文章目录
背景介绍
信用风险和评分卡模型的基本概念：信用风险指的是交易对手未能履行约定合同中的义务造成经济损失的风险，即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性，它是金融风险的主要类型。借贷场景中的评分卡是一种以分数的形式来衡量风险几率的一种手段，也是对未来一段时间内违约、逾期、失联概率的预测。一般来说，分数越高，风险越小。
信用风险计量体系包括主体评级模型和债项评级两部分。其中主体评级模型包含以下四个方面内容：
- 申请者评级模型：主要应用于相关融资类业务中新用户的主体评级，适用于个人及机构融资主体。位于贷前准入环节。
- 行为评级模型：主要用于相关融资类业务中存量客户在续存期内的管理，如对客户可能出现的逾期、延期等行为进行预测，仅适用于个人融资主体。
- 催收评级模型：主要应用于相关融资类业务中存量客户是否需要催收的预测管理，仅适用于个人融资主体。
- 欺诈评级模型：主要应用于相关融资类业务中新客户可能存在的欺诈行为的预测管理，适用于个人和机构融资主体。在贷前准入环节里面。
经过分析，已给的4个数据集文件在内容上可以对应上面四个模型，分别是客户信用记录对应申请者评级模型；申请客户信息对应行为评级；拖欠历史记录对应催收评级模型；消费历史记录对应欺诈评级模型。
题目要求
学生可以从影响用户信用等级的主要因素进行分析，以及结合信用卡用户的人口特征属性对欺诈行为和拖欠行为的影响因素进行分析。通过对银行的客户信用记录、申请客户信息、拖欠历史记录、消费历史记录等数据进行分析，对不同信用程度的客户进行归类，研究信用卡贷款拖欠、信用卡欺诈等问题与客户的个人信息、信用卡使用信息的关系。
学生可以从四个方面建模：申请者评级模型，行为评级模型，催收评级模型，欺诈评级模型，全面分析银行信用卡信用风险。
技术要求：Python、scikit-learn、numpy、pandas、matplotlib等。
数据分析及预处理：对原始数据进行预处理，比如数据清洗，数据标准化，数据编码等。
模型构建：对预处理后的数据进行建模，模型方法不限。
模型评估及优化：对数据进行评估，输出评估结果，并就结果进行分析，提出改进建议。
数据可视化：对数据进行可视化输出，方便客户理解。
一、申请者评级模型
客户信用记录中记录了用户的个人信息，以及银行根据相关信息给出的信用评分和评级，其中有部分内容于预测工作无关，比如“客户号”、“客户姓名”、“户籍”；由于文件中出现的用户都是已经通过了申请的，所以“审批结果”于预测工作没有帮助；文件中“额度”一栏是信用得到的结果，信用越好额度越高，这一栏不是预测工作的目标；“信用总评分”和“信用等级”反应了同一内容，如果以评分作为标签，那么预测工作应该是预测连续值的回归问题，他们的信用总评分就是是否能通过申请的标准。换句话说，信用总评分大于60分的客户可以通过申请。基于这个思路我们可以构建一个线性回归模型，预测每个申请客户的信用总评分来判断是否通过申请。