不可不知的信用卡評分卡兩三事──別踩信用地雷！

文章發表：2023/12/20

撰文：曹添旺

中華經濟研究院董事長；東吳大學名譽教授暨東吳法商講座教授

撰文：李宗穎

美國德州農工大學經濟學博士

你是否遇過刷卡時發現超過額度上限被拒絕？這時候若致電銀行要求提高額度，銀行接受與否的準則為何？在銀行眼中，你是屬於高風險、中風險，還是低風險客戶？

周年慶又到了，去百貨公司血拚，刷卡卻發現已經超過額度上限而被拒絕，打電話給銀行客服中心要求提高額度，這時候銀行的客服人員應不應該接受要求？若是接受，額度要提高多少？這個問題有很多答案，取決於手上所有的工具與相關管理規範。

建置預測模型需備先決條件

主要有兩個，首先是有業務需求，再來是資料的品質與數量要到位。如果沒有業務需求，資料的品質再好、數量再多，也沒有建置預測模型的必要。一般而言，有擔保品的放款業務對預測未來一定期間內的違約機率（Probability of Default, PD）需求，比沒有擔保品的放款業務還低，定期估計擔保品的市價反而比較重要。

以房貸為例，只要擔保品（房屋）的市值大於放款餘額（曝險，Exposure）跟處理擔保品的成本總和（銀拍、法拍），萬一貸款人違約，銀行也沒有損失。在房價頻頻上漲時，違約率（Realized Default）也特別低，因為貸款人可以賣掉房子或是拿房子去申請住宅權益貸款（Home Equity Loan）來還債，這時候要建置違約機率模型，也會遇到違約樣本數不足的窘境。如果房價下跌，擔保品（房屋）的市值低於放款餘額，是否就需要違約機率模型？也未必。因為模型的建置如果是在承平時期或房價上漲期間，用的資料跟未來房價下跌的資料不一樣，加上原本的違約樣本不足的問題，預測模型不會準。那麼如果用房價下跌時的資料來建模呢？首先要考慮時效性，建模要先收集6個月的資料，通常再花6個月建模，來得及嗎？

其實信用卡對預測模型有業務需求，資料的品質與數量（某種程度）相較於其他信用產品也最到位，是使用預測模型的最佳選擇。信用卡使用的預測模型有個專有名詞：評分卡（Scorecard），因為將羅吉斯迴歸分析（Logistic regression, logit model）的結果（介於零跟一之間）轉換成便於使用的分數。

信用卡可以在風險控管和市場行銷使用評分卡，在風險控管有所謂的AB Scorecards（Application、進件評分卡，Behavior、行為評分卡）；在市場行銷（Marketing & Sales）則有RR Scorecards（Response、回覆評分卡，Revenue、盈餘評分卡），另外還有催收評分卡（Collection Scorecard），是針對已經遲繳但是尚未變成呆帳的客戶建置的預測模型。風險控管的評分卡（主要是AB Scorecards）要求較嚴、比較準，因為稍微失準，呆帳就會飆升，寧可錯殺，不可錯放，使用壽命至少5年。市場行銷的評分卡較不重要，也沒那麼準，壽命周期約2、3年。FICO score（Fair Isaac Corporation）跟上述AB Scorecards不同，它是所謂的「通用評分卡」（Generic Scorecard），就是它可以A-card或B-card，不過它的缺點是，因為樣樣精通，所以樣樣稀鬆，預測能力比不上個別的評分卡，是不得已時候才用的。在美國，如果要衡量一個人的信用品質（Credit Worthiness）通常是看這個人FICOScore，高於720是超級好的（Super Prime, ≥720），高於660是好的（Prime, 介於660跟719之間），低於660屬於信用有瑕疵的，還分為近好的（near Prime, 介於620跟659之間），而引起2008年金融海嘯的次級房貸（Sub-prime）的FICO Score介於580跟619之間。