信用評分管理模式-閱讀頁
2025-04-22 23:02本頁面
【正文】 在Clementine中使用散點圖節(jié)點與直方圖節(jié)點來可視化數(shù)據(jù)，關于年齡與年收入的散點圖以及直方圖展現(xiàn)了客戶年齡與收入之間的相關關系。關于結果的分析展示了年齡大與收入高的客戶以及持有相對較少其他信用卡的客戶表現(xiàn)出更為有利的信用風險狀況。其中聯(lián)系越為強烈的關系用更粗的線條來表示。網(wǎng)絡圖顯示出有害損失與是否擁有未完結抵押貸款有著中等程度的關聯(lián)，與女性、已婚信用卡持有者有著弱相關聯(lián)。 預測模型結果在本文是用數(shù)據(jù)挖掘技術進行信用評分應用的展示中，預測性建模是最為重要的分析。在實施預測性建模之前，樣本數(shù)據(jù)首先要被分割為構建/訓練樣本集（大約占75%的數(shù)據(jù)）和評價/檢驗樣本集（大約占25%的數(shù)據(jù)）。也就是說，完全準確率是評價每個模型以及在模型間進行比較的標準。Logistic回歸結果說明了模型在統(tǒng)計上是顯著的（）。性別在統(tǒng)計上是不顯著的。最后，對于Logistic回歸模型，%。 圖4 圖5（左邊部分）顯示了一個相對簡單的決策樹模型，擁有九個最終節(jié)點 （預測有害損失、有害利潤和良好風險）和五個重要的輸入變量：年收入、年齡、子女數(shù)目、持有其他信用卡數(shù)目以及婚姻狀況。 正如我們所看到的，決策樹既可以非常直觀的解釋，也可以根據(jù)規(guī)則進行解釋。%， 對于我們本文的例證來講也可以認為是足夠的了。在神經(jīng)網(wǎng)絡中，在輸入層中輸入變量的重要性以降序的方式排列為：年收入、持有其他信用卡數(shù)目、婚姻狀況、年齡、子女數(shù)目、是否有未完結的抵押貸款以及性別。 從上面展示的模型的結果我們可以注意到， 神經(jīng)網(wǎng)絡模型是最為準確的。 相關結果匯總如下：%，%，%。因此，依據(jù)我們的評價標準，決策樹模型是最好的（冠軍）預測模型，并且能夠用于我們對信用卡申請者進行信用風險的預測。 圖6 信用評分的局限性 在這里的結論部分，我們討論一下信用評分的局限性同樣也是適合的。這可能發(fā)生主要是因為，那些被拒絕的申請者可能不會包含在構建模型的數(shù)據(jù)庫中，因此就沒有機會來確知他們的信用價值性。使用這一樣本得到的信用評分模型通常將無法在完全的總體中表現(xiàn)良好，因為用于購建模型的數(shù)據(jù)與將模型應用到的數(shù)據(jù)存在差異。對于任何預測性模型的關鍵假設是，過去或者歷史能夠預測未來（Berry and Linoff，2000）。有時，隨著時間流逝客戶特征分布的趨勢變化是如此快速，以至于需要不斷的更新信用評分模型來保持恰當性。信用評分模型主要使用的是個人支付與信用歷史的信息數(shù)據(jù)。在本文的展示性信用評分模型中，某申請者的信用等級被預測為壞的，如果他或她的屬性與壞的客戶的觀察得到的特征相似。進一步，信用評分的準確度比較關鍵的依賴于用于購建模型的數(shù)據(jù)與構建得到的模型被用到的數(shù)據(jù)情況。 與上面談到的相關的是，信用評分的使用必須要求在客戶的信用得分得到計算之前，單個客戶擁有足夠的信用歷史和活動。據(jù)報道已經(jīng)發(fā)生了類似保險的新申請者立刻被拒絕的例子（Eldred，2002）。在其他情形下，終端使用者無意識的應用超過必需的資源來作用于全部的資產(chǎn)組合。在美國，出現(xiàn)了新的行業(yè)，他們致力于幫助借款者通過重新整理資金來提升評分（Timmons，2002），而不僅僅是遵循簡單的規(guī)則：準時支付賬單并且保持低額的債務。最后，在保險領域，批評家們斷言信用信息會被誤用，并且在某些場合會變成唯一的決定性的，并且可能是對那些無法用于設定保險費率的種族和收入數(shù)據(jù)的替代品。在信用評分中，用戶會抱怨信用評分是有歧視的。評分行業(yè)代表聲稱這是因為影響借款者滿足融資契約能力的因素諸如收入、財產(chǎn)、教育和雇傭情況在美國并不是依據(jù)種族或民族血統(tǒng)而平等分布的（Wasserman，2000）。 除了上面強調的局限性之外，毫無疑問的是，信用評分將繼續(xù)會成為在客戶借貸中預測信用風險的主要工
公司管理相關推薦
鄂ICP備17016276號-1