客户信用分析模型型
客户信用分析模型（Z 计分模型、巴萨利模型等）
客户信用分析模型
客户信用分模型分为两类：预测模型和管理模型。预测模型用于预测客户前景，衡量客户破
产的可能性，Z 计分模型和巴萨利模型属于此类，两者都以预测客户破产的可能性为目标。
客户信用分析之预测模型－Z 计分模型
信用评分法的基本思想是，财务指标反映了企业的信用状况，通过对企业主要财务指标的分
析和模拟，可以预测企业破产的可能性，从而预测企业的信用风险。最初的Z 计分模型由
Altman 在1968 年构造。
其中：Z1主要适用于上市公司，Z2适用于非上市公司，Z3适用于非制造企业。
Z1 = 1.2*X1 + 1.4*X2 + 3.3*X3 + 0.6*X4 + 0.999*X5
其中
X1 =（流动资产-流动负债）/资产总额
X2 =留存收益/资产总额
X3 =（利润总额+利息支出）/资产总额
X4 =权益市场值/负债总额
X5 =销售收入/总资产
一般地，Z值越低企业越有可能破产。如果企业的Z值大于2.675，则表明企业的财务状况良好，发生破产的可能性较低。反之，若Z值小于1.81，则企业存在很大的破产风险。如
果Z 值处于两者之间，则企业的财务状况非常不稳定。
Z2= 0.717*XI + 0.847*X2 + 3.107*X3 + 0.420*X4 + 0.998*X5
其中
X1 =（流动资产一流动负债）/资产总额
X2 =未分配利润/资产总额
X3 =（利润总额+利息支出）/资产总额
X4 =权益/负债总额
X5 =销售收入/总资产
Z3= 6.56*X1 + 3.26*X2 + 6.72*X3 + 1.05*X4
其中
X1 =（流动资产-流动负债）/资产总额
X2 =未分配利润/资产总额
X3 =（利润总额+折旧+摊销+利息支出）/资产总额
X4 =所有者权益/负债总额
Altman认为，根据上述公式计算的Z值，如果Z小于1.23，风险很大；Z大于2.9风险较
小。
还有一种Z 计分模型，是对非上市公司进行分析的：
Z= A+B+C+D+E
人=税前利润/总负债
B=税前利润/销售额
3营运资本/ （总负债—递延税金）
。=速动资产/营运资本
丘=速动资产/流动负债
上述公式对非上市公司非常适用，公司破产一般发生在该公司每一次打分出现负值后三年
里。
客户信用分析之预测模型—巴萨利模型
巴萨利模型是后人在Z计分模型的基础上发展出来的，此模型以其发明者亚历山大.巴萨利（Alexander Barthory ）的名字命名，此模型适用于所有行业，且不需要复杂的计算。其各
项比率如下：
Z= X1+X2+X3+X4+X5
其中
X1=（利润总额+折旧+摊销+利息支出）/流动负债
X2= 利润总额/（流动资产—流动负债）
X3= 所有者权益/ 流动负债
X4= 有形资产净值/ 负债总额
X5=（流动资产—流动负债）/总资产
对各项比率考察重点如下：
X1 是衡量公司业绩的工具，能精确计算出公司当前利润和短期优先债务的比值，也用于表
示公司业绩。
X2 是衡量公司营运资本的回报率。
X3是资本结构比率，自有资本与短期负债的对比关系，衡量股东权对短期负债的保障程度。
X4是衡量扣除无形资产后的净资产对债务的保障度。
X4 是衡量流动性的指标，表示营运资本占总资产的比重。
巴萨利模型指标值高说明公司实力强，反之则弱。巴萨利模型是Z计分模型更普遍的应用，可在预测公司破产可能性同时，也能衡量公司实力大小。据统计，巴萨利模型的准确率可达
百分之九十五（95%）。
客户信用分析之管理模型—营运资产分析模型
营运资产分析模型是企业进行信用分析的又一个重要模型，这个模型从1981 年开始在国外
开始广为应用，在计算客户信用额度方面具有很强的作用。
营运资产分析模型的计算过程主要分为三步：营运资产计算、资产负债表比率计算以及计算
信用额度。
营运资产计算：
营运资产=（营运资本+净资产）/2
营运资本= 流动资产- 流动负债
从这个公式可以看出，该模型在营运资产的计算上，不仅考虑了客户当前的偿债能力而且还
考虑客户的净资产能力。用这两个方面的综合平均值来衡量客户风险具有很大的功效。因为
从信用管理的角度来看，仅考虑客户的流动资产和流动负债情况，还不足以反映客户的真正
资本实力，净资产是保障客户信用的另一个重要指标。
资产负债表比率计算：
营运资产模型考虑如下比率：
A流动比率=流动资产/流动负债
B速动比率=（流动资产-存货）/流动负债
C短期债务净资产比率=流动负债/净资产
D债务净资产比率=负债总额/净资产
评估值=A+B-C-D
A和B衡量公司的流动性；C和D衡量公司的资本结构。可以看到，评估值综合考虑了资产
流动性和负债水平两个最能反映公司偿债能力的因素。评估值越大，说明公司的财务状况越
好，风险越小。
计算信用额度
营运资产分析模型最大的贡献在于它提供了一个计算信用额度的思路：对于不同风险下的评
估值，给于一个比例，按照比例和营运厂确定赊销额度。下表给出了不同评估之下对应的营
运资产的不同比例：
从表中可以看出，评估值越小，信用风险越大，营运资产分析模型给与其越小的营运资产比例作为计算赊销额度的依据。由此可见，该模型使用的财务数据和比率并不复杂，直接在财务报表中都可获得，因此较为实用。
与Z 计分模型和巴萨利模型相比，营运资产比较简单，易于操作，但它不能用来预测客户的破产可能性。在采用营运资产分析模型时应该注意以下两点：
1．根据营运资产模型得出的赊销额度只能作为信用管理人员决策的参考，而不能也不应严格按照模型的给出确定额度，因为一些影响信用风险的因素在模型中并没有得到体现。
2．营运资产百分比等级应该根据公司的销售政策和公司当前整体赊销水平不断进行调整。
信用分析模型的概述
信用分析模型是准确评估对象的信用等级和风险级别的关键技术，企业所在行业不同和客户
群的差异决定了信用分析模型设计的相对独特性.企业需要开发和应用专业的信用分析模型.在
企业开展信用分析工作时，仅靠管理人员的经验和传统方法，往往达不到准确识别和评估风险的要求.
