基于Stacking集成学习算法的个人信用评估模型
Statistics and Application 统计学与应用, 2017, 6(4), 411-417
Published Online October 2017 in Hans. https://www.360docs.net/doc/e3717326.html,/journal/sa
https://https://www.360docs.net/doc/e3717326.html,/10.12677/sa.2017.64047
Personal Credit Assessment Model Based on Stacking Ensemble Learning Algorithm
Runze Peng
School of Mathematics and Systems Science, Beihang University, Beijing
Received: Oct. 4th, 2017; accepted: Oct. 19th, 2017; published: Oct. 26th, 2017
Abstract
The prediction accuracy of traditional machine learning methods often depends on the specific problems. Ensemble learning achieves significant improvement in classification performance by combining several of base classifiers. This paper briefly introduces the basic idea of ensemble learning, discusses advantages of Stacking to the traditional classical ensemble algorithms. Based on the Stacking framework，we build two-layer classification model to evaluate the personal credit using the UCI datasets. The results of the empirical analysis show that, compared with the single machine learning method and simple average ensemble, Stacking with two-layer classifier has a better prediction effect.
Keywords
Ensemble Learning, Stacking, Credit Assessment
基于Stacking集成学习算法的个人信用
评估模型
彭润泽
北京航空航天大学数学与系统科学学院，北京
收稿日期：2017年10月4日；录用日期：2017年10月19日；发布日期：2017年10月26日
摘要
传统机器学习算法的预测精度往往依赖于具体的问题，集成学习通过综合若干基分类器的预测结果，实
彭润泽
现了分类效果的显著提升。对集成学习的思想进行了简单地介绍，阐述了Stacking集成相对于传统经典集成算法的优势。并基于Stacking集成框架，利用UCI的信用评估数据集，构建两层分类器学习模型对个人信用进行评估。实证分析的结果表明，相对于单一的机器学习方法，以及对这些单一机器学习方法的结果进行简单的平均集成，两层分类器的Stacking集成学习有着更好的预测效果。
关键词
集成学习，Stacking，信用评估
Copyright ? 2017 by author and Hans Publishers Inc.
This work is licensed under the Creative Commons Attribution International License (CC BY).
https://www.360docs.net/doc/e3717326.html,/licenses/by/4.0/
1. 引言
随着我国经济进入稳步增长的新常态模式，国内金融信贷行业迅速发展，许多金融信贷服务逐步下沉到社会大众。而且受2008年次贷危机的影响，传统的企业金融业务增长乏力，大量金融机构开始愈加重视个人信贷业务，加上互联网金融的异军突起，个人的信用消费也变得越来越普遍，与之相辅相成的是对个人信用评估的迫切需求。
个人信用评估是基于个人的基本信息和历史信用数据，通过机器学习、数据挖掘等技术建立信用评分模型，对个人的信用进行量化评估。在个人信用评估研究领域，各种统计学方法和机器学习方法被大量运用[1][2]。I-Cheng Yeh和Che-hui Lien对K近邻、Logistic回归，线性判别分析，朴素贝叶斯，人工神经网络，决策树这六种模型在信用卡违约概率预测问题上进行了比较，结果表明人工神经网络的预测准确度最高[3]。姜明辉等人针对单一模型在信用评估问题上存在的不足，将RBF神经网络和Logistic回归的预测结果进行加权组合，结果表明组合模型更加稳健且有着更高的预测精度[4]。叶晓枫和鲁亚会在随机森林特征选择算法的基础上构建朴素贝叶斯信用评估模型，发现两种算法组合后的模型有效提高了朴素贝叶斯模型的分类精度[5]。Paolo的研究表明，结合马尔可夫链蒙特卡罗计算方法的贝叶斯模型，能够成功应用在基于高维度复杂数据集的信用评分问题上[6]。Lee等人将反向传播神经网络与判别分析相结合，发现这种混合方法的收敛速度远快于传统的神经网络模型，而且信用评分的准确度要优于判别分析和Logistic回归[7]。Baesens等人基于八个真实的信用评分数据集进行实证分析，发现最小二乘支持向量机和神经网络分类器预测性能非常优异，但是一些简单的分类器例如Logistic回归和线性判别分析同样表现良好[8][9]。Farquad等人提出一种联合PCA和SVM的信用评分模型，结果表明PCA-SVM混合模型的预测精度要高于单独的SVM模型[10]。David West等人在多重感知机神经网络的基础上，利用CV(交叉验证)，Bagging和Boosting三种集成策略建立集成分类器，发现集成神经网络在降低泛化误差方面要显著优于最好的单一预测模型，但是三种不同集成策略的性能却没有明显的差别[11]。
本文基于Stacking集成算法的框架，构建了两层集成学习器，初级学习器采用四个预测精度较高的非参数机器学习算法，这些非参数方法对数据的分布不做假设，能够很好地捕捉大样本、高维度数据中的复杂非线性关系。次级学习器采用传统的统计学方法Logistic回归，Logistic回归虽然分类精度低于一些非参数智能算法，但是简单易操作且有着很好的稳定性性，能够有效降低集成模型过拟合的风险。
2. 集成模型
集成学习通过对若干弱学习器进行适当的组合来得到预测性能较强的学习器。图1展现了集成学习
彭润泽
Figure 1. Structure of ensemble learning 图1. 集成学习结构
的一般结构，每个基学习器由特定的学习算法从数据中产生，然后经过适当的组合策略来得到最终的预测模型。
集成学习预测效果的好坏主要取决于两个方面：一个是基分类器的预测精度，显然基分类器的分类准确率越高，集成学习的效果也会越好；另一个比较重要的方面就是基分类器的多样性，所谓多样性就是希望所有的基学习器相互之间能够有一定的差异。如果所有基学习器都产生了相同的预测结果，集成模型的预测效果也不会改善，反而会增加建模的复杂性。所以我们希望不同的基学习器能够“好而不同”[12]，从而实现不同基学习器之间的强强联合和优势互补。
Bagging 和Boosting 是最具代表性的两种集成学习算法。Bagging 通过对给定的训练集进行等概率、有放回的抽样来得到若干训练集，然后用这些不同的训练集来训练出一系列基分类器。Boosting 在进行基分类器的构建时，会对之前预测错误的样本增加抽样权重，从而每一轮训练都是基于不同分布的数据样本，并在最后集成时会考虑每个基学习器的预测效果，进行加权平均。
Bagging 和Boosting 一般都是基于单一的机器学习算法，比如决策树模型。而Stacking 则是通过组合多种机器学习算法来提升分类器的泛化性能。它先从原始训练集中训练出初级学习器，然后以初级学习器的预测结果作为特征来训练一个次级模型，比如最简单的次级模型就是对多个初级基学习器的结果进行简单投票。Stacking 依靠不同学习算法的差异来保证基学习器的多样性，而且通过次级学习器以最佳的方式来整合不同基学习器的预测结果，相对Bagging 和Boosting ，Stacking 往往预测精度更高，而且过拟合的风险会更低[13]。
本文构建的个人信用评估模型的示意图如图2所示。
我们先对原始数据采取一些预处理措施和特征降维，然后将数据划分成训练集和测试集两部分，分别进行模型的训练和结果的预测。为了便于比较Stacking 和Bagging 、Boosting 的预测效果，我们将Bagging 的代表性算法RF (随机森林)和Boosting 的代表性算法GBDT (梯度提升树)作为初级学习器的组成部分，另外两个初级的基学习器是经典的机器学习分类算法SVM (支持向量机)和ANN (人工神经网络)，次级学习器采用稳定性较高的Logistic 回归算法。
3. 实证分析
本文采用来自UCI 的台湾地区信用卡客户违约记录数据，包含30,000条样本，24个变量，具体的变量描述如表1所示，响应变量为Y ，表示客户是否违约，其余23个变量都是解释变量，其中包含9个离散变量，14个连续变量。
3.1. 数据预处理和降维
我们对客户的年龄变量采取离散化处理，将客户年龄划分成5个区间：25岁以下，25~35岁，
35~45
彭润泽
Figure 2. Structure of personal credit assessment model 图2. 信用评估模型结构
Table 1. Description of variables 表1. 变量描述
变量名称
变量含义
Y 是否违约：1=违约，0=未违约
X 1 银行给予客户的信用额度(包括个人信用额度和客户的家庭信用额度)
X 2 客户的性别：1=男性，2=女性
X 3 客户的教育水平：1=研究生及以上，2=大学，3=高中，4=其它
X 4 客户的婚姻状况：1=已婚，2=未婚，3=其它
X 5
客户的年龄
611X X ? 这6个变量依次表示客户从2005年4月到9月每月的还款情况：?1=及时还款，1=还款延迟一个月，
2=还款延迟两个月，???，9=还款延迟九个月及以上
1217X X ? 这6个变量依次表示客户从2005年4月到9月每月的信用卡消费金额
1823X X ?
