商业银行零售业务信用评级体系建设研究Word格式.docx
《商业银行零售业务信用评级体系建设研究Word格式.docx》由会员分享，可在线阅读，更多相关《商业银行零售业务信用评级体系建设研究Word格式.docx（15页珍藏版）》请在冰点文库上搜索。
巴塞尔新资本协议零售内部评级法是国际先进商业银行最佳实践的总结，代表了现代零售信用风险管理的发展方向。
银行采用内部评级法的前提是，满足新资本协议的最低要求，并得到监管当局的批准，才可以根据自己对风险参数的估计决定特定风险暴露资本要求。
零售内部评级法的核心就是要求银行实现对零售业务风险的准确量化，对零售风险暴露内部评级体系的要求主要体现在三个方面：
一是建立合理的风险划分体系。
银行首先须将全部零售资产划分到特定的“零售资产池（poolofretailexposures）”。
风险划分的标准应具有合理性、一致性。
风险划分的过程应能够有意义地区分风险，能够使“零售资产池”汇集足够多的同质（homogenous）贷款。
风险划分的结果——“零售资产池”要具有稳定性，并避免集中性风险。
二是建立精确的风险量化体系。
商业银行选择风险因素时，可以采用统计模型、专家判断或综合使用两种方法。
银行要有能力准确、一致地计量每个“零售资产池”的违约概率（PD）、违约损失率（LGD）和违约风险暴露（EAD）。
三是建立合理的评级应用体系。
风险划分和风险量化以及对违约和损失的估计要在信贷审批、风险管理、资本管理和公司治理等领域发挥关键性的作用。
特别是，对于每笔零售贷款，银行都必须将其划分到一个特定“零售资产池”中，这一风险划分过程须作为贷款审批的一个环节。
（三）目前国内商业银行零售业务风险管理现状
我国商业银行的零售业务自2000年以来，发展迅速。
目前已经初步形成了以个人按揭、消费信贷、信用卡为主导的零售业务产品体系。
从管理体制上，银行的个人信贷风险管理流程基本形成，构建了前、中、后台相互制衡、彼此独立、职责明确的风险管理流程，个人信贷风险监测、控制和处置体系逐步建立。
但与国外先进银行相比，国内大部分商业银行由于零售业务起步较晚、数据积累时间不足等原因，管理手段还比较落后。
一是零售业务贷款决策主要以人工主观判断为主，尚未实现标准化和自动化。
目前，我国商业银行零售业务的评分模型建设落后，审批和回收等工作均采取“逐户逐笔”的方式，内部流程较长，经营成本相对较高，业务效率较低。
此外，风险评价主要依靠专家经验，采用人工判定的方式，影响信贷决策的客观性、准确性和公正性，且无法实现业务的自动化处理。
二是零售业务没有进行贷款池划分，不能计算各贷款池的风险要素。
目前，我国商业银行还没有按照零售内部评级法的要求，对风险类别进行进一步的细化，按照业务风险特征的同质性进行分类管理。
还不能计算零售业务贷款池的PD、LGD和EAD等基本风险要素，各个贷款池的风险度量还处于空白。
三是在评级结果验证和评级应用等方面还比较落后，尚未成为信贷审批、产品定价、市场营销、绩效考核的主要手段。
如何提升商业银行零售业务的风险管理水平，关键在于提高零售风险量化水平和实现零售业务处理的自动化和标准化。
零售内部评级法的核心就是要求银行实现对零售业务风险的准确量化。
因此，商业银行应该积极推动零售业务内部评级法建设，按照新资本协议零售内部评级法的要求，借鉴国际先进银行最佳实践，结合我国零售业务的特点，建设满足我国零售业务需要的信用评分模型体系，实现零售业务管理的自动化和标准化，提高零售业务风险管理水平。
根据巴塞尔新资本协议零售内部评级法的要求，对于信用卡产品，银行可以根据申请、行为评分的分段，以及逾期行为等借款人风险特征进行风险划分。
针对我国商业银行零售业务特点，改进信用评分卡模型设计技术、量化风险，成为国内商业银行实施巴塞尔协议零售内部评级法的起点。
