核心模型选择
核心模型选择不良贷款风险监测系统的核心是模型的算法。基于前述的研究成果，按照判别加回归，单户到打包的模型开发思路，考虑到计算机实现的约束及成本效益的平衡，该模块选择了贝叶斯判别分析模型加线性回归模型的组合实现了风险系统的核心算法。初步选择的变量包括债务人（行业，地区，经营状况，工商登记状态），债项（五级分类信息，贷款金额，贷款期限，贷款有无抵押物和保证）以及处置方式三个方面的信息（债权追偿，债权重组，资产转让，债转股实物入股，实物资产租赁，委托处置，投资业务，资产证券化）。其中，贷款的期限变量为贷款的开始时间和贷款的结束时间之差。贷款金额变量以原始值的对数值进入模型。其它变量都是类别因素，以虚拟变量的形式进入模型。通过逐步判别的方法能得到在判别分类中有显著效果的变量。再利用贝叶斯判别分析法，建立了无回收贷款和有回收贷款的线性判别函数，是无回收贷款的判别函数，是有回收贷款的判别函数。首先是对只有一笔贷款的客户进行回顾性检验建模样本），检验模型的判别效果。利用建立的线性判别函数可以对客户的有无回收进行预测：实际模型对无回收贷款判别的正确率为，有回收贷款判别的正确率为，回顾性检验的总的正确率为。通过外推预测，对有多笔贷款的客户是否有回收进行预测，检验模型的判别效果。利用建立的线性判别函数可以对客户的有无回收进行预测：无回收贷款判断正确的比率为，有回收贷款判断正确的比率为预测的总精度为。从样本的回顾性检验和前外推预测来看，模型的总体精度能够达到以上，能够很好的对客户是否有回收进行判别。不良贷款回收率预测模型:样本数据描述变量选取模型构建及检验模型中所选取的影响不良贷款回收率的因素包括：风险暴露规模、地区、行业、担保方式、五级分类、逾期时间、企业规模、经营状况、工商登记状态、是否上市公司以及债权的转让方式，通过对上述每一类影响因素的进行统计分析，初歩得出上述变量与回收率的关系。
页:
[1]