大數(shù)據(jù)應(yīng)用 信用評分及模型原理解析

雖然人人都可以通過對借款方在Lending Club和Prosper上的歷史借貸數(shù)據(jù)進(jìn)行分析，但我相信，了解消費(fèi)信貸行為、評分機(jī)制和貸款決策背后的工作原理可以幫助投資人更好的在市場中進(jìn)行決策，獲得收益。

消費(fèi)信貸一直是推動(dòng)世界領(lǐng)先國家經(jīng)濟(jì)轉(zhuǎn)型的主要力量。在過去的50年里，消費(fèi)開支也因此有所增加。根據(jù)紐約聯(lián)邦儲備銀行家庭債務(wù)和信用季度報(bào)告,2014年8月，消費(fèi)者負(fù)債總額為11.63萬億美元，其中74%為按揭和凈值貸款，10%為學(xué)生貸款，8%為汽車貸款，以及6%為信用卡債務(wù)。消費(fèi)信貸需求增長率極高，自動(dòng)化風(fēng)險(xiǎn)評估系統(tǒng)勢在必行。

信用評分

信用評分最早始于上世紀(jì)50年代初。信用評分最初使用統(tǒng)計(jì)學(xué)方法來區(qū)分優(yōu)秀和不良貸款。最初，信用評分的重點(diǎn)是是否要給貸方發(fā)放貸款，后來，這種行為轉(zhuǎn)變成了申請人評分（applicant scoring）。信用評分借著申請人評分這一項(xiàng)成為了一項(xiàng)成功的評價(jià)系統(tǒng)。

在信用評分中，信貸價(jià)值假設(shè)會(huì)在未來的幾年保持穩(wěn)定，貸方會(huì)對申請人是否會(huì)在未來的12個(gè)月內(nèi)出現(xiàn)90天以上的逾期支付進(jìn)行評估。申請成功時(shí)申請人的最低評分是該分值邊際良好和不良貸款幾率相比而來，即會(huì)額外通過的優(yōu)秀貸款與不良貸款的比例。申請者貸款1-2年以來的數(shù)據(jù)，加上相應(yīng)的信用記錄將幫助建立申請者未來2年左右的申請?jiān)u分模型。

行為評分（Behavioral scoring）,是申請人評分的一個(gè)補(bǔ)充，旨在評估申請人在過去一年中支付和購買行為的狀況。 此數(shù)據(jù)用于預(yù)測未來12個(gè)月的違約風(fēng)險(xiǎn)情況,通常每個(gè)月更新一次數(shù)據(jù)。最近表現(xiàn)和當(dāng)前信貸信息比最開始的申請信息更為重要。

比起違約風(fēng)險(xiǎn)，如今貸款方更加注重能滿足他們盈利目標(biāo)的貸款戰(zhàn)略。他們可以選擇貸款額、利率及其他條款,從而最大限度地提高盈利能力?；谟芰Χ龀鰶Q策的技術(shù)分析叫做利潤評分（profit scoring）。

與可使用靜態(tài)信用評分模式的申請人評分不同，行為評分和利潤評分需要使用動(dòng)態(tài)信用評分模式，即要將過去的信貸行為納入考慮范圍。 一般來說，信用評分模型會(huì)分別為每一筆借貸建模。但是，由于借款人貸款組合違約情況（信用風(fēng)險(xiǎn)）增高，所借款項(xiàng)的重要性便今非昔比了。目前為止沒有廣泛接受的用于評估貸款組合的信用風(fēng)險(xiǎn)模型。

您可以通過評估系統(tǒng)識別優(yōu)秀及不良貸款的能力，預(yù)測概率的精確性以及分類預(yù)測的準(zhǔn)確性這三點(diǎn)來評估一個(gè)信用評分模型。

貸款決策模型

貸款人的主要目標(biāo)是在其投資組合中獲得利潤最大化。對于任何一筆貸款中,投資人都需要考慮貸款回報(bào)額。投資100美元，獲利10美元顯然不如投資25美元，獲得3美元回報(bào)。

有些情況下，借款人無法償還貸款，這就意味著貸款人甚至?xí)媾R重大損失。我們可以通過分析投資組合違約率及違約結(jié)果對風(fēng)險(xiǎn)進(jìn)行量化。貸款人還可以將風(fēng)險(xiǎn)和回報(bào)設(shè)定在預(yù)期的范圍內(nèi)。

