陳　瑩，武志偉，李心丹，翁炳辰

(1. 南京大學 工程管理學院，江蘇 南京　210093；2. 南京大學 商學院，江蘇 南京　210093)

基于MCLP模型的個人住房抵押貸款違約風險研究

陳瑩1，武志偉2，李心丹1，翁炳辰1

(1. 南京大學 工程管理學院，江蘇 南京210093；2. 南京大學 商學院，江蘇 南京210093)

[摘要]個人住房抵押貸款一旦出現(xiàn)大規(guī)模的違約便會對金融體系的穩(wěn)定和宏觀經(jīng)濟的平穩(wěn)運行帶來很大的負面影響。通過對我國商業(yè)銀行個人住房抵押貸款真實數(shù)據(jù)進行分析，分離出可能對貸款履約產(chǎn)生影響的個人基本情況、個人信用狀況以及貸款合約等15項指標。在此基礎上，使用MCLP模型構建了個人住房抵押貸款違約風險模型，并比較了MCLP模型與傳統(tǒng)Logistic模型的預測結果，發(fā)現(xiàn)前者具有更高的準確度。最后，基于研究結論提出了相關建議。

[關鍵詞]住房抵押貸款；貸款違約風險；MCLP模型；商業(yè)銀行；貸款影響因素；個人住房貸款；房地產(chǎn)按揭貸款

一、 引言

近十年來，我國房地產(chǎn)市場經(jīng)過了迅速的發(fā)展歷程，房地產(chǎn)行業(yè)已經(jīng)成為國民經(jīng)濟的支柱行業(yè)。進入2014年以來，我國房地產(chǎn)市場的走勢出現(xiàn)了明顯的變化，主要表現(xiàn)為很多城市的商品房成交量出現(xiàn)明顯萎縮，以杭州、廣州等城市為代表的房產(chǎn)商開始降價出售房屋，繼而引發(fā)了國內(nèi)很多城市房產(chǎn)商競相跟風降價，持續(xù)上漲多年的房地產(chǎn)價格首次出現(xiàn)了主動回調(diào)的態(tài)勢。

作為商業(yè)銀行最主要的貸款品種之一，我國個人住房抵押貸款的余額從2003年的1.2萬億元上升到了2013年的9萬億元。由于我國個人住房抵押貸款開展較晚，對于個人住房抵押貸款的風險防控措施還比較有限，因此個人住房抵押貸款一旦由于房地產(chǎn)價格下跌而出現(xiàn)大規(guī)模的違約，便會給金融體系的穩(wěn)定和宏觀經(jīng)濟的平穩(wěn)運行帶來很大的不利影響。

本文通過對我國商業(yè)銀行個人住房抵押貸款真實數(shù)據(jù)進行分析，分離出可能會導致貸款客戶違約風險的因素，并在此基礎上基于MCLP模型構建了個人住房抵押貸款違約風險模型，實證檢驗了影響貸款履約的因素，且對模型的有效性進行分析和比較，提出了有效識別個人住房抵押貸款違約風險的相關建議，以期對我國商業(yè)銀行風險管理實踐的改進有所裨益。

二、 相關文獻與研究方法

(一) 個人住房抵押貸款違約風險的相關研究

國外早期的研究中，Morton分析了美國個人住房抵押貸款客戶的違約情況，發(fā)現(xiàn)供養(yǎng)人數(shù)、職業(yè)以及貸款價值比對履約情況的影響比較大[1]。Campbell和Dietrich用多因素logit回歸的方法發(fā)現(xiàn)抵押率、就業(yè)水平對于抵押貸款的違約情況有著顯著影響[2]。Gardner和Mills發(fā)現(xiàn)，過去有過多次逾期經(jīng)歷的客戶其違約可能性是普通客戶的兩倍，而過去出現(xiàn)多次逾期的原因也是值得關注的[3]。Lawrence和Arshadi也發(fā)現(xiàn)，如果客戶違約所受到的懲罰小于不違約的機會成本，則客戶會選擇違約，當客戶因短期的資金周轉(zhuǎn)困難而出現(xiàn)逾期的時候，貸款延期對于客戶和銀行來說都是更好的選擇，另外，他還認為貸款價值比(LTV，即抵押率和月還款額占家庭月收入的比率)是影響借款人還款狀態(tài)的最主要因素[4]。Burrows通過對13個變量的研究，發(fā)現(xiàn)就業(yè)情況是客戶是否違約的最重要因素，貸款金額的大小對違約可能性也有影響，而婚姻狀況、是否有子女等也是不能忽視的因素[5]。Berry和Dalton在研究澳大利亞金融機構的客戶貸款資料后發(fā)現(xiàn)，婚姻狀況、家庭成員的長期失業(yè)、家庭收入的突然下降是導致違約風險的重要因素[6]。

