信用卡风险模型

拒绝推断

拒绝推断是信用卡模型中常见的问题

因为评分卡用到的建模样本一般是针对于放款的样本，也就是最终通过审核的样本（不知道这样子理解是否正确）。然而在实际流程中，评分卡需要预测的样本要比最终过件的样本要多，如评分策略的拒件，以及评分策略之后规则的拒件，这就会出现拒绝推断的问题。

常见拒绝推断的方法

1、重新分类法

即通过一些风险规则，如近三个月外部的逾期次数，将一部分人划分为坏人，其他为好人；这是经常用的一种方法。但是往往有严重逾期的客户我们在前面的强拒规则中就已经拒掉了，走到流程后面的用户本身风险并不会那么高，那么最合理的办法是在你建模的那个时间点，将这部分拒绝样本重新抛一次外部数据，然后再依据外部数据确定好坏，然而这种方法真的好费钱。

2、分散打包法

即将好人和坏人的状态随机分给拒绝样本，随机的概率是一般风险的2-5倍；

3、循环预测法

即通过你已经建好的模型，对拒绝样本进行预测，得到逾期概率，划定一个阈值，指定大于阈值的的样本为坏样本，其他为好样本，将这部分拒绝样本分为训练集和测试集，将拒绝样本的训练集作为训练样本加入建模样本，建立模型，对拒绝样本的测试集进行预测，看其逾期概率与上一模型的变动，若变动较大，则利用新建好的模型对拒绝样本的训练集重新预测，并加入训练集，重复以上步骤，直到拒绝样本的训练集的预测稳定为止。

4、打包法

打包法是首先利用接受样本（过件样本）建立模型，并对拒绝样本进行概率预测，并利用接受样本的分组阈值对其进行分组，然后对每一组，遵照建模样本中的风险倍数，乘上拒绝样本溢出的风险倍数，对每组拒绝样本进行分散打包；

5、硬截止法

硬截止法同样利用接受样本建立模型，并得到违约概率，确定一个概率阈值，使得高于阈值的为坏样本，低于的则为好样本，阈值的确定需要业务经验（拒绝样本的风险倍数）

 

转载于:https://www.cnblogs.com/zhangyi2k15/p/9670618.html