這個案例展示如何運用 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行擬合， 為樣本進行評分并計算違約概率（PD），然后用三個不同的指標(biāo)對評分卡模型進行驗證。

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 對樣本進行評分

步驟8 計算違約概率 PD

步驟9 用 CAP，ROC，KS 檢驗來對信用評分卡模型進行驗證

◆ ◆ ◆ ◆

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， 找到計算金融學(xué)（Computational Finance）， 點擊 Binning Explorer 的圖標(biāo)。 方法二， 在 MATLAB 中運行如下命令行 。 binningExplorer（更多關(guān)于啟動 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， 在這個例子中，‘CustID’（客戶的編號）不是一個包含信息的因變量， 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的對應(yīng)每個自變量對樣本進行分箱。每個自變量對應(yīng)的樣本分箱的結(jié)果都單獨以柱狀圖的形式顯示如下。點擊其中一個因變量，對應(yīng)的分箱結(jié)果的詳細(xì)信息就會在左下角的 Bin Information 以及右下角的 Predictor Information 這兩個面板中顯示出來。Binning Explorer 對應(yīng)每個自變量，都對樣本自動進行分箱。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，因為通過該算法得出的樣本數(shù)據(jù)的分箱結(jié)果，對應(yīng)每個分箱的 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)進行一些初步的分析。以‘ResStatus’（居住狀況）這個類別型變量（categorical variable）為例。點擊 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 個為好樣本（沒有發(fā)生過違約），167 個壞樣本（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)果進行手動調(diào)整以 CustAge （客戶年齡） 為例，點擊 CustAge 這個變量的分箱圖。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，我們進行如下操作：在 Binning Explorer 菜單下， 點擊 Manual Binning 可將當(dāng)前選中的變量 CustAge 在一個新的窗口下打開（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)點擊來同時選中要合并的分箱 1 和 2，此時兩個分箱的柱狀圖會被藍(lán)色邊框圈起來。

在 Manual Binning 菜單下， Edges 右邊的兩個文本框顯示的是將要合并的兩個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）。

點擊 Merge 將前兩個分箱合并。此時在 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，同時在 Bin Information 和 Predictor Information 面板下的數(shù)據(jù)也會相應(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）， 因為這兩組的 WOE 也非常接近。

變量 CustAge 的分箱圖在前面兩個合并操作后已經(jīng)更新為了新的信息。Bin Information 和 Predictor Information 這兩個面板的信息也同樣更新了。（注： Predictor Information 在合并操作后沒有變化，是因為這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數(shù)據(jù)統(tǒng)計的信息）對下面這些有接近的 WOE 的分箱進行類似的合并操作：

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，點擊 Export Scorecard 然后給 creditscorecard 這個對象命名。 本例中將該對象命名為“sc”保存到工作區(qū) 。步驟5. 進行邏輯回歸擬合通過 fitmodel 函數(shù)來對WOE數(shù)據(jù)進行邏輯回歸的擬合。 （鏈接如下）https://ww2.mathworks.cn/help/finance/creditscorecard.fitmodel.htmlfitmodel 會對訓(xùn)練集的數(shù)據(jù)樣本進行分箱，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 逐一將變量進行測試來決定是否將其納入模型中作為自變量。 代碼運行結(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)

在進行模型擬合之后，各個變量的分箱對應(yīng)評分卡的分?jǐn)?shù)尚未按照比例進行調(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)整并四舍五入進行取整。可用 formatpoints 函數(shù)來進行這些操作。 （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候可以增加的分?jǐn)?shù)。運行代碼如下：

步驟7. 對樣本進行評分用 score 函數(shù)來計算訓(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)來計算其它樣本的分?jǐn)?shù)，比如預(yù)留的用來驗證模型的測試集樣本。該函數(shù)也可以顯示每個客戶樣本在每個自變量上所獲得的分?jǐn)?shù)。運行代碼如下：

［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. 計算違約概率PD用 probdefault 函數(shù)來計算違約概率 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“。運行代碼如下：

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

原文標(biāo)題：實用案例 | 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