銀行個人客戶信用評分模型研究

《銀行個人客戶信用評分模型研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、銀行個人客戶信用評分模型研究　　數(shù)據(jù)挖掘；決策樹；信用評分　　中圖分類號：F27　　文獻(xiàn)標(biāo)識碼：A　　：16723198（2015）19006402　　1個人信用評分　　一般信用的考察對象有兩個：企業(yè)和個人。對于不同對象研究方式不同，但考察目的相同，即分析借款人的還款意愿和能力。本文研究的是個人信用，個人信用指的是基于信任、通過一定的協(xié)議或契約提供給自然人（及其家庭）的信用，使得接受信用的個人不用付現(xiàn)就可以獲得商品或服務(wù)。　　個人信用評分，是指通過使用科學(xué)嚴(yán)謹(jǐn)?shù)姆治龇椒?，綜合考察影響個人及其家庭的內(nèi)在和外在的主客觀環(huán)境，

2、并對其履行各種經(jīng)濟(jì)承諾的能力進(jìn)行全面的判斷和評估。針對不同的應(yīng)用，個人信用評分分為風(fēng)險評分、收入評分、響應(yīng)度評分、客戶流失（忠誠度）評分、催收評分、信用卡發(fā)卡審核評分、房屋按揭貸款發(fā)放審核評分、信用額度核定評分等。個人信用評分是對個人信用的一種定量化描述，用客觀的方式來預(yù)測信用行為。它具有減少和控制風(fēng)險、輔助準(zhǔn)確決策等作用。　　2數(shù)據(jù)采集　　2.1指標(biāo)體系的選擇　　在實際的環(huán)境中，并不是所有的數(shù)據(jù)項都可為研究所用，因而本文結(jié)合專家法和實際可獲取數(shù)據(jù)，選取了衡量客戶的信用情況的四大主要因素，即：基本情況、職業(yè)情況、家庭情況

3、、與銀行的往來業(yè)務(wù)關(guān)系?！　?.2數(shù)據(jù)的采集　　指標(biāo)體系確定后，我們確立了具體的考察指標(biāo)，并擬出了一份銀行客戶信息的調(diào)查問卷，在銀行進(jìn)行發(fā)放，發(fā)放總數(shù)100分，回收86份，回收率86%。　　3數(shù)據(jù)預(yù)處理　　現(xiàn)實世界中經(jīng)過初步采集后的數(shù)據(jù)多半是有問題的，所以需要對數(shù)據(jù)源進(jìn)行清洗和轉(zhuǎn)換。數(shù)據(jù)預(yù)處理技術(shù)包括數(shù)據(jù)清理、數(shù)據(jù)集成、數(shù)據(jù)轉(zhuǎn)換與數(shù)據(jù)歸約。本文收集到的數(shù)據(jù)較少，內(nèi)容也較簡單，不需要進(jìn)行數(shù)據(jù)集成與數(shù)據(jù)歸約，所以本文的預(yù)處理過程只需進(jìn)行數(shù)據(jù)清理和數(shù)據(jù)轉(zhuǎn)換?！　?.1數(shù)據(jù)清理　　初步采集的數(shù)據(jù)有很多是不完整的，本文對于這些空缺

4、值采取最大頻數(shù)填充法。下面以“學(xué)歷”為例，介紹最大頻數(shù)填充法（參照表1）。在教育程度中，存在6條空缺值，記錄顯示“大學(xué)本科”的頻率為27.90%，且這些記錄的“行業(yè)類別”信息都存在，其中5條都屬于“教育”類，再對“教育”行業(yè)所有記錄進(jìn)行分析，有56.30%的記錄學(xué)歷為“大學(xué)本科”，是該行業(yè)最高的學(xué)歷頻率，所以可以將5條“學(xué)歷”空缺值補(bǔ)為“大學(xué)本科”?！　≡诓杉降臄?shù)據(jù)中，有些數(shù)據(jù)存在明顯錯誤，這類數(shù)據(jù)稱為“偽樣本”。如在數(shù)據(jù)源中發(fā)現(xiàn)有數(shù)據(jù)顯示月均收入很低，沒有任何擔(dān)保卻得到了大額貸款等。這些“偽樣本”必須剔除?！　?.2

5、數(shù)據(jù)變換　　本文需要把原始數(shù)據(jù)中字符型的數(shù)據(jù)轉(zhuǎn)化為數(shù)值型的數(shù)據(jù)，以達(dá)到適用于分析軟件的目的。例如：“性別”、“健康狀況”、“家庭人均月收入”等字段，要把這些文本型變量轉(zhuǎn)化為數(shù)值型變量，以家庭人均月收入為例（如表2）?！　〗?jīng)過處理，得到了86條記錄，其中每個記錄含有14個屬性（1個決策屬性和13個條件屬性）。該數(shù)據(jù)集作為進(jìn)入數(shù)據(jù)挖掘軟件的測試數(shù)據(jù)集?！　?建立個人信用評分決策樹模型　　4.1用spss軟件生成樹　　在spss錄入數(shù)據(jù)并定義變量屬性，把“連續(xù)拖欠月數(shù)”作為本文的決策屬性（因變量），而其他的屬性都作為為條件屬性

6、（自變量），在CRT中選擇GINl分類樹，輸出結(jié)果，得到GINI分類的決策樹（如圖1）?！　?.2屬性賦權(quán)　　給14個屬性進(jìn)行賦權(quán)量化（如圖4）?！　?.3個人信用評分模型結(jié)果　　個人評分模型建立過程（如圖5）?！　≡趯?6個樣本進(jìn)行分析后，這三種級別的比例為（57.4%，31.08%，11.52%）。根據(jù)評估模型評分并結(jié)合得出的信用保險系數(shù)進(jìn)行分析，得出信用評分與信用級別對應(yīng)表（如表3）?！　?.4個人信用評分模型的調(diào)整　　在銀行的實際操作中，常常無法對中、低信用用戶做出合理評價，對此，需要對其信息采取進(jìn)一步收集的方法

7、，以得出更完善的個人信用評分模型。具體的情況包含三個方面：　?。?）實力較強(qiáng)的銀行可以放低拒絕標(biāo)準(zhǔn)；　?。?）在社會整體發(fā)展背景形勢好的情況下，對于信用卡用戶要求可以適當(dāng)放寬；　?。?）主客觀評價建模方法相結(jié)合，才能得出更可靠的信用評分模型，本文只是采用了客觀評價建模方法，還應(yīng)引入主觀建模方法（比如：AHP層次分析法、貝葉斯分析方法等）對本文信用評分模型進(jìn)行調(diào)整、完善。