这6个变量依次表示客户从2005年4月到9月每月的支付金额
岁，45~60岁，60岁以上。变量离散化后对异常数据有更强的鲁棒性，并且能够提升学习算法的训练效率。另外我们对数据采用如下公式所示的标准化处理：
()3X X X σ
??=
(1)
其中X 表示变量的均值，σ表示变量的标准差。根据正态分布的3σ原理，标准化后大概有99.7%的变量值被压缩到?1和1之间，对于落在区间[?1,1]之外的值均设为?1和1，这样处理既能保证变量的取值全都落在一个相同且较小的范围内，消除不同变量量纲和数值的差异，又能降低一些极端值对建模带来的负面影响。
图3是13个连续型解释变量的相关系数图，图中数字颜色的深浅反映出相关系数绝对值的大小，从图3可以明显看出1217X X ?这6个解释变量呈现出非常强的正相关性，存在较多重叠和冗余的信息。
为了剔除这几个变量中存在的大量冗余信息，降低建模的复杂度，我们采用主成分分析方法对这几个解释变量进行降维处理。主成分分析通过对协方差矩阵做奇异值分解，将大量相关性很高的变量转化成几个相互独立、且能解释大部分原始数据信息的主成分。主成分分析的结果如表2所示，从表中可以看到第一主成分就贡献了原始数据90%的信息，因此我们用第一主成分代替12
17X X ?这六个解释变量。
彭润泽
Figure 3.Correlation coefficient
图3.相关系数
Table 2.Results of principal component analysis
表2.主成分分析结果
主成分 1 2 3 4 5 6
特征值 5.433 0.306 0.112 0.067 0.042 0.040 贡献率% 90.550 5.099 1.861 1.119 0.693 0.678 累积贡献率% 90.550 95.649 97.510 98.629 99.322 100
3.2. 预测分析和结果比较
我们利用分层随机抽样按照3:1的比例将原始数据划分成训练集和测试集两部分，训练集包含22,500个样本，测试集包含7500个样本。模型的建立主要利用R软件中的caret包来完成。对于所有的基学习器，均采用10折交叉验证的网格搜索法来确定重要超参数的取值。选择分类正确率和AUC值作为模型的评价指标。分类正确率是正确分类的样本数占总样本数的比例，反映了模型的整体分类精度。AUC值代表模型ROC曲线下的面积，常被用来判断一个二值分类器的优劣，是对正例分类精度和反例分类精度的综合度量，AUC取值在0.5到1之间，越接近1表示分类器的效果越好[14]。所有模型的预测结果如
表3所示。
彭润泽
Table 3.Prediction results of different models
表3.不同模型预测结果
分类正确率AUC值
模型
训练集测试集训练集测试集SVM (支持向量机) 81.84% 81.76% 0.7830 0.7303
RF (随机森林) 99.32% 82.12% 0.9995 0.7741 ANN (人工神经网络) 83.31% 80.85% 0.8152 0.7583
GBDT (梯度提升树) 83.22% 82.29% 0.8191 0.7885 简单投票法91.20% 82.24% 0.9616 0.7873 Stacking集成模型94.66% 85.31% 0.9711 0.7901
在表3的6个模型当中，前4个模型是我们建立集成模型所采用的四个单一初级分类器，第5个模型简单投票法采用“软投票”策略，即对所有初级分类器的输出概率求算术平均，然后选择合适的阈值进行结果预测。最后一个模型就是我们基于Stacking构建的两层集成模型，在这个模型当中，同样是利用初级学习器的输出概率来训练次级学习器，相比于初级分类器产生的二值分类结果，概率结果包含了更多基分类器在数据里发现的模式和信息。
由表3可知在训练集上RF的分类正确率最高，几乎达到了百分之百，简单投票法和Stacking集成模型的分类正确率也都超过了90%，另外三个模型的分类正确率都低于85%。在更能反映模型泛化能力的测试集上，Stacking集成模型的分类正确率最高，达到了85.31%，比最好的单一分类器GBDT高了3.02%，而在训练集上表现非常好的RF的分类正确率只有82.12%，这说明RF存在着一定程度的过拟合。简单投票法在训练集和预测集上的分类正确率分别达到了91.20%和82.24%，要高于四个单一模型86.92%和
81.76%的平均分类正确率，这说明简单的集成也能在一定程度上提升分类效果，但简单投票法在训练集
和测试集的分类正确率都要显著低于Stacking集成模型，表明通过训练第二层的Logistic分类器能够产生对初级学习器更好的组合方式。AUC值的结果同样体现了Stacking集成模型有着最优的泛化性能。
4. 结束语
近年来，随着我国经济的快速发展，消费信贷业务也增长迅速，住房按揭、助学贷款、信用卡等各种个人信贷业务的规模不断增长。但是相对于西方发达国家，我国个人征信系统的建设并不完善，大量人群的信用数据严重缺失，很多金融机构开始广泛采集用户的基本资料、信贷记录、信用卡使用情况等各种信息来构建自身的数据仓库。但是这些数据往往存在着样本量大、维度高、多元化、冗余化等特点，这也对传统机器学习模型的处理能力提出了挑战。集成学习的出现很好地解决了这一问题，其通过产生若干基学习器然后进行组合，对原始数据的信息进行了最大化利用，获得了比单一学习器更加优越的泛化性能。
本文利用Stacking集成框架，构建了两层分类器的个人信用评估模型，第一层模型采用分类精度较高的机器学习算法，第二层模型采用稳健性较好的Logistic回归方法，实现了预测精度和模型稳健性的统一。在UCI信用数据集上的实证分析结果表明，Stacking集成模型的分类精度要优于单一的机器学习模型，包括基于Bagging和Boosting构建的单一模型，同时该模型的效果也要优于仅仅对多个单一模型进行简单投票表决的方法，这为金融机构建立个人信用评估系统提供了一种新的思路和方法，也为构建多层Stacking集成的个人信用评估模型提供了参考和借鉴。
彭润泽
参考文献(References)
[1]Hand, D.J. and Henley, W.E. (1997) Statistical Classification Methods in Consumer Credit Scoring: A Review. Jour-
nal of the Royal Statistical Society: Series A (Statistics in Society), 160, 523-541.
https://https://www.360docs.net/doc/e3717326.html,/10.1111/j.1467-985X.1997.00078.x
[2]García, V., Marqués, A.I. and Sánchez, J.S. (2012) Non-Parametric Statistical Analysis of Machine Learning Methods
for Credit Scoring. Management Intelligent Systems, 263-272. https://https://www.360docs.net/doc/e3717326.html,/10.1007/978-3-642-30864-2_25
[3]Yeh, I.C. and Lien, C.H. (2009) The Comparisons of Data Mining Techniques for the Predictive Accuracy of Probabil-
ity of Default of Credit Card Clients. Expert Systems with Applications, 36, 2473-2480.
https://https://www.360docs.net/doc/e3717326.html,/10.1016/j.eswa.2007.12.020
[4]姜明辉, 谢行恒, 王树林, 等. 个人信用评估的Logistic-RBF组合模型[J]. 哈尔滨工业大学学报, 2007, 39(7):
1128-1130.
[5]叶晓枫, 鲁亚会. 基于随机森林融合朴素贝叶斯的信用评估模型[J]. 数学的实践与认识, 2017(2): 68-73.
