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)進行分析，但我相信，了解消費信貸行為、評分機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行決策，獲得收益。

消費信貸一直是推動世界領(lǐng)先國家經(jīng)濟轉(zhuǎn)型的主要力量。在過去的50年里，消費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)和信用季度報告,2014年8月，消費者負債總額為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)。消費信貸需求增長率極高，自動化風(fēng)險評估系統(tǒng)勢在必行。

信用評分

信用評分最早始于上世紀50年代初。信用評分最初使用統(tǒng)計學(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成為了一項成功的評價系統(tǒng)。

在信用評分中，信貸價值假設(shè)會在未來的幾年保持穩(wěn)定，貸方會對申請人是否會在未來的12個月內(nèi)出現(xiàn)90天以上的逾期支付進行評估。申請成功時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年左右的申請評分模型。

行為評分（Behavioral scoring）,是申請人評分的一個補充，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個月的違約風(fēng)險情況,通常每個月更新一次數(shù)據(jù)。最近表現(xiàn)和當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，如今貸款方更加注重能滿足他們盈利目標的貸款戰(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。基于盈利能力而做出決策的技術(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）增高，所借款項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)測的準確性這三點來評估一個信用評分模型。

貸款決策模型

貸款人的主要目標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。

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)險進行量化。貸款人還可以將風(fēng)險和回報設(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:決策(長方形節(jié)點),不確定事件(圓形節(jié)點),以及結(jié)果(菱形節(jié)點)。各節(jié)點由箭頭相互連接。圖1從市場中貸款人的角度進行繪制。

圖1中,首先，貸款人獲得借款人是否會有良好表現(xiàn)的貸款預(yù)測。預(yù)測是隨機事件,因為貸款人不能決定預(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，貸款人就可以檢驗收入證明（Income verification）執(zhí)行情況，查看FICO分數(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)字代表的回報事件表示。每個機會節(jié)點(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)果點開始往回推，經(jīng)過所有決策及不確定事件的節(jié)點后，可以計算出每個結(jié)果的預(yù)期貨幣值（EMV）。

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

假設(shè)，借款人回報良好時，貸款人獲益10，借款人違約時，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代表投資回報良好的可能性，那么根據(jù)預(yù)期貨幣值（EMV）的標準，只有 pg – (1-p)l > 0時，貸款人應(yīng)該進行投資。

p/(1-p)即投資回報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現(xiàn)，也不方便。但是，決策樹可以協(xié)助貸款人進行決策。