PowerPoint プレゼンテーション

Size: px

Start display at page:

Download "PowerPoint プレゼンテーション"

ありさすずがみね
5 years ago
Views:

1 与信モデル構築 ( 入門編 ) - Credit Model of Development for Data Mining - 小野潔松澤一徳 ( 発表者 ) 平成 26 年 7 月 24 日株式会社インテック金融ソリューションサービス事業本部

2 銀行が与信モデルの再構築に着目する背景金融機関を取り巻く環境の変化貸金業法の総量規制施行住宅ローンの競争激化地銀の再編成個人信用情報センター(JICC)への銀行の加盟が許可(2012 ) 金融庁/日銀の監査強化(2011 ) 東京隣接県への出店消費者金融社会型の無担保ローン生涯収益を考慮した住宅ローン融資の検討過去取引の無い顧客への融資与信モデルの再構築 2

与信モデルのフローと本発表の論点融資の申込の受付与信サーバー融資の申込の受付Ｎｏデータの基本統計量否認基準に抵触しないＮｏ

大まかなモデル変数選択自動審査総合判定自動審査システムによる顧客データ取引データ企業データ収集欠損値異常値の削除/修正

領域の判定Ｎｏ ⑤自動審査システムから SSモデルの呼び出し決定木分析ロジスティック回帰分析ハイブリッドモデルアンサンブルモデル適用

②モデルによる分析 a) 決定木分析変数選択樹形図作成審査担当者との検証作業 b) ロジスティック回帰変数選択精度計算

3 与信モデルのフローと本発表の論点融資の申込の受付与信サーバー融資の申込の受付Ｎｏデータの基本統計量否認基準に抵触しないＮｏ Yes 個人信用情報の基準を満たす外信 Yes ターゲット変数の設定 Black/Whiteの定義分析対象データの決定大まかなモデル変数選択自動審査総合判定自動審査システムによる顧客データ取引データ企業データ収集欠損値異常値の削除/修正自動審査モデル(SS) モデルのデータ受取組み合わせ変数の決定倒産率の算出/倒産率補正モデル変数の決定格付算出判定マトリックス領域の判定Ｎｏ ⑤自動審査システムから SSモデルの呼び出し決定木分析ロジスティック回帰分析ハイブリッドモデルアンサンブルモデル適用融資判定 Yes 与信限度額の算出与信内容を出力モデル格付の決定判定マトリックスの決定 ①モデル変数の決定外部信用情報の利用 ②モデルによる分析 a) 決定木分析変数選択樹形図作成審査担当者との検証作業 b) ロジスティック回帰変数選択精度計算 ③ハイブリッドモデル orアンサンブルモデルの適用分析手法の組み合わせ複数種類のモデル構築検証データへのモデル適用モデル選定終了過去シミュレーションの確認 ④判定マトリクスの決定領域の設定 3

4 1 外部信用情報の利用 2 銀行向けローン審査モデルの決定木分析について 3 ハイブリッドモデルとアンサンブルモデルの適用 4 判定マトリクスの考え方 5 外部システムからの SS モデルの呼び出し 4

日本の個人信用情報貸金業法の総量規制規制年収の１/3 JICCに加盟した銀行 82行 65 名称金融の業種 DB 更新

本人特定情報,延滞,事故異動情報 - JICC, CIC提携 - 本人特定情報,残高情報(総量規制) - (日本信用情報機構)

Network) FINE (Financial Information Network) 取扱情報指定信用情報機関

5 日本の個人信用情報貸金業法の総量規制規制年収の１/3 JICCに加盟した銀行 82行 65 名称金融の業種 DB 更新 JICC 消費者金融会社商工ローン日次クレジット/信販会社日次月次銀行系月次 JICC, CIC, KSC提携 - 本人特定情報,延滞,事故異動情報 - JICC, CIC提携 - 本人特定情報,残高情報(総量規制) - (日本信用情報機構) CIC ((株)シーアイシー) KSC (全国銀行個人信用情報センター) CIN (Credit Information Network) FINE (Financial Information Network) 取扱情報指定信用情報機関 2012年指定本人特定情報,契約内容,返済状況取引情報,事故情報,異動情報 (借入総件数,総残高含む) 2012年指定銀行系のため貸金業法の総量規制外 5

