干货：逻辑回归构建申请信用评级案例

作者 常国珍、吕鸿福

概述：

本文基于 R 语言，通过一个逻辑回归构建汽车贷款申请信用评级的案例，来为大家简单介绍信用风险模型及建模流程、R 语言实现、及中间需要注意的一些问题。包含的主要内容有以下几部分：

● 信用风险模型简述

● 信用评分模型建模流程/框架

● 基于 R 语言的汽车贷款申请信用评级案例实现（代码）

以下进入正文

Part 1：信用风险模型简述

说到信用风险模型，常见的有下面三种：

n Application（申请评分）模型

Ø 通过客户申请时的信息，预测客户将来发生违约/逾期等的统计概率

Ø 多用于信用产品的申请审批、及初始额度的判定

n Behavior（行为评分）模型

Ø 通过现有客户过往行为表现，预测客户在接下来一段时间发生违约/逾期等的统计概率

Ø 多用于信用产品的额度调整等

n Collection（催收评分）模型

Ø 通过已经逾期客户过往行为表现，预测已逾期客户清偿欠款/逾期恶化的统计概率

Ø 多用于进行选择客户催收

下面为大家介绍一个场景，想必大家非常熟悉：

图1. 银行信用卡申请表单

没错，这就是大家在申请银行信用卡时，需要填写的表单。这里面，我们填写的多数信息，会作为银行申请评分模型的变量，从而决定银行是否给我们发放信用卡以及信用卡的额度。大家可以体会信用风险模型在实际生活、工作中的应用场景。

本次汽车贷款申请信用评级案例，主要涉及Application（申请评分）模型，通过汽车贷款客户申请时的信息预测其将来发生违约/逾期等的概率，从而决定是否发放其贷款。本案例中，我们构建申请信用评级模型的数据变量如下：

图2. 汽车贷款申请信用评级案例变量

Part 2：信用评分模型建模流程/框架

数据分析建模流程，是在实际工作中保证模型质量的重要手段，属于工艺的范畴，没有标准答案，只有业界领先经验。还有很多需要结合业务建模的特点进行调整。

下面给出一个比较通用的建模流程：

该流程总体可以分为五部分：建模准备→变量初筛→变量清洗→变量细筛与变量水平压缩→建模与实施，包含了从收集数据到模型建立及实施的全流程。下一部分我们通过汽车贷款申请信用评级案例，为大家介绍如何走通本流程，及如何利用R语言进行信用风险建模实战。

Part 3：基于 R 语言的汽车贷款申请信用评级案例实现（含代码）

这一部分，我们把程序通过截图的方式分享给大家，这里面我们会给出代码的详细含义解释（注释内容），篇幅限制不再贴出程序具体的运行结果，感兴趣的童鞋可以加群索要源代码运行。

图3.1 数据变量说明

图3.2 读入数据

图3.3 利用随机森林进行变量粗筛

图3.4 数据清洗（去重、错误值、缺失值、异常值）

图3.5 建立模型

图3.6 模型检验及评估

这里需要注意，我们省去了变量细筛的环节，是因为我们在模型粗筛环节只挑选出5个最重要的变量进行建模；如若，在粗筛环节选择较多的变量，我们在下面流程可以进行变量细筛，如根据KS及IV值进行变量选择。

本次我们先分享到这里，希望对大家有帮助，也欢迎大家批评指正。

[参考资料：Credit risk scorecards-developing and implementing

intelligent credit scoring, Naeem Siddiqi]