美國FICO評分系統簡介

美國的我的信用評分系統，主要是Fair IsaacCompany 推出的 FICO，評分系統也由此得名。通常來說， 美國人常常談到的你的得分 ，一般指的是你目前的FICO分數。而實際上， Fair Isaac 公司開發了三種不一樣的FICO 評分系統 ，三種評分系統分別由美國的三大信用管理局使用評分系統的名稱也不一樣。

信用管理局名稱	FICO 評分系統名稱
Equifax	BEACON*
Experian	ExperianPFair Isaac Risk Model
TransUnion	FICO Risk Score, Classic

       Fair Isaac 公司所開發的這三種評分系統使用的是相同的方法, 而且都分別通過了嚴格的測試。即便客戶的歷史信用數據在三個信用管理局的數據庫中徹底一致, 從不一樣的信用管理局的評分系統中得出的信用得分也有可能不同, 可是相差無幾。

　　　　　　fico評分系統全球分佈圖

       FICO 評分系統得出的信用分數範圍在300- 850分之間。分數越高, 說明客戶的信用風險越小。可是分數自己並不能說明一個客戶是好仍是壞,貸款方一般會將分數做爲參考, 來進行貸款決策。每一個貸款方都會有本身的貸款策略和標準, 而且每種產品都會有本身的風險水平, 從而決定了能夠接受的信用分數水平。通常地說, 若是借款人的信用評分達到680 分以上, 貸款方就能夠認爲借款人的信用卓著,能夠絕不遲疑地贊成發放貸款。若是借款人的信用評分低於620 分, 貸款方或者要求借款人增長擔保, 或者乾脆尋找各類理由拒絕貸款。若是借款人的信用評分介於620- 680 分之間, 貸款方就要做進一步的調查覈實, 採用其它的信用分析工具, 做個案處理。目前, 美國的信用分數分佈情況見圖1。FICO 評分主要用於貸款方快速、客觀的度量客戶的信用風險, 縮短授信過程。FICO 評分在美國應用的十分普遍, 人們可以根據得分, 更快地得到信用貸款, 甚至有些貸款, 能夠直接經過網絡申請, 幾秒鐘就能夠得到批准, 縮短了交易時間, 提升了交易效率, 下降了交易成本。信用評分系統使用, 可以幫助信貸方作出更公正的決策, 而不是把我的偏見帶進去, 同時, 客戶的性別、種族、宗教、國籍和婚姻情況等因素, 都對信用評分沒有任何影響, 保證了評分的客觀公正性。在評分系統中, 每一項信用信息的權重不一樣, 越早的信用信息, 對分數的影響越小 
　　FICO 評分系統得出的信用分數範圍在300-850 分之間分數越高， 說明客戶的信用風險越小，可是分數自己並不能說明一個客戶是好仍是壞，貸款方一般會將分數做爲參考， 來進行貸款決策，每一個貸款方都會有本身的貸款策略和標準。

信用評分	人數百分比	累計百分比	違約率
300~499	2%	2%	87%
500~549	5%	7%	71%
550~599	8%	15%	51%
600~649	12%	27%	31%
650~699	15%	42%	15%
700~749	18%	60%	5%
750~799	27%	87%	2%
800~850	13%	100%	1%

從上表中能夠看到兩個規律：一是信用評分特別低和特別高的人佔比都較少，大多數信用評分中等，大致呈現爲左偏態的正態分佈；二是信用評分分值越高，違約率越低。這個就是信用評分的核心價值所在，能夠根據信用評分的高低進行諸如是否發放、貸款額度、是否須要抵押等重要決策。每種產品都會有本身的風險水平， 從而決定了能夠接受的信用分數水平。通常地說， 若是借款人的信用評分達到 680分以上， 貸款方就能夠認爲借款人的信用卓著能夠絕不遲疑地贊成發放款若是借款人的信用評分低於,620分 貸款方或者要求借款人增長擔保， 或者乾脆尋找各類理由拒絕貸款。若是借款人的信用評分介於620-680 分之間， 貸款方就要做進一步的調查覈實， 採用其它的信用分析工具 ，做個案處理。 
　　FICO 評分模型中所關注的主要因素有五類， 分別是客戶的信用償還歷史、信用帳戶數、使用信用的年限、正在使用的信用類型、新開立的信用帳戶。

