1、培训中心FICOFICO 评分系统述评评分系统述评FICOFICO 评分系统述评评分系统述评 一 、引言 现代经济社会 , 信用无处不在。西方发达国家 , 信用的使用更是遍及经济社会的每个角落。美国既是 信用卡的发源地 , 也是个人信用评估体系最发达的国 家之一。美国的个人信用评分系统 , 主要是 Fair Isaac Company 推出的 , FICO 评分系统也由此得名。一般来 讲, 美国人经常谈到的 “你的得分” , 通常指的是你 目前的 FICO 分数。而实际上 , Fair Isaac 公司开发了 三种不同的 FICO 评分系统, 三种评分系统分别由美 国的三大信用管理局使用, 评
2、分系统的名称也不同 FICO FICO 评分系统种类评分系统种类菲尔埃萨克公司- Fair Isaac-所开发的这三种评分系统使用的是 相同的方法 , 并且都分别经过了严格的测试。即使客 户的历史信用数据在三个信用管理局的数据库中完全 一致 , 从不同的信用管理局的评分系统中得出的信用 得分也有可能不一样 , 但是相差无几。这主要是由于三家信用管理局的信用评分模型是在相互独立的基础上开发的, 可能导致同样的信息以不同的方式进行存储 , 这种微小的差异会最终带来分数上的不同。 Fico相关网站： 信用管理局名称信用管理局名称FICO 评分系统名称评分系统名称EquifaxExperian Fai
3、r Isaac Risk ModelBEACON TransUnionExperianFICO Risk Score , ClassicFICO FICO 评分系统得出的信用分数评分系统得出的信用分数范围在 300 -850分之间。分数越高 , 说明客户的信用风险越小。但是 分数本身并不能说明一个客户是 “好” 还是 “坏” , 贷款方通常会将分数作为参考, 来进行贷款决策。每 个贷款方都会有自己的贷款策略和标准 , 并且每种产 品都会有自己的风险水平 , 从而决定了可以接受的信 用分数水平。一般地说, 如果借款人的信用评分达到 680 分以上 , 贷款方就可以认为借款人的信用卓著 , 可以毫
4、不迟疑地同意发放贷款。如果借款人的信用评 分低于 620 分, 贷款方或者要求借款人增加担保 , 或 者干脆寻找各种理由拒绝贷款。如果借款人的信用评 分介于 620 -680 分之间 , 贷款方就要作进一步的调 查核实, 采用其它的信用分析工具 , 作个案处理。目 前 , 美国的信用分数分布状况见图 1 。举个例子举个例子FICO分数已经做为信用额度有力依据客观作用客观作用FICO 评分主要用于贷款方快速 、客观的度量客 户的信用风险, 缩短授信过程。FICO 评分在美国应 用的十分广泛, 人们能够根据得分 , 更快地获得信用 贷款 , 甚至有些贷款 , 可以直接通过网络申请, 几秒 钟就可以
5、获得批准 , 缩短了交易时间, 提高了交易效 率 , 降低了交易成本。信用评分系统使用 , 能够帮助 信贷方做出更公正的决策 , 而不是把个人偏见带进 去 , 同时 , 客户的性别、 种族、 宗教、 国籍和婚姻状 况等因素 , 都对信用评分没有任何影响 , 保证了评分的客观公正性。在评分系统中 , 每一项信用信息的权重不同 , 每一项信用信息的权重不同 ,越早的信用信息, 对分数的影响越小。从2005 年 9 月 1 日起, 在美国 50 个州的人们 , 每年有权利从三大信用管理局的任何一家获得一份免费的个人信用报告 , 从而可以帮助自己管理好自己的信用得分。 美国美国FICOFICO 信用分
