信用评分的分类

1、信用评分的分类信用评分模型有各种类型，它们具备不同的数据来源和特征，在消费信贷管理中也有不 同的应用。按照评分模型和评分所预测的未来表现结果划分风险评分：对违约拖欠的风险概率进行预测；收益评分：对消费者给信贷机构带来收益的潜力大小进行预测；流失倾向评分：对现有客户在未来一定时期内流失的概率进行预测；市场反应评分：对目标客户把贷款余额从别的银行转账过来的概率进行预测；循环信贷倾向评分模型：对目标客户或现有客户利用信用卡账户进行循环信贷(Revolving)的概率进行预测；欺诈评分模型：对信用卡申请或信用卡交易欺诈行为的概率进行预测。显然，如果消费信贷机构能够对消费者或客户的上述各种未来信用表现结

2、果进行有效的 预测，那么，利用这些评分模型可以对目标客户或现有客户进行全面的评估，制定针对性很 强的信贷管理策略，有效地提高管理效益。按照评分模型的数据来源划分1.征信局评分(Credit Bureau Score):征信局是专门从事消费者全方位的信用记录 的收集、汇总，并且对数据进行加工和整理的商业机构，其数据成为全面预测消费者未来信 用表现的各种信用评分，如风险评分、收益评分、破产评分等模型的信息来源。如美国的 Trans Union、Equifax、Experian三大信用局收集了大量消费者的信用历史信息，主要有 全球著名的评分科技公司Fair Isaac公司利用其数据开发出FICO系列

3、信用评分模型，为美国和加拿大的绝大多数银行和信用卡公司所购买使用。行业共享模型评分(Pooled Models Score):以本行业内部许多家银行集体数据为 评分基础，为许多家银行所购买并共享。一个重要的例子是共享性行为评分。在美国，由于 许多银行内部数据交易数据和主档案数据(Master File Data)的保存和加工均外包给 第一资讯公司(First Data Resources)或全系统公司(Total System )，所以这两大公司 集中了各银行的数据，由Fair Isaac公司利用该数据开发共享性行为评分模型。另一个重要 的例子是美国、英国许多银行把信用卡交易数据和欺诈性交易的

4、记录交给Fair Isaac公司集 中起来，发展共享性欺诈风险评分，为各成员银行购买使用。以银行内部自由数据为评分基础的客户化模型评分(Custom Models Score ):以 银行内部自己的数据集，如申请者数据、交易数据、主档案数据、付款表现数据等作为评分 基础，根据自己的需要量身定做。其最根本的特征是以银行自己特有的客户数据为基础，反 映自己客户群独特的行为模式，根据自己的需要制定特有的评分标准。常见的客户化模型有 申请风险评分模型和各种行为评分模型。信用局评分和行业共享模型又被称为通用化模型(Generic Models )。通用化模型和 客户化模型各有优点。通用化的评分优点包括：

5、所有银行都可以使用不管规模大小、业务 历史长短；数据量更大更丰富，反映了消费者全方位的信用信息；可以迅速购买获得，对小 银行来说更加便宜等。客户化模型评分的优点有：可能更加准确，因为模型反映了银行自己 的客户群体特征；研发的弹性更大，可以自己制定模型流程和标准；对大银行来说可能更加 便宜。同时，由于预测信息的来源不同，通用化模型评分与客户化模型评分之间往往存在一 定的互补关系。(三)按照评分模型的实证化(Empirical)程度划分专家风险模型评分：不需要使用用户数据，而是根据专家长期积累的模型开发经验，结合专业的分析技术开发的。专家评分模型以专家经验出发，采用了典型评分模型中常见的特征项和属

6、性，这些评分模型涉及类似的金融产品、申请人群、客户群和地域；采用了此类 评分模型的分数权重；并与用户提供的关于商业需要和对客户群体特征的理解的信息相结 合。用户认为有争议的特征项，设计模型时将不被选入，专家风险模型适合于没有数据或数 据量极其有限的情况。半客户化模型评分:在专家风险模型的基础上，利用银行的现有数据对模型进行验证， 并根据验证结果对该模型进行调整。数据验证的内容包括：看评分卡是否能够正确按照实际 的账户表现对申请者排序；各个属性间的分数间隔是否符合实际好坏表现情况;每个特征项 的各个属性值的权重是否合理。验证调整的过程将以典型的模型开发技术为依托，以数据里 面的特征和规律为依据，

7、力求最大限度地利用实际数据中所蕴藏的预测趋势，并综合了专家 经验以求模型的完整性和可靠性。半客户化模型评分是综合了专家经验和数据检验结果的模 型方式，适合于有一定业务历史、具备一定业务规模，但数据情况尚不充分如坏的样本量 不够8001 000个、或不具备拒绝样本）的资产组合。完全客户化模型评分：完全依据银行的实际数据、利用先进的模型技术和标准流程开 发出来的评分。特征项的筛选、属性的划分、评分的权重分配等都是根据银行的数据特征来 制定的。完全客户化模型评分一般都有很强的预测能力，适合数据充分的资产组合。（四）按照评分模型的对象划分账户层次评分：其预测性信息和表现性信息来自某个信用产品或某个账户，比如对信 用卡账户的风险进行预测，其所有的数据均来自信用卡账户。客户层次评分：其预测性信息或表现性信息来自客户层次，该客户可能在同一银行内 部拥有多个产品和账户，如储蓄账户、汽车贷款账户、住房贷