       (一) 信用償還歷史 
       影響FICO得分的最重要的因素是客戶的信用償還歷史 ，大約佔總影響因素的35%支付歷史主要顯示客戶的歷史償還狀況， 以幫助貸款方瞭解該客戶是否存在歷史的逾期還款記錄 ，主要包括： 
　　(1) 各類信用帳戶的還款記錄 ，包括信用卡( 例如 Visa Master Card American Express Discover) 、零售帳戶(直接從商戶得到的信用) 、分期償還貸款、金融公司帳戶、抵押貸款。 
　　(2) 公開記錄及支票存款記錄， 該類記錄主要包括破產記錄、喪失抵押品贖回權記錄、法律訴訟事件、留置權記錄及判決。涉及金額大的事件比金額小的對FICO 得分的影響要大， 一樣的金額下， 越晚發生的事件要比早發生的事件對得分的影響大。通常來說， 破產信息會在信用報告上記錄7-10 年. 
　　(3) 逾期償還的具體狀況， 包括， 逾期的天數、未償還的金額、逾期還款的次數和逾期發生時距如今的時間長度等。例如， 一個發生在上個月的逾期天的記錄對FICO 得分的影響會大於一個發生在 年前的逾期90 天的記錄。據統計， 大約有不足,50%的人有逾期30天還款的記錄， 大約只有30%的人有逾期 天60以上還款的記錄. 而77%的人歷來沒有過逾期 90天以上不還款的 僅有低於20%的人有過違約行爲而被銀行強行關閉信用帳戶 
　　

　　　　　　最近幾個月的重大違約

　　
　　(二) 信用帳戶數 
　　該因素僅次於還款歷史記錄對得分的影響 佔總影響因素的30%，對於貸款方來說 ，一個客戶有信用帳戶須要償還貸款 ，並不意味着這個客戶的信用風險高。相反地 ，若是一個客戶有限的還款能力被用盡， 則說明這個客戶存在很高的信用風險 ，有過分使用信用的可能 ，同時也就意味着他具備更高的逾期還款可能性。該類因素主要是分析對於一個客戶， 究竟多少個信用帳戶是足夠多的 ，從而可以準確反應出客戶的還款能力。

　　　　　　總餘額在循環帳戶總限額比

　　( 三) 使用信用的年限 
　　該項因素佔總影響因素的15%。通常來說 ，使用信用的歷史越長， 越能增長FICO 信用得分。該項因素主要指信用帳戶的帳齡，既考慮最先開立的帳戶的帳齡 ，也包括新開立的信用帳戶的帳齡 ，以及平均信用帳戶帳齡。據信用報告反映 ，美國最先開立的信用帳戶的平均帳齡是14 年，超,25%的客戶的信用歷史長於20年， 只有不足5%的客戶的信用歷史小於2 年 
　　( 四) 新開立的信用帳戶 
　　該項因素佔總影響因素的10%,。在現今的經濟生活中， 人們老是傾向於開立更多的信用帳戶， 選擇信用購物的消費方式， FICO 評分系統也將這種傾向體如今信用得分中。據調查 ，在很短期內開立多個信用帳戶的客戶具備更高的信用風險 ，尤爲是那些信用歷史不長的人。該項因素主要包括 
　　(1) 新開立的信用帳戶數， 系統將記錄客戶新開立的帳戶類型及總數 ； 
　　(2) 新開立的信用帳戶帳齡； 
　　(3) 目前的信用申請數量 ，該項內容主要由查詢該客戶信用的次數得出， 查詢次數在信用報告中只保存兩年； 
　　(4) 貸款方查詢客戶信用的時間長度 
　　(5) 最近的信用情況， 對於新開立的信用帳戶及時還款， 會在一段時間後， 提升客戶的FICO 得分 
　　( 五) 正在使用的信用類型 
　　該項因素佔總影響因素的10%。 主要分析客戶的信用卡帳戶、零售帳戶、分期付款帳戶、金融公司帳戶和抵押貸款帳戶的混合使用狀況 ，具體包括 ：持有的信用帳戶類型和每種類型的信用帳戶數 
　　主要參考文獻 
一、http://www.yinhang.com/a_2014_0402_197987.html 
２、http://www.docin.com/p-63842901.html