6、数分布图信用分数分布图 二二 、影响、影响 FICO FICO 评分的主要因素评分的主要因素FICO 评分模型中所关注的主要因素有五类 ( (一一) )偿还历史偿还历史影响FICO 得分的最重要的因素是客户的信用偿还历史 , 大约占总影响因素的35%。支付历史主要显示客户的历史偿还情况,以帮助贷款方了解该客户是否存在历史的逾期还款记录 , 主要包括:(1)各种信用账户的还款记录 , 包括信用卡 (例如:Visa 、MasterCard 、 American Express 、 Discover)、零售账户(直接从商户获得的信用)、分期偿还贷款、金融公司账户、 抵押贷款。(2)公开记录及支票存款
7、记录 , 该类记录主要包括破产记录、 丧失抵押品赎回权记录、法律诉讼事件、 留置权记录及判决。涉及金额大的事件比金额小的对 FICO 得分的影响要大 , 同样的金额下, 越晚发生的事件要比早发生的事件对得分的影响大。一般来讲 , 破产信息会在信用报告上记录 7-10年。(3)逾期偿还的具体情况 , 包括 , 逾期的天数、未偿还的金额、 逾期还款的次数和逾期发生时距现在的时间长度等。例如 , 一个发生在上个月的逾期 60天的记录对 FICO 得分的影响会大于一个发生在 5 年前的逾期 90 天的记录。据统计, 大约有不足 50%的人有逾期30天还款记录大约只有30 %人有逾期60天还款的记录，
8、而 77%的人从来没有过逾期 90 天以上不还款的 , 仅有低于 20%的人有过违约行为而被银行强行关闭信用账户。( (二二) )信用账户数信用账户数该因素仅次于还款历史记录对得分的影响, 占总影响因素的 30 %。对于贷款方来讲 , 一个客户有信用账户需要偿还贷款 , 并不意味着这个客户的信用风险高。相反地 , 如果一个客户有限的还款能力被用尽 , 则说明这个客户存在很高的信用风险 , 有过度使用信用的可能, 同时也就意味着他具有更高的逾期还款可能性。该类因素主要是分析对于一个客户, 究竟多少个信用账户是足够多的 , 从而能够准确反应出客户的还款能力。这类因素具体包括:(1)仍需要偿还的信用
9、账户总数, 美国的信用管理局每个月都会将客户截止到上个月的需要偿还的信用账户总数写入客户的信用报告中。(2)仍需要偿还的分类账户数 , 这是对信用账户总数的详细描述, 例如 , 仍需要偿还的信用卡数量 , 分期付款账户数等。(3)信用账户的余额, 一般来讲, 有一个少量余额的信用账户会比没有余额的信用账户让贷款方更感觉到可靠。另外, 注消那些余额为零的不再使用的信用账户会体现客户的良好信用, 但是并不能提高信用得分。(4)总信用额度的使用率 , 使用率越高, 则说明客户的信用风险越大。(5)分期付款账户偿还率 , 用以衡量分期付款账户的余额。据最新统计, 美国人均信用账户13 个, 包括信用卡
10、账户和分期付款账户, 不包括储蓄存款户和支票账户, 这 13 个信用账户中, 信用卡账户一般占9 个, 分期付款账户有4 个。大约 40 %的信用卡持有者 , 其信用卡内的余额低于 1 000 美元, 仅有15 %的客户会使用超过10 000 美元的信用 。除了抵押贷款外 , 48 %的客户贷款余额低于 5 000 美元, 近 37 %的客户贷款余额超过10 000 美元。在美国使用信用卡的客户, 平均授信额度为19 000 美元, 超过半数的客户使用信用额度不足 30 %, 仅有七分之一的客户会使用信用额度超过80%。( (三三) )使用信用的年限使用信用的年限 该项因素占总影响因素的 15
11、 %。一般来讲 , 使 用信用的历史越长 , 越能增加 FICO 信用得分。该项 因素主要指信用账户的账龄 , 既考虑最早开立的账户 的账龄 , 也包括新开立的信用账户的账龄, 以及平均 信用账户账龄。据信用报告反映 , 美国最早开立的信用账户的平 均账龄是 14 年 , 超过 25 %的客户的信用历史长于 20 年, 只有不足 5 %的客户的信用历史小于 2 年。( (四四) )新开立的信用账户新开立的信用账户该项因素占总影响因素的 10 %。在现今的经济生活中 , 人们总是倾向于开立更多的信用账户 , 选择 信用购物的消费方式 , FICO 评分系统也将这种倾向 体现在信用得分中。据调查
