信用评分模型（精选9篇）
信用评分模型 篇1
0前言
信用评分模型运用数据挖掘方法,通过对客户的基本信息特征、行为记录、交易记录等大量原始数据进行分析,挖掘数据中客户存在的行为模式、信用特征,预测客户未来的信用表现,得出预测性的评分模型,最终以一个信用评分来综合评估消费者未来的某种信用表现。例如预测客户在未来一年内坏账损失的概率、预测客户给银行带来的收益的潜力大小或某类客户群能够接受信用卡营销的概率等;信用评分模型能给银行管理人员提供大量有预测力的信息,协助其制定有效的管理策略,提高精度来开拓市场、控制风险、挖掘收益。
1 什么是信用评分模型
信用评分模型是近年来兴起的一种为了保障银行等机构的金融安全而设立的一种金融权限的划定模型。根据客户的历史资料,基于信用评分模型,得到不同等级的信用分数,来决定客户是否可以审批通过或者决定客户可以审批通过的金额。
2 信用评分模型的开发流程
信用评分模型需要完整的开发流程,包括从模型样本的选择到预测变量的提炼、从表现变量的界定到模型的分组、从评分卡的制定到模型效果的检验等。
2.1 模型的样本
由于银行的数据存量非常庞大,为了数据处理效率和建模效率,需要对样本进行抽样。抽样后再把数据分为模型开发数据和检验数据,模型开发数据用于对信用评分模型的开发,检验数据用于对信用评分模型效果的检验。
2.1.1 随机抽样
随机抽样是在确定样本规模后从总体中完全随机地抽取,每种类型的个体在样本中的比例与总体中的比例是一样的。
2.1.2 分类抽样
分类抽样是首先对每一类别的样本分别确定其抽样个数,然后在每一类别内部随机抽取所需的样本。分类抽样的好处是可以对不同类别的对象区别对待,保证每个重要类别的对象都在样本中占据足够的席位。比如对信用评分模型来说,由于模型的目的是预测坏账的概率,我们必须保证在样本中有足够的坏账代表。样本要选取首先尽可能近的数据,因为越近的数据越能反应客户最新的真实情况;其次样本可以很好的代表总体,对于不适宜在模型中运用的数据如儿童、行内员工等应进行剔除;再者样本能够充分地代表总体,例如用养老金客户的数据模型来预测VIP客户群体的行为,效果一般不理想,因为养老金客户群体中一般低端客户较多。
2.2 模型的变量
模型的变量有自变量和因变量。因变量即损失的概率,自变量即客户的年龄、收入、单位性质等基本信息,从基本信息里可以提炼出上百个变量。做过银行数据分析的人,一般有这样的常识,学历越高的人坏账率一般越低,因为接受过高等教育的人很清楚如不按时偿还银行贷款会影响自己的信用,进而会影响生活的各个方面;年龄在35~50之间的人群违规概率最低,因为该部分人群通常处于事业的上升期,收入也往往最高,一旦违约被追诉可能影响自己的事业;企事业单位的人群违约概率往往低于自雇人士,因为企事业单位工作稳定,违约成本更高,相对于自雇人士更加注重自己的信用记录;类似于这样能直接对违约结果产生影响的变量还有很多。
2.3 模型的分组
分组是模型开发过程中重要的一个环节。分组的目的是按不同行为的人群进行归类,以提高模型预测力。如何分组往往需要直觉和经验,比如,养老金人群的行为模式与VIP客户群人士的行为模式区别较大,所以就需要把他们作为不同的人群进行分组。分组来说对于信贷规模比较大的银行更加合适。
2.4 模型的制定
模型的制定主要包括几个方面:分析单个变量的预测能力、减少候选变量中冗余变量的数量、选择适当的分析方法、确定模型的各类变量组合和每个变量的权重。
2.4.1 分析单个变量的预测能力
分析单个变量的预测能力,其目的是候选出预测能力强的变量,剔除不具备预测力或预测力微弱的变量。
2.4.2 减少候选变量的数理
剔除后保留下来的具备较强预测力的变量的数目通常情况下还是很多,很多变量存在一定的相关性。为了解决这个问题必须把候选变量进行分组,使每组内变量间的相关性很高,组与组之间变量的相关性很低。然后从每组变量中选择预测力最强的、信息有效性最高的变量作为模型候选。常用的统计方法有因子分析、相关系统分析、变量类聚分析等。
2.4.3 选择适当的模型方法
对于信用评分模型这种二元性结果的预测,最流行的模型方法是神经网络方法和逻辑回归方法。
2.4.4 确定模型的变量组合和权重
从候选变量中选择一定的组合(一般情况下8—1 5个变量最佳),进入最终的模型进行回归分析,根据回归分析的结果得到每个变量相应的权重。最终变量组合选择往往是分析人员根据经验和各种统计指标选择相结合的结果。选择最终的变量除了考虑统计上的预测能力外,还需要满足合理合法、可实施等要求。例如,法律规定不允许存在种族歧视,因此即使得到的结果种族变量是最佳变量之一也不应放入评分模型内。
2.5 模型的检验
最后,需要对模型进行检验,避免模型过分微调于模型开发样本而不能使用。利用事先预留的模型检验的样本来对比预测情况与实际情况的差别。预留的检验样本应该占总样本的20%~40%。利用K-S指标法来进行检验,衡量好客户与坏客户的累计分布比例之间距离的最大的差距。好客户与坏客户之间的距离越大,K-S指标越高,模型的区分好坏客户的能力越大。对于申请信用评分模型来说,一般认为30%的区分距离是可以接受的。比如,一个评分模型显示数据,在得分为25分时距离最大,此时好客户的累计分布为73%,坏客户的累计分布为20%,则说明如果拒绝所有得分25分的客户,则拒绝了73%的坏客户,舍弃了20%的好客户,K-S指标(区分距离)是53%,这样的模型预测能力通常情况下比较好。
3 芝麻信用应用
芝麻信用运用大数据技术进行建模,基于模型得出评估主体的芝麻信用得分,评分越高的主体则代表信用程度越好,这与美国征信公司FICO的信用评分类似。目前,芝麻信用平台上开发出来的信用产品,以芝麻分、芝麻认证为代表。阿里小贷、滴滴打车、未来医院、天猫分期购和新推出的花观等互联网金融产品,都用运用了芝麻信用得分,丰富客户的信用档案。
芝麻信用通过大数据测评可以有效解决传统金融服务中押金、预授权、担保等不足的情况。比如,只要你的芝麻信用在线测评中你的芝麻分超过600分,你在阿里“去啊”旅游平台上,预定其上3000家酒店任意一家,都不需要再缴纳押金。以投哪网、利融网为代表的P2P公司,已先行接入芝麻信用的数据和服务,用科学数据客观公正审核借款人的资信,收入、还款意愿、还款能力,预防借款人资料作假,有效提高经济效率。
运用信用评分模型重要的好处是在大大减轻人工成本的同时,减少了人工审核过程中所带来的操作风险,能够大大的提高工作效率。
4 结语
总之,大数据正越来越广泛的应用到社会的各个领域,基于大数据的信用评分模型将会深入应用到银行的信用贷款、信用卡信审等领域中,利用系统中已有的大量数据作为基础,开发出适合本机构使用的信用评分模型,在确保客户能够提供真实有效的信息情况下,系统就能够自动实现评分,分值高于一定阀值将自动审批通过,低于一定阀值自动拒绝客户,分值在一定范围内的客户再稍加人工干预,便于实施零售信贷工厂模式,大大提高工作效率,并减轻大量的人工成本。
参考文献
[1]陈建.信用评分模型技术与应用[M].中国财政经济出版社,2015:88-113.
[2]陈彩霞石春程明雄.基于FICO信用评分模型的电商小贷信用评价分析研究[J].现代商业,2015,26:34-35.
[3]罗恩韬胡志刚林华.一种大数据时代海量数据抽取的开发模型研究[J].计算机应用研究,2013,11:3269-3271,3275.
[4]高国平刘树安.基于径向基函数神经网络的信用评分模型研究[J].计算机技术与发展,2007,09:11-14.