[6]Giudici, P. (2001) Bayesian Data Mining, with Application to Benchmarking and Credit Scoring. Applied Stochastic
Models in Business & Industry, 17, 69-81. https://https://www.360docs.net/doc/e3717326.html,/10.1002/asmb.425
[7]Lee, T.S., Chiu, C.C., Lu, C.J., et al. (2002) Credit Scoring Using the Hybrid Neural Discriminant Technique. Expert
Systems with Applications, 23, 245-254. https://https://www.360docs.net/doc/e3717326.html,/10.1016/S0957-4174(02)00044-1
[8]Baesens, B. (2003) Using Neural Network Rule Extraction and Decision Tables for Credit-Risk Evaluation. Manage-
ment Science, 49, 312-329. https://https://www.360docs.net/doc/e3717326.html,/10.1287/mnsc.49.3.312.12739
[9]Stepanova, M. (2003) Benchmarking State-of-the-Art Classification Algorithms for Credit Scoring. Journal of the Op-
erational Research Society, 54, 627-635. https://https://www.360docs.net/doc/e3717326.html,/10.1057/palgrave.jors.2601545
[10]Farquad, M.A., Ravi, H., Sriramjee, V., et al. (2011) Credit Scoring Using PCA-SVM Hybrid Model. Communications
in Computer & Information Science, 142, 249-253. https://https://www.360docs.net/doc/e3717326.html,/10.1007/978-3-642-19542-6_40
[11]West, D., Dellana, S. and Qian, J. (2005) Neural Network Ensemble Strategies for Financial Decision Applications.
Computers & Operations Research, 32, 2543-2559. https://https://www.360docs.net/doc/e3717326.html,/10.1016/j.cor.2004.03.017
[12]周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 171-173.
[13]Zenko, B., Todorovski, L. and Dzeroski, S. (2001) A Comparison of Stacking with Meta Decision Trees to Bagging,
Boosting, and Stacking with other Methods. IEEE International Conference on Data Mining, 669-670.
https://https://www.360docs.net/doc/e3717326.html,/10.1109/ICDM.2001.989601
[14]Fawcett, T. (2006) An Introduction to ROC Analysis. Pattern Recognition Letters, 27, 861-874.
https://https://www.360docs.net/doc/e3717326.html,/10.1016/j.patrec.2005.10.010
知网检索的两种方式：
1. 打开知网页面https://www.360docs.net/doc/e3717326.html,/kns/brief/result.aspx?dbPrefix=WWJD
下拉列表框选择：[ISSN]，输入期刊ISSN：2325-2251，即可查询
2. 打开知网首页https://www.360docs.net/doc/e3717326.html,/
左侧“国际文献总库”进入，输入文章标题，即可查询
投稿请点击：https://www.360docs.net/doc/e3717326.html,/Submission.aspx
期刊邮箱：sa@https://www.360docs.net/doc/e3717326.html,
企业信用评级方法比较分析
目录 一、引言 (3) 二、企业信用评级的必要性 (3) 三、传统的企业信用评级方法比较分析 (4) ㈠综合评判法——专家系统 (4) ㈡线性模型分析法——信用评分方法 (4) ㈢专家系统和线性模型分析法的比较分析 (5) 四、现代企业信用评级方法比较分析 (5) ㈠现代企业信用评级模型总体分析 (5) ㈡信用监控模型（credit monitor model）：KMV模型 (6) ㈢在险价值方法：risk metrics 模型和Credit metrics模型 (6) ㈣KMV模型与Credit metrics模型的比较分析 (6) ㈤KMV模型与线性模型的比较分析 (8) ㈠现代企业信用评级模型总体分析 (8) ㈡人工神经网络分析法 (9) ㈢模糊分析法 (9) 六、结论 (10)
企业信用评级方法（模型）比较分析 陈婕 摘要： 本文从企业信用评级的传统方法（专家系统评级法、信用评分法）、现代方法（KMV 模型、Credit metrics模型、Credit Portfolio V iew模型和Credit Risk+模型等）和新科技方法（模糊综合评价法、人工神经网络分析法、Logit模型统计法等）这三个方面进行分析。重点分析了若干个信用评级模型，如专家系统、信用评分系统、KMV模型、Credit metrics模型、人工神经网络分析法、模糊综合评价法。并对个别模型进行了比较分析，如KMV模型和Credit metrics模型的比较分析，KMV模型和线性模型的比较分析，提出了我们应灵活运用企业信用评级方法，并结合多种方法，相互取长补短，对企业信用进行有效而合理评级的观点。 关键词：企业信用评级方法评级模型比较分析 一、引言： 信用风险是商业银行承担的最重要的风险。对企业信用风险的进行评级和度量不仅有利于金融机构有效降低风险，提升自身的发展能力，对国家金融稳定和经济发展有着重要的作用。在我国，由于受到银行业旧体制的影响，国内开始研究信用风险评级和度量方法的时间晚于其他国家。自2000年以来，为数不少的国内科研工作者积极投入信用风险度量研究，并在理论研究和实际应用上取得了，一定的成绩。由此可见，对风险进行度量，对企业进行有效的信用评级已经成为现代银行和其他金融机构风险管理职能中最为重要的内容之一。 二、企业信用评级的必要性 信用风险由来已久，它随着借贷的产生而发展。对于一个贷款企业而言，其能否按时归还贷款总是存在着不确定性，这种不确定性具体表现为，贷款企业不愿意履行或不能完全履行还款责任，信用风险一旦形成，银行将会因客户违约而遭受巨大金融损失。因此，银行需要对贷款企业进行严格的信用评级。 对企业进行信用评级的意义在于，它可以消除银行与企业之间的信息不对称性，提高银行借贷的管理效率，从而使资本市场的整体效率得以提高。 对于企业而言：有效的信用评级，可以使资信良好和还款能力强的企业取得所需贷款资金从事经营活动。 对于银行而言：其不仅可以拥有适合其风险偏好的标的，取得收益。同时还可以有效的过滤资信较差和还款能力较弱的企业，从而缓释银行违约风险。 所以，对企业进行合理而准确的信用评级是相当必要的。然而，信用评级是否合理，评级结果是否准确，在很大程度上取决于评级方法的科学性。那么，到底有哪些信用评级的方法呢？哪些才是合理而有效的信用评级方法？下面我就对企业信用评级方法进行简要的阐述与分析。
个人信用评估方法
个人信用评估方法比较分析 摘要：个人信用评估制度是个人信用制度中的一个重要组成部分，建立科学的个人信用评估体系是建立个人信用制度体系的核心问题。随着我国经济的发展和经济运行中不确定性的增强，信用评估在经济中的作用和地位越来越重要。如何建立一个规范化并和国际接轨的个人信用制度体系已成为一个亟待解决的重要课题。本文介绍了个人信用评估的方法及其比较分析。 关键词：信用评估评估模型神经网络评估系统 正文： 一．何谓个人信用评估及其内容 目前的个人信用评级方法，就是在对个人资信状况全面考察的基础上，根据统一的评级指标体系和相应的评级程序，对其在各种商业往来、合作中履行承诺条件的兑现状况，以及信誉程度所进行的全方位评价。此外，还必须实时监控影响个人信用质量的重大事件，及时调整对个人的信用评级结果。一般认为，不同的等级符号代表了不同的违约概率。 1.个人信用评级指标： （1）人基本情况 （2）个人资产规模和质量 （3）个人偿债能力 （3）个人盈利能力
（4）个人信誉状况 （5）个人发展前景 2. 个人信用评级理念 （1）定性与定量分析相结合，以定性分析为主，定量分析作为定性判断的重要依据。定量与定性都量化为分值，并与级别相对应。 （2）注重分析个人信用记录，对个人的信用品质予以重点关注。 （3）注重个人的还贷风险分析--对个人抵押物、固定资产、金融资产、无形资产、个人所在单位及其所处行业均进行深入调查和分析。 （4）注重个人现金流量分析，判断个人偿还债务本息的能力。 （5）进行个人财务报表数据真实性分析，在与个人沟通的基础上采用实际合理的数据。 二．个人信用评估模型的的种类及其比较 当前，我国个人业务的飞速发展使商业银行积累了一定量的数据，商业银行纷纷进行数据集中，建立数据仓库，开始应用数据挖掘技术建立科学的个人信用评估模型，进面建立完善的个人信用评估机制，以降低个人信贷业务成本和风险。但是我国银行业在个人信用评估模型的建立和应用方面仍处于起步阶段，对各种方法建立的个人信用评分模型的准确性和适用性的研究还有待深入。最常用的评估模型有以下几种。 1.神经网络 2.Logistic回归法
第三章 信用风险管理-客户信用评级.