6 銀行系の無担保ローンのマーケティング範囲 JICC 統計資料 (2014 年 1 月末 ) 加盟総会員数 1,432 内加入貸金業者数 1,067 (75%) 内銀行 82 (6%) 内信用金庫 110 (8%) 総登録情報登録件数 3,634 万件残高合計 164,911 億円残高有り情報登録人数 1,196 万人登録件数 1,893 万件登録残高合計額 74,213 億円 1 人当たり残高有り件数 1.6 件 1 契約当たりの残高 39.2 万円異動情報 ( 入金予定日から3カ月以上入金なし ) 登録人数 390 万人登録件数 691 万件 ( 全銀行 126 行の 65%) 登録人数登録件数残高合計 1 人当たりの残高 1 契約当たり残高 ( 万人 ) ( 万件 ) ( 億円 ) ( 万円 ) ( 万円 ) 1 件借入 , 件借入 , 件借入 , 件借入 , 件借入 , 合計 1,196 1,893 74, 銀行のマーケット範囲 :2 件 100 万円以下 6

7 一般的な個人信用情報JICCの効果外部信用情報を使用した自動審査モデルの精度外部信用情報を未使用の自動審査モデルの精度 Hit ate 感度特異度 False larm ate 7

8 1 外部信用情報の利用 2 銀行向けローン審査モデルの決定木分析について 3 ハイブリッドモデルとアンサンブルモデルの適用 4 判定マトリクスの考え方 5 外部システムからの SS モデルの呼び出し 8

9 個人信用情報を利用した決定木のツリー図個人信用情報利用無しモデル個人信用情報利用モデル借入比率返済比率年収等を上位の判定で利用専業の無担保ローンの借入総件数や借入総金額が上位無担保ローン借入総件数借入比率返済比率取引年数自振公共料金転職回数年収照会件数年収借入比率返済比率自振電気年収取引年数自振公共料金転職回数無担保ローン借入総金額無担保ローン借入総金額借入比率照会件数自振電気年収赤文字外部個信情報 9

10 参考 : 決定木分析の分割基準 SS/EM ではノード毎に下記の分割基準を変更可能ただアルゴリズムは SS 特有のためオリジナルの決定木と相違することに留意決定木の種類分割基準値定義式 C5.0, C4.5 情報エントロピー値 CT GINI 値 CHID カイ 2 乗値 10

11 1 外部信用情報の利用 2 銀行向けローン審査モデルの決定木分析について 3 ハイブリッドモデルとアンサンブルモデルの適用 4 判定マトリクスの考え方 5 外部システムからの SS モデルの呼び出し 11

ハイブリッドモデルについてハイブリッドモデル直列型２分析モデル案件データモデルモデルB 決定木分析ロジスティック回帰分析決定木分析ニューラル判定結果ロジスティック回帰分析 MB ハイブリッドモデルは分析手法を２段階に直列に組み合わせた手法第１段階の分析結果のスコア値を分析データに追加することがミソ

12 ハイブリッドモデルについてハイブリッドモデル直列型２分析モデル案件データモデルモデルB 決定木分析ロジスティック回帰分析決定木分析ニューラル判定結果ロジスティック回帰分析 MB ハイブリッドモデルは分析手法を２段階に直列に組み合わせた手法第１段階の分析結果のスコア値を分析データに追加することがミソその後に第２段階の分析手法を適用一般に第１段階のスコア値が最も寄与度が高く第２段階の分析で微調整を行う分析手法の組合せとして金融業界では第1段階では決定木第2段階でロジスティック回帰を行う事が多い決定木のツリーは審査担当者にわかりやすくロジスティック回帰は種々の指標が算出されしかも一つの式で表現できる点が評価されている 12

13 参考ハイブリッドモデルの計算方法について x 決定木モデル出力結果のスコア値ロジスティック回帰モデル Ln(p/(1-p)) ａ1x1 ａ2x2 ａｎxｎａn+1xn+1 ｃ変数として利用決定木分析で複数の同スコアデフォルト率のセグメントに分解されるこのスコア値を元データに追加しロジスティク回帰分析を行う 13