信用评分模型 篇2
那么评定信用的标准是什么呢？每人又该如何做来提高个人信用等级呢？
信用分数是根据Fair Isaac Corporation（故亦称FICO分数）研发出的一个评级标准。FICO会总结出个人信用卡账户和付款历史，把个人的抵押贷款，万事达卡，和其他会员卡，都包括在报告当中。倘若你有延迟或错过付款的情况，更是信用报告记录的重点。评级一个人的信用分数方式如下：
1.35%取决于个人的付款历史。你是否向所有债权人定期支付账单或准时支付罚款？象未缴纳的图书馆罚款，医疗费用或交通罚单，都可能成为你的债权人，并向信用局提交信息，从而出现在你的信用记录中。
2.30%取决于你对每个债权人所欠的款项，以及这些款项在你的可借额度中所占的比例。如果你将信用卡用到最高限度，则你的信用分数可能会受到影响。
3.15%取决于你拥有信用记录的时间。包括你每个账户开户多久，以及这些账户使用了多久。假设在你都按时付款的情况下，账户数量越少，开设越久，对于信用分则越有利。
4.10%是根据你的新信用。包括近日开设的账户数量，相较于你所有账户比例为何？以及近日由于你的申请，债权人调查你信用记录的次数。如果你看起来好似急着寻求一些新的信贷来源，这代表你的财务出现问题，信用分数也会随之下降。不过假如借主在你不知情的情况下调查你的信用，应该不会影响到你的分数。
5.最后的10%是你拥有的信贷类型。针对分期付款的债务，如抵押贷款，借户必须每月支付固定的金额，这代表你有能力管理一笔大额贷款。但是，你如何处理循环债务，比如信用卡，往往对信用记录影响更多，因为这被视为对你未来行为的一种预测。你可以每月还清余额，或是付清最低付款额。
一个美国人从十几岁用零花钱开设第一个银行账户时起，他的经济行为就有据可查了，信用评级机构据此建立他的信用档案，信用分数由此而来。850分是最高分，300分是最低分。据2011年1月的统计，美国人平均信用分数是692分。全国只有13%的人有800分以上的高分。15%的人是550分以下的极低分。总的来说，700分以上的就算有比较好的信用了。信用分数是金融机构用来决定是否发放贷款和贷款利率多少的重要指标。以30年期30万美元的房屋贷款为例，信用分在720至850之间的人，其贷款利率是5.729%；分数在620至674之间，利率则涨到7.536%。
查一个人的信用分很简单。每人都有一个社会保险号，像中国的身份证号码一样，会跟人一辈子。只要在信用查询系统里输入申请人的社会保险号，就立刻可以看到他的信用分数和信用记录，包括个人债务、信用卡还款记录以及银行存款等等。这个信用查询系统在全国电脑联网，想隐瞒不良记录是不可能的。“730分以上是‘A级’，他们申请房贷，等都不用等就可以通过。700分以上的是‘B级’，要费不少力气才能为他们申请到贷款。而700分以下的人的申请基本都会被驳回。”
很多公司在招聘时，也会优先考虑信用分高的人。多数美国房屋招租启事上，都要求租房人的信用分数高于600分，否则须交付3到4倍的押金。
信用分数是量化的人品指标
国人相亲的时候，会想办法打听对方的家庭背景、学历、职业等等。美国人谈恋爱的时候，则会想办法打探对方的信用分数。分数高的人会以此为荣，而信用分低的人则极力遮掩。
在美国人看来，信用分低说明一个人缺乏照顾自己的能力，不成熟，甚至不负责任。这不光是一个经济指标，某种意义上也是量化的人品指标。
任何拖延还款行为都会导致信用分数的下降，积极还款则信用分数会提高。美国人有不少提高信用分数的做法。比如，许多美国人在购买家具、电器时，即使有能力一次支付也选择分期付款，因为按时还款能让信用分数升高，方便以后贷款买汽车和房子。
有钱不等于信用好
目前，美国人的信用分数基本由三家大型信用评估公司审核，分别为Equifax，Experian，和Trans Union。三家公司的评分标准稍有不同，大体上分五项审核：是否准时付账单、负债金额、申请贷款的次数、信用历史长短、综合信用评估。信用卡一大把的人，信用分并不一定高，因为每申请一张卡，他的信用分都会被扣除一些。
信用评分模型 篇3
如何结合我国小微企业的经营特点对小微企业贷款进行定价是当前我国银行急待解决的问题。
在西方银行信贷技术中，信用评分型贷款是以小微企业所有者以及企业硬性信息相结合进行贷款决策的一种贷款创新技术。90年代中期开始，美国部分商业银行在小微企业贷款业务中，使用一种新的方法：业主信用评分法，即根据小企业业主的相关个人信用记录，应用计算机统计模型软件对企业信用进行自动评分，以评分结果作为贷款决策的重要依据。这种信用评分模型设计的贷款额度上限是25万美元，在实务中更多以10万美元以下贷款为主，美国银行业把之称为微型贷款。美国商业银行发现小企业业主个人信用资料实际上与小额贷款更具相关性。目前业主评分法已在美国银行业的小微企业贷款业务中普遍应用，尤以富国银行最为成功。信用评分法可以放宽边际贷款申请者的门槛。许多小微企业历史很短，银行用传统信贷方法难以处理这类贷款申请，但应用信用评分法就可以得到较好地解决。信用评分法使美国大银行小企业贷款业务的成本大大下降，同时也有助于打破地域限制，即便没有充分了解当地商业环境，也能跨地区发放小企业贷款。业主评分法这一贷款技术的创新，使得银行能够从小企业贷款业务中盈利，为解决小微企业融资难问题提供了思路。
二、我国小微企业贷款信用评分的现状与障碍
（一）信用评分模型对原始数据有严格的要求。业主信用评分模型使用的原始数据必须充分多，同时要包含正常和逾期贷款的样本。此外经济繁荣和衰退时小微企业贷款的违约率是不同的，因此数据必须涉及经济周期的各个阶段，否则评分模型的效果不理想，影响违约风险预测的准确性。由于指标和小微企业信用风险间的关系在不断地发生变化，样本数据必须相应地不断更新。评分模型要经常测试，测试时不能使用构建时的原始数据，测试误差达到一定限度要对评分模型进行相应调整。评分模型在银行不同地区的小微企业贷款业务应用，必须确保新申请者的样本数据与其构造模型使用的数据比较一致，否则就无法做出正确的判断。目前我国信用体系还在不断地完善中，信用数据存在不真实不完整等一系列问题，全国信用数据的共享尚待时日，这将给业主信用评分模型的应用带来相当大的困难。
（二）我国缺少相对独立的社会诚信管理机构。我国目前只有少数为企业提供社会诚信服务的中介机构和信用产品，企业规模很小、经营分散，同时行业整体水平不高，还未建立起一套完整而科学的社会信用调查和评价体系，使得企业的信用状况无法得到科学合理的评估。企业信息的采集和整理只能由银行独立完成，这就大大降低了信用评分的应用效率。
（三）国内监管机构缺乏更加专业的小微企业贷款监管技术和实践。如果商业银行采用信用评分技术，那么监管机构也要进行相应的调整。我国监管机构的技术水平还无法满足小微企业贷款的监管要求。巴塞尔新资本协议规定，监管机构应对商业银行使用的风险内部评估方法的先进性与合理性进行明确的判断，避免因为缺乏先进的评估方法而阻碍银行管理水平的提高，或由于接受不完善的评估方法而使得风险失控。我国银监会在内部评级法方面缺乏专业人才和相关的管理经验，即使我国有些银行建立了自己的小微企业内部评级体系，银监会在较长一段时期内也无能力对其进行检验，不能确认这类系统是否适用于银行的资本监管。
三、设计适合我国国情的小微企业贷款技术
（一）合理细分市场。我国银行可以利用信用风险模型对本地区的小微企业客户进行细分，同时针对细分的客户群进一步开发出与其收益、风险与流动性特征相对应的信贷创新产品，在通用信用评分模型的基础上再次细分。银行要从可能接触到小微企业信用评分的相关职能部门中抽调人员组成小微企业贷款工作小组，并选择客户群和相关信贷产品。工作小组还应该推动整个银行对小微企业信用评分系统的正确理解及应用，从而开发针对特定行业以及贷款项目的更实用、预测精准度更高的专用信用评分模型，使得银行能够提高自身的产品营销能力和竞争力，同时又能运用利率杠杆进行相关的信用风险管理。
（二）选择模型。按模型实证化程度进行分类，信用评分模型可以分为三种：一是统计型，主要采用统计方法从银行历史贷款数据中进行推算。二是专家型，是以专家判断和机构经验为基础，主要依靠信用评分人员的个人经验判断。三是混合型，采用统计和判断相结合的评分方法。主要用于预测单个借款企业的违约率，精确度相对更高，是银行风险管理、贷款定价以及计提方面最可靠的评分模型。后两种评分模型通过对借款企业的相对风险排序，评分结果越高风险越低。按照我国的实际情况，业主信用评分模型的选择可以分步骤分阶段实施。在模型应用初期采用混合型可能更佳。因为有些银行积累的信贷历史数据不完整，甚至业主个人诚信信息也可能无法得到，这就要通过专家经验进行决策。
（三）数据样本和变量选择。选取变量就是银行从指标体系中选出最终可以量化模型所需的相关解释变量。我国银行可以选择某地区2-3 年间全部类型小微企业客户的资料（包括“好客户”、“坏客户”以及申请被拒绝客户）作为模型样本总数量，然后按照业务需求、数据结构、企业性质及历史经验，对相关样本数据进一步细分。对于一些相似或重复数据，银行需要检查并合并数据才可以建立数据集合。通过对数据整理分析找出数据具有的内在关联性，调整数据样本变量，选择那些有较强能力的变量。如果发现变量是连续型的，就必须找出合适的分界点，将全部变量分为几个区间，这样就可以使其预测能力较强。
（四）对模型进行评分。我国银行可将数据集合进行logistic回归运算产生初始回归模型，然后通过概率与分数间的转换算法将违约概率转换成分数形成初始评分卡，再对其进行拒绝推论。由于每个银行特点不同，所以信用评分模型建立过程也应该不同，但因为logistic回归可以很好地处理定性指标，同时可对指标进行合理的筛选，因此大部分银行在建立模型过程中一般选用logistic回归法，这种方法分析结构相对简单，特别是处理多指标复杂数据时，可以排除个别异常数据对模型的影响。按照我国目前小微企业信用评估的实际情况，logistic回归法可以保证信用评分结果更加客观，更适合处理定性数据，并保证相关评估指标更加全面实用。
（五）检测、监控和调整模型。只有将建立后的业主信用评分模型检验后才能运用到小微企业贷款业务中，因此检验测试结果是银行制定业主评分政策的关键。银行成功实施信用评分模型除保证模型的预测准确度外，也受管理层和信贷业务人员认同度、获取样本数据准确度、审慎贷款决策以及良好管理信息系统报告等相关因素的影响。模型实施后，银行可通过报表对评分模型的稳定性以及有效性持续监测。同时随着经济环境以及银行经营管理和国家信贷政策的变化，贷款申请人的结构也会发生相应变化，模型建立后的2-3 年必须进行适当调整或重新建立。
四、借鉴业主信用评分法，促进我国小微贷款技术的创新
近年来国外许多机构开展小微企业贷款技术研究，主要思路就是要依赖信贷业务人员的经验来分析企业财务报表，分析客户企业的现金流。其理念是发掘小微企业的人力资本潜力以及能带来现金收入的经营活动。由于小微企业贷款诚信成本以及管理成本相对较高，需要从体制、机制创新来推进小微企业贷款业务。
（一）进一步完善样本数据库，提高信息质量。通常优秀模型的建立需要完整的历史数据支持，目前我国小微企业历史信贷数据资料非常欠缺。因此有必要加快建设，搜集、积累更全面详细的数据，同时实行及时更新的长效机制，从而使银行能从数据库，低成本得到小微企业各类信息，为业主信用评估模型的研发提供可靠的数据平台。由于小微企业贷款信用风险和企业业主信用密切相关，建立模型需要个人信用数据。目前信用评分主要依赖公开披露的信息资料，但是我国还存在伪造、编造企业会计凭证、会计账簿以及虚假财务报表的现象，这就会影响业主信用评分模型的准确性。所以信贷分析人员也要增强识别真假数据的基本功，不断提高自身的业务经验和水平。
