這個(gè)案例展示如何運(yùn)用 MATLAB 中自帶的 Binning Explorer 小程序來創(chuàng)建信用評級中的評分卡。用 Binning Explorer 對樣本進(jìn)行分箱操作， 創(chuàng)建圖表來展示分箱信息，并將創(chuàng)建的對象”creditscorecard”導(dǎo)出。然后利用 creditscorecard 對象，結(jié)合 Financial Toolbox 中的函數(shù)來對邏輯回歸模型進(jìn)行擬合， 為樣本進(jìn)行評分并計(jì)算違約概率（PD），然后用三個(gè)不同的指標(biāo)對評分卡模型進(jìn)行驗(yàn)證。

步驟1 將樣本數(shù)據(jù)導(dǎo)入到 MATLAB 的工作區(qū)

步驟2 將數(shù)據(jù)導(dǎo)入到 Binning Explorer 小程序

步驟3 在 Binning Explorer 中對分箱做進(jìn)一步調(diào)整

步驟4 在 Binning Explorer 中將 creditscorecard 對象導(dǎo)出

步驟5 對邏輯回歸模型進(jìn)行擬合

步驟6 檢查并調(diào)整評分卡分?jǐn)?shù)的比例

步驟7 對樣本進(jìn)行評分

步驟8 計(jì)算違約概率 PD

步驟9 用 CAP，ROC，KS 檢驗(yàn)來對信用評分卡模型進(jìn)行驗(yàn)證

◆ ◆ ◆ ◆

步驟1. 將樣本數(shù)據(jù)導(dǎo)入到 MATLAB 的工作區(qū)將保存在 CreditCardData.mat 中的數(shù)據(jù)導(dǎo)入 MATLAB 工作區(qū) （使用 Refaat 2011 的數(shù)據(jù)）。 運(yùn)行代碼如下：

load CreditCardData

disp（data（1:10，：））

步驟2. 將數(shù)據(jù)導(dǎo)入到 Binning Explorer 小程序方法一， 從 MATLAB 工具欄中打開 Binning Explorer ： 在 Apps 菜單下， 找到計(jì)算金融學(xué)（Computational Finance）， 點(diǎn)擊 Binning Explorer 的圖標(biāo)。 方法二， 在 MATLAB 中運(yùn)行如下命令行 。 binningExplorer（更多關(guān)于啟動(dòng) Binning Explorer 小程序的信息， 參見 Start from MATLAB Command Line Using Data or an Existing creditscorecard Object.） （鏈接如下）https://ww2.mathworks.cn/help/risk/common-binning-explorer-tasks.html#startbinningexplorercommandline在 Binning Explorer 的工具欄，點(diǎn)擊 Import Data 按鈕來打開導(dǎo)入數(shù)據(jù)的窗口。

在 Step 1（第一步）下， 選擇 data 為需要導(dǎo)入的數(shù)據(jù)在 Step 2（第二步）下， 可在 Variable Type 下為每個(gè)變量指定其類型。 缺省設(shè)置下，數(shù)據(jù)的最后一列（本例中為’status’）為‘Response’， 也就是因變量。因變量的值最好的樣本（本例中為“0“）被標(biāo)記為‘Good’。 所有其它的變量被歸為因變量。此外， 在這個(gè)例子中，‘CustID’（客戶的編號）不是一個(gè)包含信息的因變量， 因此把 Variable Type 下面的‘CustID’ 對應(yīng)設(shè)為 Do not include注意

如果導(dǎo)入的數(shù)據(jù)中有一列是各個(gè)因變量的權(quán)重，那么在 Step 2 的下面， 對應(yīng)的 Variable Type ， 應(yīng)在下拉菜單中選中 Weights.

如果原始數(shù)據(jù)中有部分?jǐn)?shù)據(jù)缺失，那么在 Step 2 ， 將 Bin missing data 設(shè)置為 Yes.

l在 Step 3， 選擇 Monotone 作為缺省的初始化的分箱算法。點(diǎn)擊 Import Data 完成這一導(dǎo)入數(shù)據(jù)的步驟。在數(shù)據(jù)導(dǎo)入的過程中，Binning Explorer 采用我們之前選中的算法自動(dòng)的對應(yīng)每個(gè)自變量對樣本進(jìn)行分箱。每個(gè)自變量對應(yīng)的樣本分箱的結(jié)果都單獨(dú)以柱狀圖的形式顯示如下。點(diǎn)擊其中一個(gè)因變量，對應(yīng)的分箱結(jié)果的詳細(xì)信息就會(huì)在左下角的 Bin Information 以及右下角的 Predictor Information 這兩個(gè)面板中顯示出來。Binning Explorer 對應(yīng)每個(gè)自變量，都對樣本自動(dòng)進(jìn)行分箱。采用的缺省算法是“Monotone”。

