The Development of Numerical Credit Evaluation Systems
数值化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：摘要研究个人信贷风险评分，未明确分析尾部或系统性风险，也未涉及收益预测，现有金融细分标签不足以准确覆盖。
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
数值化信用评估系统的开发
- 研究问题
- 如何利用零售信贷申请资料建立信用风险评分，并比较等权评分与判别分析、逐步多元回归所得权重的预测表现？
- 方法与思路
- 作者在一家金融公司的信贷申请数据上开展判别分析和多元回归，比较评分权重及低分区间的群体区分能力。
- 材料陈述的贡献
- 摘要称，显著预测项目的等权评分与较复杂权重同样有效；一种判别分析变体在低分区间更好地区分潜在损失账户。
- 阅读关注点
- 应核对信用风险与账户分组的定义、变量筛选和验证方式，以及低分区间损失减少与误拒良好账户之间的权衡。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；未说明样本规模、样本外验证和具体收益，不能外推至其他信贷环境。
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.