Page 117 - 信用評等模型12堂課-以消費金融為例
P. 117

103






                     此方
                          式
                                  下
                                    :
                            目的如

                      1.   便  於建  置 過  程  中 各 個 版 本評分  卡 互 相 比  較。
                      2.   便  於使用者  解讀  。
                      3.   便  於 監 理機關資訊   揭 露 同時   與 違約  機 率  整合  。




                      第二節  設定風險校準                (Risk Calibration)




                 一、不同評分卡的分數調校



                     若同   一產  品  因  應 不 同特  性切分為    數  個評分  卡  ,如信用    卡

                 評分  卡 切為全    清  戶  評分  卡 與 循 環戶  評分  卡  ,如此一來,      兩 張
                 評分  卡 的模型    基礎  可能   站 在不  同 水  準 上,例如全      清 戶 的  400
                 分與  循 環戶   的  600  分,  難 以 比 較 哪  個分  數 較高?於是     必 須 設

                 定風險   校  準   (Risk Calibration)   來 轉換  各  分  群 的評分。

                     在 好  壞  表現定  義 於不   同 分 群 間相   同  的前提  下  ,風險   校 準
                                               群
                                     來
                                壞比
                                                  評分分
                                                        數
                                                          ,使得相
                 則是  達 採 用 同 等  好  結  果  ,且評分與 轉換  各 分 好  壞比  應  呈  現  正向  相關。  同好    壞
                            評分
                     到相
                          同
                 比
                                                 程
                                               過
                     以
                          列
                                             準
                                                      下
                       下
                                           校
                                                    如
                            出評分模型風險
                         計
                      1.
                                                   序
                                                     。
                             群
                               樣
                         各  算  出  各  分  群  所有 由低  樣  本  之最 排  終  模型評分。    :
                           分
                                            至
                                              高
                                 本分
                                      數
                      2.
   112   113   114   115   116   117   118   119   120   121   122