（二）加快社会诚信系统建设，完善信用评分系统。就我国银行来说，首先要完善自身机制，尽快实现小微企业信贷业务数据的跨部门融合，这将有利于银行准确把握小微企业资信状况，减少信贷信用风险；其次要尽快在内部完善风险预警和管理制度。对于小微企业贷款业务，要通过制定更加严格的贷后管理跟踪、监管以及加强信贷管理责任制等相关措施防范风险；最后要着手创建完善的个人信用积攒体系，在对失信者采取惩罚措施的同时，积极倡导企业守信意识，给信誉良好的小微企业提供更多更方便更优惠的信贷产品和服务。
（三）动态调整模型，并由相应部门独立管理。小微企业贷款信用评估和管理实际上是一个连续的过程，只有将它们结合起来才能有效降低风险。银行要注重收集小微企业客户的反馈信息，及时进行返回测试和修改模型的相关参数，从而确保应用的一致性。由于我国经济正处于转型升级阶段，小微企业经营状况变化相对较大，对企业信用评分应按照实际及时调整。对业主信用评分模型，银行要持续不断地进行检验，使其能更好地反映客户实际的信用状况。目前更为迫切的是加强银行检验意识，通过检验找出问题，从而改善信用评分模型。业主信用评分法还应由独立的部门进行管理，管理部门要由相对独立的风险管理部门对小微企业贷款风险集中管理，其使用应当处于强有力的政策以及过程控制之中。同时必须明确业主信用评分系统相应的维护和管理部门，这个管理部门也要独立于其他业务部门并赋予相当的权威，以保证信贷风险之间的可比性。
信用评分模型 篇4
关键词：FICO信用评分,电商小贷,模型
一、电商小贷的发展现状
随着信息通讯技术和互联网飞速发展, 作为传统金融行业与互联网精神相结合的新兴领域, 互联网金融对金融市场的影响越来越大。作为互联网金融的一员, 电商小贷基于大电商平台交易产生的数据信用为其平台圈内提供小额的信贷。但由于电商小贷不是金融机构, 为客户提供的是无抵押、无担保贷款, 未设置任何本金补偿或保障机制, 一旦风险爆发时相应的损失只能靠自身或投资者自己承担起全部损失。因此对商家的信用评价至关重要, 本论文以美国Fair Isaac Company推出的FICO信用评分系统为模型, 分析研究电商小贷信用评价指标。
二、FICO信用评分模型概述
FICO信用评分模型在美国被广泛地使用, 其实质是应用数学模型来对客户的信用信息进行量化分析, 该模型主要对客户的以往支付历史、信贷欠款数额、立信时间长短、新开信用账、户信用组合类型等五个方面因素进行量化评估。
(一) 信贷客户历史偿还情况
客户历史偿还情况是影响客户FICO得分的最重要的因素, 供贷方可以从信贷客户所拥有的信用卡使用情况进行分析:是否有逾期记录、是否有车贷和房贷、分期还款情况如何、是否有其他贷款、是否有抵押、是否有破产、是否有诉讼事件、是否有留置等。如果负面影响存在, 同样的金额或是同样事件下, FICO得分也会根据事件发生的早晚有所不同, 一般情况下, 过去很久的事件影响小于刚刚发生不久的事件。
(二) 信贷客户信贷欠款数额
信贷客户的信贷欠款数额是影响信贷客户FICO得分第二大重要的因素。为了准确地反映出信贷客户的还款能力, 对该客户多少个信用账户数量进行评估, 如果其还款能力用尽, 即有过度使用信用可能, 就存在较高的风险。此外, 对该客户信用额度使用比例进行分析, 如比例相对较小, 信贷风险较低;同时, 对分期付款余额与原始贷款数额相比, 如果其比例相对较小, 再信贷风险较小, 虽然其需要偿还的总额多, 但是其周期长, 出现信贷风险可能小。
(三) 信贷客户立信时间情况
信贷客户立信时间长短是影响信贷客户FICO得分第三大重要的因素, 通常来讲, 信贷客户的使用信用时间长短与FICO得分成正比, 即信贷客户使用信用的时间越长, FICO信用得分就越高, 反之, FICO信用得分就越低。该项因素的评估指标主要是信用账户的账龄, 在实际评分中, 从三个方面进行考虑, 一是最早开立的信用账户的账龄, 二是新开立的信用账户的账龄, 三是新旧所有信用账户的平均账龄。
(四) 信贷新开信用账户情况
信贷新开信用账户情况是影响信贷客户FICO得分最弱的两个因素之一, 对信贷客户新开信用账户的数量多少和间隔时间进行综合评估。当信贷客户的信用账号数量大, 很短时间开立的数量多, 其信贷风险就大;当信贷客户的信用账号申请数量多, 但新开立的信用账户还款比较及时, 其信贷风险就相对较小些, FICO得分中就会增加;即使信贷客户的信用账号多, 但一直信用记录都是良好的, FICO得分也不会低。总之, 就是账号数量和时间两个维度共同作用, 影响FICO得分。
(五) 信贷客户信用组合类型情况
信贷客户信用组合类型情况是影响信贷客户FICO得分最弱的两个因素之一, 主要分析该客户拥有的信用账户类型、数目, 各种类型的账户中新开立账户的数目及比例;不同信用机构的信用查询次数、间隔时间;各种类型账户开立的时间;以往出现支付问题后的信用重建状况。
三、基于FICO的电商小贷信用模型设计
(一) 评分流程
无论是FICO信用评分模型, 还是电商小贷信用评价, 都是先对信贷客户的过去包括现在的信用进行评估, 其信用评分流程如图1所示。
(二) 对于信用积累的要求
要借贷用户信用累积值越大, 越能提高个人的信贷金额。在电商小贷中, 信贷客户申请贷款的信用额度因其商户现金交易流水、商户的应收账款、还有商户的订单数量等因素有关, 即其信用积累多, 具备偿还的能力, 信用值也高, 其信贷金额也多。
(三) 注重时间维度的重要性
无论是FICO信用评分模型, 还是电商小贷信用评价, 都是在时间的间隔上、时间的长短和时间的远近, 可以说是从时间的距离上作了大量的要求。电商小贷信用评价要求信贷客户在电商平台上的商品或订单等无形的资产能在一定时间内转化成现金, 如果该商品变现的周期越短, 其信贷风险越小, 信贷客户背负的利息也相对较少, 尝还能力也相对增加, 反之, 该商品变现的周期越长, 其信贷风险就大。虽然是一定时期内能够转成现金, 实质上, 这个时期是不能长的, 越长其信贷风险越大。
(四) 面向对象范围
电商小贷信用评价, 面向的对象是电商平台内的商户, 也就是电商平台圈内的人。通过信息技术的接入, 电商小额贷款可以通过商家的交易数据、网络行为进行信用风险分析。
(五) 所处平台环境
电商小贷信用评分是对网上情况进行评价, 是对电商平台圈子的商户当前的信用情况进行评定, 电商小贷信用评分对于平台上的商户来说, 信誉就是客源, 为了吸引更多的客源, 在信誉上, 都比较关注。
(六) 评分周期
FICO信用评分模型是对人全面的评定, 涉及的面多, 需要综合分析的周期也比较长, 其评定的时间跨度也比较大, 历史的记录收集也比较困难, 以致周期比较长。电商小贷信用评分单纯的对平台上的商户进行大数据统计, 这些数据都在系统日志中记载, 只需要进行汇总统计就可以获得信贷客户的信用情况。
(七) 评分指标
基于FICO的信用评价模型, 设立了电商小贷的信用评分指标, 并针对不同的信用评级指标在信用评分过程中所占权重进行划分。客户历史偿还情况是影响得分的最重要的因素, 大约占信用因素之和的35%;信贷客户的信贷欠款数额是影响信贷客户得分第二大重要的因素, 其大约占信用因素之和的30%;信贷客户立信时间长短是影响信贷客户得分第三大重要的因素, 其大约占信用因素之和的15%;信贷新开信用账户情况是影响信贷客户得分最弱的两个因素之一, 其大约占信用因素之和的10%;贷客户信用组合类型情况是影响信贷客户得分最弱的两个因素之一, 其大约占以上五种影响信用因素之和的10%。
四、电商小贷信用评级模型应用
基于五种信用评价指标, 针对不同商户的信用评分情况, 进行信用评级。基于在FICO评分模型中的不同得分情况的违约率的不同, 将商户分为四个等级:800分以上的为信用最高等级, 可贷贷款额度的最高额度;600-800分之间的为信用中等级别, 可贷贷款额度的中等额度;500-600分之间的为信用低等级别, 可贷贷款额度的低等额度;低于500分的则不能享有贷款资格 (图1) 。
五、电商小贷信用评价指标体系的优化策略研究
(一) 电商小贷信用评价引入FICO信用评分可增加评价的全面性
在上节分析中, 电商小贷信用评分单纯的对该电子商务平台上的商户进行大数据统计, 没有涉及到该信贷用户网下的信用情况, 因此, 引入网下信用评分值得一提, 通过网上评分和网下信用综合评分, 可以更全面地反映信贷客户的信用情况。其意义在于:当前电商小贷信用评分下高分的信贷客户, 如果网下的信用也是非常高的, 完全可以提供更多金额的信贷, 如果网下信用不佳的信贷客户可以根据情况给予减贷甚至不贷, 防止出现1%的信用风险。
(二) 电商小贷信用评价引入FICO信用评分可以更加真实客观
目前, 电商小贷信用评价看似大数据的统计, 但却有很多人为因素, 看似非常客观, 实际上是有差距的。如果网上和网下信用累积统一起来, 信贷客户也会注意平时行为信用的累积。电商小贷信用评价是依据大数原理、运用统计技术科学地发展而来的, 预测了客户各方面表现的概率, 就可以比较准确地衡量风险、收益等各方面的交换关系, 找出适合自己的风险偏好和收益的最佳平衡点。
(三) 电商小贷信用评价引入FICO信用评分可以彰显其信用性
对于一些创业者来说, 他们具有实足的信用, 但是他们没有实足的网上信用实力, 对他们来说, 贷款额度需要的更多, 但是因为目前电商小贷信用评价指标所致, 他们只能贷到很少的额度甚至信贷无路。虽然电商不是扶贫商, 但是通过FICO信用评分, 客观地反映信贷客户的信用, 满足他们的信贷需求, 才能真正地实现电商小贷以信用为基础的小额贷款, 真正体现出电商小贷中的“信”, 帮助到需要帮助的人, 并能从中获得商业的利益, 渡人又渡自己, 一举两得。
六、结束语
目前, 电商小贷信用评价获是的信贷客户信用信息真实性以及信息数据的有效性得不到保障, 如个人收入不透明、个人财产不明确, 个人收入不真实等情况, 导致信用评价存在软肋。因而, 电商小贷信用评价引入FICO信用评分, 通过网上评价与网下评价, 减少信用信息的不准确性, 更加客观、真实、准确地反映信贷客户的信用情况, 对于完善电商小贷信用评价指标体系建设具有借鉴意义。
此外, 由于国家的经济环境、社会主义市场状况和信贷申请者都在发生变化, 建立后的评分模型需要进行持续的监控, 通常应当在两三年时间段中就要进行重建或调整。
参考文献
[1]陈妍妍.苏宁京东试水“小额贷款”电商打响“供应链”服务战[N].证券日报, 2012-12-12 (D02)
[2]陈虹霖.混战“电商贷”[J].环球企业家, 2013 (2)
[3]潘意志.阿里小贷的内涵、优势及存在的问题探析[J].金融发展研究, 2012 (3)
[4]王雪玉.京东百度拟建小贷公司[J].金融科技时代, 2013 (10)
[5]吴晓灵.发展小额信贷促进普惠金融[J].中国流通经济, 2013 (5)
[6]Stiglitz, joseph Eland weiss, Andrew.Credit Rationing in Market with imperfect Information[J].the American Economic Review, 1981, Vol71 (3) :393-410.
