The Development of Numerical Credit Evaluation Systems
数值信用评估系统的开发AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及个体信用评分，未明确研究尾部风险或系统性风险，也未涉及所列收益预测方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
数值信用评估系统的开发
- 研究问题
- 如何用零售信贷申请资料构建信用风险评分，并比较简单等权评分与判别分析、逐步多元回归产生的权重方案？
- 方法与思路
- 作者对金融公司的申请数据进行多种判别分析和多元回归，并比较显著预测项目等权计分及一种基本判别分析的变体。
- 材料陈述的贡献
- 摘要称，等权方案与复杂加权方案同样有效；一种判别分析变体在低分段区分更好，有助于权衡潜在损失与优质账户流失。
- 阅读关注点
- 应核对信用风险结果定义、预测项目筛选、样本外验证，以及低分段比较中的损失函数和拒绝优质账户成本。
- 阅读边界
- 仅据未注明版本的 OpenAlex 摘要；样本构成、验证方式及效果数值未说明，历史申请数据上的比较不能保证外推表现。
原文摘要
Several discriminant and multiple regression analyses were performed on retail credit application data to develop a numerical scoring system for predicting credit risk in a finance company. Results showed that equal weights for all significantly predictive items were as effective as weights from the more sophisticated techniques of discriminant analysis and “stepwise multiple regression.” However, a variation of the basic discriminant analysis produced a better separation of groups at the lower score levels, where more potential losses could be eliminated with a minimum cost of potentially good accounts.