信用卡行业的风险与风险管理-研究论文

我们使用 2009 年 1 月至 2013 年 12 月来自六家主要商业银行的账户级信用卡数据，将机器学习技术应用到消费者贸易热线、信贷局和宏观经济变量的组合中，以预测拖欠。 除了提供损失概率和信用风险的准确度量外，我们的模型还可用于分析和比较风险管理实践以及跨银行拖欠的驱动因素。 我们发现不同银行在风险因素、敏感性和拖欠的可预测性方面存在很大的异质性，这意味着没有单一的模型适用于所有六家机构。 我们通过银行有效管理的拖欠账户的百分比来衡量银行风险管理流程的效率，并发现效率在不同机构之间也存在很大差异。 这些结果表明需要对金融机构进行更个性化的监管，根据其信用风险模型的敞口和预测，为每个机构单独指定资本比率、损失准备金和其他参数。