为模式致使缺乏足够的样本以产生有意义的统计分析。 2）数据的可得期间是否满足项目目标？ 统计模型的重要基础乃是利用过去历史数据预测未来母体的表现结果，此亦暗示历史数据必须某种程度上具有与现行或未来母体客群的相似性。 3）变量数据是否准确？ 为能正确建立自变量与应变量间的预测关系，在捕捉变量数据时需确认资料字段的定义与其记录时的方式。 2.应排除之数据样本 1）并非所有历史数据皆可纳入模型开发样本，在筛选合格样本时，首先需透过数据检核摒除有瑕疵的样本 。 2）辨认出因政策更改或其他因素，致使其信用行为与一般客户不同的样本并排除如:VIP 客户。 3）排除政策婉拒客群，政策婉拒条件则是指客户申请信用贷款时，因客观条件明显被认定具有高信用风险，而遭自动拒绝的申请条件。 3.样本期间、好坏客户定义 决定信用评等模型开发所需数据期间长度，一般会从最新资料的留存时点开始推算，并利用帐龄分析 (vintage analysis) 观察目标客户的违约成熟期长度，藉此设定绩效期间之长度。开发申请评分模型所需观察期间为搜集各月份申请申请案件，而行为评分模型所需观察期间，则是先决定一资料快照 (snapshot) 做为观察时点，其观察期间则是指该时间点过去N个月内的行为表现。 1）观察时点 (Observation Point) 观察时点系指评分卡项目中，所需样本选取的时间点。 2）观察期间
(Observation Period) 观察期间系指开发样本过去的信用状款与缴款纪录。 3）绩效时点 (Outcome Point) 绩效时点系开发单位最终判断选取样本属于好坏客户，或是无法决定客户的时间点。 4）绩效期间 (Outcome Period) 绩效期间系指开发样本与本行往来的信用状况，提供模型开发单位于绩效时点判断样本的好坏属性。 好坏件定义指标 (G/B Indicator) 示意表 好坏件定义指标 (G/B Indicator) ： 所有合格之开发样本均需决定其绩效表现。可能的绩效表现共有三类： 好、坏、不确定，任一开发样本皆须依序检视其绩效期间是否符合好坏件定义指标 (G/B Indicator)，继而判定其绩效表现。 滚动率分析：观察样本属性在经过一段时间后，是否会产生偏移变化，并以此决定Good、Bad或Indeterminate之定义。 案例：帐龄分析 (vintage analysis) 依表3-3显示，各期间申请客户于核卡9个月后，坏件率增加减缓，并维持一稳定态势。惟需注意后期申请案件 (2009.11~2009.12) 其坏件比率有增加的趋势。 案例：帐龄分析 (vintage analysis) 趋势图乃利用总和坏件率观察客户核卡后之表现，发现9个月后之坏件率趋于平缓，由此可判定此一样本之绩效期间可订于9至12个月之间。然而，就一般实务建模经验与新巴塞尔资本协议针对内部风险因子之规范，建议以12个月为单位较为合适。 第四章 分群分析选择 1.分群目的
一般采取分群 (segmentation) 的主要原因是：有些单一变量虽对整体客群有鉴别力，但不一定对特定客群亦具有鉴别力 。 案例： 年龄这个变量在判定绩效指针上具有一定程度之鉴别力，但若将申请申请样本依收入区分成「高收入分群」与「低收入分群」可看出坏件率 (Bad%) 在高收入分群中，各年龄区间的差异并不显著。 2.分群分析 分群分析的主要目的在于寻找一适当的母体分群方式，将合格样本区分至各个分群后，分别开发个别的评分模型。分群分析主要可采取以下两种方式： 1）业务需求 (Business Sense) 乃依实际业务作业流程或历史经验法则先行找出可能之分群方式，之后再藉由统计分析结果验证是否为有意义的分群。 2）统计预测力 (Predictive Power) 乃纯粹利用统计分析模块进行如判定树 (Decision Tree)及群集分析(Cluster) 等，藉此找出对绩效指标有预测意义的分群变量。 无延滞 (UTD) 与延滞 (DELQ) 两个分群于额度使用率 (U-Rate) 各区间显示好坏比值有明显差别，可给予不同分数。 案例 确认两分群开发样本皆足够后，接续观察「无延滞客群」与「延滞客群」之好坏比例比较点三 (Point 3)：风险轮廓 (Risk Profile)利用额度使用率来比较两分群的风险轮廓是否有显著不同。 比较点四 (Point 4)：客户分布观察同一变量于两个分群中是否有着不同的户数分布 。 作者: 亚联大数据 单良
相关推荐：
loading