警惕信用风险 如何平衡疫期放贷与监管的两难

分类栏目:信用知识

18278

信用评分模型有各种类型,它们具备不同的数据来源和特征,在消费信贷管理中也有不同的应用。

(一)按照评分模型和评分所预测的未来表现结果划分

1.风险评分:对违约拖欠的风险概率进行预测;

2.收益评分:对消费者给信贷机构带来收益的潜力大小进行预测;

3.流失倾向评分:对现有客户在未来一定时期内流失的概率进行预测;

4.市场反应评分:对目标客户把贷款余额从别的银行转账过来的概率进行预测;

5.循环信贷倾向评分模型:对目标客户或现有客户利用信用卡账户进行循环信贷(Revolving)的概率进行预测;

6.欺诈评分模型:对信用卡申请或信用卡交易欺诈行为的概率进行预测。

显然,如果消费信贷机构能够对消费者或客户的上述各种未来信用表现结果进行有效的预测,那么,利用这些评分模型可以对目标客户或现有客户进行全面的评估,制定针对性很强的信贷管理策略,有效地提高管理效益。

(二)按照评分模型的数据来源划分

1.征信局评分(Credit Bureau Score):征信局是专门从事消费者全方位的信用记录的收集、汇总,并且对数据进行加工和整理的商业机构,其数据成为全面预测消费者未来信用表现的各种信用评分,如风险评分、收益评分、破产评分等模型的信息来源。如美国的Trans Union、Equifax、Experian三大信用局收集了大量消费者的信用历史信息,主要有全球著名的评分科技公司Fair Isaac公司利用其数据开发出FICO系列信用评分模型,为美国和加拿大的绝大多数银行和信用卡公司所购买使用。

2.行业共享模型评分(Pooled Models Score):以本行业内部许多家银行集体数据为评分基础,为许多家银行所购买并共享。一个重要的例子是共享性行为评分。在美国,由于许多银行内部数据[交易数据和主档案数据(Master File Data)]的保存和加工均外包给第一资讯公司(First Data Resources)或全系统公司(Total System),所以这两大公司集中了各银行的数据,由Fair Isaac公司利用该数据开发共享性行为评分模型。另一个重要的例子是美国、英国许多银行把信用卡交易数据和欺诈性交易的记录交给Fair Isaac公司集中起来,发展共享性欺诈风险评分,为各成员银行购买使用。

3.以银行内部自由数据为评分基础的客户化模型评分(Custom Models Score):以银行内部自己的数据集,如申请者数据、交易数据、主档案数据、付款表现数据等作为评分基础,根据自己的需要量身定做。其最根本的特征是以银行自己特有的客户数据为基础,反映自己客户群独特的行为模式,根据自己的需要制定特有的评分标准。常见的客户化模型有申请风险评分模型和各种行为评分模型。

信用局评分和行业共享模型又被称为通用化模型(Generic Models)。通用化模型和客户化模型各有优点。通用化的评分优点包括:所有银行都可以使用,不管规模大小、业务历史长短;数据量更大更丰富,反映了消费者全方位的信用信息;可以迅速购买获得,对小银行来说更加便宜等。客户化模型评分的优点有:可能更加准确,因为模型反映了银行自己的客户群体特征;研发的弹性更大,可以自己制定模型流程和标准;对大银行来说可能更加便宜。同时,由于预测信息的来源不同,通用化模型评分与客户化模型评分之间往往存在一定的互补关系。

(三)按照评分模型的实证化(Empirical)程度划分

1.专家风险模型评分:不需要使用用户数据,而是根据专家长期积累的模型开发经验,结合专业的分析技术开发的。专家评分模型以专家经验出发,采用了典型评分模型中常见的特征项和属性,这些评分模型涉及类似的金融产品、申请人群、客户群和地域;采用了此类评分模型的分数权重;并与用户提供的关于商业需要和对客户群体特征的理解的信息相结合。用户认为有争议的特征项,设计模型时将不被选入,专家风险模型适合于没有数据或数据量极其有限的情况。

2.半客户化模型评分:在专家风险模型的基础上,利用银行的现有数据对模型进行验证,并根据验证结果对该模型进行调整。数据验证的内容包括:看评分卡是否能够正确按照实际的账户表现对申请者排序;各个属性间的分数间隔是否符合实际好坏表现情况;每个特征项的各个属性值的权重是否合理。验证调整的过程将以典型的模型开发技术为依托,以数据里面的特征和规律为依据,力求最大限度地利用实际数据中所蕴藏的预测趋势,并综合了专家经验以求模型的完整性和可靠性。半客户化模型评分是综合了专家经验和数据检验结果的模型方式,适合于有一定业务历史、具备一定业务规模,但数据情况尚不充分(如坏的样本量不够800~1 000个、或不具备拒绝样本)的资产组合。

3.完全客户化模型评分:完全依据银行的实际数据、利用先进的模型技术和标准流程开发出来的评分。特征项的筛选、属性的划分、评分的权重分配等都是根据银行的数据特征来制定的。完全客户化模型评分一般都有很强的预测能力,适合数据充分的资产组合。

(四)按照评分模型的对象划分

1.账户层次评分:其预测性信息和表现性信息来自某个信用产品或某个账户,比如对信用卡账户的风险进行预测,其所有的数据均来自信用卡账户。

2.客户层次评分:其预测性信息或表现性信息来自客户层次,该客户可能在同一银行内部拥有多个产品和账户,如储蓄账户、汽车贷款账户、住房贷款账户、信用卡账户,各个产品的相关数据被综合起来作为模型的信息来源。

3.消费者层次评分:其预测性信息或表现性信息来自消费者层次,反映了消费者全面的信用信息,不管是哪个产品,也不管是哪个银行,一般来说这是指信用局评分(通用化评分)。

(责任编辑:admin)