第三讲：信用评级模型

existcr foreign
input input
interval binary
good_bad history
target input
binary ordinal
credit rating credit history 0: no credits taken / all credits paid back duly 1: all credits at this bank paid back duly 2: existing credits paid back duly till now 3: delay in paying off in the past 4: critical account / other credits existing (not at this bank) housing 1: rent 2: own 3: for free
数据的拟合值 yˆi 。引入阀值 i ，大于
log it
因marital变量含有性别和婚姻的信息，这两个信息都是个人基本信
息，如果将它们提出为独立变量，可能对响应预测有利，因此，我们将 marital分为两个变量，即 sex表示客户性别 maritals表示客户婚姻状况
设置变量角色
信用评级就是要用申请者个人信息预测响应，这里good_badN就是
•因全部的数据文件仅为1000个观察样本，所以选择全部的数据建模； •数据集设为ＲＡＷ角色； •在数据中，good_bad变量反映了客户信用的响应变量，因此，预备选择 good_bad为建模模型的目标变量，修改good_bad变量为Target角色。
a exp b x 1
Interval变量有三个（durations、 amount和age），其它均为分类变量。 观察good_bad变量直方图：
因数据文件仅有三个区间变量，没有缺失值，DURATION和AGE没有明显奇异 值，仅需观察AMOUNT变量的分布。
偏态
x
数据作对数变换后（即LOG(AMOUNT)）, 数据表现出正态分布，奇异值也仅为最小值。
f Pj
变量变换
将AMOUNT变量作对数变换，变换后的变量命名为LAMOUNT, 并把它角色设置为input，而AMOUNT变量角色设置为rejected。
具体贷款变量
•Amount：信用卡保证金 •Purpose：贷款目的 •Duration：贷款期 •Installp：可支配收入情况 •Other：其它资产
债权人财产变量
•Housing：房产情况 •Depends：动产数 •Existcr：在本银行是否有信用卡
Variable age amount checking
数据变换
•插入Create Variable节点作数据变换； •定义反映信用响应的新响应变量good_badn，作为建模的目标变量。
我们观察Duration变量的分布：
从直方图中知， Duration变量值从4～72，值太多，不利于信用模型的 解释。因此，为了简化分析，即使丢失一点信息，我们还是应该将Duration 变量化为二值变量。
martial
input
nominall
other
input
nominal
other installment plans 1: bank 2: stores 3: none property 1: real estate 2: if not 1, building society savings agreement / life insurance 3: if not 1 or 2, car or others 4: unknown / no property purpose 0: new car 1: used car 2: furniture / equipment 3: radio / television 4: domestic appliances 5: repairs 6: education 7: vacation 8: retraining 9: business x: others
样本的响应变量，即设置为target角色，其它设为input角色。但创建的
新变量的信息代替了旧变量信息，所以在后面建模中要去掉旧变量，即 把good_bad、checking、duration、marital设置为rejected角色。 good_badN、good_checking、bad_checking、sex、martials五变 量New Measurement设为binary。
housing
input
nominal
installp
input
interval
installment rate in percentage of disposable income
job
input
ordinal
job 1: unemployed / unskilled non-resident 2: unskilled resident 3: skilled employee / official 4: management / self-employed / highly qualified employee / officer
IG(m) y 1 h g z
k
变量筛选
下面我们探索其它变量与目标变量的关联强度，这是寻找变量在识别响应
中的效果的工作。虽然，一元分析不能完全提示变量间的关系，但它是建立多
Model Role input input input
Measurement interval interval nominal or ordinal
Description age in years credit amount status of existing checking account 1: ... < 0 DM 2: 0 <= ... < 200 DM 3: ... >= 200 DM 4: no checking account
property
input
nominal or ordinal
