【摘要】：眾所周知,在經(jīng)濟(jì)領(lǐng)域,風(fēng)險(xiǎn)與收益是一對并存的矛盾體,信用卡業(yè)務(wù)無論是在金融產(chǎn)品中,還是在銀行業(yè)務(wù)中,都呈現(xiàn)出:高風(fēng)險(xiǎn),高收益;低風(fēng)險(xiǎn),低收益。從1952年第一張信用卡誕生以來,信用卡身上就包含了金融產(chǎn)品和銀行業(yè)務(wù)所具有的雙層特點(diǎn)。信用卡于我們個(gè)人和企業(yè)來講,可以讓我們實(shí)現(xiàn)花次月的錢,圓本月的夢;于發(fā)卡方也即銀行來講,可以實(shí)現(xiàn)出當(dāng)下的錢,收明天的利。信用卡業(yè)務(wù)不同于通常的金融產(chǎn)品和銀行業(yè)務(wù),首先,它具有金融產(chǎn)品和銀行業(yè)務(wù)身上的金融屬性;其次,它是從紙質(zhì)貨幣到電子貨幣演變進(jìn)程中的一種重要支付手段;最后,它因?yàn)楸粡V泛的社會群體和不同的社會領(lǐng)域所使用而具有的社會屬性。當(dāng)今信用卡業(yè)務(wù)在我國銀行業(yè)務(wù)中的比重,發(fā)卡量及普及人群都是與日俱增的。這和它能給發(fā)卡方帶來高額收益密不可分,但風(fēng)險(xiǎn)也與之相伴相生。信用卡業(yè)務(wù)的風(fēng)險(xiǎn)管理是發(fā)卡方必須面對和妥善解決的問題,本文研究的內(nèi)容正好與之完美契合,如何根據(jù)客戶當(dāng)月及往期信用卡還款和消費(fèi)情況評判和預(yù)測客戶次月還款違約的概率,本文是將這種概率轉(zhuǎn)化為具體化的分?jǐn)?shù),用于發(fā)卡方及時(shí)止損或提升客戶信用額度。本文研究的是在已知客戶性別,年齡,受教育程度,婚姻狀況,過去6個(gè)月的信用卡消費(fèi),先前付款和信用卡還款等因素下,對用戶次月是否違約的評分預(yù)測研究。利用邏輯回歸建模來研究信用違約問題具有擬合效果好,穩(wěn)定性高等優(yōu)勢,故本文也有借鑒,但是本文并不是單單直接使用傳統(tǒng)的邏輯回歸,而是引入了客戶分層及層次分析法,根據(jù)篩選進(jìn)入模型的指標(biāo)的權(quán)重進(jìn)行賦值,對每個(gè)信用卡客戶6個(gè)月的情況評分,將客戶分為優(yōu)質(zhì)客戶、普通客戶和劣質(zhì)客戶,并將這種結(jié)果作為變量,引入到邏輯回歸模型中去,創(chuàng)建基于AHP客戶分層的Logistic回歸模型。這種改進(jìn)使得次月違約的預(yù)測更加準(zhǔn)確有效,本文的方法具有非常高的可借鑒性,實(shí)用性,能夠快速實(shí)現(xiàn)對客戶較準(zhǔn)確的信用評分,從而便于發(fā)卡方對用戶次月信用卡使用進(jìn)行有效控制。
【學(xué)位授予單位】：遼寧大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：F832.2
【圖文】：

Logistic 回歸、Probit 回歸和 Tobit 回歸、多項(xiàng)式回歸、逐步回歸等。其中最常用的還是 Logistic 回歸，因其對變量的要求較低，無論是連續(xù)性變量，還是離散變量都可以。在本文中個(gè)人信用評分的模型的構(gòu)建就用到 Logistic 模型。1.3.4 神經(jīng)網(wǎng)絡(luò)分析法神經(jīng)網(wǎng)絡(luò)模型是將大量簡單的單元層層連接組成的復(fù)雜神經(jīng)網(wǎng)絡(luò)，建立的這種神經(jīng)網(wǎng)絡(luò)就像人腦在學(xué)習(xí)時(shí)利用神經(jīng)元建立學(xué)習(xí)機(jī)制學(xué)習(xí)新事物一樣，它是通過將各個(gè)待處理的單元之間通過建立聯(lián)系從而連接起來，在輸入層的每個(gè)單元中輸入一個(gè)信號，對應(yīng)著輸出層就會對應(yīng)產(chǎn)生一個(gè)輸出信號。直到目前，神經(jīng)網(wǎng)絡(luò)的種類很多，主要有多層感知器網(wǎng)絡(luò)(BP)、徑向基神經(jīng)網(wǎng)絡(luò)(RBF)、極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等，其中 BP 網(wǎng)絡(luò)最為常用，下面以 BP 網(wǎng)絡(luò)為例進(jìn)行介紹。如下圖所示，BP 網(wǎng)絡(luò)主要包括三層：輸入層、隱藏層和輸出層，每層網(wǎng)絡(luò)中包含很多個(gè)并行的神經(jīng)元信號。BP 網(wǎng)絡(luò)主要通過信號的正向傳播和誤差的反向調(diào)節(jié)，找到連接不同層級之間各神經(jīng)元的權(quán)值，以此來構(gòu)建 BP 神經(jīng)網(wǎng)絡(luò)模型。

