基于AHP-Logistic模型的客户信用卡违约预测研究

发布时间：2020-07-26 14:05

【摘要】：众所周知,在经济领域,风险与收益是一对并存的矛盾体,信用卡业务无论是在金融产品中,还是在银行业务中,都呈现出:高风险,高收益;低风险,低收益。从1952年第一张信用卡诞生以来,信用卡身上就包含了金融产品和银行业务所具有的双层特点。信用卡于我们个人和企业来讲,可以让我们实现花次月的钱,圆本月的梦;于发卡方也即银行来讲,可以实现出当下的钱,收明天的利。信用卡业务不同于通常的金融产品和银行业务,首先,它具有金融产品和银行业务身上的金融属性;其次,它是从纸质货币到电子货币演变进程中的一种重要支付手段;最后,它因为被广泛的社会群体和不同的社会领域所使用而具有的社会属性。当今信用卡业务在我国银行业务中的比重,发卡量及普及人群都是与日俱增的。这和它能给发卡方带来高额收益密不可分,但风险也与之相伴相生。信用卡业务的风险管理是发卡方必须面对和妥善解决的问题,本文研究的内容正好与之完美契合,如何根据客户当月及往期信用卡还款和消费情况评判和预测客户次月还款违约的概率,本文是将这种概率转化为具体化的分数,用于发卡方及时止损或提升客户信用额度。本文研究的是在已知客户性别,年龄,受教育程度,婚姻状况,过去6个月的信用卡消费,先前付款和信用卡还款等因素下,对用户次月是否违约的评分预测研究。利用逻辑回归建模来研究信用违约问题具有拟合效果好,稳定性高等优势,故本文也有借鉴,但是本文并不是单单直接使用传统的逻辑回归,而是引入了客户分层及层次分析法,根据筛选进入模型的指标的权重进行赋值,对每个信用卡客户6个月的情况评分,将客户分为优质客户、普通客户和劣质客户,并将这种结果作为变量,引入到逻辑回归模型中去,创建基于AHP客户分层的Logistic回归模型。这种改进使得次月违约的预测更加准确有效,本文的方法具有非常高的可借鉴性,实用性,能够快速实现对客户较准确的信用评分,从而便于发卡方对用户次月信用卡使用进行有效控制。
【学位授予单位】：辽宁大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：F832.2
【图文】：

神经网络模型

Logistic 回归、Probit 回归和 Tobit 回归、多项式回归、逐步回归等。其中最常用的还是 Logistic 回归，因其对变量的要求较低，无论是连续性变量，还是离散变量都可以。在本文中个人信用评分的模型的构建就用到 Logistic 模型。1.3.4 神经网络分析法神经网络模型是将大量简单的单元层层连接组成的复杂神经网络，建立的这种神经网络就像人脑在学习时利用神经元建立学习机制学习新事物一样，它是通过将各个待处理的单元之间通过建立联系从而连接起来，在输入层的每个单元中输入一个信号，对应着输出层就会对应产生一个输出信号。直到目前，神经网络的种类很多，主要有多层感知器网络(BP)、径向基神经网络(RBF)、极限学习机神经网络、自组织神经网络等，其中 BP 网络最为常用，下面以 BP 网络为例进行介绍。如下图所示，BP 网络主要包括三层：输入层、隐藏层和输出层，每层网络中包含很多个并行的神经元信号。BP 网络主要通过信号的正向传播和误差的反向调节，找到连接不同层级之间各神经元的权值，以此来构建 BP 神经网络模型。

递阶层次结构

2.3 基于 AHP 的客户分层及变量分组后的特征变量筛选2.3.1 基于 AHP 的客户分层与指标分类(1)基于 AHP 的客户分层该方法是将定量与定性结合起来，用决策者的经验判断该事件中各衡量目标能否实现的标准之间的相对重要程度，并利用线性矩阵的相关方法给出每个决策方案的每个标准的权数，利用权数划分方案的优劣排名等。具体步骤包括以下四个：1.建立层次结构模型；2.构造判断矩阵；3.层次单排序及其一致性检验；4.层次总排序及其一致性检验。本次研究将信用违约的问题分成了三层：目标层、准则层和方案层。目标层就是本次研究要实现的目标，信用评分模型；准则层表示具体实现的准则；方案层是最底下一层，表示最终实现目标所采纳的方案。构建的层级关系结构如图 2-1 递阶层次结构图所示:

ROC曲线,ROC曲线,样本,建模

图 4-1 建模样本 ROC 曲线图表 4-2 建模样本面积表面积标准误 a 渐进 Sig.b 渐近 95% 置信区间下限上限.729 .005 .000 .720 .739AUC 面积为占比 0.729 位于 0.7 和 0.8 之间，表示 AHP-Logistic 模型对好客和坏客户的区分能力是可以接受的。(3)预测样本下的 ROC 曲线如下:

【参考文献】