2015年银行业专业人员职业资格考试内部资料 风险管理 第三章 信用风险管理 知识点：客户信用评级 ● 定义： 商业银行对客户偿债能力和偿债意愿的计量和评价，反映客户违约风险的大小。客户评级的评价主体是商业银行，评价目标是客户违约风险，评价结果是信用等级和违约概率。 ● 详细描述： 一、违约： （1）定义：根据巴塞尔新资本协议的定义，当下列一项或多项事件发生时，债务人即被视为违约： （2）债务人对于商业银行的实质性信贷债务逾期90天以上。若债务超过了规定的透支限额或新核定的限额小于目前余额，各项透支将被视为逾期。 （3）未来面临同样的本息还款的要求，在期望收益相等的条件下，收益波动性高的企业更容易违约，信用风险较大。 二、违约概率： （1）定义：借款人在未来一定时期内发生违约的可能性。 （2）在巴塞尔新资本协议中，违约概率被具体定义为借款人内部评级1年期违约概率与0.03%中的较高者，巴塞尔委员会设定0.03%的下限是为了给风险权重设定下限，也是考虑到商业银行在检验小概率事件时所面临的困难。 （3）违约概率的估计包括两个层面：巴塞尔新资本协议要求实施内部评级法的商业银行估计其各信用等级借款人所对应的违约概率。 （4）据监管机构的要求，商业银行采用信用风险内部评级法高级法应当自行估计违约概率、违约损失率、违约风险暴露、有效期限 三、客户信用评级的发展 从国际银行业的发展历程来看，商业银行客户信用评级大致经历了专家
判断法、信用评分法、违约概率模型分析三个主要发展阶段。 （1）专家判断法：是商业银行在长期经营信贷业务、承担信用风险过程中逐步发展并完善起来的传统信用分析方法。专家系统在分析信用风险时主要考虑两方面因素：与借款人有关的因素、与市场有关的因素。 1、与借款人有关的因素： 1）声誉：如果该借款人过去总能及时、全额地偿还本金与利息，那么他就具有良好的声誉，也就能较容易或以较低的价格从商业银行获得贷款。 2）杠杆：借款人的杠杆或资本结构，如果贷款给杠杆比率较高的借款人。商业银行就会相应提高风险溢价。 3）收益波动性：收益波动性高的企业更容易违约，信用风险较大。 2、与市场有关的因素： 1）经济周期：经济周期对于评价借款人的违约风险有着重要的意义。 2）宏观经济政策：对行业信用风险分析具有重要作用。 3）利率水平：高利率水平表示中央银行正在实施紧缩的货币政策。 3、常用的专家系统： 1）5Cs：品德、资本、还款能力、抵押、经营环境。 2）5Ps：个人因素、资金用途因素、还款来源因素、保障因素、企业前景因素。 （2）信用评分法 1、信用评分模型是一种传统的信用风险量化模型，利用可观察到的借款人特征变量计算出一个数值（得分）来代表债务人的信用风险。并将借款人归类于不同的风险等级。对个人客户而言，可观察到的特征变量主要包括收入、资产年龄、职业以及居住地等；对法人客户而言，包括现金流量、财务比率等。（定量与定性因素，定量主要是财务数据，定性如对行业的判断、客户在行业中的定位、企业经营管理层） 2、信用评分模型的关键在于特征变量的选择和各自权重的确定。目前，应用最广泛的信用评分模型有：线性概率模型、Logit模型、
建立我国商业银行个人信用评估体系的思考
建立我国商业银行个人信用评估体系的思考 篇一：我国在个人信用体系建设方面存在的问题及建议[1] 我国在个人信用体系建设方面存在的问题及建议 个人信用编辑于2009-04-28 内容摘要：个人信用体系建设是社会主义市场经济和社会和谐发展的必然要求。建立起我国较为完善的个人信用体系，进而规范并促进社会经济活动，是一项社会、经济意义深远且关系到治理体制创新、政府职能转变、法制建设规范等方面规模浩大的系统工程。本文针对我国在个人信用体系建设方面存在的问题展开讨论，并对如何搞好个人信用体系建设提出了一些建议。 关键词：个人信用体系建设规范思考 个人信用体系建设是社会主义市场经济和社会和谐发展的必要条件。建立起我国较为完善的个人信用体系，进而规范并促进社会经济活动，是一项社会、经济意义深远而且关系到治理体制创新、政府职能转变、法制建设规范等方面规模浩大的系统工程。既要克服传统体制的巨大惯性，又要适应现代市场经济规律和国际一体化的要求，其复杂性和艰巨性都是空前的。 从全国个人信用体系建设的实践来看，目前我国个人信用体系建设有了一定的进展，但也存在着相当多的问题。 我国个人信用体系存在的问题 信息收集缺乏法律支持 我国还没有健全的全国性的有关征信的法律法规。这就使我国的个人征信业面临尴尬和困境：一方面，缺乏相关法律的支持，导致信用数据征集困难；另一方面，对消费者数据的征集是在消费者不知情的情况下进行的，由于没有法律对消费者的信用数据加以区分，难免面临侵犯个人隐私权的尴尬。根据西方国家的经验，对消费者数据的征集是在法定程序下进行的，并事先征得本人的同意。而我国目前的做法则是，信用机构从中介人那里获得消费者的信息，作为信息所有者的消费者本人却不知晓，以致于涉及侵犯个人隐私。 尚未树立现代信用意识 在我国传统的信用文化中，人们并没有将信用看作是一种商品，而仅仅把信用作为一种观念用道德去约束。一个人不讲信用，只会受到社会道德的谴责，经济利益并没受到太大损失。因此，失信的收益远远大于其成本，以致于造成整个社会信用缺失。非凡是在我国由计划经济向市场经济转轨的过程中，社会信用意识并没有随之建立，因而缺乏对失信的惩戒机制，将造成全社会严重的信用危机。信用数据征集成本较高 随着社会生产力水平的不断提高，生产关系日益复杂，作为经济主体的个人参与经济生活和社会活动的程度越来越深、范围越来越广，从而其信用信息广泛 散落在各个部门机构。一个完善的个人征信体系必须以将散落在各个部门的信息收集起来为前提。而我国的个人信用体系发展缓慢的一个重要原因就是个人征信数据分散，开放程度很低，个人信用评估公司难以获得，从而难以建立起一个完善的个人信息数据库。在我国这样一个信用意识低下、信用数据分散的国家，由市场来操纵个人征信体系的建立不可避免会碰到困难，这就产生了政府支持的要求。而上海、深圳、北京等地信用体系建立的背后也
企业信用风险评估模型分析
企业信用风险评估模型 企业信用风险评估是构建社会信用体系的重要构成要素，也是企业信用风险管理的 核心环节。企业信用风险评估涉及四个基本的概念，即信用、信用风险、信用风险管理以及信用风险评估。本节重点为厘清基本概念，并介绍相关企业信用风险评估操作。 I —、企业信用风险评估概念 企业信用风险评估是对企业信用情况进行综合评定的过程，是利用各种评估方法，分析受评企业信用关系中的履约趋势、偿债能力、信用状况、可信程度并进行公正审查和评估的活动。 信用风险评估具体内容包括在收集企业历史样本数据的基础之上，运用数理统计方法与各种数学建模方法构建统计模型与数学模型，从而对信用主体的信用风险大小进行量化测度。 I 二、企业信用风险评估模型构建 (一）信用分析瘼型概述 — 在信用风险评估过程中所使用的工具——信用分析模型可以分为两类，预测性模型和管理性模型。预测性模型用于预测客户前景，衡量客户破产的可能性；管理性模型不具有预测性，它偏重于均衡地揭示和理解客户信息，从而衡量客户实力。 计分模型 Altman的Z计分模型是建立在单变量度量指标的比率水平和绝对水平基础上的多变量模型。这个模型能够较好地区分破产企业和非破产企业。在评级的对象濒临破产时，Z 计分模型就会呈现出这些企业与基础良好企业的不同财务比率和财务趋势。 2.巴萨利模型
