數據化風控：信用評分建模教程（簡體書）

隨著國內消費金融市場的開放與高度競爭,小貸公司、P2P、消費金融公司,現金貸公司等蜂擁而立,野蠻生長。這些金融產品的共同屬性就是放款金額小,審批速度快,規模數量大。不管是申貸時或核撥後，每位客戶在不同階段都有不同的潛在風險，這些風險徵兆可能存在於各種令人忽略的細節中，這考驗風險控制的執行與管理能力,信用評等模型的精准決策與快速調整,就關乎風險資產品質是好壞的最大關鍵與命脈。 信用評分模型建立在完整的歷史數據上，藉由數據彙整、清理、分群及探勘等技術，將大量數據轉化為有用的風險信息，信用評分模型建立後，可將風險數據化，清楚呈現客戶的違約率及風險排序，使風險單位得以確切掌握客戶風險，並制定更為精准的授信政策。 環顧國內市場具備建模能力的專才供需失衡,特將評分建模過程逐一章節細分介紹,並提供實際案例與讀者分享,解開長久以來對建模是個黑盒子的印象。並期盼更多具備風險建模的專才加入,具備自我開發建模的能力,讓普惠金融更能良性發展。 ?

單良，本科畢業於美國紐約哥倫比亞大學，復旦大學、臺灣大學EMBA，曾任職於香港維信理財公司、臺北富邦銀行、中國信託商業銀行、澳商澳盛銀行及台新銀行等機構；兼任臺灣金融研訓院特約講師、VISA中國區兼職顧問。具備臺灣銀行業消費金融風險管理與大陸小貸、P2P風控管理完整資歷，長期關注兩岸消費金融產業風控管理的發展與創新。曾發表前瞻性評論，並為臺灣金融研訓院、中國P2P網貸實務研修班授課。著作有《信用評等模型關鍵12堂課》《互聯網金融時代消費信貸評分建模與應用》。
喬楊 ZRobot CEO。曾擔任知名互聯網金融公司聯合創始人兼首席風險官，美國發現金融芝加哥總部擔任風險策略及模型業務高級經理，發現金融上海大數據風控中心風控策略及大數據建模業務負責人。曾參與美國通用電氣公司財務管理領導力項目（FMP），研究商品期貨和貨幣的對沖策略。他擁有美國愛荷華大學經濟學及MBA雙碩士學位，芝加哥大學計算機科學碩士學位，SAS認證師，Teradata認證SQL專家，微軟認證系統工程師（MCSE）等。

第一章 信用評分基礎認識與應用 /001
第一節 信用評分卡簡介 /003
第二節 評分卡建立與驗證 /008
第三節 評分應用 /026
第二章 信用評分模型規格與設計 /031
第一節 數據收集、質量檢驗 /031
第二節 應排除的數據樣本 /033
第三節 樣本期間、好壞客戶定義 /034
第四節 範例 /039
第三章 分組（Segmentation）目的與分析選擇 /041
第一節 分組目的 /041
第二節 分組分析 /043
第三節 範例 /046
第四章 細緻分析與自變量分析 /049
第一節 細緻分類（Fine Classing） /051
第二節 範例 /052
第三節 單因子分析（Single Factor Analysis） /057
第四節 粗略分類（Coarse Classing） /064
第五節 範例 /065
第五章 模型建立方法討論 /071
第一節 線性回歸（Linear Regression） /073
第二節 邏輯回歸（Logistic Regression） /077
第三節 兩階段式建立方法 /082
第四節 初始模型討論 /084
第五節 範例 /085
第六章 拒絕推論（Reject Inference）的原因與方法 /089
第一節 拒絕推論的原因 /090
第二節 拒絕推論的方法 /092
第七章 最終模型選擇與風險校準（Calibration） /099
第一節 最終模型產出 /101
第二節 設定風險校準（Risk Calibration） /105
第三節 模型驗證 /109
第八章 決策點（Cut-off）設定 /115