二、信用评分模型简介
（一）信用评分卡
个人信用评分就是通过分析汇总借款人的各个信用信息而得出的经过量化的信用等级。
个人信用评分也是银行或其他金融机构利用所获得的信用申请人的信息，进行风险预测的一种方法和技术。
它是把数学和统计模式用于个人信贷发放决策，对个人履行各种承诺的能力和信誉程度进行全面评价，确定信用等级和信贷限额的一种方法。
其功能是以个人的信贷申请书和征信报告等资料为基础信息，对该申请人的信贷风险程度进行分析，并得到数字量化的结果作为贷款决策的依据，从而使信贷决策自动化、科学化。
从本质上讲，个人信用评分是一种对个人信用的一种定量化描述，用客观的方式预测信用行为。
它具有减少坏帐，促进决策标准化、业务自动化以及快速高效的优点。
（二）信用评分卡优势
零售信用评分模型具备以下优势：
一是客观性，评分模型是根据大量数据提炼出来的预测信息和行为模式制定的，反映了银行客户信用表现的普遍规律；
二是一致性，评分模型可以保证银行决策的一致性；
三是准确性，评分模型依据先进的统计学技术，能比较准确地预测出客户信用表现的概率；
四是全面性，评分模型一般是由代表各个信息维度的预测变量组成，比较全面地评估了客户未来的信用表现；
五是效率性，信用评分模型可以在系统内实现自动化处理，决策迅速，更适用于数量巨大的零售业务。
信用评分模型的使用，将有利于银行提高决策效率，坏账率明显减少，收益增加。
（三）信用评分卡分类
信用评分技术可用来评估对某贷款申请人发放贷款的风险。
其原理是通过对已有的贷款历史数据进行各种定性或定量的分析，以使信用评分能够充分体现客户基础特征对拖欠和违约行为的影响。
信用评分卡主要分为三种类型：
申请信用评分卡、行为信用评分卡和催收信用评分卡，分别为信用卡业务提供事前、事中和事后的信用风险控制。
1.申请信用评分卡
申请信用评分卡专门用于对新申请客户的信用评估。
它通过申请人填写的有关身份资料，即可快速、有效地辨别和划分客户的优劣，防范信用不良的客户申办信用卡，提高持卡人的信用水平，实现信用卡业务风险的事前防范。
2.行为信用评分卡
行为信用评分卡是通过对持卡人还款行为的监控和预测，实现评估客户风险的目的。
行为信用评分卡可用于信用额度的自动监控和调整、授权以及对坏账的预测。
3.催收信用评分卡
催收信用评分卡是申请评分卡和行为信用评分卡的补充，特别是在持卡客户产生逾期贷款或坏账的情况下建立的。
催收信用评分卡应用于预测和评估对某一笔坏账所采取的措施的有效性，诸如客户对电话、信函、上门和司法催收的反应的可能性。
这样，发卡行可以根据模型的预测结果，针对不同的拖欠客户采取不同的催收措施。
三、零售客户评分卡设计流程
2008年大公进行一汽财务内部评级体系建设项目，在项目中对轿车和卡车客户建立了个人信用评分卡。
这些客户评分卡为“申请人信用评分”，它可用于帮助信贷审批人员做出是否批准新申请人贷款的决策，并有助于提高审贷人员的审批效率。
通过使用评分卡对贷款申请人进行综合评分，公司审贷人员可较快地了解贷款申请者的整体信用水平。
大公采用了目前国际流行的数据挖掘技术进行信用评分卡设计。
针对一汽财务公司业务和客户的特点，大公设计了最适合公司情况的开发流程，分为8个步骤：
业务目标确定、数据抽样、数据质量检验、数据转换、数据挖掘及建模、验证模型、模型应用和模型跟踪与反馈。
（一）业务目标确定
信用评分的目的是利用现有的样本数据建立模型，利用此模型对未来申请人的信用行为进行预测，从而区分出好客户和坏客户。
在建立评分模型时，需要一组已有的客户样本，既要知道该组客户的特征，同时也需要了解他们的信用表现。
根据巴塞尔协议对违约定义及公司对客户管理需要，对好坏客户进行定义。
（二）选择最佳的数据源，抽取样本
