个人信用卡申请风险评估模型
信用风险评估的常见模型分析
信用风险评估的常见模型分析随着社会的进步和经济的发展，信用风险评估越来越受到金融机构和企业的重视。
信用风险评估是指对借款人或者投资者的信用状况进行评估，以确定其还款能力和借款偿付能力的一种方法。
而信用风险评估主要就是通过对借款人的信用记录、借款人的经济状况、行业环境、政策法规等的综合分析，对借款人的信用情况进行评估。
信用风险评估有多种方法和模型，常见的有以下几种：一、德文-肯德尔模型德文-肯德尔模型（Duffie-Singleton-Kendall Model, DSK）是一种基于股票价格模型的信用风险评估方法。
它的核心思想是通过计算公司财务数据与市场指数之间的差别，从而测量其财务风险和信用风险。
在德文-肯德尔模型中，借款人的违约概率是基于公司股票的波动率来确定的，如果波动性越高，那么违约风险就越高。
二、评分卡模型评分卡模型是一种应用非常广泛的信用风险评估方法。
它是通过对大量客户历史数据进行细致的分析和模型建立，通过将客户的多个维度信息进行权重评估并变成得分卡的形式，进而对未来客户的风险程度进行精准过滤，从而为金融机构和企业提供可靠信用风险评估的依据。
一般来说，评分卡模型中会有多个变量作为考察维度，比如说客户的年龄、性别、职业、信用纪录、社会评价、资产、暴露于风险的程度等等。
三、基于机器学习的模型基于机器学习的模型是一种新兴的信用风险评估方法。
它是基于大数据和机器学习技术，利用人工神经网络、逻辑回归、支持向量机等算法进行建模，并将模型应用于信用评估中。
当然，这种模型的建立需要考虑到多个维度的因素，如特征选择、数据预处理、模型选择、交叉验证等等。
综上所述，信用评估是贷款和投资等金融和商业活动中最为关键的环节之一。
而要对借款人或投资者的信用状况进行评估，我们需要使用一些有效的模型方法。
当前常见的信用风险评估模型包括德文-肯德尔模型、评分卡模型、基于机器学习的模型等等，每种方法都有其优点和局限性，对于不同的金融机构或企业而言，选择合适的模型方法非常重要。
银行信用评估模型介绍
银行信用评估模型介绍银行信用评估模型是银行业务中重要的工具，用于评估借款人的信用状况及其还款能力。
它通过对借款人的个人信息、财务状况和历史信用记录等数据进行分析和预测，为银行在贷款审批和风险管理中提供参考依据。
本文将介绍几种常见的银行信用评估模型。
一、传统评分卡模型传统评分卡模型是一种经典的银行信用评估模型，以FICO（Fair Isaac Corporation）信用评分模型为代表。
该模型通过对借款人不同特征指标进行加权评分，从而得出整体的信用评分。
这些指标可以包括借款人的年龄、性别、婚姻状况、工作经验、收入状况等。
通过建立样本数据库并对其进行回归分析，确定各指标对信用风险的影响程度，进而得出一个综合的信用评分。
这个评分可以代表借款人的信用等级，方便银行进行信用审批和贷款定价。
二、行为评分模型行为评分模型是基于借款人在银行进行交易活动的数据，如账户余额、存取款频率、贷款还款情况等，来评估其信用状况的模型。
这种模型更加关注借款人的行为表现，通过对交易数据进行统计分析，识别出与高风险行为相关的特征，从而为银行提供对借款人的信用评估。
与传统评分卡模型相比，行为评分模型更加注重借款人的实际行为，可以更精准地评估其信用风险。
三、机器学习模型随着人工智能和大数据技术的发展，机器学习模型在银行信用评估中得到了广泛应用。
机器学习模型可以通过分析大规模的数据集，发现其中隐藏的模式和规律，从而预测借款人的信用风险。
这些模型可以利用多种算法进行训练和优化，如决策树、支持向量机、神经网络等。
相比传统评分卡模型和行为评分模型，机器学习模型更加灵活和准确，可以处理更加复杂的信用评估场景。
四、区块链信用评估模型区块链技术作为一种去中心化的分布式账本技术，正在逐渐应用于信用评估领域。
区块链信用评估模型的特点是更加透明和可追溯，可以消除信息不对称的问题，提高信用评估的准确性和可信度。