第一節 決策點策略設定方式 /116
第二節 核准點應用方式 /118
第三節 範例 /119
第九章 信用評分模型監控報告 /123
第一節 前端監控報告 /126
第二節 後端監控報告 /135
第十章 信用評分模型策略運用 /151
第一節 業務策略制訂方式 /152
第二節 業務策略應用方式 /154
第三節 範例 /158
第十一章 信用評分模型案例（消費產品分期） /161
第一節 數據樣本 /162
第二節 樣本好壞表現定義 /163
第三節 變量分析 /167
第四節 模型建立與驗證 /170
第十二章 信用評分模型案例（現金貸） /173
第一節 數據樣本 /174
第二節 樣本好壞表現定義 /175
第三節 變量分析 /176
第四節 模型建立與驗證 /178
第十三章 催收框架 /183
第一節 催收管理流程 /185
第二節 催收管理系統簡介 /190
第三節 催收模型系統 /191
第四節 催收策略系統 /195
第十四章 催收技巧及KPI標準 /213

信用評分的應用最早源自20世紀30年代，主要的概念是仿照有經驗的風險分析專家設計信用判斷條件，使授信質量一致。這種革命性的構想將風險量化技術應用在銀行授信作業中，使信貸審批有了客觀的依據，不再完全依賴於經驗判斷。在此階段之前，判斷條件是以資深授信人員及主管的經驗制定，雖是集合所有專家的意見精華，但基本上還是經驗給分，在選擇風險因子及設定權重時即使反復摸索修改，也無法確定因子間的關係。到了20世紀50年代，回歸分析等統計技術開始運用于信用評分，才將人類經驗與數學實證進行了結合。
經過數十年的發展改良，再加上信息科技的進步――計算機現在可存儲大量歷史數據並可以輕易進行各種複雜運算，目前，信用評分已成為銀行極為倚重的風險評估工具。
信用評分主要的功能可歸納為以下3項。
一、以科學方法將風險模式數據化
風險因子若未經量化處理，就是一種意象及概念，授信的判斷若取決於“個人感覺”，固然彈性大，但風險判斷的灰色地帶必然無法縮小。信用評分以科學方法將風險量化，使得風險評估有所依據，從而彌補了上述缺憾。
信用評分建立於完整的歷史數據之上，借由數據彙整、清理、分組及探勘等技術，將大量數據轉化成為有用的風險信息。信用評分模型建立後，可將風險數據化。此時，可清楚地呈現客戶違約概率及風險排序，使風險管理單位得以確切掌握客戶風險，並且制定更為精准的授信政策。
二、提供客觀風險量尺，減少主觀判斷
授信作業最大的挑戰在於如何客觀完整地將客戶各種質化特性加以綜合評斷，並做出最合適的決定。例如，經驗告訴授信人員男性客戶的風險較女性客戶的高，但若再加上年齡、職業、地區、收入和負債等分析維度，又會出現什麼狀況呢？面對不同的因子組合，授信人員要如何決定案件的准駁、額度及利率？
傳統授信為人所詬病之處就在於過度依賴於個人經驗。不可否認，過去的經驗的確有一定的價值，不過影響客戶行為的風險因子本來就極為複雜且難以掌控。人為的經驗可能是從多次錯誤之中學習而來，可能是由資深人員傳承而來，也有可能是由主觀的直覺認定而來，但是經驗的培養及傳承皆非易事，此外，不同人員養成過程及環境未必相同，對各種案件的經驗及認知也會不同，從而產生看法上的分歧。事實上，即使是同一授信人員在不同時期對同一案件可能也會有不同的審批決定。
信用評分提供了一個客觀的風險量尺，消除了人為判斷所造成的差異，使得風險評量有一致性的標準。
三、提高風險管理效率，節省人力成本
強大的處理效率也是信用評分的重要功能，以消費金融產品而言，其客戶數量遠遠超過其他產品，為了迅速消化申請案件並有效管理往來客戶，勢必需要高度的自動化流程及系統協助，信用評分模型搭配評分計算引擎（Scoring Engine）可針對個別案件進行實時風險運算，也可以用批次方式處理大量數據，與傳統人工審核方式相比，大大節省了處理時間。由於信用評分卡能事先將風險計算完成，所以中間灰色地帶可大幅縮小。授信人員僅須將重心放在對這些灰色案件的處理上，不用為了配合不同的營銷活動而增加人力。
