信用评分模型
来源:互联网 发布:淘宝网货到付款 编辑:程序博客网 时间:2024/04/30 07:46
逻辑回归模型:广泛应用在申请评分、行为评分、市场响应、客户流失等建模领域。
决策树模型:往往被用来做催收评分和客户盈利模型。
神经网络模型:用来防止申请和交易欺诈。
信用评分的主要目的是估计消费者的信用情况(正常或违约),具体做法是根据酷虎的历史信息资料,利用合适的数学统计模型,得到消费者违约的概率值。
客户的信息资料:人口统计学数据(性别、年龄、婚姻、收入、住房、居民、教育、种族、子女)、客户行为信息(交易记录、产品所有和使用记录)、征信机构的数据和评分
信用评分的步骤:
(1)业务理解与目标的量化定义
银行信用卡中心的目标:构建信用卡申请者的评分模型+减少客户违约造成的的损失。
信用评分的目标:预测客户是否违约。某银行对于违约的:客户在持卡期间欠款时间逾期90天,视作违约,被标识为“坏”客户。
(2)数据理解
明确商业目标后,下一步寻找数据,帮助实现商业目标。数据来源:银行内部信息+申请表信息+征信局外部信息
数据筛选:考虑样本的大小和质量。下一步数据质量检测和数据整合。
(3)数据准备
数据准备在整个数据评分的过程中非常重要,消耗时间也非常长,大约80%的时间花费在数据准备上。
目的:准备建模视图(宽表),包含预测建模中所有变量的数据宽表,且每个客户只有唯一的一条记录。
三方面的工作:一是收集到不同的数据集,大量清洗和转换,处理异常值和缺失值。二是粗选预测变量,对候选预测变量统计特征和违约率的分布进行分析。三是生成另外的候选预测变量,提高模型的预测能力,生成挖掘建模宽表。
(4)建立和开发模型
经典的评分技术:判别分析法、回归分析法、神经网络法、分类树方法。
真实的业务中,最常用的是Logistic回归模型,稳定+好理解。建模前变量分群。
(5)模型验证和评估
指标:预测结果准确+稳定+可解释
检验方法:从已知违约情况数据集中抽取。可以通过多个诊断统计量加以判定。
一个好的模型不应该包含太多的变量(最好不要超过15个变量)。最好有实际意义和可解释性。
(6)决策实施
第一步把分析结果即评分模型转化为可实施代码,如SAS、SQL等。第二步根据业务,最终确定接受、拒绝的临界得分值,反馈到银行的业务操作系统。
对高风险的打分的日常跟踪非常必要,对模型定期跟踪和验证。
- 信用评分模型
- 信用评分卡模型
- FICO信用评分模型解析
- 《信用管理》--信用评分方法之Z评分模型、ZETA评分模型
- 【R语言 评分模型】R语言建立信用评分模型
- xx省驾驶员信用评分模型
- 金融大数据信用评分模型解析
- 信用评分
- 3分钟搞明白信用评分卡模型&模型验证
- 3分钟搞明白信用评分卡模型
- 第五章 信用评分模型的开发流程
- 信用标准评分卡模型开发及实现
- 《信用管理》--信用评分方法
- 评分模型的检验方法和标准&信用评分及实现
- 信用评分卡模型总结9:评分卡生成及sas实施
- 信用评分卡模型总结10:评分卡的创建及sas部署实施
- 关于Fico信用评分
- 信用评分及模型原理解析(以P2P网贷为例)
- 窗口化Activity实现效果
- numpy读写文件
- Flatten Binary Tree to Linked List
- Validate Binary Search Tree
- 简单排序:冒泡排序、直接插入排序、直接选择排序
- 信用评分模型
- 深入浅出学Hive——Hive JDBC
- Oracle存储过程书写规范和技巧
- 正则学习网站
- Android绘图之PathEffect
- OverlayManager::destroy(Overlay* overlay)可以优化
- 分页技术--sublist分页的实例
- 【刷题之路】分糖果
- Hive 中的复合数据结构简介以及一些函数的用法说明