借助区块链技术，银行可以实时获取和验证借款人的交易数据和信用记录，更好地判断其信用状况和还款能力。
信用卡风险评估模型研究
信用卡风险评估模型研究信用卡作为现代社会的一种重要支付工具，在商业活动中发挥着至关重要的作用。
面对越来越多的信用卡客户和不同的消费场景，银行机构不得不对信用卡风险进行评估和控制，以保障资产安全并提高业务效率。
那么，信用卡风险评估模型具体是什么呢？简单来说，它是基于历史数据，利用统计学方法，通过更客观、全面的方式，来对信用卡中潜在的或者实际的风险进行合理的判断和评估。
而一个完善的信用卡风险评估模型应该具备以下三个方面的特点：第一，要具备真实可靠的数据来源。
这意味着所采集的数据必须来自于真实存在的信用卡客户，而且具有充分的信息，这样才能更准确、更全面地评估风险。
第二，要具备科学合理的模型理论基础。
这意味着所采用的方法和算法，必须符合数学和统计学理论，同时也要具备良好的实证性、实用性和预测能力。
第三，要具备灵活和多样化的应用能力。
这意味着所采用的方法和算法应该具备较强的适应性和可操作性，包括考虑不同客户群体、各种风险类型、不同的风险量度和贷款周期等等。
接下来，我们详细谈谈信用卡风险评估模型在具体运用中需要注意的一些问题。
首先，数据采集和预处理。
在涉及信用卡风险评估时，所需要处理的数据包含了非常多的信息，例如客户个人信息、信用历史、消费行为、偿还能力等等。
因此，基本的原则是要尽量多收集、充分整理，同时要筛选出最具代表性和区分度的变量和指标，减少误差或者偏差。
其次，模型选择和参数调整。
在建立一个有效的信用卡风险评估模型时，通常需要综合考虑多种方法，并且需要针对特定的数据集、目标变量和预测精度进行优化。
因此，需要不断地调整模型的参数，逐步提高其衡量风险的准确性和有效性。
最后，风险评估与调整。
在实际运用中，随着市场环境和客户结构的不断变化，原有的风险评估模型是否仍然适用，是否需要重新校准和调整，就变得非常重要。
因此，银行机构需要定期监测和分析模型的表现，及时认识到问题和改进的空间，以确保模型的连续有效性。
综上所述，信用卡风险评估模型的研究，是银行业务、市场营销和风险管理方面的重要基础。
商业银行个人信贷信用评分模型的构建与应用
商业银行个人信贷信用评分模型的构建与应用
商业银行个人信贷信用评分模型是根据个人的信用历史、财务状况、就业和收入等信息，通过统计学方法和机器学习算法建立的一种评估个人信用风险的模型。
模型构建过程主要包括以下步骤：
1. 数据收集与清洗：通过银行内部和外部渠道收集个人信贷相关数据，并进行数据清洗处理，例如数据去重、缺失值处理、异常值处理等。
2. 变量筛选与衍生：通过变量相关性、信息价值等指标进行变量筛选和衍生，构建入模变量集合。
3. 模型选择与建立：选择适合的机器学习算法和统计学方法，进行模型建立和调优。
4. 模型验证和评估：将模型应用于一部分样本数据进行验证和评估，包括模型自身表现、拟合度、预测准确率等指标。
模型应用主要包括以下方面：
1. 信用申请的预审：通过分析申请人的信用历史、资产负债状况、收入和支出情况等信息，快速预判个人信用风险，为下一步审核提供参考和指导。
2. 信用审批的参考：在银行信用审批过程中，将信用评分模型的结果作为参考，结合其他因素综合判断申请人的信用风险。
3. 贷后信用风险监控：通过定期检查申请人的还款情况和财务状况，实时监控个人信用风险和做出调整。
总之，商业银行个人信贷信用评分模型是对个人信贷风险进行量化评估和预测的一个重要工具，能够提高银行信贷风险控制能力，同时也为申请人提供优质的信贷服务。
个人信用评分模型