巴萨利模型（Bathory模型）是以其发明者Alexander Bathory的名字命名的客户资信分析模型。此模型适用于所有的行业，不需要复杂的计算。其主要的比率为税前利润/营运资本、股东权益/流动负债、有形资产净值/负债总额、营运资本/总资产。 Z计分模型和巴萨利模型均属于预测性模型。 3.营运资产分析模型 营运资产分析模型同巴萨利模型一样具有多种功能，其所需要的资料可以从一般的财务报表中直接取得。营运资产分析模型的分析过程分为两个基本的阶段：第一阶段是计算营运资产（working worth);第二阶段是资产负债表比率的计算。从评估值的计算公式中可以看出，营运资产分析模型流动比率越高越好，而资本结构比率越低越好。 《 营运资产分析模型是管理性模型，与预测性模型不同，它着重于流动性与资本结构比率的分析。由于净资产值中包含留存收益，因而营运资产分析可以反映企业的业绩。 □第三章企业征信业务 又因为该模型不需要精确的业绩资料，可以有效地适用于调整后的账目。通过营运资产和资产负债表比率的计算，确定了衡量企业规模大小的标准，并对资产负债表的评估方法进行了考察，可以确定适当的信用限额。 4.特征分析模型 特征分析模型采用特征分析技术对客户所有财务和非财务因素进行归纳分析；从客户的种种特征中选择出对信用分析意义最大、直接与客户信用状况相联系的若干特征，把它们编为几组，分别对这些因素评分并综合分析，最后得到一个较为全面的分析结果。 (二）企业信用风险评估模型构建① 1.预测性风险模型构建——Z计分模型
最新整理银行个人信用评估方法.docx
最新整理银行个人信用评估方法 银行个人信用评估方法研究Y，即“A1∧...∧Am=>1∧...∧Bm”。 (3)预测 把握分析对象发展的规律，对未来的趋势作出预见，其表示形式与分类同。 三、一种基于历史记录规则相似性的综合评估方法 由于国内银行业现有客户记录多数是不完整的，所以使用单 一的方法进行评估未必能体现客户真实的信用历史状况。为了将数据挖掘技术和数理统计完全基于记录本身特征并与能够体现专家判断的评分很好地结合起来，本文提出一种基于关联规则的相似推荐方法，实现如下： 1.应用粗糙集理论对历史数据记录进行属性约简及规则提取 粗糙集理论是数据表简化和生成最小决策算法的有效方法，可以实现知识约简，发现属性表中的属性依赖，从而在信息不完全环境下进行知识发现，其定义如下： S= 其中，S：信息系统（决策表） U：论域 A：属性集合 F：UXA→V的映射 V：属性值域集合 采用决策偏好信息的挖掘方法（参见文献[3]），对S进行属性约
简并提取规则，形成不同支持度S和信任度C决策规则集合DN{ф→Ψ}（其中N代表提取的规则数量，可根据实际情况确定），且D是S不重复的子集，ф是条件属性，Ψ是决策属性，ф、Ψ∈A。 2.对测试记录与步骤1提取的规则进行相似性计算 相似性是某种关系强度的度量，可以通过数值比较来衡量（参见文献[4]）。因为决策规则集合D不能完全覆盖所有测试记录属性值组合，而且决策表对象结构相同。测试集合SD中的任一组合（规则）Dd对照D中Dn进行相似性计算，得出SIM1、SIM2...SIM 其中，B：归一化因子 （B=1/∑Wi） Wi：属性i贡献因子 （体现数据特性或专家经验，也可通过多种赋权综合评价求得）SD（Dd，Dn）：已知Dd发生，Dn也在同一组发生的概率 3.多赋权综合评价 对上述步骤求得参照各个规则的支持度S、信任度C及相似性SIM 组成一个N个对象、3个指标的矩阵XN×3。 （1）运用变异系数法对X进行客观赋权 此时，第j个指标的权重就是这种加权方法是为了突出各指标的相对变化幅度，即变异程度。 （2）对X使用线性插值法进行规范化处理，得到规范化矩形ZN ×3，对其使用互补判断矩阵排序法求属性权重： I=1运用综合赋权法将（1）、（2）两个权向量进行有机集成，得到综合权向量W=（W1，W2,......,WN）。传统的综合赋权有乘法合成
信 用 评 级 汇 总
信用评级汇总 2、“信用度量制”方法(Credit Metrics) “信用度量制”(CreditMetrics)是由J.P.摩根与其它合作者(美洲银行、KMV 公司、瑞士联合银行等)在已有的“风险度量制”方法基础上，创立的一种专门用于对非交易性金融资产如贷款和私募债券的价值和风险进行度量的模型。① 风险度量制方法(RiskMetrics)所要解决的问题是：“如果明天是一个坏天气的话，我所拥有的可交易性金融资产如股票、债券和其它证券的价值将会有多大的损失?”。而信用度量制方法(CreditMetrics)则是要解决这样的问题：如果下一个年度是一个坏年头的话，我的贷款及贷款组合的价值将会遭受多大的损失呢?② 我们在前面曾谈及，由于贷款是不能够公开进行交易的，所以我们既无法观察到贷款的市值(P)，也不能够获得贷款市值的变动率(σ)。但是人们仍然可以通过掌握借款企业的以下资料来解决这个问题。这些资料包括： ①参见：《信用度量制》，技术文件，J.P.摩根公司，纽约，1997。在1998年，开发出“信用度量制”和“风险度量制”产品的J.P.摩根集团又建立了一家独立的名为“风险度量制”集团的公司。 ②参见：Anthony Saunders，Credit Risk Measurement，John Wiley & Sons，1999, p.40。 ③关于贷款组合的受险价值量计算我们将在第三节进行详细讨论。 为了说明“信用度量制”方法，我们来看一看怎样计算一笔贷款的受险价值量，并且讨论一下围绕着计算受险价值所涉及到的相关技术问题。 一旦人们获得了这些资料，他们便可以计算出任何一项非交易性的贷款和债券的P值和σ值，从而最终可利用受险价值方法对单笔贷款或贷款组合的受险价值量进行度量。③ 借款人的信用等级资料 在下一年度里该信用级别水平转换为其它信用级别的概率 违约贷款的收复率 用“信用度量制”方法计算单笔贷款的受险价值量的例子
个人信用(还款意愿和能力)评级
教你如何准确评价借款人的还款意愿？ 做出贷款决定前，重点是要进行贷款分析。小额贷款分析原则是以基于现金流的还款能力为切入点，着重考察评价还款意愿、还款能力和持续经营能力。因此，客户能够正常还款的前提是还款意愿和还款能力同时具备。其中还款能力可以通过贷前调查获取的各种财务信息等指标展现出来。那么如何评估借款人还款意愿就成为贷款分析的重中之重。今日融资圈就和大家一起来探底！ 西方商业银行在长期的经营实践中，总结归纳出了“5C”原则，用以对借款人的信用风险进行分析，5C分析法最初是金融机构对客户作信用风险分析时所采用的专家分析法之一，它主要集中在借款人的道德品质(Character)、还款能力(Capacity)、资本实力(Capital)、担保(Collateral)和经营环境条件(Con-dition)五个方面进行全面的定性分析以判別借款人的还款意愿和还款能力。5C分析法对于判别借款人的还款能力和还款意愿具有很大的参考价值。单从还款意愿的评估方面来说，小编认为决定还款意愿的因素主要是“人品＋违约成本”。如何鉴定，且看下面分解： 一、决定还款意愿的因素—人品 具体到借贷项目中，人品是指借款人的商誉和诚信度。小贷公司在考察借款人人品时可以参考以下因素：①客户的在当地社区的声誉；②他人评价；③生活习惯；④对贷款流程的态度； ⑤家庭情况；⑥不良信用记录；⑦还款意愿表示；⑧工作与收入；⑨对小额贷款公司的印象或态度；⑩固定的商业伙伴等。还可以通过在与借款人交谈过程中的直观感觉来判断借款人的人品，如通过借款人的表情、眼神、言谈举止以及对待家人、员工、业务伙伴的态度等无意间流露出的信息，可以对其人品的判断提供参考依据。 二、决定还款意愿的因素—违约成本 所谓的违约成本，是指借款人需要为其违约行为付出的代价。借款人的违约行为可能为其带来的影响有①经营受到影响；②家庭生活受到影响；③小额信贷机构和其他债权人拒绝授信； ④额外的负担（逾期利息、违约金、律师费、诉讼费等）；⑤社会声誉和评价受到重大；负面的征信记录等。 通过调查了解并结合实践经验，小编认为，影响违约成本的因素包括两方面一是家庭因素，如婚姻状况、子女状况、住房及资产状况、是否本地人、申请人的社会声誉及评价、配偶、父母的社会地位等。二是生意因素：经营年限（行业年限、经营地年限、回头客的重要性、变更经营场所难易、变更经营场所对生意的负面影响大小、盈利状况等。 三、评估还款意愿应注意挖掘客户基本信息背后蕴藏的信息 （一）客户年龄 通常情况下客户的年龄与客户的社会经验、工作经验是成正比的，而客户的经验会对客户的经营能力产生帮助（尤其对一些复杂程度较高的行业）。客户的年龄与客户的精力、健康程度
