数学模型在互联网金融小贷信用评分中的应用

湖北第二师范学院 万建民

一、信用评分的意义

近年来网络小贷的发展愈来愈烈，信用评估的重要性，对于公司与个人都非常重要。甚至从近来的发展趋势看，类似的评分产品已经不局限于征信(金融)，触角甚至延伸至招聘，婚恋等行业。

通常信用评分类模型都属于所谓概率类模型，也就是说输出的结果是一个连续的数值，类似于违约概率的某种变换。把这个数值做相应的调整就可以得到一个分数，常见的范围如300 到850 之间。对于金融机构来说，可以根据这个分数决定授信与否，授信额度，利率等。当然，具体的决策并不仅仅依赖于一个或几个简单的分数，还有很多其他的策略都有可能产生决定性影响。比如说，VIP 用户和黑名单用户都会被单独处理。

对于客户来说，通过了解自己的信用分数，可以更好地做出决策。如果一个刚毕业不久的年轻人发现自己信用分数很低，那么最好不要去申请那些附加权益很多的信用卡，因为这类信用卡往往是银行提供给中产以上阶层人士使用的，即使申请了，被拒绝的概率很高。而年轻人申请的这个行为和被拒绝的这个结果，都会被记录在册。短期内用户如果想申请其他的信用卡，可能也会受到影响。在这种情况下，比较现实的解决方案是先去申请一张比较容易获批准的信用卡。比如，较小的金融机构发行的信用卡。通过这张卡，积累一定的信用历史之后，再去申请更好的卡。另一个例子是，当用户发现自己信用分数很低时，申请房屋或汽车抵押贷款的利率会比较高。如果用户稍微忍一忍，积攒一段时间的良好记录，让信用分数涨上去，那么就可能会节省大量利息。客户通过观察自己的信用分数变化，也可以获取一些额外的信息。一些互联网企业推出的信用评分机制，除去风险评价的目的，更有吸引流量的作用，比如说，当用户的信用分高于一定分数的时候，可以享受某个公司提供的免押金服务，实现了引流的作用。公司也会把用户的使用数据(有无违约等)回传给这家信用分数提供商，以更精准地对客户进行营销。以上描述的是常见的金融领域的信用评分的意义。

二、信用评分的发展

从行业本身来说，债券发行过程中涉及的中介机构有承销商(银行和券商)、会计师事务所、律师事务所、评级公司，这些机构本质上都是中介，提供的都是中介服务，作为卖方当然都得看买方的脸色行事。这些中介提供的服务存在较强的同质性，在一个充分竞争的市场环境下，发行人有充分的选择权来选择由谁来为自己服务。不光评级机构角色地位，主承、会计师事务所和律师基本都是，律所本身就是个橡皮章，会计师事务所更是，除非出现重大问题一般都是标准无保留意见，主承在募集说明书中更是有选择性地陈述发行人的优势，对于存在的问题或者可能出现的负面问题，往往一笔带过。而信用评级机构就是在会计师事务所出具的有选择性呈现的审计报告和主承出具的募集中，发现企业的问题并且也是有选择性的撰写评级报告。评级机构在产业链中的地位决定了评级机构较弱的话语权。当然评级机构的恶性竞争也导致外部对评级机构的影响不好，东方金城五万元中标政府评级。

从债券定价来说，说评级机构在债券定价中作为微弱，其实是很不客观的，除了中石油、中石化等少部分大型央企能够取得无风险利率外，大部分企业都需要一个判断的标准量来决定债券价格，而评级机构出具的评级报告就是一个判断的依据，诚然在大部分评级机构都出局AA+或者AAA 的背景下，很多时候债券定价都流于形式，但各家机构投资者都有自己的内评，都会在市场级别的基础上做出自己的定价判断，特别是在市场级别出现A+，A，A-，甚至更低的时候就要更加谨慎了。

从发现风险来说，客观来说作为中介机构，会承担相应的责任。国内评级机构都是在问题几乎要爆发的时候才降级，而且一降就好几级，几乎对投资者提前预警起不到任何作用，这也是大家对评级机构最充满争议的地方。在当前刚性兑付尚未完全打破的情况下，投资者风险意识没有完全树立，买者自负的市场交易原则还需要较长时间才能建立。

以上几个方面主要提现了信誉积分在国内的发展。

三、评分卡模型

我们通常所接触到的评分大都用于信贷审批，即申请评分卡A 卡(Application scorecard)。同时，业内还常用的有B 卡(Behavior scorecard)和C 卡(Collection scorecard)，分别用于贷后管理及催收管理。

A 卡是使用最广泛的，用于贷前审批阶段对借款申请人的量化评估;B卡的主要任务是通过借款人的还款及交易行为，结合其他维度的数据预测借款人未来的还款能力和意愿;C 卡则是在借款人当前还款状态为逾期的情况下，预测未来该笔贷款变为坏账的概率，由此衍生出滚动率、还款率、失联率等细分的模型。不同的评分卡，对数据的要求和所应用的建模方法会不一样，具体会有如下两个问题。

