Tổng quan
Mô hình chấm điểm rủi ro tín dụng (Credit Risk Scoring, Credit risk scorecard) là công cụ được sử dụng phổ biến trong ngân hàng nhằm mục đích phân loại khác hàng tốt hay xấu. Ví dụ một thẻ điểm hay được sử dụng là FICO score. Các ngân hàng cũng xây thẻ điểm tín dụng để phù hợp với riêng ngân hàng mình. Với các khách hàng có điểm tín dụng cao, khách hàng sẽ được chấp nhận cấp khoản vay. Đối với các khác hàng có điểm tín dụng thấp, khách hàng sẽ bị từ chối cấp khoản vay. Bảng sau đây minh họa cho một một thẻ điểm tín dụng:
| Attribute | Range | Score |
|---|---|---|
| Age | Age < 25 | 17 |
| 25 <= Age < 30 | 20 | |
| 30 <= Age < 35 | 25 | |
| 35 <= Age < 40 | 31 | |
| 40 <= Age | 33 | |
| Income | Income < 5,000,000 | 05 |
| 5,000,000 <= Income < 10,000,000 | 20 | |
| 10,000,000 <= Income < 20,000,000 | 30 | |
| 20,000,000 <= Income < 35,000,000 | 40 | |
| 35,000,000 <= Income | 60 | |
| Gender | Male | 25 |
| Female | 39 |
Ví dụ một khách hàng có thông tin như sau:
- Age: 35
- Income: 40,000,000
- Gender: Male
Thì tổng điểm tín dụng của khách hàng là \(31+60+25=116\) điểm. Giả sử chính sách của ngân hàng chỉ cho vay với khách hàng có 100 điểm trở lên thì khách hàng trong ví dụ sẽ được chấp nhận cấp khoản vay.
Cấu trúc của thẻ điểm tín dụng như sau: Điểm tín dụng của khác hàng là tổng điểm của các yếu tố. Trong từng yếu tố lại chia ra thành các nhóm nhỏ (attribute). Cấu trúc này rất dễ hiểu và dễ sử dụng đối với đơn vị kinh doanh. Ví dụ từ bảng minh họa ta thấy:
- Với yếu tố tuổi, tuổi càng cao thì khách hàng có điểm tín dụng càng tốt.
- Khi so sánh giữa yếu tố tuổi và thu nhập. Có thể thấy rằng thu nhập có ảnh hưởng nhiều hơn tới điểm tín dụng của khách hàng.
Quy trình xây dựng Credit Scoring
Quy trình xây dựng thẻ điểm tín dụng thường bao gồm các bước sau đây:
Với giới hạn của tài liệu, ta chỉ xét đến các bước có sử dụng công cụ SAS:
-
Data Mining: Là công đoạn tạo ra các biến có ý nghĩa từ dữ liệu thô. Khởi đầu, Macro Data Aggregation để tạo các biến cho mô hình. Tiếp đó ta dùng Macro Data Reduce để giảm kích thước của dữ liệu. Sau cùng ta dùng Macro Data Partition để chia dữ liệu thành hai tập train và validate.
-
Variable Analysis: Sau khi có các biến, ta tiến hành phân tích biến. Macro Variable Review được sử dụng để tính toán các chỉ số thống kê (min, max, mean, …) để ta có cái nhìn về chất lượng dữ liệu. Tiếp đó ta tiến hành phân tích đơn biến với Macro Variable Analysis. Để phân tích sự liên quan giữa các biến và tìm cách kết hợp biến, ta sử dụng các công cụ macro Variable Interaction. Sau khi phân tích xong các biến, ta sử dụng Macro Data Transformation để chuyển các biến về định dạng WOE.
-
Variable Selection: Là công đoạn chọn các biến vào mô hình. SMCS cung cấp một số phương pháp lựa chọn biến như sau:
- Stepwise method sử dụng công cụ Variable Selection: Stepwise Method.
- Marginal IV method sử dụng công cụ Variable Selection: Marginal IV Method.
- Best subset selection thử tất cả các cách kết hợp biến để tìm ra tổ hợp biến tốt nhất. Macro được sử dụng là Best Subset Selection.
-
Modeling Sau khi đã chọn được bộ biến thích hợp, ta tiến hành hồi quy và đánh giá mô hình.
- Model Regression tính toán hệ số cho các biến đồng thời trình bày output của mô hình dưới dạng Scorecard. Xem thêm tại Model Regresion.
- Model Scoring dùng để chấm điểm cho dữ liệu mới sử dụng macro Model Scoring.
- Đánh giá mô hình bằng tính phân biệt sử dụng macro Model Assessment: Discriminatory.
- Đánh giá mô hình bằng tính chính xác sử dụng macro Model Assessment: Accuracy. Với một số trường hợp, ta có thể sử dụng thêm phương pháp Cross Validate hoặc K-Fold Validation để đánh giá mô hình. SMCS cung cấp macro Model Assessment để thực hiện việc này.
-
Reporting: Sau khi có được mô hình cuối cùng, ta trình bày kết quả của mô hình. Macro Report Variables Binning sẽ trình bày các biến và cách nhóm. Macro Report Slide sẽ trình bày kết của của mô hình ra file PowerPoint.
-
Monitoring: Mô hình sau khi triển khai sẽ được hậu kiểm định kỳ. Các nội dung chính bao gồm:
- Tính ổn định của mô hình bằng cách sử dụng macro Monitoring Report Stability.
- Tính phân biệt của mô hình bằng cách sử dụng macro Monitoring Report Discriminatory.
- Tính chính xác của mô hình bằng cách sử sụng macro Monitoring Report Accuracy.
Sơ đồ dưới đây minh họa quá trình sử dụng các macro trong quá trình xây dựng mô hình
