WOE評分卡在金融風險管理中的應用

內 容 摘 要

在銀行業中，風險管理控制是很重要的一環，如果風險控制得當，能給銀行帶來不菲的利潤，否則將是不可挽回的損失。但在業務過程中，銀行審核人員往往很難發現潛在違約的客戶，因此每年難以收回的壞賬也不少。國內外目前能夠用于風險評估的模型和指標都比較成熟，利用好這些模型指標能幫助銀行做到未雨綢繆，為銀行挽回不少損失，其中包括貨幣資金比流動負債、凈利潤比總資產、主業利潤占利潤總額比重、其他業務利潤比利潤總額、投資收益占利潤總額比重、貨幣資金比總資產、主營業務收入增長率、營業利潤增長率、凈利潤增長率等。本文主要簡單介紹國內外現有的風險管理指標，并重點以銀行業簡化后的脫敏數據為例，以logistic回歸來介紹機器學習在銀行風險管理的運用，主要包括處理缺失，離群值等數據預處理操作，分箱等評分卡的關鍵步驟，建模時處理數據不平衡，調參等內容，并以F值和ROC曲線衡量潛在客戶的違約可能，最后建立評分卡得出結論。

[關鍵詞]：銀行業、風險管理、logistic回歸、評分卡

目錄

1 導論6

1.1研究背景6

1.2研究意義6

1.3研究的思路和方法8

1.4國內外的研究現狀9

1.4.1國內研究現狀……………………………………………………………….9

1.4.2國外研究現狀……………………………………………………………...10

2 模型簡介11

2.1信用評分卡模型簡介11

2.2logistic回歸模型簡介12

2.3WOE模型簡介13

3 數據預處理14

3.1數據清洗14

3.1.1數據質量表14

3.1.2空值填補15

3.1.2.1空值填補方法16

3.1.2.2XGBoost填補法16

3.1.3離群值偵測和填補16

3.2特征選擇17

3.2.1統計方法的特征選擇17

3.2.2嵌入法embedded17

3.3基于WOE和IV的分箱技術18

3.3.1IV學習曲線圖18

3.4處理樣本不平衡21

4 logistic回歸的參數22

4.1penalty&C22

4.2max_iter22

4.3solver&multi_class22

4.3.1multi_class22

4.3.2solver22

4.4樣本不平衡與參數class_weight23

5 建模23

5.1建模與調參24

5.1.1利用分箱后的數據初步建模24

5.1.2調整solver24

5.1.3調整C和max_iter24

5.1.4調整class_weight25

5.1.5分析結果，得出結論26

5.1.6評分卡的制作27

5.1.7總結與建議28