招商银行信用卡综合评分标准 篇5
单位福利分房 4分 所有或购买 8分
(2)有无抵押最高得分为7分 有抵押 7分 无抵押 0分
2.经济支持最高得分为34分(1)个人收入最高得分为26分 月收入6000元以上 26分 月收入3000~6000元 22分 月收入2000~3000元 18分 月收入1000~2000元 13分 月收入300~1000元 7分(2)月偿债情况最高得分为8分 无债务偿还 8分 10~100元 6分 100~500元 4分 500元以上 2分
3.个人稳定情况最高得分为27分(1)从业情况最高得分为16分 公务员 16分 事业单位 14分 国有企业 13分 股份制企业 10分 其他 4分 退休 16分 失业有社会救济 10分 失业无社会救济 8分
(2)在目前住址时间最高得分为7分 6年以上 7分 2~6年 5分 2年以下 2分
(3)婚姻状况最高得分为4分 未婚 2分 已婚无子女 3分 已婚有子女 4分
4.个人背景最高得分为24分(1)户籍情况最高得分为5分 本地 5分 外地 2分
(2)文化程度最高得分为5分 初中及以下 1分 高中 2分 中专 4分 大学及以上 5分(3)年龄最高得分为5分 女30岁以上 5分 男30岁以上 4.5分 女30岁以下 3分 男30岁以下 2.5分(4)失信情况最高得分为9分 未调查 0分 无记录 0分 一次失信 0分 两次以上失信-9分 无失信 9分 招行授信政策: 申请条件：
年龄、学历、行业属性、工龄、财力情况… 内外部信用记录的查核 信用额度的核予
后续的信用额度调整规范 核准权限
招行授信政策策略 从稳定性及付款意愿的角度切入
选定目标客群，导引行销资源投入目标客群的推广 参考相对应的付款能力
辅助目标客群的筛选，同时做为信用额度核予的标准 行销通路的导引
以SGM及DS为主，其它为辅
招行征信的主要职责
Fraud Detector-防堵人头伪冒风险 Credit Policy Implement – 执行授信政策
Application Quality Control – 合理授信，预防呆账发生
招行审核流程 1查核个人信用报告 2查核身份信息 3查核社保缴纳情况 4查核我行存款情况
5查核114 网络信息 ······ 6审核检附文件 7查核系统信息 8审核申请人资格 9电话照会 10通知客户补件 11产出初审授信结果 12伪冒提报
13所有新申请及额度 调整案件 复核 14处理重审申请 15团办案件沟通 16高额新申 请案件复核 17额度调整复核 18违例核准 案件复核
招行授权主要职责
提供持卡人24小时信用卡交易授权服务
查核在线可疑交易并采取适当的管制措失,以降低伪冒风险 侦测在线可疑交易（夜间）Credit Cycle 中阶段维护及防堵
通过对授权交易之分析，以提供优质授信品质之建议 当前的主要两个风险点－－公司
公司是指以非法牟取暴利为目的，未经发卡行授权非法进行办卡中介，以虚构信息、重要证明材料等手段，骗取发卡行授信发卡，并可能同时向客户提供或介绍POS的公司。我行已从多个环节加强对公司进件的控管 建议监管机构加强对此类机构的控管机制
我行对已发现的此类情况采取了积极报告和配合调查等工作，如在青岛地区配合当地银监局对不法机构的查处
当前的主要两个风险点－－公司团欠 公司用卡作为资金周转
集体伪冒申请 ：指该公司团体申请时就伪冒了别人的身份资料或是提供了虚假的职业资料
公司统一办卡，却被公司一个人独用 由于公司不景气，公司成员集体倒帐 申请时所填公司本身为公司
商户异常消费：通过异常消费商户号反查相关刷卡人 公司团欠特点
几乎所有的入催户都在很短的时间内将额度用光。大部分客户都有非常明显的整额高消费。部分公司用卡案件中存在有在本公司刷卡情况。部分客户还款记录雷同。部分客户取现频繁。
对银行卡业务监管方面的建议
加快征信面数据的扩展和规范程度，使它最大限度的为各行所用
尽快出台针对信用卡业务并符合其业务实际运行状况的呆帐核销政策，使各行在自负盈亏的前提下可以轻装上阵
加大对各类违法信用卡业务的公司的惩处和监管力度，使信用卡业务健康发展 统一信用卡业务监管指标体系，使各行可以在相同的基础上比较业务发展的状态 新银行卡办法可以尽早出台，信用卡中心可以尽快进入独立经营，独立核算的状态
【申请信用卡被拒原因说明】 A类：申请人基本资料原因 1 无法确认或非本人签名 2 申请表签名与证件不符 3 申请表签名与规定不符 4 申请表为签名且未补签名 5 信息不详且不提供 6 家庭不详且不提供 7 工资单位信息不详且不提供 8 联系人信息不详且不提供 申请表或申请资料无法认读且未补件 10 资料不足且未补件 申请人相关资料不足且未按时补齐资料 12 申请人年龄不符规定 13 非本地户籍且综合条件未达标 14 非本地户籍无住房且自购住房未达标 15 单位不符规定且岗位不符合规定 16 申请人无工作且无稳定收入来源 17 申请人属于限制申请行业的从业人员 18 申请人不符合军人之办卡标准 19 申请人为外籍人士 申请人身份证件类型不符规定 21 证件失效或有效期不符合规定 22 附属卡申请人不符合规定 23 停用
B类：申请人征信情况原因 1 申请人重复申请 申请人所填单位查无此人 3 申请人已从所填单位离职 4 申请人工作为兼职 5 申请人工作不稳定 6 申请人工作变动频繁 7 申请人收入不稳定 申请人为小企业主且单位成立时间短 9 申请人已经持有多张他行信用卡 申请人工作单位信息与征审不符且无合理解释 11 申请人社保不正常 社保记录与申请表不符且不能合理解释 13 申请人单位无法查证确认 申请人所在单位未注册或已注销或未年审 15 所在单位的负面信息 经征信判断，申请人综合条件差，风险不可控 17 申请人有不良记录 申请人在我行个人贷款缴款记录不良 19 申请人其他银行信用卡有不良还款记录 20 申请人在个人征信系统有不良记录 21 申请人单位在税务局有不良记录（私营企业主与法人）22 申请人所在单位有逃避银行债务记录（私营业主与法人）23 申请人征信存有疑义 24 停用 25 伪造身份证 26 伪造房产证 27 伪造行驶证 28 伪造其他证件 盗用他人身份证伪冒申请 30 黑中介进件
申请人有多次公共缴费欠款，且无合理解释 32 申请人联系不上
有效征信时间内联系不上（三天三次）34 申请人提供的联系方式无效 35 申请人不配合资信调查
家人或联系人提供申请人的负面信息或建议不予办理 37 申请人有犯罪记录
信用评分卡综述 篇6
关键词：分析,风险,评分
客户信用评估技术的应用范围十分广泛, 比如:信用卡, 住房按揭贷款、汽车消费贷款, 以及各种家用电器等耐用消费品的分期付款, 邮购, 等等。尤其在消费贷款领域, 客户信用评估的应用更加前景远大。即使在发达国家, 消费贷款的迅速发展也是近数十年的事情, 虽然目前我国各银行开办消费贷款业务的时间不长, 但发展也是十分迅速, 新的品种不断增加, 住房按揭贷款, 信用卡授信, 汽车消费贷款等。随着国家鼓励消费、刺激消费政策的出台, 可以预见, 消费贷款即将更加蓬勃的发展, 成为银行业务的新的增长点。
目前, 国外的各大金融企业及消费业集团都已经开发和运用各种评分评估系统, 以总结管理经验, 并将结果运用到企业管理, 取得了极其显著的经济效益 (通常比没有安装此系统时损失减少80%以上, 利润增加40%以上) 。正因为如此, 评分评估系统的建立成为商业大热门, 每个稍具规模并掌握一定企业内部管理及外部客户信息的公司都积极参与。银行、保险等金融企业更是将其作为进行日常经营业务活动必不可少的工具。在我国, 银行之间对于风险小, 利润高的客户的争夺和对风险高, 利润低客户的风险控制方面的行业竞争已经开始, 这就使得国内银行建立一个真正有效的信用评分评估系统变得十分迫切和必要。
1 信用卡及信用评分卡