信用分析模型的类别
信用分析模型可以分两类，预测模型和管理模型.预测模型用于预测客户前景，衡量客户破产的可能性Z计分模型和巴萨利模型属于此类，两者都以预测客户破产的可能性为目标，不同之处在于所考察的比率和公式略有不同.管理模型不具有预测性，它偏重于均衡地解释客户信息，从而衡量客户实力.营运资产分析模型和特征分析模型属于此类.营运资产分析模型旨在通过资产负
债表衡量客户的实力与规模，特征分析模型则偏重于利用各类财务、非财务信息评价客户风险大
小.管理模型不象预测模型那样目标专一，同时具有很大的灵活性，通过适当的调整可以用于各种
场合.
预测模型之一:Z计分模型
Z计分模型通过关键的财务比率来预测公司破产的可能性.比较典型的为理查得?托夫勒(Richard Taffler)Z 计分模型.1977 年理查得托夫勒对46家性质相同、规模大小一样的破产公司和有偿债能力的公司进行了对比，并依据其调查结果和利用多样差别分析法的基础上得岀如
下一些比率：
(税前利润/平均流动负债)x权数(1)
(流动资产/负债总数)x权数(2)
(流动负债/总资产)X权数(3)
现金交易间隔期X权数(4)
公式(1)衡量公司业绩；
公式⑵ 和⑶ 衡量公司的债股比率；
公式(4)衡量公司在无收入状态下可维持业务的时间长短
Z计分值便是公式(1)(2)(3)(4) 四个比率的总和；如计分值为负值，则表示公司不景气.
经实践证明，这四种比率配上适当的权数,预测公司破产率的准确性高达97%以上.其中还发
现一个重要规律,即公司破产一般发生在该公司第一次Z计分岀现负值后的第三年里.可见,Z计
分模型是帮助企业确定客户破产风险的有力工具.(适用于大的集团公司)
预测模型之二：巴萨得模型
由亚历山大巴萨利(Alexander Bathory) 发明.其比率如下：
(税前利润+折旧+递延税)/流动负债(银行借款、应付税金、租赁费用)(1)
税前利润/营运资本(2)
股东利益/流动负债(3)
有形资产净值/负债总额(4)
营运资本/总资产(5)
(1) -(5)总和便是该模型的最终指数.低指数或负数均表明公司前景不妙.
(1) 衡量公司业绩；
(2) 衡量营运资本回报率；
(3) 衡量股东权益对流动负债的保障程度;
(4) 衡量扣除无形资产后的净资产对债务的保障程度;
(5) 衡量流动性.
巴萨利模型是Z计分法更普遍的应用.据调查，巴萨利模型的准确率可达到95%;其最大优点
在于易于计算，同时,它还能衡量公司实力大小，广泛适用于各种行业.
管理模型之一：营运资产分析模型
该模型自1981年起在国外开始应用，在计算客户的信用限额方面具有非常实用的价值.该模型的计算分两个步骤：营运资产计算和资产负债表比率计算.
1、营运资产计算.该模型首先提出考察的指标是营运资产，经此作为衡量客户规模的尺度,这一指标与销售营业额无关，只同客户的净流动资产和账面价值有关
营运资产的计算公式是：营运资产=(营运资本+净资产)/2
其中营运资本=流动资产-流动负债
净资产即为企业自有资本或股东权益.
实力.用这两个方面的综合平均值来衡量客户风险具有很大的功效
.因为从信用管理的角度看 ，仅 考虑客户的流动资本和流动负债情况
，还不足以反映客户的真正资本实力 ，净资产是保障客户信
用的另一个重要指标.
2、资产负债表比率计算.营运资产模型考虑如下比率：
流动比率=流动资产/流动负债(1)
速动比率=(流动资产-存货)/流动负债(2)
短期债务净资产比率=流动负债/净资产(3)
债务净资产比率=负债总额/净资产(4) 评估值=(1)+(2)-(3)-(4)
(1)和⑵ 衡量公司的资产流动性；(3)和⑷ 衡量公司的资本结构.评估值综合考虑了资产流 动性和负债水平两个最能反映公司偿债能力的因素
.评估值越大，表示公司的财务状况越好 ，风
险
越小. 3、信用额度的计算.
表1营运资产百分比等级
评估值风险程度营运资产
高2.5
高 5.0
高7.5
高 10.0
有限12.5
有限15.0
有限17.5
<-4.6 高 -4.59-39 -3.89-32 -3.19- -2.5 -2.49- -1.8 -1.79- -1.1 -1.09- -0.4 -0.39-0.3 0.31 - 1.0
有限20.0
>1.0 低25.0
从表1可以看岀，对评估值越小（即信用风险越大）的公司，营运资产分析模型给予其越小的营运资产比例作为计算赊销额度的依据.
例：公司A、B、C的评估值及营运资产分别如下表2所示
表2赊销额度计算
A公司B公司C公司
评估值1 -2.3 -4.7
营运资产（元）100000 100000 100000
赊销额度（元）25000 100000 0
由此可见，该模型使用的财务数据和比率并不复杂，直接在财务报表中都可获得，因此较为实用.
管理模型之二：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岀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.
特征分析技术将客户信用信息分为三大类特征,18个项目.
（一）客户特征：1、表面印象；2、组织管理:（1）客户的股东结构及股东的背景（2）客户的内部管理组织结构及附属机构（3）主要负责人背景；3、产品与行业；4、市场竞争性；5、状况;（1）生产状况及经营范围（2）购销区域、结算方式和特点（3）主要供应商、经销商或代理商的状况（4）经营
业绩,包括销售额、业绩增长情况，尤其应注意客户主营业务的增长情况；6、发展前景.
（二）优先特征:1、交易利润率；2、交易条件；3、对市场吸引力的影响；4、对市场竞争力的影响；5、担保条件；6、可替代性.
（三）信用及财务特征：1、付款记录；2、银行信用:（1）银行对该客户的信用评级（2）该客户在银行的存贷款情况、信用额度是否有拖欠（3）是否能获得银行的资信证明书和保函；3、获利能力；4、资产负债表评估；5、偿债能力；6、资本总额.