个人信用评分表 1、保障支持最高得分为15分(1)住房权利最高得分为8分无房 0分租房 2分单位福利分房 4分所有或购买 8分(2)有无抵押最高得分为7分有抵押 7分无抵押 0分2、经济支持最高得分为34分(1)个人收入最高得分为26分月收入6000元以上 26分月收入3000元～6000元 22分月收入2000元～3000元 18分月收入1000元～2000元 13分月收入300元～1000元 7分(2)月债务偿还情况最高得分为8分无债务偿还 8分10元～100元 6分100元～500元 4分500元以上 2分3、个人稳定情况最高得分为27分(1)从业情况最高得分为16分公务员 16分事业单位 14分国有企业 13分股份制企业 10分其他 4分退休 16分失业有社会救济 10分失业无社会救济 8分(2)在目前住址时间最高得分为7分6年以上 7分2年～6年 5分2年以下 2分(3)婚姻状况最高得分为4分未婚 2分已婚无子女 3分已婚且有子女 4分4、个人背景最高得分为24分(1)户籍情况最高得分为5分本地 5分外地 2分(2)文化程度最高得分为5分初中及以下 1分高中 2分中专 4分大学及以上 5分(3)年龄最高得分为5分女30岁以上 5分男30岁以上 4.5分女30岁以下 3分男30岁以下 2.5分(4)失信情况最高得分为9分未调查 0分无记录 0分一次失信 0分两次以上失信 -9分无失信 9分其他可参考的评分指标项目：1、工作年限(10分)5年以下：2分；6-10年：5分；11-20年：8分；20年以上：10分。
2、债务占资产比例(10分)0%：10分；<15%：5分；15%-50%：2分；>50%：-5分。
3、循环信用透支账户个数（5分）0：5分；1-2：3分；3个：0分；>5个：-5分。
4、信用额度使用率（5分）0-15%：5分；16-50%：3分；50%-80%：0分；>80%：-5分。
个人信用卡发展现状及信用风险评估模型分析
２ 、担保 转移 风险法 。通过提 供房产 或缴纳保 证金 方式 来批准 授信额度 。 在 国内 ， 随着 信用卡 申请 人背景越 来越复杂 ， 仅依靠 信用评 分法和 信用担保方法显 然有一定局 限性。信用评分 法容易使还 贷 能力相 同的两个 人分成两 个不 同的信用 级别 ， 收入 为２ ０ ０ ０ 的 客 户分数 得 １ ， 而收入 在２ ０ ０ １ 的客 户分 数却 为３ 。实 际上 ， 用于 评 价客 户信 用 等级 的各个 指 标得 分多 少并 没有 一个 严格 的 区
现 目标函数 是非 线性函数 ， 利用数学 变形 可转化 为线性 函数 由 Ｌ Ｉ ＮＧＯ或Ｍａ ｔ ｌ ａ ｂ 求解 。 本文 的不足之处在 于 ， 只是基于还 款能力构 建评价体 系 ， 建 立 的指 标体 系属 于静 态指 标 ， 还 款能 力不 等于 还款 意愿 ， 但还 款意 愿相 关数据 由于全 国征信 系统 的不健全 ， 数据获取 上存在 别 。盲 目扩 张不仅会增加信 用风险 ， 还会 降低客 户忠诚度 ， 容易 较大难 度 。以后 的研 究可进一步 将属于还款意愿 的指标放在 里 客户流失 。 面， 使评价结果更全面。四
的客户容易出现不同的授信额度。本文将模糊三角数引入信用风险评估模型内， 增加 了准确性和科学性。
关键词 ： 信 用卡风 险 ；有 效客户 ； 风 险评 估模 型
随着 我 国根 深蒂 固 的储 蓄消 费意 识 向负 债 消费 意识 的转 变 、市场 开放 ， 商 业银行 以传统 存贷款 资产业 务市场 竞争力 逐 渐 减弱 ， 商 业银行开始 重视 中间业务 发展 。近年来 ， 由于 中国市 场房贷 、汽车 贷款市 场的萎靡 ， 商业 银行将 重心转移 至市 场盈 利空 间大的信 用卡业 务上 。与 国外信用卡 业务相 比， 我 国风险 管理水平 较低。我 国商业银 行一方面鼓 励客户逾期还 款或者分 期付 款来 赚取 利息 收入 ， 另一 方面 ， 将信 用 卡坏账 风 险降 到最 低 。如何 建立 一个有效 的评估模型 ， 寻找利益 和风险的均衡 点 ， 是每家银 行亟待解决 的问题 。
基于数据挖掘的信用卡授卡风险评估模型
＝ 、信用卡授 卡风 险评 估数 据挖掘建模
