信用评分、征信系统与监管

17
模型有效性 （提升表）
• 提升表
– 所有账户都根据模型评分进行排序并分组 – 计算每组的违约率 – 高评分与低违约率之间存在联系
9% 8% 7% 6% 5% 4% 3% 2% 1% 0%
5% 15% 25% 35% 45% 55% 65% 75% 85%
违约率
完美模型 （将所有“坏”帐归入最差的评分组） Worst Score
要进行什么样的调整？ 根据现实情况，你认为引进信用评分体系需要多长时间？ 你和你的机构是否已经准备好接受并使用信用评分方法？
29
同
– Equifax – Experian – Trans Union (Beacon) (Pinnacle) (Precision)
8
FICO
• FICO 评分方法由 Fair Isaac 公司开发 • 使用信用记录计算信用评分
新开立的信用账户 15%
偿还历史 35%
信用历史 20%
贷款额 30%
最佳分数
• 累计图也显示，在账户排名方面，模型B比模型A的效果好 • 在这个例子中，模型B有较高的 KS 与 Gini值
23
0%
模型的持续监控
• 应对模型定期检查，保证其效果（通常每月检查一次） • 持续监控的元素
– 稳定与特征分析 – 分辨能力 – 精确度
24
模型的被忽略
• 由于银行信贷政策的要求或变化而忽略模型结果 • 忽略可能有助于消除模型的盲点 • 两种模型被忽略情况
• 与欧洲信用报告体系比较
– 政策制定者决定是否要求贷款人与其他公司共享信息
28
请思考
• 你认为信用评分方法是否对你和你所在的银行适用？ • 如不适用，原因是什么？ • 如适用，那它能否
– – – – 提高贷款质量？ 降低目前担保抵押品要求？ 增加贷款发放数量？ 降低筛选与监控成本？
• 评分方法是否需要根据你的业务状况与环境进行调整？需 • •
7
FICO
• FICO是在美国普遍使用的信用评分数据
• FICO 评分在业内使用范围最为广泛
• FICO 评分范围为 300 至 850
– – – – 优 良 中 差 750+ 660-749 620-659 < 619 (最优) (较优) (次优) (不能授信)
• 三家主要信用公司都使用 FICO 评分，但三家机构的评分系统略有不
• 影响信用风险的因素
– – – – 借款人管理信用的能力（信用记录） 偶发事件（失业、医疗支出……） 宏观经济条件 其他（传统、教育水平等）
3
信用风险可以预测，但并不是百分之百准确
• 根据影响信用风险的因素，可以预测潜在借款人的信用风
险
• 然而，预测并不完美
– 并不是所有因素都可以被观察或测量 – 模型方法的缺憾 – 信用风险是动态的，而预测是以基于过去点的情况做出的
– 模型允许，但政策不允许 – 模型不允许，但政策允许
25
信用评分模型的不足
• 模型不能涵盖所有相关信息
– – – – – 人口统计信息（受法律约束， 如种族，性别等） 不可预料的偶发事件（离婚、意外事故等） 地理信息 宏观经济信息 计量错误（收入报告等）
• 模型风险
– 样本偏好 – 模型设定误差 – 大多数信用模型评分只是评估当时的瞬间状态，而非动态连续的 评估
变量 参数
截量
贷款与信用额度比
0.324
0.231
过去六个月查询信用评分的次数
过去十二个月30天晚付款的次数 最早的信用帐户的年限 过去十二个月所新开帐户的数量 所有的信用额度 过去3年有无破产记录? 有无车辆等小额贷款? 有无房屋贷款?
0.136
0.710 -0.058 0.300 -0.007 0.090 0.013 -0.079
22
比较不同的评分模型
100% 90% 80% 70%
累积违约率
60% 50% 40% 30% 20% 10% 0% 模型 A 模型 B
5% 10 %
15 %
20 % 25 % 30 % 35 % 40 % 45 % 50 % 55 %
60 %
65 %
70 %
75 % 80 % 85 % 90 % 95 % 10 0%
26
美国的信用报告系统
•
– –
美国信用报告系统与监管发 展概况
信用机构出现于19世纪末 1906年，消费者信用调查 联合会或 ACB 或消费数据 产业联盟 (CDIA)成立 1916年，信用局数量为100 家，1927年发展到 800 家， 1955年翻了一番。 1965年，2,200家 1972 到 1997 年，约 1,700 家 现在约 500 家
14
定制信用评分模型
• 定制信用评分专门为特定产品或不同目的而量身设计，如
– 用于抵押贷款的并购模型 – 用于信用卡申请的批准模型 – 用于确定提高信用额度的账户管理模型
• 美国大多数大银行都开发并在内部使用和检验自己的定制
模型
• 信用公司数据与其它数据都用于模型的开发与检验
例如：
– 申请信息（收入、房屋所有状况等） – 帐户信息（在银行内的偿还历史）
4
信用评分
• 信用评分是对借款人信用风险的数字化评估 • 信用评分的目的
– 对潜在借款人进行风险排序 – 预测违约率 (PD) 及潜在损失(LGD) – 帮助信用决策
5
信用评分的优势
• 信用评分是借款人与贷款人之间的共享信息 • 贷款人
– – – – 识别潜在借款人的可信度，做出贷款审批决定 发放贷款或信用额度，为贷款定价 管理现有帐户 推动自动授信
• 信用评分模型主要种类
– – – – – – 逻辑评定模型 生存概率模型 决策树模型 神经网络模型 辨别分析 线性规划 (Logit or Prohibit models) (Survival Models) (Decision Tree Models） (Neural Network Models) (Discriminant Analysis) (Linear Programming)
15
定制信用评分模型的开发
• 为零售银行产品开发信用评分模型时通常使用大量数据 • 每个模型可能包括几个子模型或部分
信用卡 购买模型
FICO < 660 (次优)
FICO ≥ 660 (优质)
最早交易时间 < 3 年
最早交易时间 ≥ 3年
档案中无破产纪录
档案中有破产纪录
现有账户
过期账款
16
一例典型的信用评分模型
0 0.1 0.2 0.02 0.04 0.06 0.08 0.12 0.14 0.16 0.18 %违约率 # 贷款额度
FICO 评分分布与违约风险
FICO 分布与抵押贷款违约率
10
全美2000年房屋贷款者的平均FICO值分布
11
全美2007年房屋贷款者的平均FICO值分布
12
信用评分模型
• 信用评分是利用输入相关变量利用统计模型得出的数据
信用评分、征信系统与监管
世界银行学院
赖志红 博士(Helen Z.H. Lai, Ph.D.)
