信用评分卡(研究方法)

《信用评分卡(研究方法)》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、第三章研究方法第一節信用評分卡（Scorecard）建構流程（圖）樣本資料收集與處理‧樣本資料收集‧樣本資料之時窗切割‧樣本資料調整變數選取‧計算WOE及Informationvalue‧篩選有效變數建構及調整模型‧有效變數分析‧LogisticRegression‧建構信用迴歸模型建構信用評分卡‧評分卡Scaling‧RejectInference評估信用評分卡‧Parceling拒貸推論‧檢驗預測能力選擇Cut-Off分數19第二節研究樣本選取一、樣本來源以國內某商業銀行之中小企業授信客戶為研究基礎，該銀行係目前台灣少數經營中小企業授信業務成功之銀行，累

2、計至2005年之撥款金額達420億元；餘額量亦近200億元；現有往來戶數達20,000餘家；北、中、南區域授信客戶分佈比例大抵為2：1：1，與台灣中小企業實際區域分佈狀況相當。該銀行從92年開始即導入自動化審核系統，從授信戶基本資料鍵置至聯徵資料查詢，及徵授信（包含財務資料）分析、准駁過程，都在系統中保存完整記錄，因此本研究不採用抽樣方式，逕使用全體資料作為研究樣本。二、資料之時窗切割信用評等最主要之功能為預測客戶未來的違約行為，因此在建置信用評等（信用評分卡）的過程中，必須針對預測模型的預測時間點進行明確的定義，我們稱這個過程為時窗切割(TimeWindo

3、ws)，在時窗切割故程中，我們必須將時間點區隔為兩個部份：【圖4.1】時窗示意圖¢抽樣時窗(SampleWindows)：進行預測時，必須回溯多久以前的客戶歷史行為資訊。20¢觀察時窗(PerformanceWindows)：進行預測時，要預估未來多久客戶的行為結果。由於本研究的目標是進件時的信用評等（信用評分卡），因此「抽樣時窗」代表進件當時可取得的資料內容之時間區間，通常進件評分卡的抽樣時窗時點就是進件當時。「觀察時窗」則是觀察客戶違約的區間。時間越長，越能夠涵蓋所有的違約行為，但是觀察時窗越長，會造成分析可用的歷史資料變少。根據該銀行實務經驗，中小企業

4、授信大抵一年期間就足以顯現是否發生財務危機；另受限於JCIC資料回溯之限制，因此我們選定一年來作為觀察時窗。三、違約狀態定義在建置信用評等的流程中，違約行為是我們預測的重點，因此我們必須根據以上所定義的觀察時窗，給予違約行為明確的定義。巴塞爾資本協定明定逾期90天為最低違約判定標準，但是各家銀行必須根據實務以及業務特性作調整。根據中小企金貸款實務經驗，只要客戶逾期延滯繳交本息二個（M2）以上及現為拒絕往來戶，就會造成大多數的帳款無法回收。在信用評分卡建置過程中，除了正常客戶(Good)與違約客戶(Bad)之外，還需要定義兩種樣本，一種是拒貸戶(Reject)

5、，而另一種則是由於屬性介於正常客戶與違約客戶之間的模糊地帶，因此不建議納入模型範圍中，這一類的樣本我們稱之為無法決定(Indeterminate)。「無法決定」樣本基本上是不納入訓練組資料，以保持建立模型時能夠維護模型資料黑白分明，但是在測試組資料中則必須納入「無法決定」樣本，以確保測試組資料在驗證模型效度以及評估核貸率的正確性。在本研究中，「無法決定」樣本的定義如下：¢未滿一年(PerformanceWindows)即結清者¢未動用四、樣本資料配置---訓練組資料及測試組資料21將觀察樣本依觀察期間區分為訓練組資料及測試組資料，其中訓練組資料作為建置信用評

6、等模型，測試組資料作為檢驗信用評等適當度。22第三節變數因素選取本研究使用授信申請書資料、銀行徵信報告以及聯合徵信中心資料做為分析主要資料來源。為了避免申貸者做假以及徵審資料被人為操弄，另由於中小企業財務資普遍不具參考性，因此信用評等使用變數以聯合徵信中心(JCIC)查詢結果為主，申請書部份為輔（僅參考公司部份財務資訊及基本資料），並區分為小型企業及中型企業兩種不同屬性。本研究預計透過統計分析建置信用評等及加成式評分卡，同時為了兼顧巴塞爾資本協定要求模型必須公開揭露以及計算正確之違約機率之考量，因此選定羅吉斯迴歸(LogisticsRegression)作為

7、統計演算法。不過使用羅吉斯迴歸會面對到的問題，在於它是線性統計模式，因此當遇到非線性趨勢的變數會造成無法有效的建立預測模型，因此在本研究中為了克服這個問題，將採用WeightofEvidence(WOE)模式【D.J.HANDandW.E.HENLEY1997】來進行變數有效性篩選。一、計算WeightofEvidence(簡稱WOE)：（一）步驟：1.根據變數選項(僅能處理類別變數，因此連續變數必須事先切割)統計各級距之正常客戶與違約客戶數量。2.連續變數事先進行切割為類別變數。3.將變數之個別級距Good案例數除以總Good案例數得到%Good；將變數之

8、個別級距Bad案例數除以總Bad案例數得到%Bad。