完整的数据挖掘建模过程包括７ 个环节： 定义 目标 （ 选 题 ） 建立行销数据库 （ ； 构建数据源 ） 探索数据 （ ； 考查数据 源分布特征 ） ，为建模准备数据 ｔ建立模型 ； 评估模型；应 用模型。 以下将数据挖掘建模过程简化为数据准备、 数据挖 掘建模 、模型评估和模型应用 ４ 个环节。
维普资讯
援 张
基于数 据挖掘 的
信用卡授卡风险评估模型
西安交通大学经济与金融学院 李猛 沈菊菊
商业银行在信用卡发放审批时，通常使用信用评分体
系为客户进行信用评分。 目前 ， 比较权威的信用评分体系为
的 目的， 在于研究如何利用数据挖掘方法 ， 构建一个能从众
连 续 数 值 型 变 量
行 通 过 深 人 调 天设 置 说明 查 后 给 出 的 发 ①设 信 用 申请客 户的信 息变量 ａ １ ，…，１） （ ，２ ５
与 否 的 状 态 为 ｘ，对客 户信用 水 平的预 测值 为 尸 ； 变 量 ， 且 眩属 性 值 只有 ０ １ 和
Ｓ 量 ， 为银 变 作
Ｐ—ｅｐ ｘ‘
／ ＋ｅｐ 帆 （ ｘ‘ １
’ 、
（ ）利用 Ｓ Ｓ实现小 文所 要建 立的逻 辑 回归模 型的相 ２ Ａ
ａ ４ ａ ５ ａ ６ ａ ７ ａ ８ ａ ９ ａ０ １
ａ１ １
离散数值型变量 离散字符型变量 离散数值型变量 离散字符型变量 连 续数值型变量 离散 字符型变量 离散 字符型变量
进 行 抽 佯 处 的线 性 关系 ｉ （／ （ ｎ ｐ １ ）＝ 卢 ＋卢Ｘ】 Ｐ） ｏ ｌ ＋…＋
信用卡申请评分模型的开发与应用
信用卡申请评分模型的开发与应用一、引言随着社会经济的发展和消费需求的增加，信用卡已成为人们日常生活中不可或缺的支付工具之一、然而，信用卡行业存在着一定的风险，如逾期还款、恶意套现等问题。
为降低信用卡风险，银行和金融机构需要建立一套科学的信用卡申请评分模型。
本文将系统介绍信用卡申请评分模型的开发与应用过程。
二、信用卡申请评分模型的开发1.数据准备信用卡申请评分模型的开发离不开合适的数据集。
首先，需要收集大量的历史数据，包括已有信用卡用户的个人信息、申请信息和信用记录等。
然后，根据实际需求，对数据进行清洗、去重、变量衍生等预处理工作。
最后，将数据集划分为训练集和测试集，用于模型的训练和验证。
2.特征选择在信用卡申请评分模型的开发中，选择合适的特征对模型的性能至关重要。
常用的特征选择方法包括相关性分析、信息增益、主成分分析等。
通过这些方法，可以剔除冗余的特征和无关的特征，提高模型的预测准确性。
3.模型建立4.模型评估建立信用卡申请评分模型后，需要对模型进行评估和验证。
评估指标通常包括准确率、召回率、精确率、F1值等。
同时，可以使用交叉验证、ROC曲线等方法评估模型性能。
如果模型评估结果不理想，可以通过调整特征、调整模型参数等方式进行优化。
三、信用卡申请评分模型的应用1.信用卡申请预审2.信用风险评估3.信用决策支持4.信用卡推荐四、总结信用卡申请评分模型的开发与应用是一项具有重要意义的工作。
通过科学的模型开发和合理的应用，可以有效降低信用卡风险，提高信用卡行业的发展和管理水平。
但需要注意的是，信用评分模型是一个动态的过程，需要不断地更新和优化，以适应不断变化的市场和客户需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
申请风险评估模型是指通过对消费信贷申请人的资信状况进行评估来预测其未来严重拖欠和坏账概率的模型。
申请风险评估模型在信贷风险管理中有着非常重要的作用，因为其评估结果是信贷审批的主要依据之一。
与国外银行信用卡业务相比，我国各商业银行的信用卡业务的风险管理水平较低，管理手段与方法比较落后。
缺乏一套有效的申请评估方法是阻碍个人信用卡业务进一步开展的主要因素之一。
如何提高我国商业银行信用卡的信用风险管理水平，从而提高信用卡的盈利能力，使其在与外资银行的竞争中处于不败之地是本文的出发点。
本文尝试利用层析分析法(AHP)和BP神经网络相结合的组合评价方法对信用卡申办人进行信用等级评估，寻求降低信用卡的信用风险的有效措施。
一、AHP-BP神经网络模型
1.模型构建的出发点