1.1信用卡。信用卡 (credit card) , 按照我国刑法的明确规定的含义[1], 即“信用卡”是指由商业银行或者其他金融机构发行的具有消费支付、信用贷款、转账结算、存取现金等全部功能或者部分功能的电子支付卡。信用卡是一种支付工具, 也是一种信贷工具, 是含有一定信用额度的银行卡。信用卡给持卡人带来了便利, 人们可以用信用卡方便的购物消费、贷款、分期付款、储蓄理财等等。信用卡具有安全、快捷、可在多地点多次数支付等特点。1.2信用卡风险。随着我国经济的持续发展, 我国的信用卡产业也得到了快速的发展。截止到2008年底, 我国的信用卡发卡量达到1.5亿张。信用卡支付已渗透到人们生活的各方面, 其对拉动消费, 促进经济增长的积极作用日益显现。信用卡是典型的“先消费、后还款”, 这就决定了信用卡业务是高风险的。并且, 随着信用卡业务的不断扩大, 以及信用卡犯罪数量和手法的增多, 信用卡风险会更大。信用卡风险主要有两种类型, 欺诈型风险和透支型风险。信用卡欺诈是指不法分子非法获取他人信息, 伪造或骗取信用卡进行交易。具体行为包括盗窃、复制、伪造、身份冒用等。透支型风险是指, 持卡人进行透支后, 因为破产、失踪、死亡、诉讼、诈骗等原因而不能按期归还透支本息的风险。1.3信用评分。信用评分起源于20世纪40年代, 美国国家经济研究机构Durand Research第一次发现可以用信用评分来区分贷款的好坏。随着社会的进步与经济的发展, 信用评分逐渐应用在信用卡业、零售银行业、企业户信用评估等方面。同时, 计算技术的进步也使更多的技术应用于信用评分上。到了20世纪80年代, 逻辑回归和线性规划也开始应用在信用评分上。信用评分定义, 根据现有的客户的特性及往来绩效分析所得的结论, 来推论未来同型之客户在同样往来中可能之表现, 也是利用“过去”的资料建构模式, 来预测未来。 (见图1) 信用评分技术是一种应用统计模型, 为信用申请者或已有的帐户计算一个风险分值的方法。而这种用途的统计模型就称为信用评分卡。信用评分卡可以根据客户提供的资料和客户的历史数据, 对客户的信用进行评估。信用评分卡的建立是以对大量数据的统计结果为基础, 具有相当之高的准确性和可靠性。
使用信用评分卡技术具有以下不可替代的优点:a.能快速和有效地获取具有事实根据和准确的信用风险预测;b.优化信用申请的批准率, 扩大市场占有率并保持获利能力;c.平滑信用审批流程, 把高风险的申请提交具有丰富经验的员工处理;d.能更准确地定制信用产品和定义客户信用限额;e.准确地计算客户地信用风险暴露度, 减少坏帐准备金;f.评估希望获取的资产质量, 比较从不同渠道/地区/供应商提供的业务质量;g.更有效地追收不良贷款, 降低债权追收的成本;h.准确地评估不良贷款情况, 以确定是否向收款代理公司出售相关债权。1.4个人信用评分应用。个人信用报告只是将以前的个人信用信息汇总列表, 如果进一步对个人信用进行分析, 就需要根据已知信息进行个人信用评分。个人信用评分是指通过使用科学、严谨的分析方法, 综合考察影响个人及其家庭的内在的和外在的主客观环境, 并对其履行各种经济承诺的能力进行全面的判断和评分。信用评分方法可分为定性分析和定量分析。最初的个人信用评分主要采用定性分析, 由评分者依个人的经验进行主观评判。主要的方法有3C评价原则 (即品德Character、能力Capacity、抵押担保Collateral) 和后来的5C评价原则 (即3C再加上条件Condition、资本Capital) 。3C (或5C) 评分原则的主观因素太多, 指标较少, 在实际使用中不断暴露出不足, 难以给授信者在对个人信用状况进行评分时提供全面、有效的信息。随着统计方法的发展及其在其它学科领域的应用和推广, 统计方法被大量运用于个人信用评分模型中, 这就是定量分析。其主要是以受信者以前的信用记录为基础的风险程度进行数学分析, 使授信决策自动化。由于定量分析能够较客观的反映受信者的信用情况, 使得越来越多的统计方法被用到信用评分中来。现在信用评分中经常使用的统计方法有判别分析法、线形回归法、数学归纳法、递归分类树法、专家系统等方法。这些方法各有优缺点, 应当根据具体的情况来选择不同的方法。在得到信用评分之后, 怎样对其进行应用, 是整个信用评分体系实现的最后一个环节, 也是至关重要的一步。经过了费时费力的信用评分建模过程, 若不能对得到的评分进行切实有效的使用, 会导致前功尽弃, 对资源和金钱产生极大的浪费不说, 也对迫切需要信用评分来进行管理的银行账户, 可能导致更大的风险而形成不可估量的损失。所以即使得到了经过验证数据集验证效果很好的信用评分, 还要下功夫将怎样对良好的信用评分切实运用到实际解决方案中去。1.5评分卡分类。在信用卡行业, 按照不同的信用卡生命周期的管理阶段, 评分卡模型有多种种类, 其作用也不同。按建立模型的方式, 评分卡模型可分为:专家评分模型、行为评分模型。按其用途方面, 评分卡模型可分为:申请评分模型、响应评分模型、客户流失评分模型、欺诈评分模型个。1.6评分卡的主要功能。评分卡能将“好”申请人 (很可能按承诺还款的申请人) 与“坏”申请人 (不太可能按承诺还款的申请人) 分离。申请评分卡在用户接受申请人时, 起着“大门”的作用。得分等于或高于界限分的申请人表示其风险水平可以接受, 而低于界限分的申请人要么被拒绝, 要么经受严格审查。在评分应用中, 信贷机构可以设置自己的审批策略。例如, 用户利用评分卡设置一个界限分, 以此为标准自动接受高于界限分的申请人和自动拒绝低于界限分的申请人, 而对处于中间“灰色”区域的申请人则给予标识, 留待给更有经验的信贷分析员进一步审查。用户既可以把申请得分作为决策的唯一依据, 也可以把得分与其他因素 (如收入) 综合考虑再进行决策。根据用户申请人群的分数分布, 用户可以事先确定任何给定界限策略对接受率和拖欠率的影响。据此用户能够控制自己可以承受的信贷风险。利用评分卡进行评分, 还将提高信贷决策过程的准确性、工作效率和控制力度。通常, 在保持拖欠率不变的情况下, 申请评分卡将提高接受率;当接受率保持不变时, 则可以降低拖欠率;如果用户想二者兼顾时, 则可以在提高接受率的同时又降低拖欠率。评分卡的主要功能总结如:a.通过增加接受率或者降低拖欠率提高收益率;b.作为一种目标工具而改进贷款策略;c.提高信贷决策效率和精度, 节约资源并改善客户服务;d.提高信贷审批环境的快速应变能力, 增加用户竞争力e.提高客户业务情况的管理控制能力。1.7评分卡举例。a.申请评分卡举例。下面给出了一个评分卡示例。当确定分数时, 将对评分卡中的申请人特征项逐一评估, 对应申请人被归入的属性分配相应的分值数字。最终分数是所有特征项对应分值的总和。 (见表1) b.行为评分卡举例。下面给出了一个简单行为模型示例。当确定一个帐户的分数时, 将针对行为模型中所包括的特征项逐一评估该帐户, 对应帐户的属性分配相应的分值数字。最终分数是所有特征项对应分值的总和。 (见表2) 利用类似上述表格的数据即可计算行为分数。
2 国内外研究概况
信用评分的出现至今已有50多年的历史, 随着20世纪60年代信用卡的诞生, 信用评分卡技术开始应用在银行的信用卡业务当中。计算技术的进步大大的推动了信用评分卡的发展。在发达国家, 信用评分模型已经发展得较为成熟和完善, 而在我国, 信用评分业务已经起步, 有关信用评分模型的研究也不断深入。目前, 建立信用评分卡模型的方法很多, 主要分为统计方法和非统计方法两种。统计方法包括有判别分析法、Logistic回归、分类树等;非统计方法包括线性规划、整数规划、神经网络、遗传算法和专家系统等, 近年来出现了一些还处于研究阶段的新的建模方法, 如通用评分卡、小样本建模, 以及把各种信用评分分类法相结合的方法。决策论方法是判别分析法的一种, 这种方法是找到一种使得预期成本最小化的分类准则以决定是否接受一个新客户。Logistic回归是评分卡开发中常用的回归分析方法, 这里的回归方程的因变量是“好客户”这一事件的概率的非线性函数。分类树是与判别分析发和Logistic回归法截然不同的一种方法, 分类树的主要原理是把信用申请人的申请表中的答案项划分成不同的组, 然后根据不同组中好、坏客户的多少来确定该组是好客户组还是坏客户组。传统的统计模型具有直观、简单易懂、稳定性好、可解释性强等优点, 其结果可以直接产生评分卡, 但这类统计模型的缺陷就是预测精度低、要求过于严格的前提条件。神经网络是一种具有自学习、自适应能力的方法, 输入信号是客户的特征变量, 输出的是评价客户信用表现的结果。神经网络对样本数据的分布要求不严格, 具有较高的预测精度, 但其缺点是稳定性不好。
参考文献
信用评分模型 篇7
无论是在发达国家还是在发展中国家, 中小企业都是国民经济中一支重要的力量。改革开放以来, 我国中小企业有了较快的发展, 成为经济建设中最活跃的力量。中小企业对于促进科技进步、增加就业、稳定社会治安、提高人民生活水平、扩大出口等方面都有非常重要的作用。
国际上, 中小企业融资一直是理论界和各国管理当局关注的主要经济问题。国外的经验表明, 银行和其他金融机构的贷款是中小企业最大和最主要的外部融资渠道。在当前我国经济体制转型和结构调整的特殊历史时期, 中小企业融资问题不仅表现得较为突出, 也较为复杂。由于中小企业自有资金少、知名度不高, 所以依靠内部融资以及通过资本市场直接发行债券、股票融资都比较困难, 这就决定了中小企业比大企业更加依赖以银行贷款融资为主的间接融资手段。以银行为中介的间接融资是目前资金配置的主要形式。因此, 中小企业融资困难的最直接表现就是银行贷款融资渠道不顺畅。