对每一个项目，公司制定一个衡量标准，分为好、中、差三个层次，每个层次对应不同的分值.例如,对应"产品质量"一项,衡量标准层次如下：
好：产品质量好，富有特色；中：质量中等，属大众消费商品；差：质量很差，属劣等品.对其它项也都相应确定不同衡量标准层次下的语言描述.不同层次对应的分值为：
好-对应分值为8-10分；中-对应分值为4-7分;差-对应分值为1-3分;在未得到某项的任何情况时，赋值0.
另外,根据公司的销售政策和信用政策对每一项都赋予一个权数,18个项权数之和为100.接
下来,可以按照以下三个步骤计算：
对每一项进行打分.某项特征越好，分值越高.
用权数乘以10（每一项可能得到的最高分值）,得岀最大可能评分值.
用每一项权数乘以实得分数并加总得岀加权平均分，并以此与加总的最大可能评分值相比，得
出百分率.
对于特征分析模型的最终百分率可以作出如下归类：
表3特征分析模型最终百分率分类
最终百分率类别
0- 20 收集的信用特征不完全，信用风险不明朗，或存在严重的信用风险，因此，不应该进行赊
销交易.
21-45 交易的风险较高，交易的吸引力低；建议尽量不与之进行赊销交易，即使进行，也不要突破信用额度，并时刻监控.
46-65 风险不明显，具有交易价值，很可能能发展为未来的长期客户，可适当超岀原有额度进行交易.
66以上交易风险小，为很有吸引力的大客户，具有良好的长期交易前景，可给予较大信用额度.
特征评分有以下几个用途：
1调整赊销额度.与营运资产模型相比，特征分析模型更全面.可以将特征分析模型与营运资产分析模型结合起来确定赊销额度.方法为：根据特征分析模型得出的最终百分率对在营运资产
分析模型基础上得出的赊销额度进行调整.如表5所示：
表4根据特征分析模型调整赊销额度
根据特征分析模型得出的最终百分率
可超岀赊销额度（根据营运资产分析模型确定）的数量0-20 0
21-45 赊销额度X21% 至赊销额度X45%
46-65 赊销额度X(46%+0.5) 至赊销额度X(65%+0.5)
66以上赊销额度X(66%+1.0) 以上
比如:A公司的最终百分比为46%,根据营运资产分析模型得岀对其赊销额度为10,000 元,
则根据特征分析模型调整后的赊销额度为：10 000 X (46%+0.5)+10 000=19 600 2与其它分析模型的结果互相印证.
3对客户进行分级.可以按照表6所示对客户分级
表5根据特征分析模型对客户分级
评估值客户信用等级
0-20 D
21-45 C
46-65 B
66以上A
在采用特征分析模型时涉及到权数的的选择问题.权数的重心倾向实质反映了公司的政策取
向.不管权数是偏重于销售或偏重于财务，有一些项目因为其重要性总是具有较高的权数，包括：付款担保、付款历史记录，资本结构比率，管理能力，产品概要等.一笔交易的信用风险不光取决于客户的付款能力还取决于它的付款意愿.Z计分模型、巴萨利模型和营运资产分析模型主要以财
务分析为主，而特征分析模型既考虑了财务因素，又考虑了非财务因素，既考虑了付款能力，又考虑
了付款意愿，另外,企业从多渠道获得客户信息(如销售人员获得客户信息)也可以在特征分析模
型中加以利用.因此,特征分析模型是值得企业广泛采用的一种有效方法
沉默用户激活及客户价值分析
2014-7-6 13:54:00 沉默用户激活方案 一、几个基本定义： 1.交易间隔：用户的相邻两笔交易之间的交易间隔时长 2.沉默：最大交易间隔时长远大于某一设定阈值 3.活跃：最大交易间隔时长远小于某一设定阈值 4.排秩、秩次：对集合内的值排序，排序后所在的位置即为秩次 5.秩次比：所在秩次占集合元素总数的比值 6.沉默得分：用户沉默的程度得分，用来差异化细分沉默用户群 二、基本分析思路： 1．计算出单个用户的每次交易间隔，以此为基本数据原料进入下一步分析； 2.定义沉默用户的最大交易间隔阈值，以此为标尺，测量各个用户距离沉默的远近及可 能性； 3.计算沉默用户的沉默得分，划分沉默用户等级； 三、计算流程： 1.计算每个用户的历史交易频率F的间隔时长Ti＝｛T2-T1,T3-T2,…,Tn-Tn-1｝ 2.计算每个用户的最后一笔交易距今时长Tr=Today-Recently 3.对集合｛Ti｝及Tr进行排秩，并输出对应秩次{RankT1,RankT2,…,RankTr,…,RankTn} 4．将Tr所在秩次除以该用户总交易次数cF，得出秩次比TrF； ｀算法解释：以用户历史最大沉默间隔为参考，若Tr接近Max{Ti}，则表示该用户已 接近沉默边缘，并极有可能转入沉默状态，反之接近活跃。 活跃0 1 沉默 此处求百分比的目的为：将实际问题数字化，并以量化方式呈现： 若最近一笔消费距今时长排秩比： 等于1，则表示该用户已进入沉默状态； 若接近1，则表示用户靠近沉默边缘； 在0到1之间，表示用户未表现出明显即将进入沉默状态信号； 若接近0，则表示用户靠近活跃状态； 5.将Tr除以Max{Ti}，求得用户沉默得分S； ｀算法解释：以用户历史最大沉默间隔为参考，以数值方式衡量沉默程度： 以得分＝1为界限： 若得分小于1，则表示用户沉默程度较低，且未完全进入沉默状态； 若得分等于1，则表示用户已进入沉默状态； 若得分大于1，则表示用户已进入沉默状态，且沉默程度为S1－1； 若得分远大于1，则表示用户已进入沉默状态，且沉默度为S2－1（即
比较分析四种估值模型
比较分析四种估值模型标准化工作室编码[XX968T-XX89628-XJ668-XT689N]