2.3 基于 AHP 的客戶分層及變量分組后的特征變量篩選2.3.1 基于 AHP 的客戶分層與指標(biāo)分類(1)基于 AHP 的客戶分層該方法是將定量與定性結(jié)合起來，用決策者的經(jīng)驗(yàn)判斷該事件中各衡量目標(biāo)能否實(shí)現(xiàn)的標(biāo)準(zhǔn)之間的相對重要程度，并利用線性矩陣的相關(guān)方法給出每個(gè)決策方案的每個(gè)標(biāo)準(zhǔn)的權(quán)數(shù)，利用權(quán)數(shù)劃分方案的優(yōu)劣排名等。具體步驟包括以下四個(gè)：1.建立層次結(jié)構(gòu)模型；2.構(gòu)造判斷矩陣；3.層次單排序及其一致性檢驗(yàn)；4.層次總排序及其一致性檢驗(yàn)。本次研究將信用違約的問題分成了三層：目標(biāo)層、準(zhǔn)則層和方案層。目標(biāo)層就是本次研究要實(shí)現(xiàn)的目標(biāo)，信用評分模型；準(zhǔn)則層表示具體實(shí)現(xiàn)的準(zhǔn)則；方案層是最底下一層，表示最終實(shí)現(xiàn)目標(biāo)所采納的方案。構(gòu)建的層級關(guān)系結(jié)構(gòu)如圖 2-1 遞階層次結(jié)構(gòu)圖所示:

圖 4-1 建模樣本 ROC 曲線圖表 4-2 建模樣本面積表面積 標(biāo)準(zhǔn)誤 a 漸進(jìn) Sig.b 漸近 95% 置信區(qū)間下限 上限.729 .005 .000 .720 .739AUC 面積為占比 0.729 位于 0.7 和 0.8 之間，表示 AHP-Logistic 模型對好客和壞客戶的區(qū)分能力是可以接受的。(3)預(yù)測樣本下的 ROC 曲線如下:

【參考文獻(xiàn)】

相關(guān)期刊論文 前7條

1 黃秋_g;史小康;;個(gè)人信用風(fēng)險(xiǎn)評分的指標(biāo)選擇研究[J];新疆財(cái)經(jīng)大學(xué)學(xué)報(bào);2015年03期

2 陳芝凱;;信用卡業(yè)務(wù)信用風(fēng)險(xiǎn)早期預(yù)警研究——基于計(jì)量工具的分析[J];金融與經(jīng)濟(jì);2012年05期

3 龍緒密;尹莉媛;趙紅翠;;商業(yè)銀行信用卡業(yè)務(wù)個(gè)人信用評估模型研究[J];南京財(cái)經(jīng)大學(xué)學(xué)報(bào);2012年03期

4 馬海英;;基于神經(jīng)網(wǎng)絡(luò)及Logistic回歸的混合信用卡評分模型[J];華東理工大學(xué)學(xué)報(bào)(社會科學(xué)版);2008年02期

5 劉揚(yáng);劉偉江;;特征選擇方法在信用評估指標(biāo)選取中的應(yīng)用[J];數(shù)理統(tǒng)計(jì)與管理;2006年06期

6 遲國泰;許文;孫秀峰;;個(gè)人信用卡信用風(fēng)險(xiǎn)評價(jià)體系與模型研究[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年04期

7 陳文,史金成;決策樹分類技術(shù)研究[J];福建電腦;2005年08期

相關(guān)博士學(xué)位論文 前3條

1 余適銘;預(yù)防詐騙與信用卡違約機(jī)率模型發(fā)展之研究[D];南開大學(xué);2013年

2 陳為民;基于支持向量機(jī)的信用卡信用風(fēng)險(xiǎn)管理模型與技術(shù)研究[D];湖南大學(xué);2009年

3 趙剛;商業(yè)銀行信用卡業(yè)務(wù)信用風(fēng)險(xiǎn)管理研究[D];華東師范大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 趙鑫;基于AHP-Logistic模型的信用卡客戶信用評分系統(tǒng)設(shè)計(jì)與應(yīng)用研究[D];青島大學(xué);2018年

2 金欣;個(gè)人信用評估指標(biāo)及模型研究[D];浙江財(cái)經(jīng)大學(xué);2018年

3 馮婧;基于BP神經(jīng)網(wǎng)絡(luò)的個(gè)人信用風(fēng)險(xiǎn)評估模型的研究[D];太原理工大學(xué);2017年

4 李俊仁;商業(yè)銀行信用卡違約風(fēng)險(xiǎn)影響因素實(shí)證研究[D];華南理工大學(xué);2017年

5 強(qiáng)浩桐;我國商業(yè)銀行信用卡違約風(fēng)險(xiǎn)影響因素研究[D];蘭州大學(xué);2017年

6 吳彤;信用卡客戶的信用評分模型研究[D];蘇州大學(xué);2017年

7 李泉;隨機(jī)森林在個(gè)人信用評估中的應(yīng)用研究[D];江西財(cái)經(jīng)大學(xué);2016年

8 張飛;個(gè)人信用評分組合模型研究[D];電子科技大學(xué);2015年

9 盛潔;商業(yè)銀行信用卡違約概率評估的實(shí)證研究[D];廈門大學(xué);2014年

10 臧皓楠;我國商業(yè)銀行信用卡風(fēng)險(xiǎn)管理研究[D];東北農(nóng)業(yè)大學(xué);2012年

本文編號：2770854