該算法是針對信用評分卡最理想的算法，因?yàn)橥ㄟ^該算法得出的樣本數(shù)據(jù)的分箱結(jié)果，對應(yīng)每個(gè)分箱的 WOE（Weight of Evidence）都是盡可能（完全或近似的）呈單調(diào)線性的趨勢（線性遞增或遞減）。

在本例中各個(gè)自變量的分箱圖中可以看到 WOE 這一單調(diào)性的趨勢。我們來看一下如何對數(shù)據(jù)進(jìn)行一些初步的分析。以‘ResStatus’（居住狀況）這個(gè)類別型變量（categorical variable）為例。點(diǎn)擊 ResStatus 的分箱圖。 在 Bin Information 面板中包含了不同分箱（分組）的好樣本和壞樣本的數(shù)量和其他的分箱信息如 WOE。以“Tenant”這一分箱（樣本人的居住狀況為“租房”）為例：在租房居住的樣本中，307 個(gè)為好樣本（沒有發(fā)生過違約），167 個(gè)壞樣本（有違約記錄）好樣本與壞樣本之比（Odds）為1.8383。對于數(shù)值型的變量， 以 CustIncome 為例，點(diǎn)擊 CustIncome 的分箱圖。則 Bin Information 的面板中的數(shù)據(jù)更新為 CustIncome 的分箱信息。

步驟3. 對分箱結(jié)果進(jìn)行手動(dòng)調(diào)整以 CustAge （客戶年齡） 為例，點(diǎn)擊 CustAge 這個(gè)變量的分箱圖。注意第一組和第二組分箱（年齡為 33 歲以下，以及 33 到 37 歲）的 WOE 非常接近，第五組和第六組分箱也是類似情況。 我們認(rèn)為這兩對相鄰的分組并沒有把樣本更好的區(qū)分開來，也就是說，這樣的分組并沒有給接下來的打分操作（以便區(qū)分好樣本和壞樣本）帶來可以明顯區(qū)分的信息。因此可以將這兩對分組分別合并。

要合并第一組和第二組分箱，我們進(jìn)行如下操作：在 Binning Explorer 菜單下， 點(diǎn)擊 Manual Binning 可將當(dāng)前選中的變量 CustAge 在一個(gè)新的窗口下打開（Manual Binning： CustAge）。 您也可以直接用鼠標(biāo)雙擊對應(yīng)變量的圖來打開 Manual Binning 窗口。 用 Ctrl + 鼠標(biāo)點(diǎn)擊來同時(shí)選中要合并的分箱 1 和 2，此時(shí)兩個(gè)分箱的柱狀圖會(huì)被藍(lán)色邊框圈起來。

在 Manual Binning 菜單下， Edges 右邊的兩個(gè)文本框顯示的是將要合并的兩個(gè)分箱所涵蓋的變量的取值的范圍，本例是從 0 到 37 歲（不含37歲）。

點(diǎn)擊 Merge 將前兩個(gè)分箱合并。此時(shí)在 Overview 窗口下面的 CustAge 的圖已經(jīng)更新為了合并后的新的分箱的圖例，同時(shí)在 Bin Information 和 Predictor Information 面板下的數(shù)據(jù)也會(huì)相應(yīng)更新。

接下來，合并初始的第 4 和第 5 分箱（上面合并步驟后的第 3 和第 4 分箱，即 46~48 歲組和 48 到 58 歲組）， 因?yàn)檫@兩組的 WOE 也非常接近。

變量 CustAge 的分箱圖在前面兩個(gè)合并操作后已經(jīng)更新為了新的信息。Bin Information 和 Predictor Information 這兩個(gè)面板的信息也同樣更新了。（注： Predictor Information 在合并操作后沒有變化，是因?yàn)檫@兩次操作并沒有改變具體的樣本，因此沒有影響到該面板下的四個(gè)數(shù)據(jù)統(tǒng)計(jì)的信息）對下面這些有接近的 WOE 的分箱進(jìn)行類似的合并操作：

變量 CustIncome （客戶的收入情況）， 合并分箱 3、4 和5.

變量 TmWBank （在該銀行的開戶時(shí)長）， 合并分箱 2 和 3.

變量 AMBalance， （賬戶平均每月盈余），合并分箱 2 和 3.

