笔记︱金融风险控制基础常识——巴塞尔协议+信用评分卡Fico信用分

一、巴塞尔协议——银行业监管手册

巴塞尔协议Ⅲ是全球银行业监管的标杆,其出台必将引发国际金融监管准则的调整和重组,影响银行的经营模式和发展战略。在巴塞尔协议Ⅲ出台之际,中国银监会及时推出了四大监管工具,包括资本要求、杠杆率拨备率流动性要求四大方面,及时进行了跟进,构成了未来一段时期中国银行业监管的新框架。

该报告主要有四部分内容:

1、资本的分类;

2、风险权重的计算标准;

3、1992年资本与资产的标准比例和过渡期的实施安排;

4、各国监管当局自由决定的范围。

体现协议核心思想的是前两项。《巴塞尔报告》的核心内容是资本的分类。

1、银行资本的作用

银行资本的主要作用就是吸收和消化银行损失;

银行的主要资本是银行持股人的股本,构成银行的核心资本

协议签署国银行的最低资本限额为银行风险资产的8%,核心资本不能低于风险资产的4%

国际间的银行业竞争应使银行资本金达到相似的水平

2、资本划分

核心资本和附属资本。

1、核心资本。由股本和公开储备两部分构成

2、附属资本。银行的附属资本主要包括以下五项:未公开储备;重估储备;普通准备金;混合资本工具;长期附属债务

详细可参考该帖子:[金融学] 【十分钟读懂系列】之巴塞尔协议

——————————————————————————————————————————

二、Fico打分

FICO信用分是最常用的一种普通信用分。由于美国三大信用局都使用FICO信用分,每一份信用报告上都附有FICO信用分,以致FICO信用分成为信用分的代名词。该分数是一个[300,850]区间的分数段。

信用评分达到680分以上,贷款方就可以认为借款人的信用卓著,可以毫不迟疑地同意发放款;

信用评分低于620分,贷款方或者要求借款人增加担保,或者干脆寻找各种理由拒绝贷款;

如果借款人的信用评分介于620-680分之间,贷款方就要作进一步的调查核实,采用其它的信用分析工具,作个案处理。

1、FICO信用分的计算方法

FICO信用分的计算方法至今未向社会完全公开,但是可以从一些迹象来看出以下的一些评判标准:

(1)偿还历史。

影响FICO得分的最重要的因素是客户的信用偿还历史, 大约占总影响因素的35%。

其中包括:各种信用账户的还款记录(信用卡、零售账户 、分期偿还贷款、金融公司账户、抵押贷款)、公开记录及支票存款记录(破产记录、丧失抵押品赎回权记录、法律诉讼事件、留置权记录及判决)、逾期偿还的具体情况(逾期的天数、未偿还的金额、逾期还款的次数和逾期发生时距现在的时间长度等)

(2)信用账户数。

仅次于还款历史记录对得分的影响,占总影响因素的30%

该类因素主要是分析对于一个客户, 究竟多少个信用账户是足够多的, 从而能够准确反应出客户的还款能力

(3)使用信用的年限,该项因素占总影响因素的15%。

使用信用的历史越长, 越能增加FICO信用得分。该项因素主要指信用账户的账龄,也包括新开立的信用账户的账龄, 以及平均信用账户账龄

(4)新开立的信用账户该项因素占总影响因素的10%。

在很短时间内开立多个信用账户的客户具有更高的信用风险, 尤其是那些信用历史不长的人。新开立的信用账户数、新开立的信用账户账龄、目前的信用申请数量、目前的信用申请数量、最近的信用状况。

(5)在使用的信用类型该项因素占总影响因素的10%。

主要分析客户的信用卡账户、零售账户、分期付款账户、金融公司账户和抵押贷款账户的混合使用情况, 具体包括: 持有的信用账户类型和每种类型的信用账户数。

2、中国执行Fico打分存在的问题

(1)存储数据的缺失或者错误。

在中国想做点定量研究的人都知道,中国严重缺失正确的数据,个人的数据尤其如此。

(2)不适用于对企业信贷的分析。

该模型的基础就是针对个人消费信贷来获取数据、进行分析。对于企业信贷,用处非常小。因为对个人信贷和企业信贷分析评估的标准不一样,前者着重从收入、资产、信用、工作及家庭、个人基本信息及社交信息等方面来分析个人的还款意愿和能力,后者则着重分析企业的股东背景、业务运营状况、财务状况、借贷情况、信用评级情况、抵质押增信情况等关于企业业务和财务方面的运行情况、负债能力和偿还能力。