最終是否投資給借款人需要基于一系列決策：即哪些信息將有助于作出決策,在決策過程期間和之后貸款會(huì)有何發(fā)展以及最終可能出現(xiàn)的結(jié)果。

影響圖網(wǎng)

影響圖網(wǎng)用可視化的圖形幫助投資人了解主要決策、不確定性、相關(guān)信息以及最終成果是如何相互影響的。

影響圖網(wǎng)可以確定決策的重要方面，有哪些數(shù)據(jù)與決策相關(guān)，以及在哪些方面有關(guān)。圖網(wǎng)包括三種節(jié)點(diǎn):決策(長方形節(jié)點(diǎn)),不確定事件(圓形節(jié)點(diǎn)),以及結(jié)果(菱形節(jié)點(diǎn))。各節(jié)點(diǎn)由箭頭相互連接。圖1從市場中貸款人的角度進(jìn)行繪制。

圖1中,首先，貸款人獲得借款人是否會(huì)有良好表現(xiàn)的貸款預(yù)測。預(yù)測是隨機(jī)事件,因?yàn)橘J款人不能決定預(yù)測的結(jié)果。它將影響投資與否（Loan or not）的決策，也會(huì)影響借款人的表現(xiàn)（Borrower good or bad）。接著，平臺將決定是否發(fā)布貸款（Loan issued or not）。這對貸款人來說是隨機(jī)事件。除非該貸款沒有得到足夠的貸款人支持，否則貸款人對是否發(fā)布貸款沒有決定權(quán)或影響力。貸款一旦發(fā)布，貸款人就可以檢驗(yàn)收入證明（Income verification）執(zhí)行情況，查看FICO分?jǐn)?shù)及還款記錄（FICO score and payment history.）是否有變化，并更新貸款預(yù)測。根據(jù)更新后的貸款預(yù)測，貸款人可以決定是否要在FILOfn二級交易平臺上賣出貸款。類似的，其他貸款人也可以在二級交易平臺上很據(jù)更新的貸款預(yù)測決定是否買入貸款。這一系列事件會(huì)最終影響貸款人的收益。

決策樹

決策樹確定貸款中有哪些最優(yōu)決策，并按照決策過程中信息的了解順序來解析決策的各個(gè)步驟。

那么決策樹模型又是如何根據(jù)可視化影響圖網(wǎng)中的結(jié)構(gòu)逐漸形成的呢？決策樹與影像圖網(wǎng)的結(jié)構(gòu)類似。其結(jié)果由以數(shù)字代表的回報(bào)事件表示。每個(gè)機(jī)會(huì)節(jié)點(diǎn)(不確定事件)都被賦予一定比重,比重代表事件結(jié)果發(fā)生的可能性。

從結(jié)果點(diǎn)開始往回推，經(jīng)過所有決策及不確定事件的節(jié)點(diǎn)后，可以計(jì)算出每個(gè)結(jié)果的預(yù)期貨幣值（EMV）。

圖2是一個(gè)簡單的貸款決策的決策樹。貸款人對是否進(jìn)行投資做出了一份初期判斷。如果貸款人不愿投資，則回報(bào)是0。如果貸款人投資，則有兩種可能：投資回報(bào)良好，或不好（即違約）。

假設(shè)，借款人回報(bào)良好時(shí)，貸款人獲益10，借款人違約時(shí)，貸款人則損失100。如果違約可能性是5%，并且貸款人愿意投資，則貸款人可能從借款人處獲益：

0.95 x 10 + 0.05 x (-100) = 4.5

如果貸款人不愿投資，則獲益為0。因此，決策樹顯示貸款人應(yīng)該進(jìn)行投資。如果違約的可能性增加到10%，則貸款人可能從借款人處獲益：

0.90 x 10 + 0.10 x (-100) = -1

因此，決策樹顯示貸款人不應(yīng)該進(jìn)行投資。

綜上所示，如果g代表貸款人收益，l代表因借款人違約導(dǎo)致的貸款人損失，p代表投資回報(bào)良好的可能性，那么根據(jù)預(yù)期貨幣值（EMV）的標(biāo)準(zhǔn)，只有 pg – (1-p)l > 0時(shí)，貸款人應(yīng)該進(jìn)行投資。

p/(1-p)即投資回報(bào)良好的可能性與違約可能性的比值，也稱為良莠比（good:bad odds）。

能夠涵蓋所有貸款決策的決策樹很難實(shí)現(xiàn)，也不方便。但是，決策樹可以協(xié)助貸款人進(jìn)行決策。