股利折现模型优点： 概念简单：股利是股票所得到的报酬，因此要对他们进行预测。 可预测性：股利通常在短期内相当稳定，因此（在短期内）股利容易 预测。 缺点： 不相关：股利支付与价值无关，至少在短期是如此；股利预测忽略了 支付中的资本利得部分。 预测期：通常要求预测长期的股利；到期价格的计算不可信。 何时能最好地发挥作用 当收入总是与公司创造的价值相关时，模型可以最好地发挥作用。例 如，公司有一个固定的股利分配比率（股利/利润）。 现金流折现模型 优点： 概念简单：现金流是实际发生的且易于考虑，它不会受会计准则的影 响。 熟悉：现金流分析是已熟悉的净现值方法的直接应用。 缺点： 可疑之处： 1.自由现金流不能衡量短期内所增加的价值，得到的价值与放弃的价 值不匹配。 2.自由现金流不能体现有非现金流因素所产生的价值。 3.投资被认为是价值的损失。 4.自由现金流部分是一个清算概念，公司通过减少投资能增加自由现 金流。 预测期：通常需要进行长期的预测来确认投资产生的现金流入，尤其 是当投资在扩张时，更需要长期预测。 有效性：难以确认预测的自由现金流是否有效。 与预测的内容不一致：分析家预测的是利润而不是自由现金流，把利 润调整为现金流需要进一步预测增加额。 何时能最好地发挥作用 当投资能产生稳定的自由现金流或产生以固定比率增长的自由现金流 时，现金流折现分析能最好地发挥作用。 剩余收益模型 优点： 集中于价值动因：集中于决定价值创造的投资盈利能力和投资增长两 个动因，对这两个因素进行战略的思考。 利用财务报表：利用资产负债表已确认的资产价值（账面价值）。预 测利润表和资产负债表而不是预测现金流量表。
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、
应用文-浅析信用评分模型
浅析信用评分模型 '\xa0\xa0\xa0 [摘要] 本文对信用评分领域中主要的模型和方法做了细致的概述和优缺点比较, 这些模型包括判别分析模型、决策树分析回归分析和神经 模型。 \xa0\xa0\xa0 [关键词] 信用评分判别分析模型决策树分析回归分析法神经网络法 一、信用评分概况 信用评分模型作为信用风险 的基础和核心,无论是对于建立 征信体系还是对于金融机构的信贷资产管理,都有着不可替代的作用。其主要目的,在于尽量将能够预测借款人未来行为的指标加以整合,并统一成可以比较的单一指标,以显示借款人在未来特定时间内违约的可能性,所有的信用评分模型,无论采用什么理论或方法,其最终目的都是将贷款 者的信用级别分类。为达到分类目的。当前，对个人信用评分模型的定义有多种，较为权威的种观点认为:“信用评分是预测贷款申请人或现有借款人违约可能性的一种方法。”这一观点指出了信用评分的作用和目的,不过随着信用评分模型的不断 ,信用评分已不仅是一种统计方法,也包含了运筹学,如数学规划法、非线性模糊数学(如神经网络方法)等。此外,信用评分的实际操作 也与决策原则紧密相关，决策原则事实上决定了信用评分模型实现其目的和作用的程度。因此,对个人信用评分模型这一数学工具在金融和银行业中的应用来说,较为全面和恰当的定义应是,“信用评分是运用数学优化理论(包括统计方法、运筹方法等),依照即定原则或策略(损失最小原则或风险溢价原则),在数据分析决策阶段区分不同违约率水平客户的方法。 二、各类信用评分模型概述 1.判别分析模型 判别分析法是对研究对象所属类别进行判别的一种统计分析方法。进行判别分析必须已知观测对象的分类和若干表明观测对象特征的变量值。判别分析就是要从中筛选出能提供较多信息变量并建立判别函数，使推导出的判别函数对观测样本分类时的错判率最小。这种方法的理论基础是样本由两个分布有显著差异的子样本组成，并且它们拥有共同的属性。它起源于1936年Fisher引进的线性判别函数，这个函数的目的是寻找一个变量的组合，把两个拥有一些共同特征的组区分开来。 判别分析方法的优点:适用于二元或多元性目标变量,能够判断,区分个体应该属于多个不同小组中的哪一组。自身也存在不可避免的缺点:该模型假设前提是自变量的分布都是正态分布的,而 中的数据往往不是完全的正态分布,从而导致统计结果的不可靠性。 2.决策树方法 决策树模型是对总体进行连续的分割,以预测一定目标变量的结果的统计技术。决策树构造的输入是一组带有类别标记的例子,构造的结果是一棵二叉或多叉树。构造决策树的方法是采用自上而下的递归构造。在实际中,为进行个人信用分析,选取个人信用作为目标属性，其他属性作为独立变量。所有客户被划分为两类,即好客户的和坏客户,将客户信用状况转换为“是否好客户”(值为1或0),而后利用数据集合来生成一个完整的决策树。在生成的决策树中可以建立一个规则基。一个规则基包含一组规则,每一条规则对应决策树的一条不同路径,这条路径代表它经过节点所表示的条件的一条链接。通过创立一个对原始祥本进行最佳分类判别的决策树,采用递归分割方法使期望误判损失达到最小。
信用卡分析维度模型
银行卡、信用卡分析维度模型 JBean于2009-7-20,02:12 评论 (0) 依据搜集整理的银行卡及信用卡分析的相关需求、案例及经验，对银行卡分析的常用维度进行了整理，主要包括客户资料（用来刻画客户个体特征的资料）、帐户资料（与客户相关的帐户，即客户所消费的的服务的静态特征）及交易资料（客户与银行之间发生的交互信息）几个部分。 一、客户资料 1 性别 个人客户的性别，有效值：（男性，女性） 2 年龄段 3 婚姻 已婚
未婚?离婚?学历4 个人客户的文化程度： 文盲?小学?中学?中专?大专?学士?硕士?博士或以上?5 行业 个人客户所属行业，有效值待定。建议采用国家标准分类：如 电信、电子、城建、公路、铁路、民航、电力、石油石化、汽车、教育、医药、旅游、其它。 6 职业 个人客户的职业，有效值待定。建议采用国家标准分类：如 管理人员? 技术人员?作业人?月收入分段?7 个人客户的月收入 分段方式视需求而定。 500元以下?500~1000元?1000~2000元?2000~3000元?3000~5000元 年?5000~8000元?8000~10000元?10000~20000元?20000元以上? 收入分段8 个人客户的年收入，分段方式视需求而定。 6000元以下?6000~12000元?12000~24000元?24000~36000元 ?36000~60000元?60000~96000元?120000~240000元?240000元以上 ?9 关联关系 个人客户与其它客户之间的关联关系： 家庭关系1)配偶?父母?子女?兄弟姐妹?其它?2)工作关系 雇佣? 被雇佣?3)经济关系 担保人? 被担保人?10 客户等级 目前的等级划分可依据月均消费总金额： 新客户－最近三个月新增的客户?普通客户－最近三个月消费月均额折合 人民币500元以下客户；?千元客户；500-1白银客户－最近三个月消费月均额折合人民币?． 黄金客户－最近三个月消费月均额折合人民币1~5千元的客户；? 万的客户；白金客户－最近三个月消费月均额折合人民币5千~1?万元的客户；钻石客户，最近三个月消费月均额折合人民币1~5?万元以上的客户贵宾客户，最近三个月消费月均额折合人民币5?以上以北京消费能力为标准, 不同