另外，若銀行擁有信用評分卡，就可針對現有客戶進行定期或不定期的大規模期中複審，尤其是信用卡，因其客戶數量龐大、產品生命週期長且風險為動態性質，風險因子多樣且複雜，若無信用評分的協助，很難切實掌握客戶的風險變化。以信用卡循環利率為例，目前各家銀行都採用定價模式，信用評分可協助銀行劃分客戶風險等級，以設計適合各等級的合理定價。
儘管信用評分有許多優點，為風險管理帶來了許多的便利，但事實上，它並非完美，在使用時仍需注意一些限制。舉例來說，數據庫是信用評分的基礎建設，建立評分模型之前須有完整且質量良好的歷史數據，否則模型預測效力將會大打折扣。因此，必須先行建立完善的數據庫，信用評分才能順利開展。
再則，信用評分模型是以歷史數據為基礎，其準確性建立在未來的信用表現與過去相同的假設前提之上。一旦遭遇重大經濟變動，假設不再成立，模型預測能力就會受到影響。在現實世界中，不可能期望所有狀況永遠固定不變，因此必須每月定期檢測模型的準確性與偏離程度。
另外，信用評分的發展是以風險評量為出發點，為求主題明確，聚焦於風險因子的探討，收益面並非考慮重點。因此，風險極低者未必是獲利貢獻度最高的客戶。
需要特別提醒的是，信用評分模型以“戶數”為單位計算好壞比（Good/ Bad Odds），我們可借此得知各分數下可能倒賬的戶數比率，而一般評估風險所慣用的逾期比率則是以“金額”為計算單位，兩者計算基礎不同，戶數倒賬率與金額倒賬率無法互相比較。
信用評分的應用領域廣泛，為適應多樣化的需求，也發展出不同種類的評分卡，以下就兩種常用的分類方式進行介紹。
（一）依發展母體區分
1．通用型評分（Generic Score）
這類評分多為顧問公司依據手中收集的資料所開發的評分卡。由於建立模型所需數據收集不易，且其定位為多用途信用評分，因此，未針對特殊主題或條件做個別考慮。
此種評分卡的優點是不需要從頭開始發展模型，可節省開發成本，並可快速部署於風險管理流程中，但其精准度比其他類型信用評分卡略遜一籌。
2．征信機構評分（Bureau Score）
各國征信機構皆擁有龐大的客戶信用數據，而由這些數據所建立起來的評分卡被稱為Bureau Score。征信機構除擁有完整的數據之外，還有極高的公信力。對於未開發專屬信用評分卡的中小型金融機構而言，Bureau Score具有很大的吸引力。由於它並非以特定金融機構的數據建立模型，因此也可視為通用型評分卡的一種。
3．客制化評分（Customized Score）
客制化評分也是完全依照各家金融機構的客戶資料及特殊需求量身打造的評分卡。由於目標明確且針對性高，若歷史數據完整且質量良好，其預測效果就會高於通用型及征信機構兩種評分。其缺點為整體建立時間較長，初期開發成本較高，後續也需要自行負責模型監控與調校的工作。
（二）依使用時機區分
1．在進件評分的協助下，授信人員可將重心放在界於准駁邊緣的案件上。
2．行為評分（Behavior Score）
行為評分多用於預測信用卡客戶的動態風險，評分模型的變量以客戶的交易及繳款形態數據為主。由於動態行為的風險預測較為複雜，因此，行為評分模型所採用的變量通常比進件評分模型多。
3．催收評分（Collection Score）
催收評分多被使用於案件量較多的前段催收，許多人將其與上述兩種信用評分卡合稱為“ABC Cards（Application Scorecard，Behavior Scorecard & Collection Scorecard）”。其主要功能是預測客戶還款概率，屬￿行為評分的延伸應用。