近年来, 我国已经开始越来越关注中小企业的发展, 为推动中小企业的稳定健康发展, 中央政府和地方政府从立法、政策的角度给予了大力支持, 《中华人民共和国中小企业促进法》于2003年1月1日施行, 该法对中小企业发展从资金支持、创业扶持、技术创新、市场开拓、社会服务等方面做了总体规定。占企业总数99%的中小企业, 创造了74%的工业增加值、63%的GDP, 占有金融资源却不足20%。中小企业融资难的问题已成为中小企业发展的瓶颈, 并严重制约了经济社会的发展。
同时, 由于中小企业规模小、财务管理不规范、财务报表不够真实、缺乏可抵押资产, 而且逆向选择和道德风险在中小企业贷款中时有发生, 这种信息不完全或信息不对称导致了商业银行对中小企业放贷是一件费时费力非常困难的事情。在不能有效防范信用风险的条件下, 银行对中小企业必然“惜贷”。因此, 要切实改善中小企业的贷款融资困境, 仅仅一味地呼吁商业银行加大对中小企业的信贷投放力度, 或寄希望于政府成立“二板市场”, 或单方面地要求中小企业改善经营管理、规范财务制度等, 都不能从根本上促使银行更积极地向中小企业提供贷款。从银行角度来讲, 提高贷款管理技术, 降低信贷风险才是关键。
中小企业信用评分是一项发展潜力巨大的金融创新技术。Frame, Srinivasan和Woosley对一组美国大银行的研究发现, 信用评分的运用使得银行的小企业贷款在整个贷款组合中的比例平均上升了8.4%。在美国、加拿大和日本等发达国家中, 各家银行已联合起来分享各自的中小企业信贷业务数据, 其目的是要制定出一种行业标准。然而, 在许多发展中国家, 中小企业信用评分技术的应用仍十分有限, 主要是受到多方面因素的影响, 如发展中国家贷款实践少、信贷市场规模小、信用体系尚不健全等。我国工商银行首先开展了小型企业客户分类评定试点工作, 这一具有开创意义的改革不再依赖于中小企业的报表数据分析, 而是根据一些较为客观、便利的指标, 如经营者素质、年销售额、存贷比、贷款逾期次数、实收资本等, 通过得分多少来进行信贷决策。目前, 我国中小企业信用评分研究还处于刚刚起步的状态, 多数研究都停留在借鉴国外经验的阶段, 所以探索适合我国中小企业的信用评分方法就显得尤为重要。
运用信用评分技术, 贷款处理自动化和标准化所带来的成本低、时间省和效率高的优点将增加银行利润;贷款处理过程的客观性有利于避免人为因素导致的贷款风险;而贷款处理的集中化也符合国有商业银行经营集约化的改革方向, 这将激发商业银行的贷款积极性。
二、信用评分模型在我国中小企业信贷中的应用障碍
信用评分方法在中小企业贷款管理中具有广阔的应用前景, 对改善我国中小企业信贷融资也具有很大的现实意义。但这种方法本身具有一定的局限性, 而且目前我国信用体系不够完善, 应用信用评分模型也有一定的困难。
(一) 信用评分模型对数据有严格的要求。
信用评分模型使用的样本数据必须充分多, 而且要包含正常和拖欠贷款的样本。经济扩张和萧条时的贷款违约率是不一样的, 所以数据必须涵盖经济周期的不同阶段, 否则模型的效果不理想, 影响预测的准确性。指标和信用风险之间的关系是不断变化的, 样本数据必须不断更新。模型要经常进行测试, 测试时必须避免使用构建时的原始数据, 误差达到一定限度要对模型进行调整。若银行引入信用评分系统后将中小企业信贷业务拓展到其他地区, 必须确保新的申请者的贷款表现与其构造模型使用的数据有一致性, 否则就不能做出正确的预测。然而, 目前我国信用体系还不完善, 数据存在不真实、不完善等问题, 全国性的信用数据库的建立尚待时日, 这将给信用评分模型的建立和应用带来很大的困难。
(二) 我国目前尚缺乏独立的社会信用管理机构。
独立的信息获取机构的存在更有利于信用评分的运用, 如独立的社会征信机构。信息管理的专业化可以提高信息生产的效率, 给银行提供较为廉价的“信息产品”, 作为银行进一步处理的“信息中间品”。这一方面降低了银行的信息成本;另一方面可以使多方获取的信息相互参照, 减少信息的片面性对中小企业信贷决策的误导。我国目前尚缺乏社会信用管理机构, 信息的采集和加工只能由贷款银行来独立完成, 这在很大程度上降低了信用评分方法的效率。
(三) 国内监管层尚缺乏专门针对中小企业信贷的监管方法和实践。
如果银行采用了信用评分技术, 则监管部门也要做出相应的调整。因为从国外经验来看, 部分银行存在过度依赖中小企业信用评分方法的做法, 直接根据信用评分给企业发放信用贷款, 这样必将导致一定的信贷风险, 如果成本节约不能补偿由此导致的损失, 银行经营也会面临问题。
三、我国银行应用信用评分模型对策建议
(一) 进一步完善基础数据库, 提高信息质量, 并实现数据共享。
基础数据库的完善是建立信用评分模型的根本, 在我国银行业引入和应用信用评分模型, 信用数据的缺乏将是遇到的第一个问题。中小企业贷款的信用风险是与其业主的信用紧密相连的, 信用评分模型的构造需要使用个人信用数据, 而在我国, 个人信用体系的建立尚处于起步阶段, 目前仅有北京、上海、深圳三地开始尝试建立当地的个人征信体系。包括个人信用、企业信用在内的整个征信体系的建设势在必行, 它将直接影响信用评分技术在国内的使用, 影响到能否顺利解决中小企业的融资问题。要解决这个问题必须依靠政府大力推动信用体系的建立。银行本身也必须切实做好收集整理企业财务信息, 完善基础数据库等一系列的实际工作数据的收集工作, 不同银行的客户群特性是不一样的, 只有做好自身银行基础数据的收集整理工作, 才能选择或开发适当的信用评分方法。
我国银行普遍存在缺乏数据等问题, 当然, 即使国外大型商业银行也很少拥有完备的历史经验数据库, 但它们可以将内部评分模型与外部评分模型进行有效匹配, 利用外部专业信用评分公司的历史数据库。而在我国, 这种权威的专业信用评分公司不存在, 因此可以借助数据共享来提高数据使用的效率, 逐步完善基础数据库;要统一规划、分步实施, 加强对现有数据资源的整合。
信用评分主要根据的是公开披露的信息资料, 而在我国还存在伪造、编造会计凭证、会计账簿和编制虚假财务会计报表的现象, 必然会影响信用评分模型的准确性。因而必须提高信息披露的质量标准, 在制度上保证企业必须将真实的数字告知银行, 并由此获得一个没有水分的信用评分。此外, 银行信贷分析人员也要锻炼提高识别真假数据的基本功, 要培养自己“去粗取精”、“去伪存真”的能力。
(二) 定性与定量方法相结合。
我国银行面临授信企业财务数据不准确、不充分, 银行从企业的财务报表中很难了解企业的真实经营状况。因此, 设计我国的信用评分方法时也要考虑定性的因素, 但是应注意依赖定性因素和专家判断会导致评分的主观性太强和不一致性, 难以由评分对风险进行量化。业务人员的判断和软性信息的获取, 在中小企业贷款过程中具有不可替代的作用。银行在使用信息评分方法的同时, 还要辅之以贷款处理的个人判断。要实现标准化方法和一线人员的主观判断, 才能减少信用评分方法因依赖历史信息可能导致的滞后性。银行建立信用评分模型时, 应采用以统计数据为基础, 并结合专家判断, 以定量因素为基础, 定性因素定量化处理的方式。模型不可能包含过多的影响因素, 事实上也不存在对所有业务都适用的信用评分模型。针对具体业务类型加入适当的定性分析, 既可体现其特殊性, 又可消除因依赖历史信息而可能导致的滞后性, 有助于准确地评价信用风险。此外, 不存在对所有业务都适用的信用评分方法, 需要针对业务大小和行业因素等开发不同类型的打分卡, 但必须注意评分结果的可比性。
(三) 模型需要进行动态的调整。
信用风险评估是一个系统工程, 主要包括贷前、贷中和贷后三个阶段。贷前、贷中、贷后的信用风险评估和管理是一个连续的过程, 缺一不可, 必须将它们结合起来才能有效防范风险、提高效益、增强对中小企业的金融支持。要注重收集用户的反馈信息, 进行返回测试, 修改模型参数, 确保应用的一致性。测试时要避免使用原始数据, 误差达到一定程度时要对模型进行调整。我国目前还处于经济转型期, 企业经营状况变化很大, 对企业信用评分应根据情况及时调整。信用评分结果的检验是保证评分模型有效性的重要手段。对信用评分模型, 需要持续不断的检验, 以考察其能否很好地反映银行客户的信用状况。一个好的检验指标体系及其切实执行, 是完善信用评分模型的关键。现在迫切需要的是加强检验意识, 通过检验发现问题, 改善信用评分模型。
(四) 信用评分系统需要独立的管理部门。
管理部门要由独立于业务部门的风险管理部门对风险进行集中管理。信用评分模型应用广泛, 其使用必须处于强有力的政策和过程控制之中, 必须明确信用评分系统的维护和管理的中心部门, 用于收集用户的反馈, 进行返回测试, 修改模型参数, 确保应用的一致性。同时, 这个部门应独立于业务部门, 具有相当的政策权威, 以保证风险之间的可比性。
参考文献
[1]吴铠.我国中小企业融资问题的研究[D].对外经济贸易大学硕士学位论文, 2006.4.
