小企业信用评分模型
2021-04-06 11:57:10 3 举报
AI智能生成
小企业信用评分模型
作者其他创作
大纲/内容
企业信用评分模型
非随机样本选择现象
银行筛选过程中一部分被拒绝企业的违约行为不能被观测
原因
数据缺失
样本选择性偏差
结果
模型参数估计有偏
模型预测能力下降
目标
降低样本有偏
解决方法
一般解决方法
拒绝推断技术
新方法
贝叶斯理论界定折叠法
结合银行信贷筛选过程,构建全新拒绝推断方法
原理
不论缺失数据机制是否存在,都将缺失数据的参数估计通过一些极端分布限定在一定区间内,区间的上下限由完全集内数据计算得出。
第二步
将区间坍塌成一个对于缺失数据的估计值
对缺失数据进行填补,为信用评分模型演化做准备
实际操作步骤
第一模块
对第一个子样本作逻辑回归构建信用评分模型A
模型A运用到第二个子样本,模拟银行信贷筛选,并产生筛选后的选择样本
基于有偏样本构建信用评分烟花模型验证其分类能力减弱甚至丧失的假设
利用内外部信息估计缺失值,并选择样本中的没有给缺失值进行填补从而构成完整的样本
利用推断技术的模型与包含有全部数据的标准模型以及对缺失数据不做处理的审查模型进行比较
检验模型鲁棒性
筛选率方法
模型检验
KS检验
布莱尔评分
ROC曲线
贝叶斯界定折叠法是在非随机数据缺失机制下解决样本偏差的有效途径
论文主题
目前信贷评价现状
信用与风险分析依靠专家的定性分析
贷款审批和发放依靠个人主观判断
中小企业缺失数据的处理
引入拒绝推断思想,并基于贝叶斯理论的先验概率与后验概率相结合的办法对缺失数据进行处理
1.3.2
信用评分法
预测银行潜在客户或是贷款申请人将来发生不良贷款行为或是违约的概率,并对其信用状况做量化评价
原理图
信用评分原理示意图
1.4.2
信用评分模型构建的关键步骤
建立信用评分系统的一般步骤
中小企业信用评分模型的优点
有益于对客户的违约风险的掌握、银行风险计量和风险资产配置
有助于对中小企业贷款定价精准
贴近贷款业务实际
现存中小企业信用评分模型分类
统计方法构建的模型
判别分析法
线性判别分析
二次判别分析
逻辑回归法
线性回归
逻辑回归
probit回归
tobit回归
分类树法
最近邻法
非统计方法构建的模型
神经网络
遗传算法
支持向量机
问题样本数据对评分模型的影响
影响大如何在此基础进行分类
影响小如何解决
影响大对应的样本偏差解决方法
影响小对应样本偏差解决方法
拒绝推论的应用
模拟信贷筛选过程
利用数据构建小企业信用评分模型
模型应用于另一子样本作样本外检验,进行模拟信贷筛选,产生带有缺失数据的信贷样本,并评价
验证缺失样本对信用评分模型进行烟花会造成模型分类能力的丧失
介绍折叠贝叶斯的基本原理
对缺失样本进行填补构建完整样本数据
完整信贷样本带入信用评分模型预测新的信用评分结果
检验界定折叠贝叶斯方法是否能减轻缺失数据对信用评分模型的影响,并作评价
工作流程
概要
0 条评论
回复 删除
下一页