信用评分模型
【 信用评分定义 】
信用评分是指根据客户的信用历史资料，利用一定的信用评分模型，得到不同等级 的信用分数。根据客户的信用分数，授信者可以分析客户按时还款的可能性。据此，授信者可以决定是否准予授信以及授信的额度和利率。虽然授信者通过分析客户 的信用历史资料，同样可以得到这样的分析结果，但利用信用评分却更加快速、更加客观、更具有一致性。
信用评分公司与信用管理局
● 在信用评分领域有两个非常重要的方面：
客户信用资料的收集：是指在信用消费中，通过调查了解申请授信的消费者个人的信用信息。
利用信用评分模型进行评分: 是指输入客户信用资料，通过信用评分模型得到客户的信用分数，确定客户的信用等级。
● 基于上述两个重要方面，在信用评分发展过程中，逐渐产生了提供不同专业服务的公司：
信 用评分专业公司: 它们主要根据业务需要开发各种不同的信用评分模型，将模型提供给商业银行、贷款机构、电信公司、保险公司以及信用管理局等需要信用评分的公司。之所以有这 样的专业公司存在，主要是因为每一家商业银行、贷款机构的经营是不同的，从目标客户的选择到客户服务的水平，即使在同一个城市里，也会有差别，所以开发模 型所依赖的数据是不同的，信用评分模型也因此而各异。
信用管理局: 它们提供客户的信用资料以及客户的信用报告。信用管理局通过常年收集、积累数据，建立个人或企业信用资料数据库，并向金融机构提供消费者个人信用有偿调查 报告服务。信用管理局收集的客户资料主要包括4个方面：身份信息，公共记录，支付历史和查询记录。信用局的基本工作就是收集个人或企业的信用记录，建立完 善的数据管理中心，合法地向金融机构提供有偿个人信用报告服务。
信用评分的方法
在信用评分的过程中，最关键的就是信用评分模型的构建。用来产生信用评分的模型不胜枚举，每一种模型均有其独特的规则。在此，我们主要介绍信用评分模型的构建方法。
信用评分模型的基本原理是确定影响违约概率的因素，然后给予权重，计算其信用分数。信用评分模型的构建，目前最为有效的手段是数据挖掘。下面对数据挖掘的定义进行简单介绍，并重点描述利用数据挖掘技术构建信用评分模型的步骤和方法。
数据挖掘定义众说不一，数据挖掘的关键可以被分成三个部分：数据、信息和商业决策，即数据挖掘就是一个从数据中汲取信息，并使用这些信息制订更好的商业决策的过程。
● 信用评分模型构建步骤
利用数据挖掘技术构建信用评分模型一般可以分为10个步骤，它们分别是：业务目的确定、数据源识别、数据收集、数据选择、数据质量审核、数据转换、数据挖掘、结果解释、应用建议和结果应用。这些可以形象地表示为（图一）：
1) 商业目标确定: 明确数据挖掘的目的或目标是成功完成任何数据挖掘项目的关键。例如，确定项目的目的是构建个人住房贷款的信用评分模型。
2) 确认数据源识别: 在给定数据挖掘商业目标的情况下，下一个步骤是寻找可以解决和回答商业问题的数据。构建信用评分模型所需要的是关于客户的大量信息，应该尽量收集全面的信 息。所需要的数据可能是业务数据，可能是数据库/数据仓库中存储的数据，也可能是外部数据。如果没有所需的数据，那么数据收集就是下一个必需的步骤。
3) 数据收集: 如果银行内部不能满足构建模型所需的数据，就需要从外部收集，主要是从专门收集人口统计数据、消费者信用历史数据、地理变量、商业特征和人口普查数据的企业购买得到。
4) 数据筛选: 对收集的数据进行筛选，为挖掘准备数据。在实际项目中，由于受到计算处理能力和项目期限的限制，在挖掘项目中想用到所有数据是不可能实现的。因此数据筛选是必不可少的。数据筛选考虑的因素包括数据样本的大小和质量。
5) 数据质量检测: 一旦数据被筛选出来，成功的数据挖掘的下一步是数据质量检测和数据整合。目的就是提高筛选出来数据的质量。如果质量太低，就需要重新进行数据筛选。
6) 数据转换: 在选择并检测了挖掘需要的数据、格式或变量后，在许多情况下数据转换非常必要。数据挖掘项目中的特殊转换方法取决于数据挖掘类型和数据挖掘工具。一旦数据转换完成，即可开始挖掘工作。
7) 数据挖掘: 挖掘数据是所有数据挖掘项目中最核心的部分。在时间或其它相关条件（诸如软件等）允许的情况下，最好能够尝试多种不同的挖掘技巧。因为使用越多的数据挖掘 技巧，可能就会解决越多的商业问题。而且使用多种不同的挖掘技巧可以对挖掘结果的质量进行检测。例如：在构建信用评分模型时，分类可以通过三种方法来实 现：决策树，神经分类和逻辑回归，每一种方法都可能产生出不同的结果。如果多个不同方法生成的结果都相近或相同，那么挖掘结果是很稳定、可用度非常高的。 如果得到的结果不同，在使用结果制定决策前必须查证问题所在。
8) 结果解释: 数据挖掘之后，应该根据零售贷款业务情况、数据挖掘目标和商业目的来评估和解释挖掘的结果。
9) 应用建议：数据挖掘关键问题，是如何把分析结果即信用评分模型转化为商业利润。
10) 结果应用：通过数据挖掘技术构建的信用评分模型，有助于银行决策层了解整体风险分布情况，为风险管理提供基础。当然，其最直接的应用就是将信用评分模型反馈到银行的业务操作系统，指导零售信贷业务操作。
●信用风险评分模型构建方法
数 据挖掘方法可以依据其功能被分成4组：预估模型、分类、链接分析和时间序列预测。每一项功能都可以被开发和修改成为适应不同业务的应用。比如: 分类模型可以被运用到建立信用风险评分模型、信用风险评级模型、流失模型、欺诈预测模型和破产模型等。为实现数据挖掘的每一项功能，有许多不同的方法或算 法可以使用。
本文所讨论的信用风险评分模型主要是属于分类模型，所以用到的方法主要有分类分析和分割分析。分类分析主要方法包括：决策树、神经网络、区别分析、逻辑回归、概率回归；分割分析主要方法包括：K-平均值、人口统计分割、神经网络分割。
信用评分的必要性
信用评分最早始于1940年代末至1950年代初。
当 时，美国有些银行开始进行了一些有关信用评分方法的试验，目的是提供一种可以处理大量信贷申请的工具。1956年，工程师Bill Fair和数学家Earl Isaac共同发明了著名的FICO评分方法，并成立了Fair Isaac公司，成为世界上第一家提供信用评分数学模型的公司。1958年，Fair Isaac公司发布了第一套信用评分系统。
1960 年代，相继出现了许多专门提供客户信用报告和信用分数的信用管理局，如美国著名的三大信用管理局（Experian, Equifax and TransUnion）。尤其在过去10年中，全球信用评分市场领域得到更加蓬勃的发展，出现了许多信用评分公司和信用管理局，同时也极大地提高了银行对 用户进行信用评估的准确性、有效性和一致性。
每个信用评分公司和信用管理局都有不同信用评分系统，不同信用评分有不同的评分规则。影响分数 高低的主要因素包括：毁誉记录；是否在过去12个月中开设过多的账户；信用历史长短；饱和使用自己的信用额度；关于拖欠税款、法院诉讼判决、个人破产的公 共记录；最近是否有透支使用信用卡行为；是否过于频繁的贷款咨询；是否持有过少或过多的周转账户。