信用評分模型

出自 MBA智库百科(https://wiki.mbalib.com/)

信用評分模型(Credit Scoring Models )

　　信用評分模型是一種傳統的信用風險量化模型，利用可觀察到的借款人特征變數計算出一個數值(得分)來代表債務人的信用風險，並將借款人歸類於不同的風險等級。

　　對個人客戶而言，可觀察到的特征變數主要包括收入、資產、年齡、職業以及居住地等；對法人客戶而言，包括現金流量、財務比率等。 　　

　　信用評分模型的關鍵在於特征變數的選擇和各自權重的確定。

　　目前，應用最廣泛的信用評分模型有：

• 線性概率模型(Linear Probability Model)
• Logit模型
• Probit模型
• 線性辨別模型(Linear Discriminant Model)

　　運用信用評分模型進行信用風險分析的基本過程是：

　　①首先，根據經驗或相關性分析，確定某一類別借款人的信用風險主要與哪些經濟或財務因素有關，模擬出特定形式的函數關係式；

　　②其次，根據歷史數據進行回歸分析，得出各相關因素的權重以體現其對這一類借款人違約的影響程度；

　　③最後，將屬於此類別的潛在借款人的相關因素數值代入函數關係式計算出一個數值，根據該數值的大小徵量潛在借款人的信用風險水平，給予借款人相應評級並決定貨款與否。 　　

　　信用評分模型隱含的一個假設是：

　　存在著一種測度能將良好信用及較差信用的評價對象區分成不同的兩種分佈。當然在這兩個分佈之間可能有一些重疊，即所謂的灰色地帶。

　　有些信用評分專註於對這個灰色地帶的信用消費者群體進行細分。這是由於在激烈的市場競爭下，信用評分極低的信用申請者早已被排除，而信用評分極高的也早已被各個授信機構競相爭奪，信用需求已得到滿足，各種信用供給者需要從獲得中等評分的潛在客戶群體中挑選合適的授信目標，因而對中間地帶的信用消費者進行細分的評分模型是十分必要的。

　　進行近乎連續的細緻地信用評分不能僅僅依靠消費者償債、公共記錄、專業和雇用記錄來簡單的排除有明顯不良記錄者，而更需要在此基礎上，進一步詳細地分析消費者的消費行為，包括所屬的消費者群體、年齡段、消費規律、偏好、習慣等，一個科學的信用評分模型需要建立在對消費者群體的長期或階段性跟蹤、區域調查和大量的數理統計分析的基礎上。AveIy(2000)等就曾指出，區域經濟狀況及所處的經濟周期是影響償債的重要因素，但現有的信用評分模型大多忽略了這一因素。 　　

　　儘管信用評分模型是商業銀行分析借款人信用風險的主要方法之一，但在使用過程中同樣存在一些突出問題：

　　①信用評分模型是建立在對歷史數據(而非當前市場數據)模擬的基礎上，因此是一種向後看的模型。由於歷史數據更新速度比較慢，因此回歸方程中各特征變數的權重在一定時間內保持不變，從而無法及時反映公司信用狀況的變化。

　　②信用評分模型對借款人歷史數據的要求相當高，商業銀行需要相當長的時間才能建立起一個包括大多數公司歷史數據的資料庫。此外，對新興公司而言。由於其成立時間不長，歷史數據則更為有限，這使得信用評分模型的適用性和有效性受到影D向。

　　③信用評分模型雖然可以給出客戶信用風險水平的分數，卻無法提供客戶違約概率的準確數值，而後者往註是信用風險管理最為關註的。