五行為評(píng)分模型的開(kāi)發(fā)與應(yīng)用

1、1,行為評(píng)分模型的開(kāi)發(fā)與應(yīng)用,根據(jù)信用卡賬戶歷史上所表現(xiàn)出來(lái)的各種行為特征來(lái)預(yù)測(cè)該賬戶未來(lái)的信貸表現(xiàn)。數(shù)據(jù)源主要包括以下數(shù)據(jù)元素：24-36個(gè)月中每個(gè)月的信貸余額；24-36個(gè)月中每個(gè)月的最低應(yīng)付款額24-36個(gè)月中每個(gè)月的付款額；24-36個(gè)月中每個(gè)月的退款額；24-36個(gè)月中每個(gè)月的購(gòu)物消費(fèi)額；24-36個(gè)月中每個(gè)月的現(xiàn)金提取額；24-36個(gè)月中每個(gè)月的逾期拖欠周期；開(kāi)戶時(shí)間；信用額度；賬戶地位。,2,一、行為

2、風(fēng)險(xiǎn)評(píng)分模型,行為風(fēng)險(xiǎn)評(píng)分模型的數(shù)據(jù)時(shí)間段劃分,3,一、行為風(fēng)險(xiǎn)評(píng)分模型,表現(xiàn)期表現(xiàn)期不宜太長(zhǎng)(如18個(gè)月或24個(gè)月)的原因是為了能夠有更好的預(yù)測(cè)效果。觀察期,4,一、行為風(fēng)險(xiǎn)評(píng)分模型,排除依觀察日的信息來(lái)排除已經(jīng)嚴(yán)重拖欠、呆賬、破產(chǎn)的賬戶(無(wú)須預(yù)測(cè))；開(kāi)戶時(shí)間少于6個(gè)月的賬戶(沒(méi)有觀察到足夠的行為信息)；最近連續(xù)6個(gè)月以上沒(méi)有活動(dòng)的賬戶(沒(méi)有足夠的預(yù)測(cè)信息)；已經(jīng)關(guān)閉的賬戶；賬戶持有人已故的賬戶；特殊情況的賬戶(如賬

3、戶巳被凍結(jié)、某些VIP賬戶)；依表現(xiàn)日的信息來(lái)排除處于欺詐、爭(zhēng)議狀態(tài)或賬戶持有人已故的賬戶。,5,一、行為風(fēng)險(xiǎn)評(píng)分模型,表現(xiàn)變量定義在表現(xiàn)期末為呆賬、破產(chǎn)、3期以上拖欠的賬戶為“壞”；在表現(xiàn)期末無(wú)施欠或僅為1期拖欠的賬戶為“好”；在表現(xiàn)期末為2期拖欠的賬戶為“不確定”。預(yù)測(cè)變量提煉基本方法有5種：嚴(yán)重性；近期性；頻率性；貨幣價(jià)值性；組合性。,6,基于嚴(yán)重性的預(yù)測(cè)變量,過(guò)去12個(gè)月未發(fā)生任何拖欠的賬戶群，“壞”的比

4、例小于0.5%，隨著過(guò)去拖欠行為的嚴(yán)重化，其“壞”的比例也迅速提高。,7,基于近期性的預(yù)測(cè)變量,拖欠行為發(fā)生的歷史越近，風(fēng)險(xiǎn)越大。,8,基于頻率性的預(yù)測(cè)變量,拖欠發(fā)生的越頻繁，風(fēng)險(xiǎn)越大。,9,一般來(lái)說(shuō)，未清償貸款余額越高，信用卡用戶的債務(wù)負(fù)擔(dān)越重，風(fēng)險(xiǎn)越大。,基于貨幣價(jià)值性的預(yù)測(cè)變量,10,組合性考慮的是各種不同性質(zhì)的行為所占的比例。由于不同性質(zhì)的行為風(fēng)險(xiǎn)特征不同，其比例的高低往往揭示了風(fēng)險(xiǎn)的大小，如圖，沒(méi)有現(xiàn)金提取行為的賬戶群風(fēng)險(xiǎn)最低

5、，現(xiàn)金提取額所占比例越高，風(fēng)險(xiǎn)越大。,基于組合性的預(yù)測(cè)變量,11,一、行為風(fēng)險(xiǎn)評(píng)分模型,模型分組,12,一、行為風(fēng)險(xiǎn)評(píng)分模型,行為風(fēng)險(xiǎn)評(píng)分模型的結(jié)果是把信用卡賬戶按照未來(lái)的壞賬風(fēng)險(xiǎn)程度進(jìn)行區(qū)別、排隊(duì)，并且估計(jì)其未來(lái)發(fā)生嚴(yán)重拖欠的概率。,13,行為風(fēng)險(xiǎn)評(píng)分模型的預(yù)測(cè)結(jié)果,14,二、行為收益評(píng)分模型,行為收益評(píng)分模型的數(shù)據(jù)時(shí)間段劃分,15,表現(xiàn)期一般為12個(gè)月觀察期一般為12個(gè)月表現(xiàn)變量定義未來(lái)一年的凈收益＝利息收入-資金成本+刷

6、卡回傭+各項(xiàng)收費(fèi)-運(yùn)營(yíng)成本預(yù)測(cè)變量提煉對(duì)模型預(yù)測(cè)力貢獻(xiàn)最大的變量組合往往是信用卡使用率和循環(huán)信貸傾向方面的變量。,二、行為收益評(píng)分模型,16,行為收益評(píng)分模型預(yù)測(cè)變量一,隨著信用額度使用率的增加，年收益也不斷增加,17,行為收益評(píng)分模型預(yù)測(cè)變量二,隨著循環(huán)信貸活動(dòng)的增加，年收益也不斷增加,18,行為收益評(píng)分模型預(yù)測(cè)結(jié)果,該行為收益評(píng)分有效的區(qū)別了高收益和低收益的信用卡賬戶，最高收益的20%-30%的客戶帶來(lái)了絕大部分的收益。,19,

7、三、行為流失傾向評(píng)分模型,數(shù)據(jù)來(lái)源是銀行內(nèi)部信用卡的行為信息。數(shù)據(jù)劃分成表現(xiàn)期和觀察期，表現(xiàn)期一般為6-12個(gè)月，而觀察期一般為12個(gè)月。預(yù)測(cè)的目標(biāo)是信用卡客戶流失的概率。,20,行為流失傾向評(píng)分模型預(yù)測(cè)變量,過(guò)去6個(gè)月中連續(xù)地降低貸款余額的月份數(shù)，數(shù)目越高，未來(lái)流失概率越大。,21,思考題,什么是行為風(fēng)險(xiǎn)評(píng)分模型？該模型由哪些部分組成？其預(yù)測(cè)變量的提煉方法有哪幾種？什么是行為收益評(píng)分模型？該模型是如何應(yīng)用的？可以提煉出哪幾種預(yù)測(cè)