银行个人客户信用评分模型研究
银行个人客户信用评分模型研究 近年来，中国的信用卡业务飞速发展，为银行带来了丰厚的利润。但招揽信用卡用户的激烈竞争导致银行不断放宽对于信用卡申请者的要求，疏忽了风险的管理和控制。能否掌握信用卡客户的业务规律，并能设计相应对策以管理控制风险，是信用卡业务成败与否的关键。据此，针对银行信用卡客户，收集并处理他们的信息，利用决策树算法建立个人信用评分模型，并结合社会实际情况对模型做出调整建议。 标签： 数据挖掘；决策树；信用评分 1 个人信用评分 一般信用的考察对象有两个：企业和个人。对于不同对象研究方式不同，但考察目的相同，即分析借款人的还款意愿和能力。本文研究的是个人信用，个人信用指的是基于信任、通过一定的协议或契约提供给自然人（及其家庭）的信用，使得接受信用的个人不用付现就可以获得商品或服务。 个人信用评分，是指通过使用科学严谨的分析方法，综合考察影响个人及其家庭的内在和外在的主客观环境，并对其履行各种经济承诺的能力进行全面的判断和评估。针对不同的应用，个人信用评分分为风险评分、收入评分、响应度评分、客户流失（忠诚度）评分、催收评分、信用卡发卡审核评分、房屋按揭贷款发放审核评分、信用额度核定评分等。个人信用评分是对个人信用的一种定量化描述，用客观的方式来预测信用行为。它具有减少和控制风险、辅助准确决策等作用。 2 数据采集 2.1 指标体系的选择 在实际的环境中，并不是所有的数据项都可为研究所用，因而本文结合专家法和实际可获取数据，选取了衡量客户的信用情况的四大主要因素，即：基本情况、职业情况、家庭情况、与银行的往来业务关系。 2.2 数据的采集 指标体系确定后，我们确立了具体的考察指标，并拟出了一份银行客户信息的调查问卷，在银行进行发放，发放总数100分，回收86份，回收率86%。 3 数据预处理
基于分类回归树的个人信用评价模型
基于分类回归树的个人信用评价模型 孟昭睿 （中国建设银行股份有限公司河南总审计室，河南郑州450003） 摘要：分类回归树作为一种基于统计理论、计算机实现的非参数识别技术，在个人信用评估领域有着良好的应用前景。文章主要探讨如何利用分类回归树建立个人信用评价模型。实证结果表明：该模型对个人信用评价可取得较好的效果。 关键词：分类回归树；信用评价；决策树 中图分类号：TP311文献标识码:A 文章编号:1006-8937（2009）02-0076-02 On the individual credit evaluation mode based on the assoeted recursive tree MENG Zhao-rui (Henan General Accounting Office,China Construction Bank Corporation,Zhengzhou,Henan 450003,China ) Abstract ：The classified return tree takes one kind the non-parameter recognition technology which based on the statistical theory,the computer realizes,has the good application prospect in individual credit appraisal domain.How does the article mainly discuss establishes individual credit status model using the classified return tree.The real diagnosis result indicated:This model may make the good progress to individual credit status.Keywords ：assoeted recursive tree;credit evaluation;decision tree 1引言随着金融的全球化趋势和银行业竞争的加剧，如何有 效地控制和防范商业银行的信贷风险正在受到越来越广泛的重视。如何在扩大信贷规模的同时准确分析客户的信用风险状况，确立合理的个人信贷标准是银行进行市场竞争的有力武器。目前，国内商业银行过去制定的个人消费信贷评价体系大多是基于专家或信贷员的经验，主观地设定各指标评分和权重。根据内部调查，许多银行反映其个人信用评估部分指标的设置和权重分配不合理，不能很好地判别申请客户的信用状态。建立科学有效的信用评价模型，对促进个人消费信贷业的发展，降低银行个人信贷风险无疑有着十分重要的作用。 2分类回归树原理 作为一种自动预测方法的分类回归树CART 不仅可以同时利用连续特征和离散特征来进行训练，并且也可以模拟非线性的关系。利用分类回归树可以自动探测出高度复杂数据的潜在结构，重要模式和关系。探测出的知识又可用来构造精确和可靠的预测模型，应用于分类客户、保险诈骗和信用风险管理。从技术上来讲，CART 技术可称为二元回归分解技术。CART 是一种有监督学习算法，即用户在使用他进行预测之前，首先需要提供一个训练样本集对CART 进行构建和评估，然后才能使用。 2.1构建分类树 构建分类树T max ，的过程，即为树的每个节点选择拆分规 则的过程。