基于Logistic回歸的信用評分模型構建與信用規則制定

楊帆

摘要：信用的存在與踐行是市場交易的基礎，現代征信行業中，以數據挖掘與數據分析為基礎的信用評分技術在市場的確定與開拓中起著不可估量的作用。

關鍵詞：Logistic；回歸；信用評分；SPSS

中圖分類號：F830.479 文獻識別碼：A 文章編號：1001-828X（2018）018-0011-01

引言

當下互聯網金融已蓬勃興起，呈現出多種多樣的業務模式和運行機制。金融機構能夠突破時間和地域的約束，在互聯網上為有融資需求的客戶提供更快捷的金融服務。通過互聯網技術，加快業務處理速度，帶給用戶更好的服務體驗。但同時存在著信用風險和用戶欺詐等問題，急需通過信用評分模型提高風險控制水平。

一、材料與方法

（一）建模思路

根據我們所整理的文獻資料以及從FICO與芝麻信用處所了解到的打分標準，總結影響個人履約能力的有以下主要幾個要素，包括：

1.違約歷史，包括個人破產，斷供房產被拍賣，罰款等情況。

2.債務負擔，即個人杠桿率，包括信用卡信用額度利用率等。

3.信用種類，客戶所用過的信用種類越多，說明其金融知識越豐富，受信方越容易對其信用歷史與信用情況做出總結。

根據上述評分標準，綜合比較個人信用評分的主要模型，結合所獲數據特點，我們首先利用R語言原始數據進行清洗，基于處理后的數據確定指標變量，選取logistic模型進行建模，再根據logistic回歸模型的特點，探索一種將履約能力量化的方法，并將此作為最終的信用分數，并據此進行信用評分規則的制定。

（二）數據處理及指標變量確定

1.數據處理

由于原始數據相對混亂且數量巨大，同時存在大量缺失值，我們首先利用R語言對原始數據進行清洗，并將所有表根據整理后的變量合為一張表，確認每位用戶的相關的指標情況。

2.指標變量確定

經過整理指標變量，總結了個人特征變量兩個，包括婚姻狀況MARRY以及教育程度EDU；經濟特征變量七個，包括貸款金額LA、未結清貸款金額ULA、未銷戶貸記卡合同金額DCA、未銷戶準貸記卡合同金額PDCA、貸款逾期筆數ONLA、貸記卡逾期賬戶數ONDC以及準貸記卡逾期賬戶數ONPDC。并對指標變量進行量化處理。

虛擬變量對應的屬性為“真”時選擇“1”，為“假”時選擇“0”。以“教育程度”為例，當樣本數據中“教育程度”指標為初等教育時，虛擬變量“教育0”取1，其他虛擬變量取0；“教育程度”指標為中等教育時，虛擬變量“教育1”取1，其他虛擬變量取0“教育程度”指標為高等教育時，虛擬變量“教育0”，“教育1”都取0。

我們以用戶“183728'為例（變量對應的屬性為“真”時選擇“1”，為“假”時選擇“0”），該用戶已婚，接受過中等教育，有30萬N50萬的貸款金額，目前還有不到5萬的貸款金額未結清，有不到5萬的未銷戶貸記卡合同金額，同時還有1到3筆貸款逾期筆數。

二、結果與分析

（一）信用評分模型的構建

1.模型選擇

回歸分析中，因變量Y有兩種情形，即定量變量和定性變量，而logistic回歸模型是在于研究因變量非連續變量情況下的分析模型。logistic回歸模型作為經典的信用評分模型，將實數域上的輸出映射到[0，1]上，且具有較強的可解釋性。

2.Logistic回歸模型的構建與求解

logistic回歸的結果可以看出，教育程度EDU、貸款金額LA、未銷戶貸記卡合同金額DCA、貸記卡逾期賬戶數ONDC和準貸記卡逾期賬戶數ONPDC這五個變量的p值均小于0.05，可以認為教育程度、貸款金額、未銷戶貸記卡合同金額、貸記卡逾期賬戶數和準貸記卡逾期賬戶數與因變量之間的線性關系在統計上是顯著的，保留五個變量在模型中。

最終采用前進法，將顯著的指標變量未銷戶貸記卡合同金額DCA、貸款金額LA、貸記卡逾期賬戶數ONDC、教育程度EDU、準貸記卡逾期賬戶數ONPDC納入回歸方程。

（二）信用評分規則的制定

1.指標變量得分計算

根據評分模型所求得測試集的信用分數最小值為243，而最大值為321，將客戶的信用得分情況與其原有資料相對比，信用得分在300分以上的客戶，基本為履約客戶，很少出現履約或逾期不還現象；而得分在280分以下的銀行客戶，其在銀行信用記錄上多次出現準貸記卡逾期賬戶或貸記卡逾期賬戶，屬于所界定的違約客戶。

2.信用評分規則的制定

根據評分公式計算客戶信用得分，得分區間為[240，328]，隨著所得分數的上升，客戶的信用隨之提升，違約概率相應減小，反之，信用分數越低，客戶違約概率越大。結合訓練集數據信息，信用得分在300分以上的客戶，信用評估較好，基本為履約客戶；而得分在280分以下的銀行客戶，其違約概率較大，此時銀行應謹慎考慮是否繼續放貸。

三、討論

（一）結論

為了有效控制和防范信貸風險，銀行必須充分利用已經掌握的數據，對借款人利用信用評分模型進行準確的風險評估。信用評分模型，選擇了五個虛擬變量，制定評分規則，計算信用得分，銀行可以根據得分高低，評估借款人的信用風險，進而選擇是否放貸，從而有效降低風險，實現效益最大化。但是，信用評分模型也存在缺陷。

（二）建議

為使得銀行降低個人信貸風險，保持經濟健康穩定發展，一方面，銀行應當建立全面而精準的風險管理體系，不斷完善客戶信用檔案，提高信用評估模型的準確性、穩定性以及解釋性；另一方面，在使用信用評分模型時，要關注其時效性，及時更新模型，在具體使用過程中，可以憑借審批經驗，對信用等級的分數劃分進行及時調整，謹慎評估后做出是否放貸的決定，如此才能在最大程度上保證授信方與受信方的利益，并且開拓更加廣泛的市場。