ディスカッションの研究では、このポストは、消費者ローンの分野でのクレジットスコアのモデルになります。誰もが貸出クラブ（海外最大のP2Pサイト）と繁栄をすることにより、分析借り手に履歴データを借用することができますが、私は助けることができる投資する決定の背後にある消費者金融、クレジット・スコアリング機構の動作と動作原理を理解するために、信じて市場の人々より良い意思決定は、利益のために。
消費者金融は、移行経済、世界をリードする国を駆動する大きな力となっています。過去50年間で、したがって、消費者支出の増加。2014年8月にニューヨーク季刊家計負債と信用報告書の連邦準備銀行によると、74％は住宅ローンとエクイティ・ローン、学生ローン、10％、自動車ローンの8％だけでなく、6そのうち$ 11.63兆の総消費者の債務クレジットカードの負債として％。消費者需要の高い信用の伸びは、自動化されたリスク評価システムが不可欠です。
クレジットスコア
クレジットスコアリングは、最初に1950年代初めに開始されました。クレジットスコアが最初に用いた統計方法を良くし、不良債権を区別します。最初に、焦点はクレジットスコアの貸し手が融資を与えるかどうかであり、以降、この動作がに変換され、申請スコア（出願得点）。申請者のクレジットスコアスコアでは、この1は成功した評価システムとなります。
クレジットスコアでは、クレジット値の仮定は、今後数年間で安定したまま、貸し手は、申請者が今後12ヶ月間に支払遅延のために評価されるかどうかの90日以上を持っています。最低のスコアアプリケーションの境界が成功したとき、スコアがより良いと不良債権のチャンスに比べてわずかです。対応する信用履歴に連結された応募者のローンデータの1-- 2年間は、今後2年間について、申請者の申請のスコアリングモデルを確立するのに役立ちます。
行動スコア（行動 得点）、申請者の賃金や昨年の購入の条件を評価するために設計された申請者のスコアの補足です。このデータは、今後12ヶ月の間に通常更新月次データをデフォルトの例リスクを予測するために使用されます。最近のパフォーマンスと現在の信用情報は、アプリケーション情報の先頭よりも重要です。デフォルトのリスクと比較すると、貸し手は現在、利益目標を達成するために彼らの融資戦略にもっと注意を払います。収益性を最大にするために、彼らの融資額、金利およびその他の用語を選択することによって。テクノロジーは、収益性分析に基づいており、意思決定が呼び出される利益率（profitscoring） 。
そして、あなたは別の行動得点を獲得し、利益はあなたのアカウントに過去の行動に入金することを、ダイナミックなスコアリングクレジット・スコアリングモデルを使用する必要が申請者のクレジットスコアの静的モデルを使用することができます。一般的には、クレジット・スコアリング・モデルは、各支払いのためにモデリングされます借りました。デフォルト（信用リスク）の借り手のローン・ポートフォリオが増加した場合しかし、ターム・ローンはそれほど重要になります。信用リスクモデルは、これまで広くローン・ポートフォリオの評価のために受理されていません。クレジット・スコアリングモデルは、分類および予測精度評価の予測確率の精度を融資システムの品質を認識する能力であることにより、我々は、これらの3つは評価できます。
ローン意思決定モデル
貸し手の主な目的は、投資ポートフォリオでは、利益を最大化します。任意のローンのために、投資家はローンのリターンの量を考慮する必要があります。$ 100の投資、$ 10の利益を見返りに、$ 25の投資$ 300を取得することが明らかに劣っています。いくつかのケースでは、借り手は貸し手にも重大な損失に直面することを意味し、ローンを返済することはできません。当社は、リスク・ポートフォリオのデフォルト率やデフォルトの結果を分析することによって定量化することができます。貸し手は、リスクを設定すると予想される範囲内に戻すことができます。最終的には、一連の決定に基づき、借り手への投資が必要になります。つまり、どのような情報は、ローンは意思決定プロセスと開発の間だけでなく、最終的な結果が発生する可能性があります後に所定の位置になり、意思決定を支援します。