12、, 在很短时间内开立多个 信用账户的客户具有更高的信用风险 , 尤其是那些信 用历史不长的人。该项因素主要包括 :(1)新开立的 信用账户数 , 系统将记录客户新开立的账户类型及总 数;(2)新开立的信用账户账龄 ;(3)目前的信用申 请数量 , 该项内容主要由查询该客户信用的次数得 出, 查询次数在信用报告中只保存两年 ;(4)贷款方 查询客户信用的时间长度;(5)最近的信用状况 , 对 于新开立的信用账户及时还款 , 会在一段时间后, 提 高客户的FICO 得分。( (五五) )正在使用的信用类型正在使用的信用类型 该项因素占总影响因素的 10 %, 主要分析客户的信用卡账户、 零售账户、
13、 分期付款账户、 金融公司 账户和抵押贷款账户的混合使用情况 , 具体包括:持 有的信用账户类型和每种类型的信用账户数。三、三、 FICO FICO 评分中不考虑的因素评分中不考虑的因素 FICO 评分系统依据的是客户的历史信息 , 分析 判断得出最后的信用分数。这充分体现了以事实为依, 不靠主观判断的特点。但并不是客户所有的信息 都考虑进去了 , 还有一部分信息不能作为判断的依, 以保护客户的隐私不受侵犯 , 防止客户遭受歧 视, 这在美国的公平信用机会法 中有更为具体的规定。下面的九类信息是FICO 评分中不考虑的因素1.种族 、 肤色 、 宗教、 性别 、 婚姻状况等信息 。美国的客户信
14、用保护法 中规定 , 这些因素不能参与信用评分 , 否则就侵犯了客户的权利。2.年龄。年龄因素在有些信用评分系统中作为 影响因素之一 , 但在 FICO 评分系统中 , 不作为影响 因素。三、三、 FICO FICO 评分中不考虑的因素评分中不考虑的因素3.工资、 职业 、 头衔、 雇主 、 受雇时间、 受雇 历史。这些信息在 FICO 评分系统中不作为影响因素 , 但贷款方在审批贷款时会考虑这些因素 , 因为这些因 素会跟客户的还款能力有关。 4.客户居住地点 。 5.已有的信用账户的适用利率 。 6.儿童 (家庭)赡养义务和租约规定事项。 7.备授信还没有授信的贷款方的查询。 8.任何不包
15、括在信用报告上的信息 。 9.任何未被证实的与预测客户未来信用状况有关的信息。四、四、 对对 FICO FICO 系统的评价系统的评价FICO 评分系统经过多年的实践和不断深入的理 论与实证研究, 已经成为了美国个人信用评分事实上 的标准, 加之美国完善的个人信用法律环境和反馈及 时的文化环境, 使美国建立了相对完善的个人信用制 度。美国 FICO 系统具有如下特点。(一)收录了完整、 有效的个人信用信息FICO 系统中 , 存放了最近 7 -10 年的个人信用 记录 , 既包含了与银行信用、 商业信用有关的个人信 用信息, 例如, 支付历史和信用账户等, 还包括工 商、 税务、 法院、 保险
16、等其他社会公共部门的信息 , 例如, 法律诉讼、 个人破产记录等。由于 FICO 系统 收集了比较完整的个人信用信息 , 而且实时更新数 据 , 保证了数据的完整性、 真实性、 有效性和一致 性 , 能够比较全面的衡量客户的信用状况 , 从而可以 “通过数据做出更好的决策” 。四、四、 对对 FICO FICO 系统的评价系统的评价(二)开发建立了科学 、 客观和有效的评估指标 和评估方法FICO 评分系统采用客观的评分方法 , 由计算机 自动完成评估工作 , 有助于克服人为因素的干扰 , 防 止片面性 , 更好地遵守国家的法律和法规。FICO 信 用评分模型的基本思想是把借款人过去的信用历史