评分具体应用到怎样的产品。这关系到选择怎样的数据、选择多长的时间窗口，怎样界定好或坏客户等等最基础的问题。对于小额短期利率高的现金贷来说，逾期30 多天已经非常严重，催回的可能性非常小，那么相对应的模型会界定M1以上客户为坏客户;但对于车辆抵押贷款的借款人来说，考虑到抵押物，还很有可能还款，所以我们可能会选择界定M2甚至M3 以上的客户为坏客户。

是否有足够且足够好的建模数据。如果数据本身不具备代表性，数据缺失较多或者数据虚假，那么拟合出来的模型可用性会非常低。同时，在购买数据服务商提供的评分模型的时候，也需要思考这个评分模型与当下业务模式的匹配度:如果用抵押贷款产品的数据做出来的模型，应用在现金贷上则不准确。

四、评分卡模型在金融中的具体应用

（一）贷前审批及核额

这是最常用的应用场景之一。金融机构可根据借款人的评分进行是否发放贷款以及发放多少贷款的决策。申请信用评分、申请欺诈评分、收入预测模型等都是可以在这个阶段进行应用的评分模型。具体应用方式则与各个机构的风险偏好及产品模式相关。一般来说，贷前流程中有以下几个节点可以用到评分模型:准入、授信核额、放款或提款。

（二）准入

准入在贷前流程中是放在较前位置的风控节点。为了保证一定的审批效率，金融机构通常会将人工审批以及系统审批相结合，对某个分数线以上的申请者直接通过，即直接准入;同时对某个分数线以下的申请者直接否决。中间地带的待定客户则由人工审批进一步判断和筛选，或是结合信用评分以外的更多信息进行二次判断，通常情况下是电核及补充材料和信息。这种应用方式还牵涉到两种审批情况:"高端否决"以及"低端否决"，在设定最低分数线的情况下，人工审批可以对自动审批的结果进行修正。陈建在《信用卡评分模型技术与应用》中写道：“过多的低端否决可能导致信贷资产质量的严重下降，而过多的高端否决可能导致信贷机会的流失。”

（三）授信核额

客户准入后，需要给予不同资质和需求的客户以不同的额度。通过评分预测出的还款能力越强、还款意愿越高以及欺诈可能性越小的客户，给予更高的额度，这个逻辑非常直接，在此不再赘述。在这个环节，能够反馈客户资产及收入情况的信用评分，将较为适用。

（四）放款/提款

放款环节，是真正把资金贷出去的节点。客户通过审批获得额度之后，提款环节需要确认:提款的是否是客户本人(欺诈类评分)；提款时客户资信和负债是否发生了不良变化(综合信用评分，多头负债类评分等，尤其是多平台、跨机构的综合评分)；审批时是否为有条件通过，该条件是否仍然成立(准入审批时可能存在某些信息无法获取，可后置在这个环节进行再次审批，获得补充信息后作为入参计算评分)。

（五）贷后管理

发放贷款或者给予授信额度之后，申请人正式成为了借款人。随着时间的推移，借款人自身的信用情况、还款能力在不断变化，申请阶段时点的信息很可能不再适用;而其积累在本平台的还款行为提供了一个很好的补充信息。这为行为评分模型、还款预测模型等提供了数据原料。

一方面，评分可用于对借款人在本平台的信贷周期的信用风险变化监控，对不同分数段的客群，调整贷款额度、调整利率、调整还款提醒及其频率、进行差异化催收等。行为评分类(B 卡)及催收评分类(C 卡)都是在贷后环节使用的评分模型。

另一方面，评分广泛用于资产结构分析和客群管理。评分作为一个简单易用的工具，在管理成千上万不同客户的时候有了有了统一的标准。

信用评分像是为风控人员提供了一个监控变化的风向标，通过这个抽象的风险指标去监控异常，进而挖掘具象的风险问题，调整策略和进行针对性管理。

（六）风险定价和收益管理

微观上，信用评分作为一个决策键，在每一笔贷款审批和管理中辅助进行迅速的审批和风险识别。宏观上，或者说从整体的资产管理维度，信用评分是进行风险定价及收益管理的重要工具。

由于每一评分区间的客户都对应着相应的损失率，使得分客群定价成为了可能。对于评分较低、风险较高的人群，使用较高利率覆盖坏账成本;对于评分较高、风险较低的客群，使用较低利率或者其他更优惠的产品条件留住客户。这也就是平时所说的风险定价。

另外，对于商业银行来说，在监管资本计量要求下，需要进行信用风险量化，确认计算风险资产函数公式的变量。信用评分模型的结果可应用于其中贷款违约率(Probability of Default，PD)、违约损失率(Probility of Default)等的指标计算。

其实，评分模型在金融机构当中的应用远远不只是评价客户是否能够按时还款以及计算风险损失。评分模型将不同年龄、职业、收入、学历等的客户进行了"标准化"，成为一种重要的管理工具，在各个维度发挥着重要作用。