传统的B P神经网络模型研究的重点是围绕着如何确定网络的输入、输出层维数的建模问题。
然而，当研究复杂系统建模时，由于影响因素过多，不能确定冗余因素和有用因素，不能将输入的因素简化，这样在输入信息空间维数较大时，网络不仅结构复杂，而且训练时间也很长，从而降低网络性能，影响计算准确度。
因此，本文尝试利用层析分析法作为B P神经网络的前处理，通过已有的专家判断、比较、评价等手段将多个变量的重要程度数量化，以其结果作为B P神经网络的输入值，以减小B P神经网络的结构的复杂性，从而缩短训练时间，并充分利用B P 神经网络强大的容错能力和抗干扰能力，提高模型的效率。
2.两种方法集成的可行性分析
以往国内商业银行对信用风险评估相关的数据重视不足，造成有效信息的缺失，而A H P-B P神经网络模型仍具有神经网络采用分布式存储结构的特点，具有很强的容错能力，少量单元的局部缺损不会造成整个网络的瘫痪，适合实际操作。
信用卡风险评估是一个较为复杂的过程，涉及各方面的因素，而且各影响因素与衡量结果之间并不完全是线性关系。
而A H P-B P神经网络模型具有很强的非线性映射能力。
AHP-BP神经网络模型自适应能力强，能不断地接受新样本、不断学习，以调整模型。
商业银行以不断更新滚动数据训练模型，使评估结果更符合实际，形成动态评估过程(见图1)。
福州大学管理学院 许速群 张岐山 杨美英
申请风险评估模型个人
数据预处理阶段 指标权重计算阶段 神经网络建模阶段
图1 基于AHP-BP神经网络模型构建流程
二、利用层次分析法计算信用卡申请指标的权重
1.建立评估指标体系
商业银行个人信用等级评估指标设立的目的可以简述为银行通过评估申请人的品德、能力以及还款意愿等对其还款可能性进行预测。
根据指标体系设立原则，参照国际标准、国内外银行经验和个人信用等级评估方法，综合考虑商业银行特点与所在地区情况，通过对以往申请人群的考察，以专家判断为基础，可选择4大类17个指标来评价个人信用等级(见表1)。
2.计算评估指标体系各因素的权重
根据影响个人信用等级的主要因素建立系统的递阶层次结构以后，需要运用层次分析法确定各评估指标的权重，大体可分为4个步骤。
(1)构建判断矩阵。
建立层次分析模型之后，就可以以上一层次某因素为准，该因素对下一层次诸因素有支配关系，两两比较下一层诸因素对它的相对重要性，并赋予一定分值，一般采用 T.L.Satty教授提出的1～9标度法。
矩阵形式如下
A=[a
ij
] ，i，j=1，2， …，n
式中，a
i j
就是上层某元素而言B
i
与B
j
两元素的相对重要性标度。
(2)判断矩阵的一致性检验。
由于判断矩阵是主观认为赋予的，故需要进行一致性检验，即评估矩阵的可靠
表1 个人信用等级评估
与否、违约概率和恶意欺诈等多种形式。
然而，传统的信用卡风险衡量标准在不同程度上表现为对个人信用类别的划分，而不是对信用风险的评估，或者评估结果取值不连续、存在波动性；而信用卡风险度是指在特定的信用消费方式下，持卡人由于各种原因，不愿意或无力偿还透支的
款额本息而使透支的款额将来形成呆账的可能性。
其具体表现为：K i 为第i 种申请方式下的信用风险度，K i =D i /B ；
D i 为第i 种申请方式下信用消费额形成呆账的数额；B 为银行提供信用消费的总额。
信用风险度不仅体现了风险的不确定性，强调了信用风险的相对性，而且可以较为准确地反映信用消费金额的损失程度，更好地体现出信用卡风
险本质内涵，并且取值在[0，1]间连续，是较为理想的信用风险衡量指标。
表3 综合判断矩阵的权重值与一致性检验结果
性。
对判断矩阵的一致性检验的方法为：先计算一致性指标I C =
max n-1
-n ，当
max
=n ，I C =0，为完全一致；I C 值越大，
判断矩阵的完全一致性越差；再查找相应的平均随机一致性指标I R ，I R 值见表2。
I C
I R
表2 平均随机一致性指标I R
I R 的值可以通过下列方法获取：用随机方法构造500个样本矩阵，随机地从1～9及其倒数中抽取数字构造正负反矩阵，求得最大特征根的平均值 ，并定义