模型的质量由数据的质量决定。
在信用评分卡模型的开发中，数据是框架或信息库，模型质量与底层的数据密切相关。
从数据的来源上看，可以分为内部数据源或外部数据源。
内部数据源是指业务活动产生的数据，如申请人的申请表、审批材料等。
外部数据包括征信系统的数据。
根据业务问题和对数据库的理解，在收集到的数据基础上采用抽样的方法，筛选出构建信用评分所需的数据。
抽样可以解决数据量过大的问题，使分析更具效率，但是必须要把握好目标群体的特性，避免抽样时产生偏差。
（三）数据质量检验
数据准备是评分模型开发过程中最重要的步骤之一。
无论模型的复杂程度如何，数据质量是项目成功的关键。
好的数据和有效的技术一样，决定着模型的结果。
在原始数据的基础上，对数据进行合并，并创建最终的数据集。
对建立评分模型所用的数据集，进行检查，以发现错误、异常和缺失值，这是数据准备过程中一项耗时、乏味的工作，但却是一个不可缺少的步骤。
（四）分析、选择和转换变量
有了可靠的数据之后，根据建模需要，还应该对数据做相应的转换。
工作内容包括多个数据库表之间的匹配整合，变量的构造与派生，对缺失、异常变量进行处理。
通过数据转换过程，一方面将数据库格式的信息构造为数据挖掘需要格式，另一方面要根据业务专家的经验，产生预测能力强的变量，为评分的准确性打下坚实基础。
在准备对最终模型进行处理的过程中，需要使用一些简单的技术来减少变量的数量，这样可以排除那些预测能力低或无预测能力的变量，从而使创建的模型更加有效。
（五）数据挖掘及建模
建立模型可采用的方法很多，主要有统计方法与非统计方法两种。
常用的统计方法包括判别分析法、回归法、逻辑回归法、分类树法等；
非统计方法有神经网络法、线性规划法等。
1.决策树模型
决策树也是数据挖掘中最常用的方法之一。
在数据挖掘过程中，决策树用作一个分类的工具去解决大量的分类问题，决策树使用树型结构描述知识，树的构建称为树归纳，这个过程用一套预分类的例子来发展一个决策，一旦这样的树被引入，它就被用在预言模式中，把新的记录分类到预先规定的种类，当需要考虑许多复杂的信息时，决策树是作决策的极好工具，它提供有效结构以选择决策和评估决策的后果。
与神经网络、多元统计判别分析等分类方法相比，速度快、精度高、生成模式简单易用。
利用决策树可以将客户按照各种特征进行分类，并计算不同类型客户的违约概率。
另一方面还可以分析变量的相对重要性。
决策树的最顶端为根结点、最底端为叶子。
每个结点都标示出了结点数据量及好坏客户的占比情况。
以图2第二层左端结点为例，数据中共有430人居住面积属于第2或第3组。
在430个客户中共有305人为好客户，占比达70.9%。
通过对决策树分析的结果，可以看出影响客户信用状况的各因素的相对重要程度。
2.利用逻辑回归模型建立个人信用评分卡
在实际应用中，经常会采用逻辑回归法来创建信用评分模型。
逻辑回归技术具有功能强大、直观、对过度适应数据的风险低等特点。
逻辑回归技术是在数据中找到一条误差最小化的线性路径的一种理想技术，并且其结果可直接产生评分卡，在模式实行上的成本较低、时间短。
（１）逻辑回归模型
逻辑回归模型是非线性模型的一种，其主要应用于因变量为二分类变量的情况，如违约/不违约，发病/未发病等。
由于因变量为二分类变量，因此逻辑回归模型在模型假设条件、估计方法以及回归系数的解释等方面与传统多元回归模型存在着较大的差别。
图2
决策树例图
（２）模型假设
假设客户违约发生的概率为P，取值范围在0-1之间。
由于建立模型时因变量P与自变量之间存在非线性关系，因此需要对因变量进行相应变换。
图3
违约概率P与自变量之间的非线性关系
通过对违约事件P进行logit转换（即Pln（P/（1-P）），表示为logitP），可使logitP的取值范围在（-∞，+∞）之间，同时使其与自变量线性相关。