具体过程如下：所有的数据样本都属于树根节点t ，寻找第一个拆分规则即选择整棵树根节点的分支条件时，首先从第一个预测变量开始扫描，计算并记录样本数据中该变量的每一个取值或每两个相邻数据的中值作为拆分阀值时节点的不纯度函数下降值，然后扫描第二个预测变量，同样计算并记录该变量的各个不纯度函数下降值，直至扫描完最后一个预测变量，计算并记录完所有的拆分阀值对应的不纯度下降值。最后找出不纯度函数下降值最大时所对应的拆分变量和拆分阀值，将其定义为树根节点的拆分变量和拆分阀值。此时，已经将整个样本数据集分成两个子集，对于每一个子集，重复上述寻找树根节点拆分规则的扫描过程，寻找每个子集所属子树的根节点的拆分规则。 假设为寻找左子树的根节点t L 的拆分规则，也是从第一个预测变量开始扫描，计算并记录属于左子树的样本数据集中该变量的每一个取值或每两个相邻数据的中值作为拆分阀值时节点的不纯度函数下降值，直至扫描完最后一个预测变量，并找出使节点t L 不纯度函数下降值最大时所对应的拆分变量和拆分阀值，将其定义为左子树根节点的拆分变量和拆分阀值。同理寻找右子树的根节点拆分规则，则每棵子树又被拆分成两棵更小的子树。 整棵树的建立过程就是一个寻找更小子树根节点的拆分规则的过程。当节点满足以下条件之一时停止拆分操作。其一，节点很小：分支后的叶节点的样本数小于给定的值N min (一般Nmin=5， 有时为1)。其二，纯节点：分支后的叶节点中的样本属于同一个类。其三，空属性向量集：无属性向量 收稿日期：2008-12-28 作者简介：孟昭睿（1970），女，中国建设银行股份有限公司河南总审计 室，中级会计师中级经济师. 第28卷第2期V ol.28No.2 企业技术开发 TECHNOLOGICAL DEVELOPMENT OF ENTERPRISE 2009年2月Feb.2009
各种价值评估方法的理论模型
各种价值评估方法的理论模型、适用环境及其优缺点 1、市净率法（账面净值调整法） 适用环境：市净率法主要适用于需要拥有大量资产、净资产为正值的企业。 优点：可以直接根据企业的报表资料取得，具有客观性强、计算简单、资料易得等特点。 缺点：①账面价值的重置成本变动较快的公司②固定资产较少、商誉或只是资本较多的服务行业。 2、市盈率法或EV/EBITDA倍数法 适用环境：①充分竞争行业的公司②没有巨额商誉的公司③净利润亏损，但毛利、营业利益并不亏损的公司。 优点：首先，计算市盈率的数据容易取得，并且计算简单；其次，市盈率把价格和收益联系起来，直观地反映投入和产出的关系；再次，市盈率涵盖了风险补偿率、增长率、股利支付率的影响，具有很高的综合性。 缺点：如果收益是负值，市盈率就失去了意义。再有，市盈率除了受企业本身基本面的影响以外，还受到整个经济景气程度的影响。在整个经济繁荣时市盈率上长，整个经济衰退时市盈率下降。如果目标企业的β值为1，则评估价值正确反映了对未来的预期。如果企业的β值显著大于1，经济繁荣时评估价值被夸大，经济衰退时评估价值被缩小。如果β值明显小于1，经济繁荣时评估价值偏低，经济衰退时评估价值偏高。如果是一个周期性的企业，则企业价值可能被歪曲。 3、PEG指标法 适用环境：成长性行业 优点：就是将适应率和公司业绩成长对比起来看，其中的关键是要对公司的业绩做出准确的预期。 缺点：它的最大问题是没有对PE进行区分 4、股利贴现模型 适用环境：是现金流折现模型的一种特殊形式，仅用于为公司的股权资产定价 优点：无
缺点：股息贴现模型产生于1938年，由美国经济学家约翰·伯尔·威廉姆斯最早提出。当时投资者买进股票的主要目的确实是获得股息，股票的股息率经常被用来和债券的孳息率做对比。但是，自从20世纪中期以后，由于税收上的考虑，上市公司逐渐减少了股息的发放，转而倾向于保留大部分收益用作再投资，以避免股东缴纳高昂的股息税。当公司需要把一部分资金分配给股东的时候，往往采取股票回购的方式，而非发放股息。这种情况是股息贴现模型无法应对的。 除此之外，模型本身的假设也存在技术上问题： ①股息率问题：现实中稳定而且永久维持的普通股股息增长率未曾存在，这假设明显失真，业绩高增长的公司几乎不派发股息[6]，从而导致模型的简化版本不适用，但按逐期现金流贴现的模型形式（即上方第一条公式）依然有效。 ②派息问题：未必所有普通股股票均会派息，因为派息会导致股价短期下降，而且公司管理层可能更倾向于股息资本化，即不派发股息而为公司保留现金作投资（会计学称之为留存收益）。假若没有股息，股东没有现金流的增加，他所持有的股票现值也不会有所增长。因此，更常见的办法是借用莫迪尼亚尼-米勒定理，假定股息派发与否对公司价值没有影响，从而在模型中以每股溢利取代股息作为参数。但是，溢利增长率又不同于股息增长率，两者的计算结果可能有别。 ③模型中，股价对股息增长率的变化非常敏感，而股息增长率只是一个期望数据。 ④投资者预期问题：如果投资者没有预期收取股息，模型便意味着股票没有任何价值 5、自由现金流量贴现模型 适用环境：稳定的现金流量的公司，或是早期发展阶段的公司。 优点：很好的体现了企业价值的本质;与其他企业价值评估方法相比，现金流量贴现法最符合价值理论，能通过各种假设，反映企业管理层的管理水平和经验。 缺点：首先从折现率的角度看，这种方法不能反映企业灵活性所带来的收益，这个缺陷也决定了它不能适用于企业的战略领域;其次这种方法没有考虑企业项目之间的相互依赖性，也没有考虑到企业投资项目之间的时间依赖性;第三，使用这种方法，结果的正确性完全取决于所使用的假设条件的正确性，在应用是切不可脱离实际。而且如果遇到企业未来现金流量很不稳定、亏损企业等情况，现金流量贴现法就无能为力了。
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
顾客价值分析模型