个人信用等级评定
个人信用等级评定 个人信用等级评定的主要内容包括： （一）信用等级划分标准 与企业信用等级评定相似，个人的信用等级是对个人借款人的还款意愿、还款能力的综合度量，通过基于评估指标体系的积分进行划分，依信用度高低划分AAA、AA、A、BBB、BB和B级： 1.AAA级。综合得分90以上，客户的收入水平很高，偿债意愿很强，社会地位很高，家庭环境非常优越，一般可获得60万元额度的贷款。 2.AA级。综合得分在80分至89分，客户的收入水平高，偿债意愿强，社会地位高，家庭环境非常优越，一般可获得10万的贷款授信额度。 3.A级。测评得分在70至79分之间，客户的收入水平高，偿债意愿较强，社会地位较高，家庭环境比较优越，一般可获得5万元贷款的授信额度。 4.BBB级。得分在60至69分之间，客户的收入水平中等，有偿债意愿，有一定社会地位，家庭环境良好，一般可获得1万元贷款授信额度。 5.BB级。得分在50至59之间，客户的收入水平一般，有一定偿债意愿，社会地位一般，你家庭环境一般，一般只能获得5000元授信额度。 6.B级。得分在49分以下，客户的收入水平较低，偿债意愿不强，社会地位较低，家庭环境较差，一般只能获得3000元授信额度。 （二）信用等级测评方法 1.资格。借款人是否符合贷款对象要求；是否有隐瞒事实套取银行贷款及恶意透支行为；是否遵纪守法以及借款人诚实守信程度、对银行和其他债权人的还款记录等。 2.能力。包括借款人年龄、学历、职业、职务、职称等。 3.收入。包括借款人本人和家庭年收入、家庭人均收入、家庭负债总额、与家庭年收入额比重、月还本付期占家庭月收入的比重等。 4.环境。包括借款人单位的行业性质、经营状况和发展前景、借款人在现职年限等。 5.与银行的关系。包括是否为贷款银行客户、在银行贷款情况、借款人与银行的关系、借款人的信誉记录等。 6.测评指标。
(仅供参考)信用评级模型
评级技术基础规范之六编码：P-J-B-0006 信用评级模型 （2012年11月版）
信用评级模型 （2012年11月版1） 信用评级模型是以企业经营和财务信息、行业信息、宏观经济信息和市场信息为基础，运用统计分析、专家打分等手段，以量化方式测算受评对象信用风险的评级分析工具，是评级方法在数理统计操作层面的具体表现形式，也是信用评级机构评级技术的重要组成部分。中债资信通过学习、吸收国内外评级模型设计理念，并在征求专家顾问团信用风险建模领域专家意见的基础上，确定了目前采用的评级模型类型。中债资信评级模型力求体现中国企业信用风险特点，减少评级过程中的主观判断因素，提高评级结果的客观性、一致性和准确性。中债资信目前可使用的建模数据主要是发债企业数据和来自商业银行的信贷数据（以下简称“信贷数据”），发债企业数据包括经营数据和财务数据，但没有违约率数据；信贷数据包括借款企业的违约数据和大部分财务数据，但没有企业经营数据。基于可获得数据源及其质量，中债资信目前的评级模型为分行业的打分卡模型和二元选择模型。 一、经营与财务指标相结合的打分卡模型 以发行债券企业作为统计样本，以发债企业数据和信贷数据为主要数据源，选择合适的经营指标和财务指标，分行业建立打分卡模型。按照中债资信工商企业主体评级方法总论，对工商企业进行评级时，首先以经营风险和财务风险的综合平衡确定受评企业自身的个体信用等级，然后考虑外部支持等因素对企业自身个体级别进行调整，最终确定受评企业的信用等级。由于在同一行业内，不同经营风险程度的企业所能容忍的财务政策激进程度不同，因而经营风险对信用等级的影响程度存在显著差异。因此，在本评级模型中依据受评企业经营风险程度的高低对经营风险和财务风险赋以可变权重。此外，依据短板原理的评级思想，对弱势因素给予更高的权重以放大其对最终评级结果的影响。由于体现这一影响的调整过程具有明显的主观性，因此将此类调整以及其他难以量化的因素归类于模型外考虑因素。 在具体的模型设计中，相对应的采取分层建模思路：首先以线性加和形式得到经营风险模块得分和财务风险模块得分；然后根据经营风险得分情况确定两模块权重的分配，加权平均得到总分；最后根据其它难以量化的因素进行调整，得到最终对应级别。 具体模型形式如下： 1 2011年10月形成初稿并对外披露，2012年11月修订并正式发布。 - 1 -
最新-银行个人信用评估方法研究 精品
银行个人信用评估方法研究 | 国内外信用评估状况比较 目前，中国除了上海之外，其它城市还没有专营消费信贷调查业务的报告机构。1999 年下半年，建设银行济南分行出台的《个人信用等级评定办法》在信用评估方面进行 了尝试。该办法对不同的指标赋予不同的分值，对借款申请人的还款能力、信用状况 等做出综合评价以决定贷款决策。随着信贷业务的需要，国内越来越多金融机构以业 务对象的个人信用记录直接作决策参考，或附以一些评分方法，但毕竟以主观经验为主。而国外在信用评估方面已经有人做了大量的工作，提出了有FICO评分模型、神经网络模型、贝叶斯分析模型等等各种评估模型，并采用了各种数学的、统计学的、信 息学的方法，取得了一定的效果，特别是FICO评分模型，更是成为西方发达国家信用评分事实上的标准。 二、常用评估方法 1.标准数理统计模型 基于标准数理统计理论的信用评分模型是对大量的个人消费贷款的历史信用数据 进行科学的归纳、总结、计算而得到的量化分析公式。在美国，不同的行业有不同的 信用评分模型来帮助专业人士进行信用风险管理，如表1所示： 表1 美国不同行业常用信用评分模型表 从概念上讲，信用评分就是利用消费者过去的信用表现来预测其未来的信用行为，如 图1所示。 信用评分模型的关键是科学合理地选出信用变量，并产生一个公式。信用评分模 型的统计方法有线性概率模型、logit模型、probit模型以及线性判别(Discriminant)分析方法。 （1）线性概率模型 线性概率模型假设违约概率Y与信用变量X之间的关系是线性的，用于解释过去信用行为(违约或不违约)的信用变量及其重要性(系数)被用来预测未来的信用行为。 线性概率模型数学表达如下：
债券评级模型与方法