17、资 料与数据库中的全体借款人的信用习惯相比较, 检查 借款人的发展趋势和经常违约、 随意透支、 甚至申请 破产等各种陷入财务困境的借款人的发展趋势是否相 似。FICO 信用评分模型利用高达百万的大样本数据 , 首先确定刻画客户的信用、 品德 , 以及支付能力的指 标 , 再把各个指标分成若干个档次 , 给出各个档次的 得分 , 然后计算每个指标的加权 , 最后得出客户的总 得分。FICO 信用评分的计算方法至今未向社会完全 公开。美国各种信用评分的计算方法中 , FICO 评分系统的正确性最高。因此美国商务部要求在半官方的抵押住房业务审查中使用 FICO 信用评分。信用评分根据借款人过去的信用
18、历史预测将来的还款可能 , 给贷款人提供了客观、 一致的评估方法。7.特定类型的查询 。在 FICO 评分系统中 , 不记 录客户自己的查询、 不记录雇主的查询、 也不记录准(三)FICO 评分系统可以精确估计消费信贷的风险 可以避免不良贷款, 控制债务拖欠和清偿, 给贷 款方提供了一个可靠的技术手段 , 提高授信效率和效 果 , 减少成本。FICO 评分系统可以使贷款人更加精 确地界定可以接受的消费信贷的风险, 扩大消费信贷 的发放。信用评分及其自动化的操作加速了整个信贷 决策过程 , 申请人可以更加迅速地得到答复 , 提高了 操作的效率。例如 , 信用卡的审批只要一两分钟 , 甚 至几秒钟
19、 , 20 %-80 %的抵押贷款可以在两天之内批 , 60 %的汽车贷款的审批可以在 1 小时内完成 。 (四)FICO 评分系统在专业的个人信用评估机构中广泛使用美国的征信局已经形成了一个巨大的产业和覆盖全 国以及海外的分支机构。三大征信局 Equifax 、 Experian 和TransUnion 形成鼎立之势 , 联合分布全美国的1 000 多 家地方信用局 , 收集了美国 1.8 亿成年人的信用资料, 每年出售 6 亿多份消费者信用报告, 每月进行 20 多亿 份信用数据的处理工作。他们是美国私营部门中数据处 理最密集的行业, 每年的营业额超过百亿。这三大征信 局所使用的信用评分系
20、统都是由 Fair Isaac Company 在相 互独立的基础上开发的, 使用的方法是一样的。虽然 FICO 评分系统有诸多的特点 , 并在美国得 到了广泛的应用 , 但它也具有其自身的局限性 , 主要 存在于三个方面:一是 FICO 系统是建立在美国国情 基础之上的 , 适用于美国的环境特色 , 不能够直接在 别国应用;二是FICO 系统中分配了主要影响因素的 权重 , 其适用性及适用范围需要商榷 ;三是 FICO 系 统中主要影响因素和不作为评分依据的因素如果要在我国应用, 这些因素是否依然有 效, 这也是需要进一步研究的内容。中国市场的中国市场的Fico-Fico-拍拍贷拍拍贷Len
21、dingclud+ficoJoseph Milana2014年11月加入拍拍贷2002-2008fico首席科学家、研究、副总裁首席科学家、研究、副总裁,产品开发、分析科学副总产品开发、分析科学副总裁、研发裁、研发毕业于康奈尔大学运用大数据进行风险决策领域的世界级领军人物。拥有超过20年的分析，模型，数据挖掘，机器学习的经验。早年作为核心建模成员，开发了美国费埃哲（FICO）的Falcon反欺诈系统（目前在北美市场有接近100%占有率）。拥有美国费埃哲12年履职经历，曾历任研发中心高级副总裁（领导了年销量超过1亿美元的反欺诈类产品线的研发和产品化）；首席科学家（领导费埃哲研发部，推动新兴领域基于数据模型进行决策管理的创新，建立了费埃哲的核心知识产权库）等核心职位。并在信用风险，反欺诈，营销，数据传输等领域拥有超过20项核心技术专利。拍拍贷拍拍贷张俊张俊 （首席执行官、（首席执行官、CEOCEO）毕业于上海交通大学，通信工程学士，工业工程硕士，通过特许金融分析师认证（CFA Program）二级考试。曾任职于微软全球技术中心和上海微创软件有限公司，担任高级客户经理和高级运营经理。张俊对于网络信贷的业务模式创新、信用评价模型和风险管理体系建设有独到的见解和实践经验，并在企业管理和运营上有着丰富的经验。感谢聆听感谢聆听培训中心
