信贷信息不对称下的信用卡信用风险研究

杜雪梅

摘 要：信用卡市场信贷信息不对称的特征是信用卡信用风险产生的主要原因。本篇文章主要对信用卡信用风险度量的具体措施以及信用卡信用风险的影响因素进行了研究。

关键词：信贷信息不对称 信用卡信用风险 风险研究

随着经济的不断发展，信用卡成为了一种较为先进的支付工具。在经济活动进行过程中，信用卡展现出来的方便、快捷、安全的结算特点使得它在经济活动中收到了广泛的欢迎。随着科学技术的进步及国际间交往的日益频繁，信用卡呈现出了一种使用范围越来越广服务项目越来越多的特点，但是在信用卡使用过程中，信用卡市场的信贷信息不对称的问题使得信用卡信用风险有所上升，在这样的情况下，我们需要对信息不对称下的信用卡信用风险进行一定的研究，以便更好地提升信用卡的风险管理水平。

一、信用卡风险的研究现状

信用卡的信用风险主要指的是信用卡持卡人不能或不愿按照信贷协议的要求偿还贷款本息的行为对银行造成损失的可能性。在信用卡业务的发展过程中，信用风险是信用卡业务面临的一种主要风险。为了对这种具有不确定性的信用风险进行有效应对，不论是银行自身，还是一些监管机构，都会对银行的信用卡风险管理工作提出一些较高的要求。信用风险度量是银行对信用卡信用风险进行预判的有效方法，信用风险度量体系主要由专家法、评级法和信用评分法这三种方法组成。其中，专家法是根据专家的经验来构建信用评分体系的一種方法。在这种方法的运用过程中，专家会根据借款人的品德与声望、贷款偿还能力、担保状况，经营条件以及商业周期等五种因素对贷款人进行评估，进而做出贷款决定。评级法是则是一种将银行贷款分成若干等级的方式来对信用风险进行评估的方法。在这种方法的运用过程中，银行要根据贷款的不同等级对损失准备金率进行确定，通过计算损失准备金加总的方式可以让银行对用于防范风险资本的资金进行确定。通过这种评级方式的运用，银行可以对信用风险造成的损失进行准确的估算，因此这样的方法是一种较为实用的风险评估办法。信用评分方法是目前国际金融街研究信用风险的一种主要的办法。信用评分方法是一种运用数理统计的方法来对信用风险进行评估的信用风险度量方法，它以评价对象的相关指标来作为解释变量，通过建立数理统计模型的方式，让模型输出的违约概率与基准值进行比较，进而通过对比较结果进行评估的方式来对被评价对象的信用风险大小进行度量。通过对信用评分方法进行研究，我们可以发现，银行在实际工作中较为常用的信用评分方法主要包括神经网络模型构造，决策树模型构造以及支持向量机模型构造等多种内容。

二、信用卡及信用卡风险的影响因素

通过对信用卡使用的影响因素进行分析，我们可以发现，客户居住地、客户的年龄、客户的收入以及社会地位等因素会成为决定他们是否使用信用卡的因素。一些学者通过多信用卡使用客户的年龄进行分析，得出了这样的结论，年龄较小的客户、学历高的客户以及一些具有多种信用卡卡种的客户在消费过程中往往采用利用信用卡进行消费的方式。同时，这些人也是信用风险较高的客户。在对信用卡及信用卡风险的影响因素进行探究的过程中，一些学者采用了将会信用卡的信用风险影响因素与信用卡信用风险可预测性相结合的研究方法，经济学家EDwaret al通过对负债与收入的比率进行计算的方式对信用卡的信用风险因素进行研究的过程中发现了这样的一个结果：低收入者的信用卡欠款往往会超过他们的收入，通过对这一现象的研究，他得出了这样的结论：贫穷的家庭在信用卡的使用过程中更容易陷入信用卡债务困境之中，这样的结论看起来似乎是一句无关痛痒的废话，但是通过该学者的研究过程进行分析，我们可以发现，客户的收入是决定客户是否使用信用卡进行消费的影响因素，也是信用卡信用风险的影响因素。一些学者对玻利维亚地区的信用风险相关数据进行研究以后的出了这样的结论，女性的信用风险高于男性，因此，性别因素也可以被看做是信用卡风险的影响因素。

三、信用风险评估模型的确立

经济学界2001年提出的随机森林法是一种确立风此案评估模型的有效手段。它主要是通过一种非参数随机森林信用风险评估模型的确立来进行信用风险评估的。在信用风险评估模型的确立过程中，我们可以从信用卡数据库中导出一些与信用卡客户有关的资料来充当样本集，这样会生成一组随机向量序列θ（i=1，2，3……k），这组向量序列生成以后，我们可以借助BOOTSRAP重抽样方法来从原始样本中抽取一定数量（我们可以用K来表示这种数量）样本来建立样本集，我们可以用Di来代表这组样本集，这样通过对每一个BOOTSRAP样本集的分别建立一个这样的信用卡决策树：{h（X，θ），i=1，2，……K}，（在这一集合中，X是引用卡数据库中抽取出来的自变量）经过K次训练得到这样的一组分类序列，{h1（X），h2（X），……hk（X）}，通过借助这一分类模型序列，我们可以利用这种模型系列构建一个分类模型系统，我们可以用这样的公式来对分类决策进行描述：

在这一个公式之中，H（x）代表的是组合分类模型，hi代表的是单个决策树的分类模型，Y代表的是输出变量。通过对上面的模式构建过程进行研究，我们可以发现，随机森林评估体系是通过不同训练集的构造来起到增加分类模型间的差异的作用[3]。因此这种方式可以通过提高组合分类模型的方式来对外推预测能力进行强化，通过这种方式在银行实际工作中的应用，我们可以发现，这种随机森林体系具有较好的预测准确率，因此随机森林法是一种自然地非线性建模工具。在实际应用过程中，随机森林还具有一中队变量进行筛选的特征，它可以通过基尼值计算的方法以及预测精度法的应用来对评价变量的重要性进行评估。在实际应用过程中，随机森林法不但在银行信贷风险评估过程中得到了应用，还在医学生物信息学以及农学等多个领域进行了应用。在商业领域，客户流失度的预测、忠诚度预测以及电力市场的信用风险评估都可以用随机森林评估体系进行研究

四、结语

在信贷信息不对称的环境下，客户居住地、客户的年龄、客户的收入以及年龄性别等因素都可以成为影响信用卡信用风险的重要因素。在银行的信用风险评估体系中，随机森林评估体系是一种进行风险评估的有效手段。

参考文献：

[1]方匡南，吴见彬，朱建平，谢邦昌.信贷信息不对称下的信用卡信用风险研究[J].经济研究，2010，S1：97-107.

[2]潘庆华.信息不对称下信用卡市场的信用风险管理[J].中国城市金融，2006，11：49-51.

[3]刘晓妍.信用卡信用风险及其评估研究[D].山东大学，2009.