現(xiàn)在所有變量的分箱顯示的 WOE 都為近似線性單調(diào)（遞增或遞減）的趨勢。步驟4. 將 creditscorecard 對象從 Binning Explorer 導(dǎo)出到工作區(qū)在完成所有分箱的操作之后，在 Binning Explorer 菜單下，點(diǎn)擊 Export Scorecard 然后給 creditscorecard 這個(gè)對象命名。 本例中將該對象命名為“sc”保存到工作區(qū) 。步驟5. 進(jìn)行邏輯回歸擬合通過 fitmodel 函數(shù)來對WOE數(shù)據(jù)進(jìn)行邏輯回歸的擬合。 （鏈接如下）https://ww2.mathworks.cn/help/finance/creditscorecard.fitmodel.htmlfitmodel 會(huì)對訓(xùn)練集的數(shù)據(jù)樣本進(jìn)行分箱，將其轉(zhuǎn)化成相應(yīng)的 WOE 的值，并與相應(yīng)因變量的值進(jìn)行映射，（即好樣本對應(yīng)的因變量值為1）然后做線性的邏輯回歸模型的擬合。缺省設(shè)置下，fitmodel 逐一將變量進(jìn)行測試來決定是否將其納入模型中作為自變量。 代碼運(yùn)行結(jié)果如下：

sc = fitmodel（sc）;

1200 observations， 1192 error degrees of freedom

Dispersion： 1

Chi^2-statistic vs. constant model： 89.7， p-value = 1.42e-16

步驟6. 檢查并調(diào)整評分卡的分?jǐn)?shù)

在進(jìn)行模型擬合之后，各個(gè)變量的分箱對應(yīng)評分卡的分?jǐn)?shù)尚未按照比例進(jìn)行調(diào)整，是直接以WOE 值和模型變量的系數(shù)的乘積得來的分?jǐn)?shù)。用 displaypoints 函數(shù)可以看到評分卡上所有的分箱和對分?jǐn)?shù)。 （鏈接如下）https://ww2.mathworks.cn/help/finance/creditscorecard.displaypoints.html代碼運(yùn)行結(jié)果如下：

p1 = displaypoints（sc）;

disp（p1）

用 modifybins 函數(shù)來調(diào)整對變量的每個(gè)分箱的文字描述。

評分卡的分?jǐn)?shù)通常要按照一定的比例調(diào)整并四舍五入進(jìn)行取整。可用 formatpoints 函數(shù)來進(jìn)行這些操作。 （鏈接如下）https://ww2.mathworks.cn/help/finance/creditscorecard.formatpoints.html比如，可設(shè)定達(dá)到一定好壞樣本比例（odds ratio）的分箱可以獲得的分?jǐn)?shù)，以及每次該比例翻倍時(shí)候可以增加的分?jǐn)?shù)。運(yùn)行代碼如下：

步驟7. 對樣本進(jìn)行評分用 score 函數(shù)來計(jì)算訓(xùn)練集中的樣本的分?jǐn)?shù)。（鏈接如下）https://ww2.mathworks.cn/help/finance/creditscorecard.score.html也可以用該函數(shù)來計(jì)算其它樣本的分?jǐn)?shù)，比如預(yù)留的用來驗(yàn)證模型的測試集樣本。該函數(shù)也可以顯示每個(gè)客戶樣本在每個(gè)自變量上所獲得的分?jǐn)?shù)。運(yùn)行代碼如下：

［Scores，Points］ = score（sc）;

disp（Scores（1:10））

disp（Points（1:10，：））

528.2044

554.8861

505.2406

564.0717

554.8861

586.1904

441.8755

515.8125

524.4553

508.3169

步驟8. 計(jì)算違約概率PD用 probdefault 函數(shù)來計(jì)算違約概率 pd. （鏈接如下）https://ww2.mathworks.cn/help/finance/creditscorecard.probdefault.htmlpd = probdefault（sc）;定義好樣本的概率，并將好壞樣本的比率 （odds） 和對應(yīng)的評分卡分?jǐn)?shù)畫圖顯示。圖中我們可以看出，樣本的分?jǐn)?shù)與對應(yīng)的好壞樣本比（odds）相吻合，并且滿足預(yù)定義的“odds翻倍則分?jǐn)?shù)增加50“。運(yùn)行代碼如下：

步驟 9. 利用 CAP、ROC 和 Kolmogorov-Smirnov 檢驗(yàn)來驗(yàn)證信用評分卡模型Creditscorecard 這個(gè)對象支持三種驗(yàn)證方式： CAP，ROC 和 K-S 檢驗(yàn)。 更多關(guān)于這三種檢驗(yàn)方式的信息，參見 validatemodel. 運(yùn)行代碼如下：

原文標(biāo)題：實(shí)用案例 | 用 Binning Explorer 小程序創(chuàng)建評分卡

文章出處：【微信公眾號：MATLAB】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。

責(zé)任編輯：haq