purpose
input
nominal
resident savings
input input
interval nominal or ordinal
presen来自百度文库 residence since status of existing saving account or bonds 1: ... < 100 DM 2: 100 <= ... < 500 DM 3: 500 <= ... < 1,000 DM 4: ... >= 1,000 DM 5: unknown / no saving account telephone 1: none 2: yes, registered under the customer's name
数据探测
首先，我们要初步了解目标变量和其它变量的分布，目的是：
数据是否存在大量的缺失值； 数据是否可能存在严重影响建模稳定性的奇异数据； 变量服从的分布是否适合模型条件。
其次，我们要作一般变量与目标变量的交叉分析，以了解其它变量与目标 变量的相关性和优势率。目的是： 选择建模重要变量，减少参与建模的变量，提高计算效力； 检查变量间的共线性性，提高模型精度； 为模型解释作好准备。
coapp
input
nominal
other debtors/guarantors 1: none 2: co-applicant 3: guarantor number of dependents duration in months
depends durations
input input
interval interval
第三讲：信用评级模型
主讲：梁满发
工作目标
信用评级就是对贷款申请者进行信用评估，目的是减少贷方（银行、投资 公司、信用卡公司）的金融风险。 信用评级模型还可用于人才甄聘、绩效考核、投资风险评估、犯罪识别等 工作中。 现在我们以某金融机构对客户信用卡申请审批工作为背景，运用数据挖掘 方法建立信用评分的模型，对申请者给以信用评分，产生一个自动决策系统帮 助决定接受或拒绝信用申请。 我们把信用合格者视为响应，不合格者视为非响应。我们要作信用评级 就是寻找信用合格者与不合格者之间的行为模式或社会背景的差别，以此来 判别某种特定的申请者信用。因此，我们必须要有足够的高质量的客户信用
telephon
input
binary
具体工作目标：
（１）找出影响信用重要因素，决定信用评级考查的重要内容； （２）建立信用评分模型，找出信用高或信用低的人群特征； （３）编写信用评分模型程序代码； （４）计算申请者的信用得分，并完成准批还是拒绝工作。
数据抽样
•插入input data source节点，选取SAMPSIO库中的DMAGECR 数据文件；
观察数据，既要包括足够的响应和非响应，以及相应的客户金融行为信息和
社会背景信息，这些信息可是区别不同信用者因素。
在此，我们有某德国银行的客户信用的历史数据，数据文件名为 SAMPSIO.DMAGECR。数据含有1000个申请者观察，其中有21个变量， good_bad是表示信用的二值响应变量。它是从银行内部一个更大的数据库 中抽样出来的，原数据库中仅有10％的响应（信用不合格者），为了有足 够的响应数据供分析，才取了重抽样方式，抽取的样本中响应占样本数的 30％。 除good_bad变量外的其它20变量意义如下： 社会人口变量
personal status and sex 1: male -- divorced / separated 2: female -- divorced / separated / married 3: male -- single 4: male -- married / windowed 5: female -- single
P Y 1
因为Checking变量有四个值，信息冗余，不利解释响应变量，因此，
我们将Checking拆分为两个变量，即
good_Checking表示”好帐户“，即“余额大于200马克”为1，其它 为0； bad_Checking表示”坏帐户“，即“负余额”为1，其它为0。
一旦根据数据计算出 i ，就能得到
•Marital：性别与婚姻状况 •Age：年龄 •Resident：在现住所的居住年数 •Telephon：电话号码
个人和金融变量
•Checking：银行帐户情况 •Savings：存款数量 •History：使用信用卡情况 •Property：财富、保险情况 •Coapp：担保情况 •Job：职业类型 •Employed：工作年限 •Foreign：是否是外国职员
一方面，因Duration变量的平均值为20左右，分布偏左态；另一方面，
金融行业习惯将贷款分为”长期贷款“和”短期贷款“的概念。因此，决定 期”低于18月的称为“短期贷款”，变量值对应为“0”。新变量命名为 “deadline”。 将“贷款期”超过18月的称为“长期贷款”，变量值对应为“1”；将“贷款
employed
input
ordinal
present employment since 1: unemployed 2: ... < 1 year 3: 1 <= ... < 4 years 4: 4 <= ... < 7 years 5: ... >= 7 years number of existing credits at this bank foreign worker 1: yes 2: no
从图中看出，不可信任的客户有“bad”表示，即响应。而我们习惯 把响应值定为“1”，因此,需要把doog_bad变量重编码，即“bad”对应” １“，“good”对应“0”。新变量命名为good_badn。 另外，从图中知目标变量响应比例为30％，这个比例不符合一般申 请人群响应的比例。这是由于为了得到足够的响应来分析响应行为，以 重抽样方式得到的样本。虽然不影响建模，但建模时应加以注意。经调 查，申请者总体中约为10％人为有信用风险，90％为没有信用风险。