非极端回收不良贷款回收率预测模型单户模型
非极端回收不良贷款回收率预测模型单户模型思路就是直接以户为单位，基于每户的回收率数据，建立单户的回收率预测模型。这里建模的难点在于如何在以户为单位的数据中，包括进每笔债项的信息。上面两种思路的实现都采用线性模型，也就是说方法可以通用。为了估计的方便，我们希望建立某种意义的线性预测模型，而建立线性模型对因变量的一个重要要求即是无值域限制，回收率水平一般来说在到之间，直接线性建模的预测结果肯定会超出此范围，因此对回收率在（值域内的数据建立线性模型，必须对数据进行变换，使数据值域为建立线性预测模型的另外一个重要要求是因变量的分布需要是近似正态分布。根据前文所述，我国不良贷款的回收率分布显然不符合正态分布，为达到上述两个目的，通常采用正态变换或者变换。这两种变换都只针对（，开区间才可用，这也是我们建模过程需要把极端回收排除在外的一个原因。以上的多种原因正是本文根据不良贷款回收率分布特殊性来构建先判别一后回归模型体系的基本需求。针对第一种思路，也就是从单笔到多笔，简单到复杂的思路，具体的建模步骤为：先以仅贷单笔贷款债务人的模型预测出每笔贷款的回收率；其次利用每笔贷款的回收率和每笔不良贷款在剥离时的转让余额，计算出每笔贷款预测回收金额；最终以债务人总的不良贷款金额为单位，计算出以债务人为个体的预测回收率，具体过程如下：推广到涉及多笔贷款的客户用表示以客户为单位的回收率，估计出一个客户每笔贷款的回收率，，每笔不良贷款转让到资产公司的金额为，并设一个客户有笔贷款，则以客户为单位的贷款回收率.主要的问题在于如何在自变量中加入贷款信息。具体而言，建模的自变量中牵涉到具体贷款的信息有担保方式，五级分类。因为每笔贷款的担保方式和五级分类可能不同，因此不能直接放入模型，需要做一定的处理。处理的方式如下：以担保方式为例，每笔贷款的担保方式有三种，抵质押、保证和信用担保。对一个具有多笔贷款的客户，计算其各种担保方式下贷款的金额，然后用该金额除以总的贷款金额，得到每一类担保方式下的贷款金额的比例，这样将担保方式以比例变量的形式放入模型。通过这种方法，便可以将所有的关于贷款的信息纳入建模自变量中，进而建立计量模型，便可以对每户的回收率进行预测。
页:
[1]