2026年精算师考试信用评分模型应用题集

2026年精算师考试：信用评分模型应用题集一、案例分析题（共3题，每题20分）题目1（15分）：中国银行业个人消费贷款信用评分模型应用某商业银行在2024年开发了一套基于逻辑回归的个人消费贷款信用评分模型（名称为“金信评分”），覆盖全国主要城市的年轻客群。模型主要变量包括：年龄、收入、负债率、历史逾期记录、征信查询次数、消费类型（教育、装修、旅游等）。2025年初，该行在华东地区试点运行发现，模型对“旅游消费”类贷款的违约预测准确率显著低于预期。要求：1.分析可能导致该模型在“旅游消费”贷款场景下表现不佳的3个原因。2.结合华东地区经济特点，提出至少2项改进建议，并说明改进的理论依据。题目2（20分）：美国汽车贷款信用评分模型在次级市场的应用某美国汽车金融公司（位于加州）使用其标准信用评分模型（“AutoScore”）向信用评分在620-680分之间的次级客户发放汽车贷款。2024年财报显示，该细分市场的实际违约率（6.8%）高于模型预测的违约率（5.5%）。公司风险管理部发现，该模型未纳入客户的“汽车维修记录”和“近期搬家”等行为特征变量。要求：1.解释为何“汽车维修记录”和“近期搬家”可能与次级汽车贷款违约率相关。2.设计一个包含至少3个新变量的改进模型框架，并说明如何验证模型效果。题目3（15分）：东南亚普惠金融信用评分模型的应用挑战某非营利组织在印度尼西亚推广基于手机信用的普惠小额贷款业务。其使用的信用评分模型（“PhoneScore”）仅依赖用户的手机使用数据（通话时长、联系人数量、APP使用频率等）。2025年第二季度数据显示，模型对低收入群体的贷款回收率仅为65%，远低于中高收入群体（90%）。要求：1.分析“PhoneScore”可能存在的局限性，特别是针对低收入群体的适用性。2.提出至少2项结合当地社会特征的变量补充方案，并说明如何克服数据获取的难度。二、计算题（共4题，每题15分）题目1：逻辑回归模型参数校准某信用评分模型的逻辑回归输出结果如下：-基线对数比（Log-Odds）=-1.2-收入变量的系数=0.05（P值=0.03）-负债率变量的系数=-0.2（P值=0.01）要求：1.计算收入为10万元、负债率为50%的客户信用评分（假设评分转换为100分制）。2.解释P值对模型变量筛选的意义。题目2：BrierScore与模型评估某银行信用评分模型在测试集上的预测结果如下：-真实违约率=8%-模型预测概率：违约概率为0.12的客户占比20%，违约概率为0.25的客户占比80%。要求：1.计算该模型的BrierScore。2.比较此模型与一个简单规则（例如“征信查询>3次则违约”）的预测效果。题目3：变量重要性排序某评分模型使用随机森林算法，输出特征重要性如下：-年龄：35%-收入：25%-负债率：20%-逾期历史：15%要求：1.解释为何收入和年龄的重要性高于逾期历史。2.若需进一步优化模型，优先调整哪个变量可能最有效？题目4：成本效益分析某公司信用评分模型预测的违约概率及对应的行动成本如下表：|违约概率|预测占比|行动成本（审查费用+误拒收益）||-|-|--||0.05|10%|30元||0.10|20%|50元||0.15|30%|70元||0.20|40%|90元|要求：1.计算最优分类阈值（OptimalCutoff）。2.说明如何平衡风险控制与成本。三、简答题（共5题，每题10分）题目1：信用评分模型与公平性解释“模型偏见”在信用评分中的表现形式，并举例说明如何通过变量选择避免地域性偏见。题目2：评分模型的风险转移简述信用评分模型在保险精算中的应用（如费率厘定），并指出与银行业务的主要区别。