【摘要】：眾所周知,在經(jīng)濟領(lǐng)域,風險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:高風險,高收益;低風險,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。信用卡于我們個人和企業(yè)來講,可以讓我們實現(xiàn)花次月的錢,圓本月的夢;于發(fā)卡方也即銀行來講,可以實現(xiàn)出當下的錢,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程中的一種重要支付手段;最后,它因為被廣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,但風險也與之相伴相生。信用卡業(yè)務(wù)的風險管理是發(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)客戶當月及往期信用卡還款和消費情況評判和預測客戶次月還款違約的概率,本文是將這種概率轉(zhuǎn)化為具體化的分數(shù),用于發(fā)卡方及時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個月的信用卡消費,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)篩選進入模型的指標的權(quán)重進行賦值,對每個信用卡客戶6個月的情況評分,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。這種改進使得次月違約的預測更加準確有效,本文的方法具有非常高的可借鑒性,實用性,能夠快速實現(xiàn)對客戶較準確的信用評分,從而便于發(fā)卡方對用戶次月信用卡使用進行有效控制。
【學位授予單位】：遼寧大學
【學位級別】：碩士
【學位授予年份】：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)就像人腦在學習時利用神經(jīng)元建立學習機制學習新事物一樣，它是通過將各個待處理的單元之間通過建立聯(lián)系從而連接起來，在輸入層的每個單元中輸入一個信號，對應著輸出層就會對應產(chǎn)生一個輸出信號。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)、極限學習機神經(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)驗判斷該事件中各衡量目標能否實現(xiàn)的標準之間的相對重要程度，并利用線性矩陣的相關(guān)方法給出每個決策方案的每個標準的權(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：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；4.層次總排序及其一致性檢驗。本次研究將信用違約的問題分成了三層：目標層、準則層和方案層。目標層就是本次研究要實現(xiàn)的目標，信用評分模型；準則層表示具體實現(xiàn)的準則；方案層是最底下一層，表示最終實現(xiàn)目標所采納的方案。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 標準誤 a 漸進 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)預測樣本下的 ROC 曲線如下:

【參考文獻】

相關(guān)期刊論文 前7條

1 黃秋_g;史小康;;個人信用風險評分的指標選擇研究[J];新疆財經(jīng)大學學報;2015年03期

2 陳芝凱;;信用卡業(yè)務(wù)信用風險早期預警研究——基于計量工具的分析[J];金融與經(jīng)濟;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)個人信用評估模型研究[J];南京財經(jīng)大學學報;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];華東理工大學學報(社會科學版);2008年02期

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

6 遲國泰;許文;孫秀峰;;個人信用卡信用風險評價體系與模型研究[J];同濟大學學報(自然科學版);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)博士學位論文 前3條

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

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

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

相關(guān)碩士學位論文 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)計與應用研究[D];青島大學;2018年

2 金欣;個人信用評估指標及模型研究[D];浙江財經(jīng)大學;2018年

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

4 李俊仁;商業(yè)銀行信用卡違約風險影響因素實證研究[D];華南理工大學;2017年

5 強浩桐;我國商業(yè)銀行信用卡違約風險影響因素研究[D];蘭州大學;2017年

6 吳彤;信用卡客戶的信用評分模型研究[D];蘇州大學;2017年

7 李泉;隨機森林在個人信用評估中的應用研究[D];江西財經(jīng)大學;2016年

8 張飛;個人信用評分組合模型研究[D];電子科技大學;2015年

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

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

本文編號：2770854