效掌控信用风险，并不断优化 对风险的管理能力。 ( ) 按照与训练数据一样的方法进行数据准备。信用评分流程中，这一步骤称为“部 署”。如之前所描述，需要进行预测的数 据一般是新贷款申请人的违约概率或是现 有授信客户的违约概率。 此外，当模型经过审核，使用模式被 完全固定后，也可以利用外部工具解析模型算法，是整个评分系统一定程度上脱离 建模分析工具。（注意：并非所有模型算法都能够被轻易解析）利用 SQL 语言，可以直接将一些模型算法部署于数据库；或者使用批处理方式，自动调用模型工具 以及该评分系统，来完成整个计算过程。 更可以根据客户的现有系统，选择是否与其进行对接

15、，使自动化信用评分卡真正成 为内部 7. 得分得分生成生成 当违约概率被预测出以后，自动化信自动化信 用评分卡用评分卡要完成的最后一步便是产生评分（针对那些可以生成得分的模型）。最低的得分为 200，对应最差的信誉状况，而850 为最高得分，代表最佳的信誉状况。在对每一个客户和潜在客户获取相应的评分之后，用户还能够从各种角度进一步探 索评分卡。例如，针对每个参考因素变 量，研究其违约分布情况（职业类型，年龄，等等）。 依照选取的最佳匹配算法模型，自动自动 化信用评分卡化信用评分卡会使用不同的方法来生产评 分。例如，当逻辑回归模型被选择作为最佳匹配时，自动化信用自动化信用评分卡评分卡将对每个模型输入变量计算证据权重（WOE），并将其与回归模型的系数相结合，来计算得分。计算公式如下： 得分得分 = 评分卡评分卡 让自动化信用评分卡自动化信用评分卡为目标生成打法。 从多种不同角度研究评分卡 节省评分计算的时间 减少沟通问题 遵从监管要求 评分模型部署示意 自动化信自动化信用评分卡用评分卡