顾客价值分析模型 管研00 郑立明 摘要：在前人有关顾客价值研究的基础上，本文首次提出设计价值和顾客决策价值等新概念，区分顾客期望价值和顾客感知价值的不同含义，构建一个动态的顾客价值分析模型，并分析它所包含的基本关系。最后给出计算顾客感知价值的一个实例。 关键词：设计价值顾客决策价值顾客价值模型 1 顾客价值含义的简要回顾 P·Kotler（1994）提出顾客让渡价值（Customer Delivered Value），它指的是总顾客价值与总顾客成本之差。总顾客价值就是顾客从某一特定产品或服务中获得的一系列利益，它包括产品价值、服务价值、人员价值、形象价值；而总顾客成本是在评估、获得和使用该产品或服务时而引起的顾客预计费用，它包括货币成本、时间成本、体力成本、精力成本［1］。 …… 在前人研究的基础上，本文将提出“设计价值”和“顾客决策价值”两个新概念，并进一步分析和界定顾客价值的其他相关概念，据此建立起一个动态的顾客价值分析模型。 2 顾客价值分析中的一些基本概念 2.1 顾客期望价值（Customer Expecting Value，CEV） 顾客期望价值（CEV），反映顾客在特定的环境和时空条件下，对于某种产品或服务的主观需求状态，是一种有待实现和期待满足的需求量；或者指：在消费之前顾客对已经存在的某种产品或服务的预先感知的价值量，因而也可以是一种实在的估计值。 …… 当今的顾客比以往掌握更多的知识、信息与技能，也更热衷于学习与创新尝试，在日趋宽泛的产品选择中享有愈来愈多的主动权，随着交易的重复和消费经验的积累，顾客对于产品和服务的期望价值也越来越高。因此，如顾客价值模型所示，顾客期望价值曲线（CEV）在长期中呈逐渐上升之势。 2.2 设计价值（Designed Value，DV） 本文认为，在顾客价值分析中，有两个最重要的概念：设计价值和顾客感知价值。 设计价值（DV），是在产品或服务供应商的构想中将要提供给顾客的一种效用或价值，或者指供应商根据前期的研发设计已经制造出来的但还需要通过市场传递给消费者的一种效用或价值（即一种还没有实现的价值）。这是从供应厂商角度给出的一种衡量，因此可以看成是一种目的在于满足顾客期望价值的计划供给量或潜在供给量。 …… 2.3 顾客感知价值（Customer Perceived Value，CPV） 顾客感知价值（CPV），也称顾客感知收益，或顾客感知利得，它指顾客在交易中或通过消费实际感觉到的物质收益和精神收益的总和，因此也是一种主观的感受，一个事后的综合评价量。它反映顾客对于包含着质量、品种、价格、服务、信誉、速度等要素的产品或服务的综合满意程度［5～7］。 。。。。。。 3 顾客价值分析模型及其内涵 在明晰以上几个基本概念基础上，本文提出一个动态的顾客价值分析模型（得自张中科的“成本、价格和客户价值的动态关系”图形的启发［9］）。选取两个时刻T1和T2，来分析顾客价值发展变化的情况。为便于理解和直观比较，顾客决策价值（DCV）在图形中有一个时间提前量。
客户价值分析
客户价值分析 客户价值分析就是在理解客户价值内涵的基础上，动态地监控客户价值的发展趋势，为更好地实现客户价值管理提供有效的信息支持。在有关客户价值分析的研究中，最著名的莫过于盖尔所提出的客户价值分析工具，该模型首次出现在盖尔的《管理顾客价值》一书中，尔后频频被引用，几乎成了客户价值分析的标准。在本节中，将重点讨论盖尔的客户价值分析模型。 在《管理顾客价值》一书中，盖尔提出了7种客户价值分析工具，包括：市场感知质量水平；市场感知价格水平；客户价值图；得失（Win/Lost）分析；客户价值分析对照图（Head-to-head Area Chart）；关键事件表；What／Who矩阵。其中，尤为重要的是前三种客户价值分析工具，直接与当今普遍接受的客户价值内涵相吻合。因此，本节将结合有关方面的研究发展动态，重点描述前三种分析工具。 1）市场感知质量水平 通过对客户价值内涵的探讨，我们知道感知质量水平对形成感知价值的重要性。在盖尔的客户价值分析模型中，市场感知质量分析同样是客户价值分析的核心。 根据盖尔提出的模型，对市场感知质量水平的测量主要有三个步骤： 第一步，采用小组调查（Focus Group）或其他形式，召集目标市场的客户（既包括本企业的客户，也包括竞争对手的客户），要求他们列出除价格以外的其他影响购买决策的重要质量因素。 第二步，确定不同质量属性在客户决策中的权重。最简单的方法就是让客户根据各质量因素在决策中的重要性打分，然后再汇集不同客户的看法，形成一套统一的权重。 第三步，选择那些对本企业和竞争对手企业都十分了解的客户（既包括本企业的客户，也包括竞争对手的客户），征询他们对本企业和竞争对手在各质量属性上的评价，然后用客户对本企业每一个属性的评分除以竞争对手相应的得分，得到本企业在各属性上的业绩比率。最后，根据各属性的权重，算出所有质量属性的加权平均值，就可以获得一个总体的市场感知质量水平。 事实上，在某个行业中，每个企业往往都有自己的特色，通常在某个质量水平上处于领先，因此，市场感知质量水平在很大程度上将取决于不同的评价标准和权重体系，说到底就是由客户的感知偏好决定的权重水平。以高档汽车为例，宝马汽车在驾驶性能上首屈一指，而凯迪拉克却宽敞、舒适，凌志汽车的故障率十分低。如果客户看重驾驶性能，则在决策时将赋予其较高的权重。因此，对于不同的目标客户群而言，对质量的感知方式和标准是不同的。客户关系管理的一个重要目的就是区分具有不同感知偏好和特性的客户群，针对不同的客户群采用定制化的策略，全面地满足其要求，实现客户价值的最大化。 2）市场感知价格水平 市场感知价格水平主要用于评估客户对获得某种产品或服务的一种感知付出。在盖尔的模型中，市场感知价格水平也是客户价值分析的重要工具之一。事实上，市场感知价格水平的测评与市场感知质量水平的测评相似，唯一不同的地方是让客户列出影响成本感知的因素，而不是影响质量感知的因素。在获得成本感知因素的基础上，要求客户分别列出不同因素的权重，并评价竞争对手在每一个价格因素上的感知水平。 在某些价格构成要素十分清晰的行业，可能无需评价市场感知的价格水平，但是在大多数行业，评价市场感知价格水平十分重要。表2—3以豪华汽车为例，阐明了如何评价市场感知价格水平。
信用分析与管理
《信用分析与管理》课程论文 基于KMV模型下商业银行的 信用风险管理及度量探究 姓名： 班级： 学号：