从而逻辑回归模型可表示为：
logitP＝α+β1X1+…βnXn，
其中因变量P可由求出。
（３）模型系数的解释。
逻辑回归系数可以被解释为对应自变量一个单位的变化所导致的因变量上的变化。
逻辑回归模型的系数为正表示为在其它自变量一定的条件下，对数发生比（即logitP）随相应自变量的增加而增加。
同理，逻辑回归模型的系数为负表示为在其它自变量一定的条件下，对数发生比（即logitP）随相应自变量的增加而减少。
（４）利用逻辑回归模型产生评分卡
逻辑回归模型是在定量的基础上解释客户基础特征与违约对数发生比之间的关系。
因此，通过对逻辑回归模型的系数进行一系列变换，可获得评分卡各指标特征项的分值。
3.新建个人信用评分卡的特点
（１）采用科学的数据挖掘理论为依据。
指标设计、数据分析、模型建立检验过程等几个方面更加科学、准确；
利用逐步回归方法，只有对好坏客户区分能力明显的变量才进入模型。
（２）在指标设计上，新评分卡指标更加精简。
评分卡只包含10个指标。
去除了婚姻、户口性质、最高学历、居住性质、居住面积、产权、资产、单位性质、职务、行业等各特征项的违约比率相近的指标以及在模型中不显著的指标。
（六）模型验证
建立好申请评分卡以后还需要对其表现进行一系列的度量，也就是说对评分卡区分好、坏客户的能力进行检验。
验证模型是十分关键的一步。
如果模型验证的效果不佳，可能是由于数据问题、变量匹配差或建模技术造成的。
验证模型有很多种方法，下面简要介绍几种常有方法。
1.保留样本法
保留样本法是一种常用的信用评分模型检验方法。
这种方法是在建立信用评分模型时将样本随机地分为两部分——建模数据和测试数据，并利用测试数据对所建立的模型进行检验的方法。
２.分离度的度量
——Kolmogorov-Smirnov（K-S）检验
K-S检验是检验模型区分好坏客户能力的方法之一。
一个好的信用评分卡可以通过分值区分好坏客户，也就是说坏客户的得分较低好客户的得分较高。
K-S统计量可表示为好客户分数累计百分比与坏客户分数累计百分比之差的最大值。
K-S统计量的检验需配合好坏客户分数累计分布曲线进行分析。
3.RceiverOperatingCharacteristic（ROC）曲线
与K-S统计量不同，ROC曲线是利用好、坏客户分数分布的全部信息对评分卡区分能力进行评价。
ROC曲线描述了当分数值发生变化时，评分卡的分类特性。
图中对角线（绿色直线）代表了随机分类的情况。
ROC曲线向左上角弯曲的越多，表示评分卡区分能力越好。
相应的ROC曲线越接近对角线（也即越接近随机分类情况），表明评分卡区分能力越弱。
图4是新建立的信用评分卡与公司原有评分卡的对比，新的ROC曲线向左上角弯曲的更多，表明新评分卡区分能力优于原有信用评分卡。
（七）模型应用
在模型经过验证后，必须将模型产生的结果写入日常使用的决策系统中，作为未来决策的参考。
在该阶段，IT部门扮演着关键的角色，但熟悉业务、风险管理及统计方法的人员的配合也很重要。
此外，必须编写相关文档及进行人员培训。
这样，在系统测试时有助于评估系统运作是否与先前设定的目标一致，也能降低未来使用时对于评分的误解或误用。
（八）模型跟踪与反馈
评分模型的预测能力会因时间不同而有变化，通过定期及持续性的模型监控，可以确认模型的预测能力是否仍在合理范围内。
若模型的预测能力与发展模型时有了显著的差异，则必须调整评分模型的结果或重新建构新的评分模型。
评分模型可以预测未来发生客户违约的概率，假设高风险有高收益，对于同样的客户，风险管理人员与市场分析人员可能会有不一致的看法，将应用模型所产生的决策记录下来，持续追踪，并相应调整决策，则能够找到风险与收益的平衡点。
升级会员 