[发明专利]基于SMAA-DS的信用等级与违约损失率相匹配的评级系统及方法

说明书

本发明提供一种基于SMAA‑DS的信用等级与违约损失率相匹配的评级系统及方法，涉及信用评估技术领域。本发明包括用户登录注册模块，用户数据管理模块，用户信用评级模块，通过采集金融机构积累的信用贷款业务的所有借款人历史数据，构建单个定性指标与违约状态间的二元Logistic回归模型，按照指标性质区分成离散型指标和连续型指标；使用Lasso‑Logistic模型对离散型指标和连续型指标进行多重共线性检验，构建两种指标类型下具有最优整体违约判别能力的信用评分指标体系，计算借款人在两种指标类型下的信用评分；建立信用等级划分优化模型，对两种指标类型进行不同比例组合，确定借款人的信用等级信息，得到用户的信用评级。

技术领域

本发明涉及信用评估技术领域，尤其涉及一种基于SMAA-DS的信用等级与违约损失率相匹配的评级系统及方法。

背景技术

信用评分是评估借款人信用状况的主要工具，金融机构或贷款人根据信用评分和信用等级做出相应的信贷决策，有效分配信贷资源，包括是否贷款、贷款利率和贷款金额等。具体做法是分析历史上违约和不违约客户的若干样本，从已知的数据中挖掘影响借款人是否违约的关键特征，建立数学模型并测量借款人的违约风险。

当前关于信用评分的研究中，一般是直接综合使用所有指标信息计算借款人的信用评分。近年来，一些学者根据信息能否被准确量化和可信地传递，将指标分为硬信息和软信息。软信息可在一定程度上减少借款人和出借人之间的信息不对称，进而使得出借人和贷款平台能够更好地评估借款认的违约风险和贷款利率。区分软信息和硬信息也缓解金融市场带来的逆向选择问题，提高借贷市场的运作效率。具体而言，对于借款者提高了其贷款可得性，对于投资者降低了其投资风险。

针对借款人，软信息包括借款人的性别、年龄、贷款描述中的文本信息、社交网络发布的照片、在线行为、人格和道德等指标。硬信息包括年收入、工作年限、负债收入比、FICO评分和循环贷款利用率等指标。针对小微企业，硬信息包括税前利润/总资产(ROA,profit before taxes/total assets)，短期债务/股东权益(Short-term debt/equity)，和现金/总资产(cash/total asset)等指标，软信息包括无形资产/固定资产(intangibleassets/fixed assets)，研发支出/销售额(RD/sales)和潜在的市场情况(potentialmarket)指标。

由于文本信息包含了借款人的文字组织能力，拼写错误的单词的百分比，借款目的和债务状况等信息，还款能力和还款意愿，所以被广泛研究。RientsGalema(2020)为考察熟悉借款人的投资者在P2P贷款中信贷配给的作用，通过荷兰的P2P借贷数据进行实证，结果表明，熟悉借款人的投资者可以在其他P2P投资者之前进行投资，并且该笔贷款具有较低的违约概率。Weiguo Zhang等(2020)提出了一种充分挖掘贷款描述中的文本信息的新方法。通过美国LendingClub和中国人人贷的贷款数据进行实证，结果表明，在贷款预测的AUC和G-mean的指标上，考虑贷款描述文本信息的软信息和硬信息的组合模型优于仅考虑硬信息的模型。区分指标类型的统计计量模型考虑了软信息和硬信息对违约概率的不同影响，提高了违约判别的准确率。

但是，现有研究忽略了从指标变化方式和变化幅度的角度探索离散指标和连续指标对违约概率的不同影响。在数学上，离散型指标是一个仅有可数个取值的变量，连续型指标是在一定区间内有无限个取值的变量。在信用评分领域中，典型的离散型指标是信用卡账户的数量，典型的连续型指标是年收入。软信息和硬信息与离散型和连续型指标有交叉，例如“年收入”这个指标，从硬信息和软信息的分类上属于硬信息，从离散型指标和连续型指标的分类上属于连续型指标。从指标类型的角度看，不同指标类型与违约状态之间的映射关系不同，不同指标类型的违约鉴别能力也不同。