第1个回答 2020-10-28
不过从各家微贷金融机构和商业银行个人金融业务的反馈来看，老的打分卡模型仍旧是客户群分层分类工作的中流砥柱，无论是K-S值（描述模型分类准确性的一个统计值）还是模型的预测稳定性，打分卡模型都要暂时好于其他相对“先进复杂”的机器学习（统计学习）模型，这也说明风险评估模型并不见得越复杂、越高级就会越有效。
第三层面产品定价，是信用风险评估模型最核心最重要的部分，也是决定评估模型最终是否能够为金融机构带来盈利的部分。金融机构需要对不同层级的客户群，根据历史借还款信息建立相应的贷款损失分布，并根据损失分布确定一个合理定价水平，这个定价既要满足“收益覆盖损失”的要求，又要对该层级的客户群具有足够的吸引力。
举个例子，对于无逾期记录信用卡借款用户群体，假设其12个月借款的历史损失率为1.2%，标准差为1%，非银行金融机构的放款融资成本是7%，如果将贷款利率定为9.88%，则可以保证有95%的概率不会亏钱；如果将贷款利率定为12.2%，虽然可以保证有99%以上的概率不会亏钱，但由于贷款价格过高，而相应客户群因为信用等级较好，有更多的选择空间，贷款产品在市场上就会比较缺乏吸引力。
对于不同的客户群，风险等级越高则贷款资产收益率越高，金融机构需要根据自身的风险偏好进行筛选，选择适合自身风险承受能力的客群，保证既有足够风险带来的资产收益率，同时风险水平不超出自身能承受的最大范围。需要注意的是，这一部分评估模型所需的损失分布函数是很难通过纯粹的模型分析和设计来解决的，必须通过一定量的初始数据积累来形成不同客户群损失分布参数，这也就是为什么一些老牌金融机构可以进行更为准确的、更具有吸引力但更安全的产品定价。
总体来说，微贷类业务的信用风险评估是一个多视角的工作：既要包括从微观视角出发的借款个体行为精准评估，也要包括从宏观视角出发的借款群体定价覆盖损失；既要包括利用专家经验建立客户分层模型的“预设模型法”，也要包括利用历史损失数据形成损失分布模型的“统计模型法”。而具体选择哪个视角，或者更多偏向于哪个视角进行风险评估，则要综合考虑提升风险识别能力带来的增益收入和需要额外投入资源的边际成本。本回答被网友采纳