基于KMV模型下商业银的信用风险管理及度量探究 [摘要]：商业银行在现代金融环境中起到了至关重要的作用，同时，他们也面 临着诸多风险，其中包括具有影响力和破坏力的市场风险和随着金融市场日益变化而加剧的操作风险。但是，信用风险仍是商业银行面临的核心风险，巴塞尔协议 III 将信用风险列入商业银行管理的核心内容。本文介绍了信用风险的主要内容和特点，以及在西方风险管理中被广泛采用的四个信用风险评价模型。通过对这四个模型的比较分析，确定最适合我国商业银行信用风险管理模型：KMV 模型。为了证明 KMV 模型在我国商业银行信用评价中的实用性，本文选取 2014年在 A 股上市的 10家 ST 公司和的 10家非 ST 公司作为样本，根据这两类上市公司 2016年的财务数据和沪深两地交易所 2016年的历史股价，运用 KMV 模型进行实证分析。实证结果证明修正后的 KMV 模型是适合我国商业银行的信用风险评价模型。最后，文章根据之前的研究成果，为我国加强信用风险管理提出 了建议。 [关键词]：KMV模型信用风险商业银行 一、研究背景 在新巴塞尔协议的背景下，商业银行所面临的风险可明确分类为：信用风险、市场风险、操作风险、流动性风险、清算风险、法律风险和信誉风险等七种类型。McKinney（麦肯锡）公司以国际银行业为例进行的研究表明，以银行实际的风险资本配置为参照，信用风险占银行总体风险暴露的60％，而市场风险和操作风险仅各占20％。因此，在商业银行所面临的众多风险中，信用风险占有特殊的地位，且信用风险已经成为国际上许多商业银行破产的主要原因。对于我国商业银行来说，企业贷款是其主要业务，银行大部分的金融资产为企业贷款，因此贷款的信用风险是商业银行信用风险的最主要组成部分。信用风险问题俨然成为阻碍我国金融业的持续发展的重要原因。因此，研究信用风险的特点，收集信用相关数据，建立度量信用风险的信用风险模型，定量分析信用风险数据，以及如何将信用风险管理措施运用到各项业务当中，已经是商业银行提高经营管理水平，降低信用风险的最基础、最迫切的要求。本论文的选题就是在这样的前提和背景下进行的。
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
客户价值分析模型
客户价值分析模型 Kotler (2000)认为关系行销的重心要放在如何和最有价值的顾客建立长期并为公司带来利润的关系，而Morgan & Hunt (1994)更明白点出顾客价值已经成为顾客关系行销的核心基础。如同Wyner (1996)所提，顾客价值已经重新诠释了传统行销的活动：把顾客视为一种资产，评估其未来收益以及成本以决定是否进行行销活动。Wyner (1996)更指出，企业80％的销售利润是来自于20％的顾客，而其余20％的销售利润，却花了公司80％的行销费用。由此可知，如何找出具有价值的顾客，对企业的获利来说是多么重要。而根据Kotler & Armstrong (1996) 所下的定义，具有价值的顾客为「一个未来为公司带来的利润大过于公司花在其身上的成本之顾客」。 顾客价值之计算主要是将顾客在未来数年间之消费金额与相对应之产品成本与维持成本加以扣除，再折现以求得出顾客未来数年净贡献的现值。在这样的理论基础之下，发展出了不少顾客价值分析模型。Dwyer (1989)首先定义顾客终生价值为「由顾客面所预期之利润，减去与顾客相关成本的现值」。此外Sewell & Brown (1990)、Hughes (1994)、Kotler (2000)等学者也分别在不同的假设以及定义之下提出了各自对顾客价值的计算公式，不过大都是在特定的假设以及参数之下所提出的例子。而Berger & Nasr (1998)有鉴于此，试图提出一套有系统的模型计算顾客价值，他们针对Jackson (1985)提出的二类顾客之特色加以整理，对该二类型的顾客之终生价值提出了五种类型的模型。而Hughes (1994)所提出之RFM 顾客价值分析模型不同于其它之方法，此模型利用三种指针：最近购买日(Recency)、购买频率(Frequency)及购买金额(Monetary)，以判断顾客的价值，Stone (1995)更在其研究中利用此模型分析信用卡顾客之价值。因为一般企业的顾客交易数据库中都可以萃取出这些信息，因此RFM 模型可以说是目前企业界最常用的顾客价值分析方法之一。 建立顾客购买行为随机模型以描述顾客行为 根据Ehrenberg (1959)及Colombo & Jiang (1999)对顾客行为之机率分配假设，建立顾客购买行为随机模型，以描述顾客的购买行为。 建构结合RFM 模型及马可夫链的顾客价值分析模型 根据顾客购买行为的改变为马可夫链随机过程，并利用Hughes (1994)所提出之RFM 模型定义顾客购买状态。利用贝氏机率推导顾客购买状态移转机率，根据顾客行为随机模型计算各购买状态下之预期利润进行顾客利润矩阵之估计，最后结合顾客购买状态移转矩阵及利润矩阵，进行顾客价值估计。 进行顾客价值分析模型的数据实证及比较 利用某企业之实际顾客交易数据，进行本顾客价值分析模型之数据实证，并将分析结果和目前业界常用之顾客价值预测方法进行比较。 微积分公司采用的顾客价值分析模型，主要结合顾客购买行为随机模型、马可夫链、RFM 模型及贝氏机率此四个理论或模型所发展而成。首先，建立顾客购买行为随机模型，并根据顾客之历史交易数据估计模型假设中之先验分配参数。此外，利用马可夫链描述顾客购买行为，并且根据Hughes (1994)所提出之RFM 顾客价值分析模型，定义马可夫链中之不同顾客购买行为状态，以建构顾客购买状态之马可夫链移转矩阵及利润矩阵。而最主要的贡献为：根据贝氏机率推导顾客在已观察到前期购买行为状态时，其下期购买行为状态之事后机率分配，并以之估计顾客购买状态移转矩阵之移转机率。此外，依据顾客购买行为随机模型之行为机率分配假设，估计顾客于不同购买状态下之预期贡献利润，以建立利润矩阵。最后，结合顾客购买状态移转矩阵以及顾客利润矩阵进行顾客价值之分析。