ーー並列したN個の複数モデルにより構成される Nは5 100 誤差から設定多数決による決定方法は複数モデルの算出値の平均中央値

14 アンサンブルモデルについてアンサンブルモデル並列型多数決モデル案件データ平均値中央値等判定結果モデル F 言うなればベテランでない得意分野が違う若手の審査官10人が多数決で判定決定するような方法アンサンブルモデルの妥当性は証明されていますが結構理解が難しい内容ですーー並列したN個の複数モデルにより構成される Nは5 100 誤差から設定多数決による決定方法は複数モデルの算出値の平均中央値多数等を代表値として確定採用分析手法として弱い分類器精度が高いモデルを使うと同じような値を比較することになる為長所はモデルの安定性と多数決法という考え方のわかりやすさ 14

参考 : アンサンブルモデルの計算方法についてデータモデル 1 モデル 2 モデル 3 モデル 3 モデル N 単純平均最大値最小値最大値, 最小値を除いた平均案件 90% 80% 90% 70% 60% 78% 90% 60% 80% 案件 B 50% 40% 30% 40% 20% 36% 50% 20% 37% 案件 C 10% 15% 5% 30% 20% 16% 30% 5%

15 参考 : アンサンブルモデルの計算方法についてデータモデル 1 モデル 2 モデル 3 モデル 3 モデル N 単純平均最大値最小値最大値, 最小値を除いた平均案件 90% 80% 90% 70% 60% 78% 90% 60% 80% 案件 B 50% 40% 30% 40% 20% 36% 50% 20% 37% 案件 C 10% 15% 5% 30% 20% 16% 30% 5% 15% 案件 D 30% 35% 50% 30% 20% 33% 50% 20% 32% 案件 E 60% 5% 30% 40% 80% 43% 80% 5% 43% 案件 F 70% 30% 15% 20% 30% 33% 70% 15% 27% モデルとしては 5~8 層の決定木を利用する場合が多い ( 弱い分類器 ) アンサンブルモデルの計算例例ではモデル 1~N の最大値と最小値を除いた平均値を利用した ( モデル数 N の値は別の統計値から設定する ) 計算方法としては多数決線形結合最小値最大値平均等を利用する同じ分類器から Begging, Boosting といった手法で分類器を生成する方法も可能 15

16 参考 :SS/EnterpriseMiner でのアンサンブルモデルモデル 4 個の平均値とするアンサンブルモデル同じ手法で平均値を利用したバギングモデル 16

17 1 外部信用情報の利用 2 銀行向けローン審査モデルの決定木分析について 3 ハイブリッドモデルとアンサンブルモデルの適用 4 判定マトリクスの考え方 5 外部システムからの SS モデルの呼び出し 17

判定マトリックス与信モデル特有の考え方モデル審査の限界全案件を自信をもって判定できるモデルはないどうしてもグレーゾーンが発生

領域の設定は判定マトリックスを用いる領域の判定は信用リスクモデル格付回収額融資額収益生涯収益が一般的

B C ccept 自動審査モデルにより自動的に判定を承認する領域所謂ホワイト領域 D Ｖ eview

18 判定マトリックス与信モデル特有の考え方モデル審査の限界全案件を自信をもって判定できるモデルはないどうしてもグレーゾーンが発生専門家による審査モデル採用変数はせいぜい10 20個人の目の審査が必要な範囲グレーゾーンが発生専門家の審査が必要参考領域について領域の設定は判定マトリックスを用いる領域の判定は信用リスクモデル格付回収額融資額収益生涯収益が一般的モデルのターゲットや変数でない値を利用モデル格付自動審査モデル判定結果収益回収可能性等 B C ccept 自動審査モデルにより自動的に判定を承認する領域所謂ホワイト領域 D Ｖ eview 審査担当者により審査の承認/謝絶を判定する領域所謂グレー領域 E Ｒ eject 自動審査モデルにより自動的に判定を謝絶する領域所謂ブラック領域領域審査担当者を要する領域を小さく設定することで真の自動審査の実現につながる 18

