首页 > 正在进行安全检测...

正在进行安全检测...

发布时间：1714368158 来源：文档文库

小中大

字号：

手机查看

个人信用评分研究及其发展
个人信用评分从类型上看主要分为评分、行为评分、利润评分以及考虑
因素的信用评分。如何能在获取更大利润的同时将消费者信用风险控制在最小程度成为各授信机构和学术界当前研究的重点。
信用评分；申请评分；行为评分；利润评分；经济环境
F014.5 文献标识码：A文章编号：1003-949X(2008
-06-01-03 个人信用评分研究从技术层次上来讲，主要经历了三个阶段，从简单的分类模型到预测评分模型，再到决策评分模型。而从评分的类型上看，主要分为四个类型，即申请评分、行为评分、利润评分以及考虑经济环境因素的信用评分。
授信机构接受客户信用申请时，利用客户提交的申请表中的特征变量建立评分模型得到申请者的一个信用值，将该值与事先设定的标准值相比，判断该申请人逾期的可能性，从而决定是否授出信用及授信额度。这样的信用评分，称为申请评分。
建立评分模型可以运用的方法非常多，传统
学方法有判别分析、线性回归、 Logistic 回归等；非参数方法有最近邻方法等；运筹学方面则主要采用线性规划方法。随着信息技术的
，近年来许多数据挖掘的新方法如神经
、决策树、遗传算法、专家系统等陆续被引入信用评分领域中。
Dura nd(1941首先将判别分析方法用于信用评分，正式系统的提出使用数理
统计模型辅助消费者授信决策的观念，并将
Fisher( 1936提出的判别分析法用
来区分“好”的贷款和“坏”的贷款，从而对贷款的信用风险进行评价，这是个人信用评估从定性分析逐步过渡到定量分析的开端。
1958年William Fair & Earl Isaacs利用判别分析法建立了著名的 FICO信用评
分系统。
1/ 4

Myers & Forgy(1963采用判别分析和回归分析方法，利用零售信贷领域消费
者信用申请表中的数据对财务公司的信用风险进行了预测。
Orgler(197O首次将
线性回归分析引入消费者贷款的信用风险评估，利用线性回归分析设计了一个评价未偿还贷款的评分卡。
Fitzpatrick(1976、Lucas(1992 Henley(1995等也先后将这种方法用于构建
个人信用评分模型。Myers&Forgy(1963认为这两种方法对于降低商业银行等机构的坏账损失有很大的帮助。
R chert(1983也发现运用这两种方法构建的个人信用评分模型在预测消费信贷
风险时都表现出了很强的稳健性。
Rose nberg & Gleit(1994在他们的研究中也表
示了与Reichert相似的赞同观点。但Eisenbeis (1977认为只有在客户分类较少的时候，基于判别分析和多元线性回归方法建立的个人信用评分模型才会有好的效果。
Wigi nton (1980首次尝试了在信用评分模型中使用 Logistic回归方法，并与
判别分析法进行了比较。但由于 Logistic回归法没有变量正态性假设的要求，因此被学者认为是最适合发展信用评分模型的理论。并且由于该法使用的前提假设少，建立的个人信用评分模型具有相当的准确性和稳定性，因此成为了设计个人信用评分模型的主要方法，并且延续至今。
最近邻分析方法最先是由Fix & Hodges(1952提出的，它是一种标准的非参数分类技术，通常被用来解决概率密度函数的估计和分类问题。它的思想很简单，就是把预测目标分为两类，当一个新的预测目标加入时，就将其并入最邻近一类中。Chatterjee & Barcun(1970首次将最近邻法用于个人信用评分模型。 Han d(1981利用家庭贷款的数据对最近邻法与决策树进行了比较，结果最近邻法得到了相当高的预测精度。
Ma ngasaria n(1965第一个意识到可以将线性规划方法
于分类问题。但是直到 Freed & Glover( 1981a 4的文章以后，才引起了更多人的兴趣。此后，有关的研究文献大量涌现。
Joachimsthaler&Stam(1990就这一领域的70多篇文献进行了综述。有些学者则
对统计学方法与线性规划方法的效果进行了比较，尽管在 Nath ,Jackson & Jon es(1992的研究中认为统计学方法要比线性规划方法好。
1990年Odom(1990首次将神经网络方法引入信用风险评估中。 Desai等
2/ 4

本文来源：https://www.2haoxitong.net/k/doc/b25375905a0216fc700abb68a98271fe900eaf2c.html

《正在进行安全检测....doc》

将本文的Word文档下载到电脑，方便收藏和打印

推荐度：

点击下载文档

文档为doc格式

相

关

案

例

正在进行安全检测...

相关推荐

推荐内容