(3)不适用于对个人(或准确的说是小微企业,以个人名义借款,如淘宝店主)借款用于扩大生产的情况。

因为这种情形既要分析个人的收入、资产、信用情况,还得分析其所从事的企业业务、财务、借贷情况,是个人信贷和企业信贷的集合形式。

3、Fico打分引发的乱象

fico打分很多情况下不太顾及得分较低的用户。

图是captial one公司应用FICO得分,忽略低得分的人群。一刀切的情况就会催生出一些恶性信贷的业务。

不过,这也是一个机会,低得分人群也同样具有市场。

参考:FICO评分系统在中国使用有三大缺点FICO定义FICO信用评分模型解析

时间: 2024-08-08 09:38:29

笔记︱金融风险控制基础常识——巴塞尔协议+信用评分卡Fico信用分的相关文章

3分钟搞明白信用评分卡模型&模型验证

信用评分卡模型在国外是一种成熟的预测方法,尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用,其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型. 本文重点介绍模型变量WOE以及IV原理,为表述方便,本文将模型目标标量为1记为违约用户,对于目标变量为0记为正常用户:则WOE(weight of Evidence)其实就是自变量取某个值的时候对违约比例的一种影响,怎么理解这句话呢?我下面通过一个图标来进行说明. Woe公式如下: A

信用评分卡模型开发中双峰分布原因及解决方案

信用评分卡模型开发中双峰分布原因及解决方案 文: 郑旻圻 邹钰 刘巧莉 转自:  数信互融 在信用评分卡模型开发过程中,正态性是检验模型信用评分分布是否有效的一个重要指标.正常情况下,标准的正态分布是单峰分布:但是在实际建模过程中,会遇到信用评分分布出现双峰的情况. 双峰分布出现时,数据规律一致性的假设被打破,我们需要从不同的角度考察其出现双峰分布的原因,对模型加以调整,使之准确地反映业务和数据中的规律,以便模型准确适用. 根据为数十家互联网金融企业建立评分卡模型的实践经验,我们总结了一些造成双

信用评分卡模型入门(智能算法)

信用评分卡模型入门 2016-07-26 智能算法 智能算法 一.背景介绍:   4.数据整理(数据清理过程) 大量取样的数据要真正最后进入模型,必须经过数据整理.在数据处理时应注意检查数据的逻辑性.区分"数据缺失"和"0".根据逻辑推断某些值.寻找反常数据.评估是否真实.可以通过求最小值.最大值和平均值的方法,初步验证抽样数据是否随机.是否具有代表性. 常用清理过程包含:缺失值分析处理.单变量异常分析(LOF分析处理或聚类分析) 5.变量选择 变量选择要同时具有数

信用评分卡 (part 3of 7)

python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 原文地址:https://www.cnblogs.com/webRobot/p/9736382.html

信用评分卡 (part 1 of 7)

python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 信用危机时代的信用评分卡 Credit Scorecards in the Age of Credit Crisis This incident took place

信用评分卡 (part 6 of 7)

python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share 原文地址:https://www.cnblogs.com/webRobot/p/9736402.html

【linux_笔记】Linux基础常识_1

笔记内容均为观看马哥的Linux培训视频教程所得,经本人整理后发布. 操作系统的稳定性: 操作系统本身是一个程序,他的指令和数据和其它应用程序存储在内存中,如果一个恶意的应用            程序,能够直接访问内核的话,能够直接跟内核交互,能够直接修改内核中的某些数据的话,这就        意味着系统的稳定性将无从得到保证,所以必须要有一种机制能够将应用程序和内核隔离开来,通        常情况下,比如说intel这一类的平台上他会提供所谓的保护机制,一般我们的cpu有4个级别,是同 

以German信用数据为例的logistics regression算法在评分卡上的实践

以德国信用数据为例,用logistict regression算法做信用评分卡原理性实现,因此并未考虑feature selection. 第一步:导入必要的库 import pandas as pd import numpy as np from sklearn.cross_validation import train_test_split 第二步:导入数据 german = pd.read_csv('D:/CreditDatasets/german.data', sep=' ', head

评分卡模型剖析之一(woe、IV、ROC、信息熵)

信用评分卡模型在国外是一种成熟的预测方法,尤其在信用风险评估以及金融风险控制领域更是得到了比较广泛的使用,其原理是将模型变量WOE编码方式离散化之后运用logistic回归模型进行的一种二分类变量的广义线性模型. 本文重点介绍模型变量WOE以及IV原理,为表述方便,本文将模型目标标量为1记为违约用户,对于目标变量为0记为正常用户:则WOE(weight of Evidence)其实就是自变量取某个值的时候对违约比例的一种影响,怎么理解这句话呢?我下面通过一个图标来进行说明. Woe公式如下: A