[2]吴洁.信用评分技术在中小企业贷款中的应用[J].现代金融, 2005.8.
信用评分模型 篇8
北票市创新“文明评比+信用评分+信贷”活动方式主要取决于两个方面因素:一方面, 早在2006年北票市就被中国人民银行沈阳分行确定为推广农户信用评价体系的试点地区, 在中国人民银行朝阳市中心支行的指导下, 立足“三农经济”发展扩展农户信用评价体系服务功能, 于2008年创新推出了“农户信用评价体系+信贷”服务新方式, 组织北票市农村信用联社选取北塔子、西官营、大三家三个乡镇开展试点工作, 运行到2009年底通过此方式投放农户小额信用贷款1995笔、金额2018万元, 为解决农民小额信用贷款难开辟了新思路。另一方面, 2010年根据辽宁省委文明办《关于开展农村道德信贷工程建设的指导意见》, 北票市委文明办在全市农村开展评选“十星级道德信贷文明户”活动, 参照上级部门的指导意见对道德信贷户的评选标准操作执行的难度比较大;与此同时金融部门运行“农户评价体系+信贷”服务模式, 单靠金融部门自身运作扩大推广进展速度缓慢, 鉴于两项创新工作的“信贷”切入点、政银关注的“三农”结合点、双方追求的“目标”落脚点, 沟通合作, 共同设计推出了“文明评比+信用评分+信贷”创新方式。
二、北票市“文明评比+信用评分+信贷”创新活动的操作设计
1.设计目的。通过开展“文明评比+信用评分+信贷”评比竞赛活动, 评选农村“十星级道德信贷文明户”, 切实提高农民思想道德素质, 培育文明礼仪、诚实守信风尚, 为农村信用贷款搭建投放平台、提供道德保障, 从深层次破解农民贷款“两难”问题, 推动金融服务方式创新, 促进贷款营销机制转变, 满足农民贷款需求, 帮助农民增收致富, 为社会主义新农村建设服务。
2.评选范围。北票市范围内农村所有农户, 都可参加“文明评比+信用评分+信贷”评比竞赛活动, 争当十星级道德信贷文明户。
3.评选标准。对“十星级道德信贷文明户”实施百分考核标准, 综合考评得分在96分以上的为“十星级道德信贷文明户”, 其中:“诚实守信星”必须具备以下条件:近3年内在农村信用社贷款无违约记录, 无其他负债;家庭年人均纯收入在5000元以上;在农村信用社开立基本存款账户;生产经营项目合法合规。
4.优惠政策“。十星级道德信贷文明户”信贷以农户信用评级为基础, 以农户的信誉为保证, 在授信的额度和期限内发放;采取“一次核定、随用随贷、余额控制、周转使用”的办法, 坚持公开、公平、公正的原则, 实行优中选优;实行贷款证办法, 以“十星级道德信贷文明户”为单位, 一户一证, 信贷授信实行动态管理、每年核定一次;对“十星级”文明户信贷实行贷款优先、利率优惠和简化手续的优惠政策。
5.操作管理。一是成立了“文明评比+信用评分+信贷”竞赛活动领导小组, 领导小组下设办公室, 负责活动方案的制定和组织实施、考核管理等工作。二是明确职责分工。市人行负责“文明评比+信用评分+信贷”活动的信贷政策传导、沟通协调和征信技术服务工作;市文明办牵头制定下发活动方案, 召开全市动员大会, 加大社会宣传, 各乡 (镇) 、区党委、政府成立相应的领导组织, 协助基层农村信用社做好农户信用评价信息的采集与评估工作;市农村信用联社负责信用信息库建设, 对农户信用进行评级、制发贷款证和资金支持工作。三是将活动分为五个阶段实施, 分别是宣传发动、采集信息、信用评定、贷款授信及评选表彰阶段。
三、北票市“文明评比+信用评分+信贷”创新模式的运行作用
1.通过开展“文明评比+信用评分+信贷”竞赛活动, 切实促进了政府、人行和涉农金融机构间的紧密合作, 有效破解了农户信用评价范围不够全面、农户信用评分信息不全或真实性不高、农户对参与信用评价消极被动等现实难题, 作用体现:一是扩大了信用评价体系的全面性, 将全市全体农户信息都纳入采集范围, 做到彻底摸清全市农户信用基本状况。二是提高了农户信用信息的准确性, 提高农户对信用信息采集工作的认识和配合, 不断健全完善了农户信用信息电子数据库。
2.通过开展“文明评比+信用评分+信贷”竞赛活动, 为深化金融支农服务创新奠定了基础。农村金融支农服务中产生的贷款“两难”问题, 归结于农民信贷诚信意识不强和信用环境不好形成, 开展农户信用评分、文明户评比工作, 创建全市农户信用信息电子档案, 以此为平台创新推出了“农户信用评分+信贷”支“公司+农户+信贷”等支农服务模式, 通过对农户信用信息的评价与筛选, 对于符合条件的农户采取扩大信用额度、提供利率优惠、改善贷款服务等方式, 既提高了农信社的资金使用效率, 又加大了金融支持农业力度。
3.通过开展“文明评比+信用评分+信贷”竞赛活动, 充分发挥地方党政部门覆盖面广、威信度高的优势, 调动农村信用社支农的骨干力量, 发扬人民银行统筹协调全面部署的功能, 将农村金融工作、经济工作与农村精神文明创建有机结合, 为“三农”服务, 切实提高农民思想道德素质, 打造文明诚信、和谐发展的社会道德环境, 加快推进了社会主义新农村建设。
四、北票市“文明评比+信用评分+信贷”创新活动运行中存在的问题及改进意见
1.加强考核管理。建议地方党政部门组织力量依据评比竞赛活动方案加大检查力度, 作为机关岗位目标考核评比的重要内容, 实施文明评比考核评选一票否决制, 切实提高各乡镇、管理区领导对农户信息采集工作的重视, 保质保量地完成农户信息采集工作。
2.加强信息采集。建议农联社要依据农户信息采集和录入考核情况, 对完成任务好的信用社给予贷款审批优先的鼓励措施, 切实加大各基层农村信用社对农户信息录入工作力度, 组织精干人员, 合理安排工作, 做到信息录入与开展业务两不误、两促进, 抓紧时间完成信息录入工作任务, 确保评比竞赛活动后一阶段工作顺利开展。
3.加强业务指导。由各乡镇、管理区负责组织辖内村民组负责人员集中培训学习, 各农村信用社抽调相关业务人员主动配合工作, 对农户信息采集技术要求进行集中讲解和现场指导, 确保农户信息采集的规范、标准、真实。
摘要：自2010年开始, 北票市依托“农户信用评价体系+信贷”运行成功经验, 结合“十星级道德信贷户”评选要求, 在全市农村广泛开展“文明评比+信用评分+信贷”评比竞赛活动, 共计完成道德信贷户基础信息采集5.6万户, 筛选建立道德信贷户电子档案3.08万户, 授信额度3.4亿元, 发放道德信用户小额贷款1.2亿元, 评定道德信用示范户200户, 培育道德信用示范乡 (镇) 10个, 既取得了增强农民诚信意识、治理农村信用环境的社会效应, 又产生了支持农民创业创新实实在在的经济效益。
信用评分模型 篇9
马歇尔在《经济学原理》的开篇就说,经济学既是一门关于财富的学问,同时也是一门研究人的学问,实际上他把后者看得比前者更重要。
作为经济学一个分支的金融学却极尽现代高级数学之能事,在学术中演变为纯数学(甚至有可能引领数学发展!)。不信,我们看一下金融数学中的专业词汇吧:布莱克方程、随机漫步、鞅过程、马尔可夫过程、混沌模型……,数学的发展是人类智慧的凝结,然而把自然科学领域的理论嫁接到社会科学中就似乎有不少问题,在此,我们就从金融领域内广为应用的z评分模型进行分析。
一、靠不住的系数—Altman的Z评分模型
20世纪60年代,信贷风险计量的方法论取得了极大发展。1968年纽约大学斯特恩商学院教授Edward I.Altman对美国破产和非破产生产企业进行观察,采用了22个财务比率经过数理统计筛选建立了著名的5变量Z-score模型,他根据数理统计中的辨别分析技术建模,对银行过去的贷款案例进行统计分析,选择部分最能反映借款人财务状况、对贷款质量影响最大、最具预测或分析价值的比率,设计出一个能最大程度地区分贷款风险度的数学模型,对贷款申请人进行信用风险及资信评估,由此提出了Z-score评分模型。9年以后他不得不对模型进行修正,形成ZETA信用风险模型[1]。
对于这个模型,经济界专业人士大多持肯定态度。但肯定之余,又觉什么地方不妥。譬如,在当前(经济衰退期)有哪家银行或财务公司还用z评分来决定贷款呢?