I R =
max n-1
-n 计算一致性比例R C ，R C = ，当R C <0.1时，认为
判断矩阵的一致性时可以接受的，否则应对判断矩阵做适当修正。
3.计算层次单排序及总排序
计算出某层次因素相对于上一层次中某一因素的相对重要性，这种排序计算称为单排序。
具体地说，层次单排序是指根据判断计算对于上一层某元素而言本层次与之有联系的元素重要性次序的权值。
依次沿递阶层次结构由上而下逐层计算，即可计算出最低层因素相对于最高层(总目标)的相对重要性或相对优劣的排序值，即层次总排序。
本文运用M A T L A B6.5可以得出个层次的综合判断矩阵的权重值W 以及一致性检验情况(见表3)。
三、AHP-BP 神经网络模型的实现
1.模型输入点的选择
由于各判断矩阵的R C 值均小于0.1，可以认为它们均有满意的一致性。
商业银行信用风险评估对影响因素较为敏感，权值累计贡献率>95%的指标保留，即当措施层指标权值<0.05时，将该指标删除，从而得到简化后的风险指标体系，并以其作为AHP-BP 神经网络模型的输入值。
信用卡风险衡量的指标通常包括持卡人信用消费违约
2.相关参数的确定 文中用于商业银行信用卡风险评估的神经网络模型基于S P D S 算法的三层B P 神经网络模型，输入层含有11个输入向量，输出层含有1个输出向量。
网络隐含层节点数根据经验确定，一般可考虑的经验法则有：一是隐含层节点数
不能是个层中节点数最少的，也不是最多的；二是较好的隐含层的节点数介于输入节点和输出节点数之和的50%～70%之间；三是隐含层节点数的理论上限由其训练样本数据所限定。
所以隐含层的节点数为6个较符合实际情况，适用双曲正切S i g m o i d 激励函数。
网络各学习参数设定如下：最大循环次数为800；目标误差为0.00001；初始值为0.0001，各隐含层及输入层的阈值初值定为X 0=-1，
W 0=0。
3.模型的训练与检验
样本数和判别分析一样，训练样本和检验样本从总体中不重复随机抽样，各占总体样本的2/3和1/3。
本文结合实际情况运用模拟数据的15个项目的相关数据作为训练样本和检测样本，其中10个作为训练样本，5个作为检测样本。
使用M A T L A B6.5软件编程，计算出训练阶段样本预测结果与实际结果(见表4)，以及检验阶段样本预测结果与实际结果(见表5)。
4.模型的实际应用
有了评估体系后，银行可以根据信用卡申请者或者信
表
4 训练阶段样本预测结果与实际结果
表5 检验阶段样本预测结果与实际结果
用卡授卡对象的实际情况进行比较科学的评估，对他们的基本情况归一化后，通过本文所构造的神经网络模型得到实际的输出结果，银行可以对申请者的信用进行分级。
这样就可以对不同的信用等级授予不同的信用消费金额，比如预测值处于0.8以上的，说明申请者由于各种原因，申请者对透支消费的无力按时或不愿意偿还本息而导致将来形成坏账的风险比率高，这时银行就可以拒绝申请；预测值处于0.4～0.8，则说明信用一般，银行可以考虑授予普通的信用卡；预测值处于0.4以下，是属于信用高的，这时银行可以授予信用额度高的信用卡，还可以考虑适当增加一些个人的金融服务，尽量留住这些高信用的客户。
对于不同的预测值，银行就可以针对不同信用的申请者发放不同的卡种，有效地降低了由于申请者信用的不良导致信用卡的消费形成呆账的风险。
5. 模型评价与结论
运用层析分析法的综合评价指数法可以同时考虑到客户的一些静态指标和动态指标，比如职业、学历、还款记录、月均存款等，这样可以充分反映个人的综合情况，全面考核个人的信用状况，为商业银行开展信用卡业务风险防范
提供了依据。
但是必须指出的是，在评价每个因素时，要注意有些指标的权重会特别突出，导致了抬高综合评价指数，得出信用状况变得良好的错误结论。
所以利用本模型计算出来的综合评价指数不能作为个人信用的唯一判断依据，实际应用中还需借助其他的技术手段和相关的重要信息进行最后的确认。