Кредитный скоринг является одним из наиболее широко используемых инструментов анализа кредитного риска. Цель кредитного скоринга - ранжирование заемщиков по их кредитоспособности. В контексте розничного кредита (кредитные карты, ипотека, автокредиты и так далее) кредитный скоринг осуществляется с помощью карты результатов кредитования. Кредитные карты результатов представляют различные характеристики клиента (возраст, статус проживания, время по текущему адресу, время на текущей работе и так далее), переведенные в точки, и общее число точек становится кредитным счетом. Кредитная состоятельность клиентов суммируется их кредитным счетом; высокие счета обычно соответствуют низкорисковым клиентам, и наоборот. Счета используются также для анализа корпоративного кредита малых и средних предприятий и крупных корпораций.
Кредитная карта результатов является интерполяционной таблицей, которая отображает конкретные характеристики заемщика в точки. Общее число точек становится кредитным счетом. Кредитные карты результатов являются широко используемым типом модели кредитного скоринга. Таким образом, цель карты результатов кредита состоит в том, чтобы различать клиентов, которые погашают свои кредиты («хорошие» клиенты), и клиентов, которые не будут («плохие» клиенты). Как и другие модели кредитного скоринга, карты результатов кредита количественно определяют риск того, что заемщик не погасит кредит в виде счета и вероятности дефолта.
Например, кредитная карта результатов может давать отдельным заемщикам точки за их возраст и доход согласно следующей таблице. Другие характеристики, такие, как статус жилища, статус занятости, также могут быть включены, хотя для краткости они не показаны в этой таблице.
Используя кредитную карту результатов в этом примере, конкретный клиент, которому 31 год и который имеет доход в размере 52 000 долларов США в год, помещается во вторую возрастную группу (26-40 лет) и получает 25 точки за свой возраст и аналогичным образом получает 28 точки за свой доход. Другие характеристики (не показаны здесь) могут внести дополнительные точки в их счет. Общий счет является суммой всех точек, которые в этом примере приняты, чтобы дать клиенту в общей сложности 238 точки (это фиктивный пример по произвольной шкале оценки).
Технически, чтобы определить точки карты показателей кредита, начните с выбора набора потенциальных предикторов (столбец 1 на следующем рисунке). Затем данные о бине в группы (для примера, возраст «до 25», «от 25 до 40» (столбец 2 на рисунке). Эта группировка помогает различать «хороших» и «плохих» клиентов. Вес доказательств (WOE) является способом измерения того, насколько хорошо распределение «хорошо» и «плохо» разделяется между интервалами или группами для каждого отдельного предиктора (столбец 3 на рисунке). Подгоняя логистическую регрессионую модель, можно определить, какие предикторы, когда собраны, делают лучшую работу, различая «хороших» и «плохих» клиентов. Модель суммируется своими коэффициентами (столбец 4 на рисунке). Наконец, комбинация коэффициентов ГОРЕ и модели (обычно масштабируемые, сдвинутые и округленные) составляет точки карты показателей (столбец 5 на рисунке).
Фаза сбора и подготовки данных
Это включает сбор и интегрирование данных, таких как запросы, слияние, выравнивание. Это также включает лечение недостающей информации и выбросов. Существует шаг предварительного скрининга, основанный на сообщениях о мерах ассоциации между предикторами и переменной отклика. Наконец, существует шаг выборки, чтобы создать набор обучающих данных, иногда называемое представлением моделирования, и, как правило, набор валидации, также. Набор обучающих данных в форме таблицы является необходимым входом данных в creditscorecard
объект, и эта таблица наборов обучающих данных должна быть подготовлена перед созданием creditscorecard
объект на фазе моделирования.
Фаза моделирования
Используйте creditscorecard
функции объекта и связанные функции объекта для разработки модели карты показателей кредита. Можно разбить данные, применить преобразование «Вес доказательств» (WOE) и вычислить другую статистику, такую как Значение информации. Можно подгонять логистическую регрессионую модель, а также просматривать результирующие точки карты показателей и форматировать их масштабирование и округление. Для получения дополнительной информации об использовании creditscorecard
объект, см. creditscorecard
.
Фаза развертывания
Развертывание включает интеграцию модели карты показателей кредита в производственное окружение ИТ и ведение журналов отслеживания, отчетов о эффективности и так далее.
The creditscorecard
предназначен для фазы моделирования рабочего процесса карты показателей кредита. Для поддержки всех трех фаз требуются другие MathWorks® товары.
autobinning
| bindata
| bininfo
| creditscorecard
| displaypoints
| fitmodel
| formatpoints
| modifybins
| modifypredictor
| plotbins
| predictorinfo
| probdefault
| score
| setmodel
| validatemodel