國內(nèi)的研究中，徐遙君定性分析了我國多家商業(yè)銀行的住房貸款履約情況以及各大城市的個人住房貸款相關情況，指出商業(yè)銀行貸款制度、居民可支配收入、房價水平和利率水平對住房抵押貸款違約風險有較大影響[7]。楊星和麥元勛采用Merton結構化模型對住房貸款的風險進行分析，發(fā)現(xiàn)住房價格的波動率、LTV與風險正相關，無風險利率與信用風險負相關[8]。胡鵬、鐘叔平和苗維亞認為按揭比例、交易稅費、房價跌幅與違約風險正向相關，已還款期數(shù)、按揭利率、按揭年限和新購置籌資比率與違約風險負向相關[9]。徐巖巖和趙正龍運用BP濾波法實證分析了交通銀行不良貸款率的波動與GDP之間的關系[10]。龍海明、唐海龍和歐陽娟對中國銀行某分行的個人住房抵押貸款數(shù)據(jù)進行分析后發(fā)現(xiàn)，學歷、婚姻狀況、貸款期限和利率是影響客戶違約的關鍵因素[11]。王騰江對山東煙臺和安徽亳州多家銀行和信用社的數(shù)據(jù)進行研究，發(fā)現(xiàn)國家住房政策對個人住房貸款違約的影響很大，但就業(yè)率、利率、收入水平變化對違約率影響不大[12]。

(二) MCLP：信用風險判別的新方法

最早用來分析銀行信用風險的常用工具是判別分析[13-14]，其后的研究中，學者們開始使用多重線性回歸和Probit分析等更為準確的方法[15]。進入20世紀90年代以后，Glover進一步擴大了線性判別分析模型的適用范圍和靈活性，從此更多的方法被用于對信用風險的判別當中[16]。其中，多因素線性回歸分析(MCLP)是一種被認為在信用評分領域有潛力可以超越現(xiàn)有方法的信用分析方法，并且這種方法已經(jīng)被成功地用在了對信用卡客戶的分析上。

相較于傳統(tǒng)的模型，MCLP模型的準確性、靈敏度等各項指標都要更好。對于MCLP來說，b是區(qū)分“好客戶”和“壞客戶”的分界線，b的取值對于MCLP模型的準確率有著重大的影響。Li、YU和Liu使用了UCI數(shù)據(jù)庫中的德國信用卡客戶信息，對b的取值會如何影響分類準確率進行了敏感性分析，最后得出結論為：b=1是分類準確率最高的取值[17]。Shi、Wise和Luo等將MCLP運用于信用卡客戶的違約風險研究，根據(jù)其存在違約風險的大小，把信用卡持卡人分為了“好客戶”和“壞客戶”兩類[18]。Kou、Liu和Peng等擴展了這一方法，按違約風險的大小將客戶進行了進一步細分[19]。上述研究都認為MCLP可以產(chǎn)生比其他方法更好的結果。Li、Shi和He采用了三種基于MCLP的方法來提高找出“壞客戶”的準確率[20]。

(三) 小結

通過上面的分析我們可以發(fā)現(xiàn)，個人住房抵押貸款的各項影響因素與信用卡客戶極為相似，因此將MCLP模型用于對個人住房抵押貸款違約風險的研究將有助于提升模型預測結果的準確率。

本文在使用MCLP模型分析影響個人住房抵押貸款違約風險因素的同時，也使用了Logistic回歸模型對樣本銀行個人住房抵押貸款違約風險的影響因素進行了檢驗，然后通過對MCLP模型與Logistic回歸模型的分析結果進行比較，試圖證明MCLP模型對于個人住房抵押貸款違約風險研究的適用性。

三、 個人住房抵押貸款違約風險影響因素的描述性分析

本文選取了個人基本情況、個人信用狀況和貸款合約等三類因素，通過分析其對個人住房抵押貸款違約風險的影響，最終篩選出對樣本客戶違約風險存在顯著影響的因素。本文的數(shù)據(jù)來自某商業(yè)銀行一級分行2006—2013年的個人住房抵押貸款數(shù)據(jù)和資料。由于樣本銀行的個人住房抵押貸款整體違約率較低，因此為了使違約客戶數(shù)據(jù)不被正常履約客戶數(shù)據(jù)所淹沒，本文在樣本抽取過程中提高了違約客戶樣本的抽取比例。本文最終抽取了210組客戶數(shù)據(jù)，并根據(jù)違約率模型的最優(yōu)樣本配比要求，選擇了違約客戶59組，正常履約客戶151組[21]。

(一) 個人基本情況及其對違約風險的影響

客戶的個人基本情況包括年齡、性別、學歷、工作情況、婚姻狀況、戶籍和家庭月收入7個方面。表1分析了樣本銀行貸款客戶的個人基本情況對貸款違約率的影響。

表1　個人基本情況與違約風險統(tǒng)計

注：小分類項冒號前面的數(shù)字為之后實證分析中對各項定性指標的賦值情況，下同。

1. 年齡對違約風險的影響

從表1中可以看出，隨著借款人年齡的增長，其貸款違約風險逐步升高。20歲以下的客戶樣本數(shù)只有1個，結果說服力不強；20—30歲的客戶貸款違約率為20%；30—40歲的客戶其違約可能性相對較高；40—50歲的客戶違約的可能性是最高的；50歲以上客戶，由于銀行對此類客戶的審批較為嚴格，故一般不會出現(xiàn)違約情況。