题目3：模型验证方法比较“回溯测试”（Backtesting）与“前瞻测试”（ForwardTesting）在模型验证中的优缺点。题目4：评分模型的业务落地描述信用评分模型嵌入信贷审批流程的3个关键环节，并说明每个环节需关注的风险点。题目5：数据合规性根据GDPR或中国《个人信息保护法》，说明信用评分模型在数据使用中需遵守的3项核心原则。答案与解析一、案例分析题题目1（15分）：1.模型表现不佳的原因（3项）：-变量相关性低：“旅游消费”贷款的违约行为受短期收入波动和消费心理影响较大，而模型主要依赖历史财务数据，这些变量与短期冲动消费相关性不足。-未考虑地域经济因素：华东地区竞争激烈，旅游贷款客户更易受促销活动驱动，模型未纳入“促销参与度”等变量。-评分卡校准偏差：模型可能未针对“旅游消费”细分客群进行专项校准，导致评分阈值不适用。改进建议（2项）：-增加行为特征变量：如“过去6个月高频电商消费记录”“信用卡分期记录”，反映消费倾向。-地域化微调：引入“华东地区旅游贷款历史违约率”作为权重调整因子，并动态更新模型。2.理论依据：-逻辑回归模型依赖历史相关性，但消费行为具有时变性，需结合实时行为数据。-贝叶斯方法可通过地域数据动态校准评分卡，提高细分市场适应性。题目2（20分）：1.变量相关性解释：-汽车维修记录：次级客户可能因车辆老化或经济压力延迟维修，导致事故率上升。-近期搬家：搬家通常伴随收入不稳定（如租房临时过渡），增加违约风险。2.改进模型框架：-新变量：-维修记录（过去12个月维修次数）-搬家状态（是/否，需通过征信或地址变更记录获取）-近期负债变化（新增信用卡数/贷款笔数）-验证方法：交叉验证（如K折交叉）测试新变量组合的AUC提升幅度。题目3（15分）：1.模型局限性：-手机使用数据无法反映家庭收入或储蓄能力（如低收入群体可能高频通话但无信用历史）。-东南亚地区社交网络复杂，熟人借贷行为未纳入模型。2.补充方案：-结合社会网络数据：如通过Facebook/Meta本地社交平台分析联系人经济水平。-引入非正式金融参与度：如小额贷款APP使用记录（需注意隐私合规）。二、计算题题目1（15分）：1.评分计算：-信用评分=100×(e^(-1.2+0.05×10-0.2×0.5)-1)/（1+e^(-1.2+0.05×10-0.2×0.5)）=78.5分2.P值意义：P值<0.05表明收入对违约有统计显著性，但未说明收入与违约的因果关系。题目2（15分）：1.BrierScore：-BrierScore=0.2×(0.12-0.08)^2+0.8×(0.25-0.08)^2=0.02282.比较：简单规则（如“查询>3次”）若BrierScore更低（如0.018），则更优。题目3（15分）：1.变量重要性原因：-年龄反映长期信用稳定性，收入体现还款能力，负债率直接关联偿债压力。2.优先调整变量：负债率，因其系数为负且重要性较高，可快速提升评分卡稳定性。题目4（15分）：1.最优阈值：违约概率=0.10时，成本增量（70-50）/（0.15-0.10）=40元/单位风险降低，高于其他阈值。2.平衡方法：设定“评分>60分则审查”的硬阈值，同时动态调整审查资源比例。三、简答题题目1：模型偏见表现为地域性收入差异未校准（如某地区收入标准被误判为高风险）。避免方法：使用全国收入中位数作为标准化基准，或引入“相对负债率”（个人负债/地区平均负债）。题目2：保险中信用评分用于费率动态调整（如高风险客户提高保费），区别在于保险评分更关注长期稳定性（如婚姻状况、居住年限），而银行更侧重短期偿债能力。题目3：回溯测试用历史数据验证模型，但可能因数据泄露失效；前瞻测试依赖未来数据，更真实但样本量