商业银行信用卡业务的风险及防范(9)
5.1.2 量化商业银行信用风险的必要性
a) 市场环境变化、业务创新、交易多元化等要求商业银行对信用风险进行量化。随着各国对金融市场的监管慢慢放开，金融市场环境的变化越来越频繁，商业银行进行业务创新，交易市场的参与者及交易越来越多元化，使得银行潜在损失波动性也增大，对其客户的资信情况的敏感性增强，这就要求银行利用对风险因素更加敏感的定量模型来衡量信用风险。
b) 量化信用风险能提高风险敏感度和风险识别。银行信用风险因素是指能影响债务人偿还能力的事件，传统的信用风险定性方法不能够对其及时反映，对风险因素反应迟钝。
c) 信用风险转移工具的发展要求。信用风险转移工具是把信用事件带来的信用风险转移给卖方。在这个过程中，必然需要对信用风险进行量化，因为只有这样才能为信用风险转移工具提供定价依据。
5.1.3 Logistic回归模型的不足
Logistic回归模型研究信用卡信用风险采用了对数形式，把信用卡违约次数、年龄、工作性质、月收入等特征全部划分等级。如把月收入划分为2000以下、2000到4000、4000到6000、6000到8000、8000到10000、10000以上优尔类。这种划分方法在信用卡信用风险评价上有两大缺陷：
a) 数据利用不充分，量化不足。有些变量，像是月收入，违约次数都可以直接用数值代入，不要进行分类。虚拟变量只是把数据定性了，定量分析不足。得出的结果也不准确。
b) 解释变量太多。因为把每一类数据划分成n个等级，就需要n-1个虚拟变量，这样就需要许多个虚拟变量，使模型变繁琐。
5.1.4 多元线性回归模型的优势
多元线性回归是简单线性回归的推广，其包含一个因变量和二个或二个以上的自变量。多元线性回归模型的优势具体有:
a) 它克服了单因素线性回归模型遗漏信息较多的缺点。单因素线性回归模型假设在其他因素相同的情况下，某一个因素对需要研究要素的线性关系。而本文研究的信用卡信用风险的影响因素有许多，单因素线性回归模型难免出现信息的遗漏和评估结果的偏差。
b) 因为模型存在定性变量，变量的取值可能为0，如果采用对数模型或倒数模型，都会使模型无意义。但是由于模型的非线性问题可以通过变量置换，转化成线性问题。所以，本文最终选取线性模型作为估计模型。
5.2 模型的理论基础
虽然前文介绍了信用风险评价的新模型，但是在我国商业银行管理信用风险时，还是采用的传统的信用风险管理模型。
本文的建立模型的核心思想与Z值七变量线性评分模型相类似，又吸收了Logistic回归模型的优势。用个人信用特征代替Z值模型企业测评时的一些财务指标，建立能够衡量个人信用风险的多变量线性回归模型。
5.3 数据处理
本文根据已知数据建立了信用卡违约者的风险衡量线性模型，旨在探究哪些风险因素的加入会对信用风险产生影响。
5.3.1 风险因素的选取原因
目前，国内商业银行在办理个人信用卡之前，都会对申请人的信用进行评分。评分内容大同小异，大致都分成四大类：自然情况、职业情况、家庭情况、与本行的关系。自然情况分为年龄、性别、婚姻状况、健康状况、文化程度、户口性质等特征。职业情况分为个人月收入、单位性质、单位所处行业发展前景、岗位、职称等特征。家庭情况分为家庭平均月收入、房产情况、私家车拥有量等特征。与本行的关系分为是否为本行员工、本行账户情况、在本行的存款余额、其他借款情况等特征。
根据上述商业银行在办理信用卡申请业务的所采集的信息，本文根据真实性高、易收集、保密性的原则，选择了逾期还款天数代表信用风险，授信额度、年龄、性别、单位性质四种信用特征作为信用风险的影响因素。具体选择这五种特征的原因如下：