2009年3月和4月
提纲 信用风险与信用评分 通用与定制信用评分 FICO 评分与违约风险 常用信用评分数学模型 信用评分模型的检验 美国的征信体系与监管

2
信用风险
• 信用风险
– – – – 借款人未能偿还贷款的风险 借款人：个人或企业 贷款：定期贷款或信用额度 还款：本金或利息
9
10000
15000
20000
25000
30000
35000
40000
45000
5000
0
<=450 450-500 500-550 550-560 560-570 570-580 580-590 590-600 600-610 610-620 620-630 630-640 640-650 650-660 660-670 670-680 680-690 690-700 700-710 710-720 720-730 730-740 740-750 750-760 760-770 770-780 780-790 790-800 800-810 810-820 820-830 830-840
10 %
20 %
30 %
40 %
50 %
60 %
70 %
80 %
90 %
0%
Best Score
样本外测试是检验模型的重要方法
• 样本外测试反应出模型对更广泛数据的预测能力 • 样本外测试比样本内测试更有效
• 样本外测试能够反映模型是否只适合开发数据
– 模型对开发数据反映出高的KS和Gini值，但在样本外测试中KS 和Gini值明显下降
13
通用与定制评分
• 通用模型评分是适用于一般用途的（如FICO、NextGen、
Vantage等）以信用机构或公司的（如Equifax、Experian、 Trans Union等）数据为输入变量
• 定制模型专门为特定目的开发的，大多数美国银行都有其
定制模型及评分
– 用于不同产品（信用卡、抵押贷款、汽车贷款、中小企业贷款等） – 用于不同目的（市场营销、并购、账户管理、定价等） – 有些定制模型以通用模型评分为输入变量
21
比较不同的评分模型
10% 9% 8% 7% 6%
违约率
5% 4% 3% 2% 1% 0%
模型 A 模型 B
95 % 10 0%
5% 10 %
15 %
20 %
wk.baidu.com25 %
30 %
35 %
40 %
45 %
50 %
55 %
60 %
65 %
70 %
75 %
80 %
85 %
90 %
最差分数
• 提升图显示，在账户排序方面，模型B比模型A效果更好。
2500
2000
1500
–
1000
– – –
500
0
1899 1906 1916 1927 1955 1965 1972 2009
27
美国信用报告监管
• 美国公平信用报告法 (FCRA) 与平等信用机会法
– 进行相关规定，努力改善私营部门建立的自愿信息共享机制 – 联邦贸易委员会 (FTC)与其他联邦银行监管机构是负责FCRA规 定的主要机构 – 协调信息准确性与低成本之间的平衡
• 借款人
– 证明可信度以获得贷款或信用 – 逐渐积累良好的信用纪录
6
信用评分的信息基础
• 大多数信用评分以借款人的信用历史为基础
1. 2. 3. 4. 5. 信用记录的长度 还款历史 信用或贷款额度 公共纪录 （破产、催收……） 查询信息的次数
• 信用评分通常不考虑
1. 人类学信息（种族、性别、教育程度……） 2. 借款人的地理位置 3. 宏观经济因素
KS
50 40 30 20 10 0 0 20 40 Default 60 80 100
Non-Default
19
Gini指数是另一个常用数据
100% 90% 80% 70%
AP AR
累计违约率
60% 50% 40% 30% 20% 10% 0%
模型A 完美模型
Gini = AR/AP
20
10 0%
95%
18
测试模型排序能力的统计数据
• KS (Kolmogorov-Smirnov) 指数
是衡量模型辨别能力的普遍方 法
– 账户被分为违约和非违约两类， 并根据模型评分进行排序 – 画出两条累积曲线 – KS就是两条曲线间的最大距离 – KS 值在 0 到 100 之间，KS 越大，模型越好
100 90 80 70 60