You can not select more than 25 topics
Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
19 lines
1.6 KiB
19 lines
1.6 KiB
8 months ago
|
= 模型区分能力验证
|
||
|
|
通过模型区分能力的验证，可以鉴别模型区分好坏客户的能力（即可以鉴别模型预测的效果），
|
||
|
|
常用方法：ROC曲线(AUC值), CAP曲线(AR值), KS曲线(KS值)等。
|
||
|
|
|
||
|
|
模型的区分能力高低决定了模型预测效果的好坏，理论上讲，一个完美（理想）的模型将会是这样的：模型预测某个客户在将来一段时间内会违约，实际上这个客户在将来一段时间内就发生了事实违约。
|
||
|
|
|
||
|
|
事实上一个风险模型预测的是一个客户在未来一段时间内的违约概率，注意是概率而不是预测客户是否违约。在实际使用中，我们可以对预测的违约概率进行截断点处理，即当预测某个客户的违约概率大于某一个固定值(例如: 90%)，那么就认为模型预测某个客户在未来一段时间内会违约。
|
||
|
|
|
||
|
|
[TIP]
|
||
|
|
====
|
||
|
|
一个风险模型的主要目的是管控风险，一个好的风险模型应该能够鉴别坏的客户，通俗的讲就是这个模型能够尽可能地找到可能为坏的客户，即便将部分事实上好的客户判断为坏的客户也是可以接受的。
|
||
|
|
|
||
|
|
对于银行来说，即便误判了一些好的客户，减少了一定的业务利润，但却拒绝了大多数坏的客户，减少了大的损失，这一点对于对大额贷款的公司类客户显得更为重要。当然这也不能过分，过分的拒绝客户，就影响业绩，极端的情况就是什么业务也不做，自然也就没有风险，但也没有任何利润。
|
||
|
|
====
|
||
|
|
|
||
|
|
include::roc/roc.adoc[leveloffset=+1]
|
||
|
|
include::cap/cap.adoc[leveloffset=+1]
|
||
|
|
include::ks/ks.adoc[leveloffset=+1]
|