影响企业债券（包括公司债券）信用评级的各方因素： 第一，发行债券的主体信用。目前，每个信用评级公司主要是参考发行债券主体单位的资产负债情况，以还债能力以及其资金流动性，来对主体进行信用评级。 第二，债券的担保机构。在我国企业债券市场不发达的情况下，企业债券发行过程中申报复杂、审批漫长、额度控制、债券必须担保等措施严重制约了企业债券的发行。因而发行债券的企业几乎全为大型优质企业，并且大部分债券均由四大国有商业银行担保。拥有强有力保障的企业债券在信用评级上具有很大的优势。同时，我们也应该看到，如果我国所发行的企业债券都在“准政府”机构的担保之下发行的，这在一定程度上提高了企业债券的信用评级，但这扭曲了其实际的价值，给债券市场带来了潜在的风险。 第三，债券的融资项目。融资项目的未来现金流状况以及该项目的发展前景决定了该债券的价值，是信用评级的参考因素之一。 第四，宏观因素。在我国，国家政策对资本市场的影响不容忽视。在利好的国家政策扶持之下，企业债券所融资项目的价值会相对提高，债券主体的未来现金流流动性会更强，偿债能力会相对提高，从而提高了该债券的信用评级等级。 二、运用Altman 的Z 模型对我国发债企业的信用评级分析 从上述分析来看，我国企业债券评级的主要参考因素仍然是发行债券的主体信用等级。因此，运用Altman 的Z 计分模型对我国企业主体信用进行评级，这对我国外部评级有一定指导作用。 其判断函数为： Z=1.2X1+1.4X2+3.3X3+0.6X4+0.99X5 其中： X1 为营运资金/ 总资产；X2 为留存收益/ 总资产，X3 为息税前利润/ 总资产，X4 为股权市价总值/ 总负债，X5 为销售收入/ 总资产 为了对非上市公司进行资信评级，Altman 对模型进行了改进，将用账面价值代替了市场价值，并改变各个比率的参数，得到对非上市公司资信评级Z 模型： Z=0.717X1+0.847X2+3.107X3+0.420X4+0.998X5（2） 其中，各个变量的含义同式（1）。 在非上市公司资信评级 Z 模型中，将反映公司的偿债能力比率、获利能力比率以及营运能力比率有机地联系起来，采用综合的方式预测公司财务失败或危机的可能性，从而在这一分析模型中提出了判断公司破产的临界值。当Z<1.2 时，公司有很大的破产危险；当1.2
中国信用债券评级模型构建及评级效果检验
中国信用债券评级模型构建及评级效果检验 摘要：本文在借鉴国际机构评级模型的基础上，结合国内评级环境的自身特点，构建了适用于国内的信用债评级模型，进行了评级体系设计及指标体系权重设置，最后对模型评级效果进行了检验。 关键词：信用债券评级模型主成分分析权重设置 监管环境和债券市场的发展使得金融机构未来将承担更多的个体投资信用风险，机构的长期盈利目标也迫切要求自身强化风险识别与资产配置能力。其中关键环节在于借助内部评级体系实现有效的风险评估和资产选择。正确的信用评级以科学的评级模型为基础，以公正合理的专家评审规则为保障。因此，评级模型的构建至关重要。 国际机构评级模型的启示与国内评级模型的自身要求 (一)国际机构评级模型的特点及启示 本文以穆迪的钢铁行业和煤炭行业两个评级模型为例进行分析，发现其具有如下特点：(1)定量指标权重占比很高，数据可靠性和客观性较高，指标数量虽不多，但覆盖了经营与财务的核心要素，简洁明了，具有较强的可操作性；(2)在运营规模和财务稳健性指标上，穆迪对钢铁行业配置更高的权重；(3)重视经营性现金流对债务的保障程度；(4)对煤炭行业注重资源储备和经营多元化的考察，虽然钢铁行业对上游铁矿石依赖程度较高，但穆迪模型并未设置资源控制方面的指标；(5)两个行业模型的权重配比和指标设置存在较明显的行业差异；(6)重视现实的公司财务稳健性考察。 根据上述分析，笔者认为穆迪模型不乏借鉴之处：(1)指标简单、数量较少，但能覆盖核心要素，代表性强；(2)注重财务稳健性考察而不是盈利，强调评级模型的行业风险特征差异。 (二)中国信用债券评级模型的自身要求 尽管穆迪模型不乏借鉴之处，但构建中国信用债券评级模型要有自身特点而不能照搬其固有框架。 1.国内信用评级范围(rating scope)不同于国际机构 本文界定的评级范围为中国国内，被评的行业信用和个体信用均在国内范围内进行排序，评级结果表明其在国内的风险序列，不受主权评级上限的约束。这与国际机构全球化的评级范围有显著的不同。 从经济发展阶段和市场结构来看，中国作为新兴市场与发达市场也存在不同之处：中国市场行业集中度相对不高，公司竞争力主要依靠规模或来自外部的特许支持；在对待发行人
基于层次分析法的个人信用评估
基于层次分析法的个人信用评估体系 李立兵，曾志伟 河海大学，南京（210098） E-mail：libing_li2004@https://www.360docs.net/doc/e3717326.html, 摘要：本文在层次分析法的基础上建立个人信用的评价指标体系对个人信用进行评估。关键词：层次分析法，评估指标体系，个人信用评估 从古到今，信用都不是孤立的概念，它必须依附于当时的经济、政治和文化背景，个人信用，是自然人个人的信用，是个人的无形资产，信用资产质量好，拥有良好的信用记录，则意味着更多的发展机会，更高的发展效率。个人信用问题已经是我国经济体制改革和发展中不可回避的重要问题。但是我国的个人信用体系还不完善，基本上属于空白。目前我国居民个人信用资料缺乏，他们能提供的信用证明文件只有身份证和户籍证明、所在单位的工作证明；在个人储蓄实名制实施以后，又增加了个人存单和实物资产。国内虽然已有相关机构对个人的信用进行评估，但是由于在评估定位、评估要素的选取以及评估手段方面的不足，使得个人信用评估结果的可信度大大降低。如何建立科学的个人信用评估方法、如何建立一个规范化并和国际接轨的个人信用评估制度体系已成为一个亟待解决的重要课题。本文选取个人资质评价指标情况、个人资产评价指标、家庭评价指标及个人的信用历史等一系列的指标，利用层次分析法来建立个人信用评估体系，对个人信用进行评估。 1. 层次分析法概述⑴、⑵、⑶ 层次分析法（Analytical Hierarchy Process，ＡＨＰ）是美国匹兹堡人学教授A. L. Saaty 于20世纪70年代提出的一种系统分析方法。它是一种能将定性分析与定量分析相结合的系统分析方法。其解决问题的基本思路和基本原理是：首先，把要解决的问题分层系列化，即根据问题的性质和要达到的目标，将问题分解为不同的组成因素，按照因素之间的相互影响和隶属关系将其分层聚类组合，形成一个递阶的、有序的层次模型。然后，对模型中每一层次因素的相对重要性，依据人们对客观现实判断给予定量表述，再利用数学方法确定每一层次全部因素相对重要性次序的权值。最后，通过综合训算各因素相对重要性的权值，得到最低层(方案层)相对最高层(总日标)相对重要性次序的组合权值，以此作为评价和选择方案的依据。 层次分析法处理问题的基木步骤简述如下：①确定评价目标，再明确方案评价的准则。根据评价目标、评价准则构造递阶层次结构模型。递阶层次结构模型一般分为3层：目标层、准则层和方案层；②应用两两比较法构造所有的判断矩阵。具体如下： 1.1 建立判断矩阵 对本级的要素进行两两比较来确定判断矩阵A的儿素，a ij是要素a i对a j的相对重要性其值是由专家根据资料数据以及自己的经验和价值观用判断尺度来确定判断尺度表示要素要素a i对a j相对重要性的数量尺度。采用的判断尺度见表１。
信用等级评估模型(轻工业)
信用等级评估模型(轻工业)