ネットの影響を図
お互いにどのような影響を与えるかに不確実性や最終結果、投資家が主要な意思決定を理解するための視覚的なグラフィックスの使用の最終的な影響図。図は、ネットワークの重要な側面に影響を与えるデータは、意思決定と、だけでなく、意思決定の内容と関連して関連する意思決定を決定することができます。決定（長方形のノード）、不確定性（円形ノード）、その結果（菱形ノード）：図は、3つのネットワークノードを含みます。ノードは、矢印によって互いに接続されています。
図1は、ビューの貸し手の視点で市場から引き出されます。
私たちが見る上の画像では：まず、貸し手がローンの借り手が良好なパフォーマンスがあるかどうかを予測取得します。予測貸し手は、予測可能な結果を決定することができない、ランダムなイベントです。それは融資（ローンかどうか）を投資するかどうかの決定に影響を与え、また、借り手（良いか悪いか借主）のメリットのパフォーマンスに影響します。その後、プラットフォームは、（ローンが発行されたりしない）のローンを発行するかどうかを決定します。これは、貸し手のためにランダムなイベントです。融資は、十分なだけの貸し手を支援するために融資を発行するためには、権限や影響力を持っているかどうかを決定するための貸し手です。一度融資を発表し、貸し手は、収入（所得検証）実装の証拠を確認することができ、FICOスコアと返済レコード（FICOスコアと支払い履歴を。）を参照してください変更、およびローン予報を更新します。更新予測ローンによると、貸し手はFILOfn 2トレーディング・プラットフォーム上でローンを売却するかどうかを決定することができます。ローンは、他の貸し手も融資を購入するかどうかを二次取引プラットフォームでデータを更新することが同様の決定を予測します。この一連のイベントは、最終的貸し手の収益に影響を与えます。
ディシジョン・ツリー
最適な決定木は、持っている融資決定を理解し、情報の意思決定の様々なステップを解決するために、意思決定プロセスに従ってください。
そして、決定木モデルは、ネットワーク図、それの構造の視覚的なインパクトをどのように漸進的な形成に基づきますか？図1のネットワークの画像と同様のツリー構造。結果を図が表す戻すためにイベントで示されています。各確率ノード（不確定イベント）が一定の割合、イベントの結果が発生する可能性の代表の割合を与えられています。
ポイントを押し戻すようになった結果から、すべての決定ノードおよび不確実な事象の後、我々はそれぞれの結果（EMV）の期待貨幣価値を計算することができます。
図2は、融資決定の簡単な決定木です。貸し手は、初期投資判断をするかどうか。貸し手は投資に消極的である場合、戻り値は0です。投資に良いリターン、または悪い（契約のすなわち違反）：貸し手は投資する場合は、次の2つの可能性があります。
假设，借款人回报良好时，贷款人获益10，借款人违约时，贷款人则损失100。如果违约可能性是5%，并且贷款人愿意投资，则贷款人可能从借款人处获益：
0.95 x 10 + 0.05 x (-100) = 4.5
如果贷款人不愿投资，则获益为0。因此，决策树显示贷款人应该进行投资。如果违约的可能性增加到10%，则贷款人可能从借款人处获益：
0.90 x 10 + 0.10 x (-100) = -1
因此，决策树显示贷款人不应该进行投资。
综上所示，如果g代表贷款人收益，l代表因借款人违约导致的贷款人损失，p代表投资回报良好的可能性，那么根据预期货币值（EMV）的标准，只有 pg – (1-p)l > 0时，贷款人应该进行投资。
p/(1-p)即投资回报良好的可能性与违约可能性的比值，也称为良莠比（good:bad odds）。
能够涵盖所有贷款决策的决策树很难实现，也不方便。但是，决策树可以协助贷款人进行决策。
转载自：https://www.cnblogs.com/nxld/p/6365421.html