在这个模型中,首先是时间问题,这个模型可以用多久?时间不断地流逝,经济环境随时都在变化,它总能适用吗?其次是环境问题,宏观经济环境是应用它的一个决定性前提。最后是系数问题,这个系数有多大的代表性?在美国可以做参考,在中国也可以用来参考吗?我们的企业经营不具有同样的内涵,事实上,我国企业的经营理念与国外纯粹是两回事,这完全可以从总体行为上加以证实。我们却在比葫芦画瓢,作实证发文章。
这样看来,加注经济哲学理念,对于金融数学来说显得至沉至重。
二、走向极至的金融数学———科学主义的经典
金融数学确实有绝对逻辑性的存在,也很实用——对债券计息、期望收益、预期风险、期权计算、利率浮动幅度、股票波动等回归及预测言之有物——我们的生活离不开金融,金融也离不开数学。
金融离不开数学,不等同于把金融全部变为数学,更不能用科学的外衣粉饰错误甚至是荒谬的科学主义逻辑。
从哲学角度来看,这里存在的问题可能就更多一些,事物均在不断发展变化之中,类似的经济系数、模型、曲线也不一定靠得住。例如:Paul A.Samuelson对著名的菲利普斯曲线的斜率在几十年内由负变正的现象分析时说:随着时间的推移,它已经不是20世纪初期的那种形状,当然,那个模型就不再适应现代需要。经济学含有科学成分永远和它含有的艺术成分一样多。这也使我们不禁想到约定主义,在约定主义的文献中曾有名言———由于牛顿力学被推翻了,所以,科学理论并不是什么“客观真理”,而是“人造的”,即:科学真理“是我们精神上的一种自由活动的产品”,也即人们任意“约定”的结果。科学所必须的概念、语言、正确性、科学实验等都约定性。但是,“在一切可能的约定中,我们的选择是受了经验事实的引导。”———想想“1+1=2”吧。
那么,我们不禁会想,菲利普斯曲线这条曲线存在过吗?它又是什么时间发生了变化?是一个大事件之后,还是在日常的累积中逐渐改变的?恐怕没有人敢站出来说个一清二楚。
在金融领域,类似事情就走得更远,西方市场经济把远期、期货、期权使用得淋漓尽致,华尔街更是将各种金融原生产品、衍生产品衔接的天衣无缝。Archimedes(阿基米德)说:“给我一个支点,我可以撬动地球。”如今,华尔街的几个“精英”用行动说:给我一个杠杆,我们可以改变世界经济方向。在世界经济被吹起的泡沫中,金融数学可谓“功不可没”,在全球经济形势急转直下中,金融数学扮演的更是主角。
无论从哪个角度看,金融数学都可以作为科学主义光环下的经典。
三、远离社会现实———金融数学最大的危险
风靡于科学主义中的金融数学,披着华丽的外衣,迈着踉跄的脚步,像一个醉汉,心内感觉很好,但渐失可靠、坚实的经济学根基。
对经济的实证随着学者们的研究而逐渐深入,19世纪中期至今,实证主义经历三代(第一代以孔德、穆勒等为代表;第二代以马赫、彭加勒等为代表;第三代以石里克等为代表),它以“认识(或知识)只能局限于经验的范围内,不能超出经验之外”为原则,在经济学领域甚为流行,如今的经济实证主义强调摒弃价值观念,只说明事物是什么。然而就这一看似简单的问题,在经济领域做起来也是困难重重———我们用回归方法找所谓的“规律”、“特征”,但从瀚海般的数据中,我们得到了什么?是真相?是伪相?因为那些“原始”数据或许并不原始,为什么不是?这就是一个社会问题,用哲学可能更容易解释。故而,我们得到的某些伪回归结论似是而非,有些结论更是牵强附会。
在剧烈程度上,金融事件的传染性更能反映哲学中关于“世界的普遍联系性”的原理,试想处于Bank run事件中的人们,心理恐惧与应有的理性怎么对比。这时用什么模型可以解释?资产价格怎么折算?……
一块玉石、甚至一件破旧衣物可能拍得天价,人的生命价值(包括地球上所有的生命体)就小得让人震惊,这就是人类社会特有的经济现象,恐怕金融数学的推演对此无能为力吧?
还有,优序融资理论是Myers和Majluf在观察基础上用计量回归证明了的,但现实中的公司融资(包括我国和西方国家)可能与之完全不同,从结果来看,这样的融资行为效果可能更好———我国的公司融资基本与之相反,就发展角度来看,我们在这种经济环境下做得也相当地好。
如此看来,我们可以得出结论:远离社会现实,金融数学将一文不值。
四、在金融产品设计中,我们可能还没有命中核心
“经济学家们就好像在一间黑房子里搜寻一只原本并不存在的黑猫,而计量经济学家还经常声称找到了一只。”[2]
经典OLS回归中有11个假设,我们在应用中,大部分不能保证满足,然而,对它的应用我们仍然乐此不疲;西方经济学的模型与公式游戏也被我们烘托的如火如荼;西方经济学中的17个假设,成为公认的研究基础前提,其相关结论与原理也成为一个学科范围内集体成员共同认可的“科学”。
同样,在高级微观经济学的寡头垄断部分中由斯塔尔贝格领导着模型推导,为进一步研究厂商的最优供给产量,将两厂商的价格领先和数量领先的博弈进行一般化,竞争模型有的最优条件表述为p(Y)+p′(Y)[1+f′2(y1)]y1=c′1(y1),其中f′2(y1)称为“猜想变量”,它表明厂商1如何响应厂商2的产量选择,将前式变形后获得如下表述形式:p(Y)+p′(Y)[1+ν12]y1=c′1(y1),它就成为古诺模型、斯塔尔贝格模型、竞争模型、串谋模型的综合表述。猜想变量,且我们可以“任意猜想”,那么其科学性在什么地方?
在经济计量的模型以及金融衍生产品的设计中,并没有(也不能)把一些关键的不能量化的因素合理而全面地考虑进来,以至于用金融模型来预测经济体系的发展(波动)几乎没有可能,偶有少数人预测到经济大势改变,似乎也不能记为金融数学的功劳。
William Hamilton是《华尔街日报》的主笔,在投资领域造诣非常,更是以1929年10月21日的《潮流的转向》而声名大振,但Alfred Cowles 3rd对其研究后得出的结论却令人深思。根据Cowles的检验:1903—1929年,如果根据Hamilton的建议进行组合投资,期末将获得19倍收益。但如果某人在1903年直接买入并持有一只股票,到1929年将得到36倍的收益。在此期间Hamilton有29次建议买入(16次正确)、23次卖出(10次正确)。
我们看一下企业融资决策问题:企业什么时候遵守“权衡”原则,什么时候遵守“优序”原则?———半个世纪过去了,至今仍没结论。
对于经济学的研究,我们仍是盲人摸象(虽然我们人数众多,一辈一辈,用语言、文字并借各种现代化的通讯工具之便,也只是“逐渐逼近真理”。),当一个规律被发现并总结出来时,它可能已经在实践中消失,所以一位哲人说过:探究一个题目不应穷原委竟到了不留任何事情给读者做。问题不应该是让人去阅读,而应该是让人去思考。
现代金融产品设计得精巧、连贯,在数学上也证明的“天衣无缝”,———但为什么越是到现代,经济危机就与金融越密切?这恐怕不是什么巧合,在金融产品设计中我们可能还没有命中核心。
我们“严格的经济学模型”与貌似合理的结论,在成千上万家管理机构、中介机构、公司企业中应用,在一点点的积累并改变着经济实体的运行,模型的系数在变,模型也在变形,我们却浑然不知。
五、坚持还是放弃?———迷雾中前进的信徒
对于我们来说,听到古代自然灾害的故事很多,但多少人听到过那时经济危机的记载?如今科技飞速发展,但经济危机顽固的游走于人们的生活,每当我们与之不期而遇,就会感到,仿佛我们离经济学的真理越来越远。———坚持还是放弃?
奥地利哲学家Mach总结了“思维经济原则”,就是以最少的思维来描述最大量的经验事实。科学的任务首先是通过观察和实验来发现、搜集、积累经验材料;其次是对大量的经验材料作出描述和整理,而其遵循的原则是“思维经济原则”。然而,对经济学的总结,总是让人们充满失望,思维经济原则并没有太大的派场。
James Davidson曾经说:“由于经济学的非实验性质,所以我们一向对所观测到的数据的生成机制没有信心。对经济学中任何一个假设的检验,最终都取决于足以设定一个适当节俭的模型的附加假设,而这些假设既可能被证明是合理的,也有被证明是不合理的。”[3]
各种金融模式只是在描述特定的历史现象,不会成为永恒真理。作为经济学,也只是对经验和现象的总结———并永远跟着现象走。即便这样,对于金融数学来说,选择的结果不会是放弃,因为放弃没出路,坚持或许是希望所在,所以坚持下去,继续在迷雾中摸索前进应当是本学科的必由道路。
参考文献
(1)Lars Tvede.The Psychology of Finance---Understanding the Behavioral Dynamics of Markets(M).北京:中国人民大学出版社,2003.
(2)古扎拉蒂.计量经济学基础(第四版)(M).北京:中国人民大学出版社,2005.
(3)Joseph Stampfli.The mathematics of Finance(M).北京:机械工业出版社,2006.
(4)朱成全.论经济学的“语言转向”(J).财经问题研究,2004,(7).
(5)朱成全.论哲学与经济学的“息交神游”(J).重庆社会科学,2005,(8).
(6)孙正聿.辩证法研究,第六卷上册(M).长春:吉林人民出版社,2007.