信用等级评估模型 1.1 公司客户信用等级评估模型 ◆ 公司客户信用等级的评定分值区间 评级总分 信用等级 信用度 备 注 90<,<=100 AAA 特优 客户信用很好，整体业务稳固发展，经营状况和财务状况良好，资产负债结构合理，经营过程中现金流量较为充足，偿债能力强，授信风险较小。 80—90 AA 优 70—80 A 良 客户信用较好，现金周转和资产负债状况可为债务偿还提供保证，授信有一定风险，需落实有效的担保规避授信风险 60—70 BBB 较好 50—60 BB 尚可 客户信用较差，整体经营状况和财务状况不佳，授信风险较大，应采取措施改善债务人的偿债能力和偿债意愿，以确保银行债权的安全。 45—50 B 一般 40—45 CCC 较差 35—40 CC 差 35以下 C 很差 ◆ 信用等级评分表的分类指南（删除宾馆服务类） 名称 对应的行业类别 轻工类 纺织，服装，食品，饮料，烟草，普通机械，家电，家化，电子设备，计算机，通讯设备制造，仪器仪表，造纸，印刷，小型交通工具制造，建材，塑料制品制造，文体用品制造，家具制造，生物医药 重工类 冶金，矿藏开采，金属加工，石化，化工，化纤，重型机械，电气，造船，飞机制造，汽车制造，军工， 商业类 各类批发企业，各类零售业，供销社，粮、油、棉收购、流通、仓储， 外贸企业，商业经纪与代理 房产类 房产开发与经营企业，物业管理，房地产经纪与代理 施工类 土木工程建筑类企业，建筑公司，工程公司，工程队，道路管线和设备安装企业，装饰装修企业 交通运输类 铁路、公路、航空、管道、水上运输业，客运公司，航运公司，航空公司，出租汽车公司，铁路局 投资管理类 各种以短期投资、股本投资和资本运作为主要运营方式的企业， 政府财政背景，作为地方财政投融资窗口的企事业单位 企业化管理的事业单位类 电力、煤气、蒸汽和水的生产和供应业，医院，学校，科教文卫，广播电影电视，报刊，传媒业，社团 综合类 从事多元化经营的企业； 邮电，养殖，信息咨询服务，软件开发以及其他难以归并类别的企业 ◆ 信用等级评估模型：轻工业 非财务因素 40%
信用评价模型
《信用评价模型》 一， 某企业有五笔债务，其偿债能力和经营能力评分如下表所示 试用最短距离法对他们进行分类（距离采用绝对值距离），标准化方法为规格化变换。(A) 解：(1)规格化变换公式为： } {min }{max } {min 111' 'ij n i ij n i ij n i ij ij x x x x x ≤≤≤≤≤≤--= （2）由于两个边来南国的数量水平不同，故先采用规格化变换将原始数据变换如下表 （3）样品间采用绝对值距离： j i j i ij y y x x d -+-= 计算出初始距离阵)0(D 为 （4）初始距离矩阵)0(D 中最小的元素为对应的元素是 G 2}{G 1G 3G 21,34.01212，合并成新一类，记作与所以将===G d D （5）再将Ｇ３与其它类的距离进行计算 03.1}03.1,37.1m in{),m in(231363===d d D .1.}1,34.1m in{),m in(241464===d d D 33.1.}67.1,33.1m in{),m in(251565===d d D 债务 偿债能力 经营能力 1 2 3 4 5 0 债务 1 2 3 4 5 债务能力 0 0 0．7 1 1 经营能力 1 0 ? ?? ??? ? ? ??=067.0030.163.0067.1103.1033.134.137.134.0054321)0(G G G G G D G1 G2 G3 G4 G5
由此的距离阵)1(D 为 (6)找出距离矩阵)1(D 最小元素，它是63.034=D 所以将G3,G4合并，记作G7={ G3,G4},然后计算G7与其它各类的距离 1}1,63.1m in{),m in(646367===d d D 67.0}67.0,30.1m in{),m in(453575===d d D 由此的距离阵)2(D 为 (7)距离矩阵)2(D 中的最小元素为67.075=D ，所以将G7,G5合并，记作G8={ G7,G5},然后计算G8,G6的距离 1}33.1,1m in{),m in(567686===d d D 由此可得距离矩阵)3(D 为 ( 8)最后将G6,G8合并最短距离法的聚类谱试图如图所示 G1 G2 G3 G4 G5 ??? ? ? ??=067.0033.110G5G7G6)2(D G6 G7 G5 ??? ?? ? ? ??=067.0030.163.0033.11 03 .105436)1(G G G G D G6 G3 G4 G5 ??? ? ??=0108686) 3(G G G G D
个人征信系统数据仓库与信用评估模型的构建
Ａ Ｂ Ｃ Ｄ Ｅ １项 目 本月 累计 本年计划 占收入计划（％） ２１消费税３２５３２５４１４３７．８４３２增值税２２３２２３２６４３８．４４４３营业税 ２４５２４５３０８７７．９４５４专项调节税３３３３３３４３９２７．５８６５个人所得税２６０２６０３０１８８．６１７６证券交易税１７０１７０１８９２８．９９８７遗产税 １０６１０６１４３９７．３７９８土地增值税６５６５６３５１０．２４１０９企业所得税 １８７１８７２１６３８．６５１１其中：集体 ７５７５９０２８．３１１２私营５７５７６３７８．９５１３其他 ５５５５６２４８．８１１４１０城乡维护建设税２０７２０７２０３７１０．１６１５１１车船税２６９２６９１８８４１４．２８１６１２房产税１６５１６５１７６４９．３５１７１３屠宰税１３８１３８２６１９５．２７１８１４资源税 １２６１２６１８３０６．８９１９１５土地使用税４９４９１０８０４．５４２０１６印花税 １２０１２０２４９３４．８１２１１７滞纳金及补税罚款１７１７３９６４．２９２２ 收入合计 ３００５３００５３７５１５８．０１ !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! １引言 １．１个人征信相关概念 个人征信，是指第三方中介机构（即征信机构）把分散在不同授信机构、司法机构、行政机构等社会各个方面的个人信用信息通过合法手段进行采集、加工、存储到一个或若干个数据库中，进而形成个人信用档案，让授信机构在授信决策时能方便、快捷地查询到完整、真实的信用信息和信用评分。个人征信体系是一个庞杂的系统，它由一 整套个人征信制度和方法，以及个人征信主体、手段和产品构成，是与个人征信有关的业务和活动的总称，主要包括个人信用信息基础数据库、征信相关的法律法规、征信服务机构、信用产品市场、政府监督管理和诚信教育６个方面内容。其中建立标准化的个人信用信息基础数据库系统是个人征信体系建设的核心，开发有效可靠的信用等级评估产品、建立个人信用评估机制是个人征信体系建设的目标，这将有助于对个人进行客观、科学的信用状况分析，是降低银行信贷风险、稳定金融秩序、促进经济增长的关键所在。 １．２国内外征信业发展现状 从国际经验看，征信系统的构建主要有３种模式，而这３种模式的共同特点是都建有集中管理的全国性甚至跨国性数据库。（１）美国模式：也称市场型模式，其信用体 个人征信系统数据仓库与信用评估模型的构建 黄岚１，张晓晖２，殷树友２ （１．吉林大学计算机科学与技术学院，长春１３００１２； ２．长春金融高等专科学校，长春１３００２２） ［摘要］建立、健全个人征信体系有助于降低信贷风险、稳定金融秩序和促进经济增长。随着个人信用信息数据量的增多以及对数据分析需求的加大，构建个人信用信息数据仓库，利用多维数据分析和数据挖掘等技术，开发信用评估等增值产品将会是个人征信体系发展的必经之路。 ［关键词］个人征信系统；数据仓库；信用评估；信贷风险决策；数据挖掘；智能算法［中图分类号］Ｆ８３０．５８９ ［文献标识码］Ａ ［文章编号］１６７３－０１９４（２００７）０６－００６０－０５ ［收稿日期］２００７－０３－２３ ［基金项目］吉林省科技发展计划项目资助（２００５０６０３－２） ［作者简介］黄岚（１９７４－），女，江西临川人，吉林大学计算机科学与技术学院副教授，博士，主要从事计算机应用研究工作。 运行上述程序得到的结果如下表４所示。 表４ 某市税务局税收数据汇总表 中国管理信息化 ＣｈｉｎａＭａｎａｇｅｍｅｎｔＩｎｆｏｒｍａｔｉｏｎｉｚａｔｉｏｎ ２００７年６月第１０卷第６期 Ｊｕｎ．，２００７Ｖｏｌ．１０，Ｎｏ．６