19 ( 参考 ) 住宅ローンの生涯収益に必要なリスクモデル住宅ローン収益の変動リスク市場リスク信用リスク経費市場金利変動リスクプリベイメントリスクデフォルトリスク回収率変動リスク団体信用生命保険料審査費用サービシングコスト ( 管理回収経費 ) 金利リスク管理生涯収益シミュレーション住宅ローンは商品の特性上その収益性を判断するには単年度の収益分析では不十分であり住宅ローンが完済する迄のトータルリターンの計測が必要しかしその計測には各案件のデフォルト率やプリベイメントリスク経費等のコスト等のシーズン効果を含めたモデルが必要 2014 年現在では様々なリスクを統合する方法論は未完成な状態であり分析に必要な長期間のデータも見つからない状態実務では左記計算が困難であることから単純収益 ( 利息 ) や個信データで代用 19

20 1 外部信用情報の利用 2 銀行向けローン審査モデルの決定木分析について 3 ハイブリッドモデルとアンサンブルモデルの適用 4 判定マトリクスの考え方 5 外部システムからの SS モデルの呼び出し 20

外部環境からの与信モデル実行と変数引渡し外部環境からの与信モデル実行例 - 外部環境からの SS の起動は

. sas 9.1 sas.exe SS システム実行 *.bat -sysin c:.. mypgm.

システムへ引数を渡す場合 ) -sysparm Tokyo " と書くことでマクロ変数 &sysparm

21 外部環境からの与信モデル実行と変数引渡し外部環境からの与信モデル実行例 - 外部環境からの SS の起動は Windows コマンド等からの呼び出しが一般的 - 自動審査システムそのものは他の高級なプログラミング言語 (Java 等 ) で開発されるケース多いため出力コマンドを記載した bat ファイル等を自動審査システムのプログラム言語から呼び出すことが多い Java パラメータ等引数の意味 c:.. sas 9.1 sas.exe SS システム実行 *.bat -sysin c:.. mypgm.sas -sysparm Tokyo -sysin 以下に実行する sas プログラムの場所を記載 (SS システムへ引数を渡す場合 ) -sysparm Tokyo " と書くことでマクロ変数 &sysparm に文字データ "Tokyo" を代入 Java -config c:.. sasv9.cfg -config 以下に sas の config ファイルを記載 21

22 最後に 22

23 最後に与信モデル構築は決して精度だけでモデル選択を行わず経済状況監査官庁の動きを先回りし所属業界に合わせることが肝要今後の銀行のローンモデルをめぐる動き - 無担保ローンモデル消費者金融会社型モデルへ急速な舵取りが必要但し消費者金融と銀行では回収率が相違するためあくまでも市場のターゲットは借入件数2件限度額100万円であり工夫を要する - 有担保ローンモデル住宅ローンモデル住宅ローンの収益は2011年より金融庁日銀の監査対象となっており地銀信金は収益に関するDB構築を早期に着手が必要な状態現実には未整備今後は収益を判定マトリクスに含める方向に舵取りが必要次回テーマ与信モデル構築中級編自動審査システムの新たな潮流 - 可変型与信モデルを取入れた自動審査システム少量データ対応の新しいモデル構築法チャネルを配慮した与信モデル構築法承認率UPのためのユーザーコントローラー機能経済悪化に伴う新規案件のSelection機能 23

24 ご清聴ありがとうございました Go Beyond 24

News Release No.335(18-22) 2019 年 ( 平成 31 年 )2 月 15 日東商記者クラブ日銀クラブで資料投函させていただいております平成 31 年 1 月度貸金情報統計概況貸金業法の指定信用情報機関シーアイシー (CIC) は貸金情報統計を毎月公表して

News Release No.335(18-22) 2019 年 ( 平成 31 年 )2 月 15 日東商記者クラブ日銀クラブで資料投函させていただいております平成 31 年 1 月度貸金情報統計概況貸金業法の指定信用情報機関シーアイシー (CIC) は貸金情報統計を毎月公表しています平成 31 年 1 月度 ( 12 月 21 日 ~ 平成 31 年 1 月 20 日 ) の概況は以下の通りです