对客户信用风险值的回归分析.docVIP

对客户EMMA分值的回归分析 背景和目标 为了减少商业风险，我们往往需要对客户当前的信用度进行评估。通常，我们会通过向第三方机构购买的客户信用评估报告来判断和该客户合作的商业风险，比如：DB 或 Sinotrust。而这类评估报告存在以下问题： 有些你关心的客户，第三方机构不一定有他们的信用评估信息 这类评估报告并没有和我们的生意动态联系起来，比如：我们对客户的应收账款 生意的动态的，每年我们都需要知道客户的信用状况，所以每年我们都会为此支付一笔很大的费用 在我们需要的时候，随时获得客户的信用值，而且我们不再为此向第三方支付任何费用 实现上述目标的挑战如下： 缺少完成信用评估的专业知识，如何在没有这些专业知识的情况下，依然能对客户信用风险进行较为准确的评估 如何实现一个监控平台，使得客户信用风险的变化能与SAP 解决问题的基本途径 为准确的评估中国企业的信用风险，DB开发了一套评估模型，称为EMMA ( Emerging Market Mediation Alert )。EMMA的分值能有效的预测一个公司在未来12个月内存在不稳定或不可靠的危险，分值从 1 到 10，分值越高越危险。由于和DB的长期合作，我们手上有很多公司的评估报告，所以我们想，是否可以从以往的评估报告中总结出评估客户信用风险的所用到的参数，通过对这些参数的回归分析，是否可以找到一个较为准确的预测模型，今后，我们可以用这个模型来完成对客户信息风险的分析。基本思路如下图所示： 数据获取 来源： Business Information Report of DB 样本量： 112 Enterprises 时间范围： 2010 年 ~ 2011 年 DB 的信用风险评估报告提供了各种各样的数据，大致可分为：基本信息、股东结构、公司历史、购销策略、以及现金流状况等几个方面。基于实际工作中的经验，我们认为对客户信用风险影响比较大的参数有如下几个： Type of Business 也就是企业性质，国企、外企、还是有限公司 Year Started 公司什么时候成立的，我们的常识是，新成立的公司往往信用风险较高 History 在经营过程中有无发生过法律纠纷，有纠纷自然信用风险较高 Employee 员工数量，我们还不太确定员工少的公司，风险是高还是低 Reg. Capital 注册资金，注册资金越多，也许意味着风险越低 Line of Business 所从事的行业，我们发现 DB 对不同行业进行了编码，这可能是他们度量行业风险的一个重要参数 Net Profit 净利润，毫无疑问，净利润越高风险越低，但真的是这样吗 Total Cur. Assets 当前资产总值，越高越好 Total Cur. Liability 当前负债总值，越低越好 对数据的整理 在前面提及的参数中， Type of Business 和 History 是用文字描述的，需要对其进行编码，编码结果如下表所示： 初步分析 做Matrix Plot，排除异常点后，得下图： 可以看出，Liability 和 Assets 之间有线性关系，History、Net Profit 与 EMMA 有一定的线性关系，为进一步确认，对所有参数做Regression，结论如下所述。 分析结果显示：Year Started, History, Net Profit 等参数与EMMA的相关性是显著的，这符合我们的常识。 而 Net Profit, Assets 和 Liability 与EMMA 的相关性不显著，和我们的常识是相悖的，我们猜想，是不是这几个参数以某种交互关系来影响EMMA。 因此，我们打算引入新的参数，做进一步的分析。 引入新参数：净盈利比例（Profit %） 基于财务常识和样本中的数据，我们发现，不能简单的从 Net Profit 的绝对值来判断一个公司的信用风险是高还是低，一个盈利的盈利能力，应该看它是基于多大的资产总值来创造的，故而，我们引入一个新参数： 净盈利比例（Profit %）= Net Profit / Total Cur. Assets * 100% 用这个参数来重新进行 EMMA 的回归分析。这次我们得到如下信息： 我们发现， Profit % 和 EMMA 的相关性是显著的。而且，引入 Profit % 后，我们看见，Assets 和 Liability 的相关性也是得显著的。 与此同时，Line of Business 的相关性也接近显著的边缘，基于我们前面的猜想，这个参数可能是