芝麻信用與FICO評分的差別

FICO評分是Fair Isaac公司開發的信用評分系統，也是目前美國應用得最普遍的一種。FICO評分系統得出的信用分數範圍在300～850分之間，分數越高，說明客戶的信用風險越小，它採集客戶的人口統計學信息、歷史貸款還款信息、歷史金融交易信息、人民銀行徵信信息等，經過邏輯迴歸模型計算客戶的還款能力，預測客戶在將來一年違約的機率：

1. 人口統計學信息：如客戶年齡、家庭結構、住房狀況、工做類別及時間等；

2. 歷史貸款還款信息：即過去6個月或12個月的付款方式、逾期次數等；

3. 歷史金融交易信息：即過去6個月或12個月的平均月交易筆數、金額等；

4. 銀行徵信信息：如過去12個月中新開的帳戶總數、全部帳戶的總額度、帳戶是否逾期等。

看，以上這些信息都是FICO評分模型的自變量，最終會經過邏輯迴歸模型輸出最終分數。

阿里巴巴推出的芝麻信用分則是以大數據分析技術爲基礎，採集多元化數據，包括傳統的金融類交易、還款數據，第三方的非金融行爲數據，互聯網、移動網絡和社交網絡數據等，幫助貸款方從多個方面考察個體的還款能力、還款意願，作出合理、全面的信用評分。

 大數據風控的現狀、問題及優化路徑（總結侯暢、唐時達文章）

1、大數據風控發展迅速

（一）國外案例

Zest Finance公司開發10個基於機器學習的分析模型，1萬條原始信息，7萬個特徵變量，5秒內完成。

Kabbage公司經過獲取企業網店店主的銷售、信用記錄、顧客流量、評論、商品價格和存貨等信息、以及在Facebook和Twitter上與客戶的互動信息，藉助數據挖掘技術，把這些店主分紅不一樣的風險等級，以此來肯定提供貸款金額數量與貸款利率水平。

（二）國內案例

阿里面向社會的信用服務體系芝麻信用，經過分析大量的網絡交易及行爲數據嗎，對用戶進行信用評估。

騰訊的微衆銀行推出「微粒貸」，風控核心經過社交數據與央行徵信等傳統銀行信用數據結合，運用社交圈、行爲特徵、交易、基本社會特徵、人行徵信5個維度對客戶綜合評級，運用大量的指標構建多重模型，以快速識別客戶的信用風險。

2、當前大數據有效性欠佳的緣由

（一）數據的質量問題

1.社交數據的真實性問題

Lending club 、facebook合做、宜信嘗試後，結論社交數據不可用。

（二）交易數據的真實性問題

刷單。

3、大數據風控的理論有效性問題

從IT技術層面論證大數據風控的實踐性案例已經不少，可是在經濟金融的理論層面、大數據風控還面臨一些問題須要解決。

（一）金融信用與社會信用的相關性不肯定

線上與線下行爲方式反差強烈。

（二）大數據對於「黑天鵝」事件的滯後性

（三）大數據收集和使用的制度問題

 

4、提升大數據風控有效性的路徑

（一）對於金融企業而言，要構建多樣化、連續化和實時性的基礎數據

1.多維度的收集數據，互聯互通，打破數據的孤島。

2.從供應鏈交易環節獲取數據。    

3.積極佈局「物聯網+」

獲取生產環節和使用環節的數據，如企業機器運行數據

（二）對於金融研究部門而言，可從經濟、金融等多個角度綜合論證大數據風控的有效性，爲大數據風控提供理論支持

如大數據風控如何順應經濟週期的變化，如何從統計上論證過去的數據對於將來行爲判斷的準確性，如何解決道德風險所帶來的不肯定性。

（三）對於政府監管部門而言，要推進和完善與數據相關的制度建設

1.法律制度的建設，對數據的收集和使用予以法律上的保護

《我的信息保護法》

2.會計制度建設，對數據資產予以明確的計量

轉自：http://blog.csdn.net/liberty_xm/article/details/53183351