Skip to content

Data Science › 應用領域 › Finance › 信用風險模型

信用風險模型 (Credit Risk Modeling) ​

信用風險模型的核心不是把借款人分成好人壞人,而是估計違約機率,再把它接到放款、拒絕、定價與資本配置的決策上。模型分數本身不是終點:違約機率是否可解釋、夠穩、有校準,以及不同門檻下的經濟後果,才是重點。這套邏輯直接適用於臨床風險模型(再入院、敗血症預警):同樣是分類 → 校準 → 成本不對稱下的門檻。

風險的組成 ​

量意義
PD (probability of default)某筆貸款在定義期間內違約的機率
EAD (exposure at default)違約時仍暴露的金額
LGD (loss given default)違約後最終損失占暴露金額的比例(1 − 回收率)
預期損失 (expected loss)EL=PD×EAD×LGD

很多模型直接建的是 PD,但實際決策是用它去影響預期損失。

標籤與預測目標 ​

先釐清例子
違約的定義逾期 90 天以上、轉催收、核銷
觀察窗放款後 12 個月內是否違約
時間對齊特徵只能用申請當下可得的資訊;用了之後才知道的資料(例如後續的催收紀錄)就是洩漏

目標定義含糊,再好的模型也只是學到一個模糊標籤。

模型 ​

模型優點代價
Logistic regression直接輸出機率、可解釋、監管與溝通友善;常搭配 WOE 分箱做成評分卡非線性與交互作用要手動處理
決策樹、XGBoost / LightGBM捕捉非線性與交互作用,表格資料表現強解釋性差;機率常需要重新校準;容易只顧排序

通用背景見 logistic regression、XGBoost。

python
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score, brier_score_loss, classification_report
from sklearn.calibration import CalibratedClassifierCV, calibration_curve
from xgboost import XGBClassifier

# 時間切分:用較早的放款訓練、較晚的放款測試(模擬實際部署)
train, test = loans[loans.issue_date < "2023-01-01"], loans[loans.issue_date >= "2023-01-01"]

lr = LogisticRegression(max_iter=1000).fit(X_tr, y_tr)
xgb = CalibratedClassifierCV(XGBClassifier(n_estimators=300, max_depth=4), method="isotonic", cv=5).fit(X_tr, y_tr)

for name, m in [("logistic", lr), ("xgb", xgb)]:
    pd_hat = m.predict_proba(X_te)[:, 1]
    print(name, roc_auc_score(y_te, pd_hat), brier_score_loss(y_te, pd_hat))
prob_true, prob_pred = calibration_curve(y_te, pd_hat, n_bins=10, strategy="quantile")
print(classification_report(y_te, pd_hat > 0.2))     # 只是第一層檢查

評估:從分類指標走到經濟後果 ​

面向指標回答不回答
排序 (discrimination)ROC AUC、Gini(= 2·AUC − 1)、KS高風險借款人有沒有被排在前面?最佳門檻、機率是否準
校準 (calibration)校準曲線、Brier score模型說 PD = 0.12 的那群,實際違約率接近 12% 嗎?排序好壞
經濟後果核貸率、被核准貸款的壞帳率、預期損益這個模型與門檻會賺還是賠?—

ranking 好不代表能直接拿來定價或核貸:定價、資本估算、風險分層都直接用到機率值,需要校準。

錯誤成本
False positive:會還款的人被判高風險錯失一筆貸款的利潤(較小)
False negative:會違約的人被核准損失本金減回收(大)

成本極不對稱,所以 accuracy、甚至一般的分類報告都不足以回答放款風險;某些誤判即使數量少,只要落在高曝險貸款上,總損失就很大。

類別不平衡是資料生成機制的一部分 ​

多數借款人本來就不會違約;而且過去的審核流程已經篩掉高風險申請,被拒絕的人沒有結果標籤(reject inference 問題),壞帳也可能很快被出售或轉移。不平衡不只是技術問題,而是樣本機制本身:模型只在「過去被核准的人」上學習,套用到全部申請者時可能有偏差。

重抽樣或類別權重會改變預測機率的尺度,之後要重新校準;決策時用調整門檻比重抽樣更直接。

門檻與核貸策略 ​

門檻結果
降低(PD 門檻放寬)核准更多貸款,也接受更多壞帳
提高(PD 門檻收緊)壞帳變少,但拒絕大量好客戶
python
# 策略表:核貸率 → 對應 PD 門檻 → 被核准者的實際壞帳率
res = pd.DataFrame({"pd": pd_hat, "default": y_te.values}).sort_values("pd")
rows = []
for accept in np.arange(0.5, 1.0, 0.05):
    k = int(accept * len(res))
    accepted = res.iloc[:k]
    rows.append({"accept_rate": accept, "cutoff": accepted["pd"].max(),
                 "bad_rate": accepted["default"].mean()})
strategy = pd.DataFrame(rows)

策略表把模型門檻翻譯成業務後果:多放 10% 貸款,壞帳率上升多少?把壞帳率壓低,犧牲多少核貸量?最佳門檻常不是 0.5,也不是讓 sensitivity 與 specificity 最平衡的點,而是讓核貸量、風險成本與利潤率取得可接受折衷的點;還要考慮風險胃納、人工審核量、資金限制,見 門檻與校準。

工作流程 ​

  1. 定義違約標籤與觀察期間,確認特徵在申請當下可得
  2. 用時間切分建立訓練與測試集
  3. 先建可解釋的基準(logistic regression)
  4. 比較 tree / XGBoost 等模型的排序能力
  5. 分開看排序(AUC)、校準(校準曲線、Brier)、分類報告
  6. 把 PD 接到 EL = PD × EAD × LGD
  7. 用策略表把門檻接到核貸率、預期損失與投組影響
常見錯誤
把 PD 當硬分類,不用機率資訊只追 AUC,不檢查校準
用 accuracy 當主指標忽略違約稀少與錯誤成本不對稱
門檻固定用 0.5沒依核貸目標或損失函數調整
隨機切分高估部署後的表現(經濟環境會變)
忽略不平衡反映的是審核流程只在被核准者上學習的偏差

公平性與受保護屬性(信用模型是 EU AI Act 的高風險應用)見 資料偏誤、EU AI Act。