2. 性別對違約風險的影響

女性客戶的違約風險要明顯小于男性客戶。

3. 學歷對違約風險的影響

學歷較高客戶的收入穩(wěn)定性一般更高，其還款來源相對穩(wěn)定，且其受到更好的教育，對于個人信用的重視程度、風險的敏感性和投資的理性程度更高，其違約風險就相對較小。樣本數(shù)據(jù)的分析結果也支持這一觀點。

4. 工作情況對違約風險的影響

在樣本銀行的貸款客戶中，國企、公務員及事業(yè)單位員工的違約率明顯低于其他職業(yè)的客戶。

5. 婚姻狀況對違約風險的影響

婚姻狀況對違約風險的影響不明顯。

6. 戶籍對違約風險的影響

戶籍對違約風險具有明顯的影響，本地城市人口的違約率比鄉(xiāng)村及外來人口要低很多。

7. 家庭月收入對違約風險的影響

由表1中可以看出，隨著收入的增加，違約客戶占比逐漸降低。

(二) 個人信用狀況及其對違約風險的影響

表2　個人信用狀況與違約風險統(tǒng)計

個人信用狀況是客戶以往貸款行為的反映，也直接影響違約風險的水平。表2統(tǒng)計了個人信用記錄和有無未還完貸款等因素對樣本銀行貸款人履約情況的影響。

1. 個人信用記錄對違約風險的影響

從表2中可以看出，個人歷史信用記錄較好的客戶違約風險相對較低，但由于銀行對于歷史信用記錄的審查比較嚴格，有不良信用記錄的客戶很難貸到款，故數(shù)據(jù)中有不良歷史的客戶較少。

2. 有無未還完貸款對違約風險的影響

從表2可以看出，沒有其他未還完貸款客戶的履約情況明顯好于有未還完貸款的客戶。

(三) 貸款合約及其對違約風險的影響

本文嘗試從貸款總額、期限、月還款額、月還款額占家庭月收入比重、首付比率和抵押率6個方面來考察貸款合約中的關鍵信息與樣本銀行貸款人違約風險的關系(表3)。

表3　貸款合約與違約風險統(tǒng)計

1. 貸款總額對違約風險的影響

一般認為，當貸款總額增大時，客戶需要還款的金額也隨之增加，其違約風險就相應變大。但表3結果顯示，隨著客戶還款金額的增加，違約率反而隨之降低。20萬以下的客戶履約情況最差，100萬以上的客戶履約情況最好。

2. 期限對違約風險的影響

從表3的實際數(shù)據(jù)來看，貸款期限在10年以內(nèi)的客戶違約率最高；11年至20年之間的客戶履約情況是最好；21年至30年期限客戶的違約風險顯著高于11年至20年的客戶。

3. 月還款額對違約風險的影響

一般而言，月還款額高的客戶，還款壓力較大，違約的可能性也會增加。但表3結果顯示，月還款額和履約率之間并沒有很明顯的關聯(lián)。月還款額最低的一組違約率反而最高，還款金額最高的一組履約情況反而最好。

4. 月還款額占家庭月收入比重對違約風險的影響

從表3可以看出，月還款額占家庭月收入比重高于50%的客戶的履約情況明顯不如比重低于50%的客戶。但是值得注意的是，比重在25%以下的客戶的違約率也相對比較高。

5. 首付比率對違約風險的影響

首付比率越高，客戶需要貸款金額就越少，其違約風險也就小。但表3結果卻與此不符，首付比例最低的一組違約率也最低，而首付在30%—50%的客戶違約率是最高的。

6. 抵押率對違約風險的影響

表3中可以看出，抵押率最低的一組違約率最高，而抵押率在50%到80%之間的時候，客戶履約情況是最好的。

(四) 小結

個人基本情況對違約風險的影響是比較顯著的，學歷、工作狀況、戶籍情況和家庭月收入對履約情況的影響最為明顯；個人信用狀況中，是否有其他未歸還貸款對違約風險有一定影響；貸款合約對違約風險也存在一定影響，但情況相對來說比較復雜。因此，如何綜合三個方面的影響因素，形成對個人貸款客戶違約風險的綜合判斷，成為理論和實踐中必須解決的重要問題。

四、 基于MCLP模型的客戶違約風險綜合判別分析

(一) MCLP的建模方法

MCLP模型主要用于分析客戶信用行為分類問題。首先，本文假設所有客戶可以被分為兩類，B代表“壞”的客戶，G代表“好”的客戶。其次，本文給出一個關于客戶的有r個變量的集A=(a1,a2,…,ar)，對于客戶i，Ai=(ai1,ai2,…,air)代表了其過去的行為或信息，比如ai1代表“收入”，ai2代表“是否有住房”等。定義X=(x1,x2,…,xr)為變量參數(shù)的子集，b為區(qū)分兩組的分界。所以AiX是客戶i的評分，b是評分的邊界，通過兩者的比較可以對客戶進行分類。為方便研究，本文設定B區(qū)間在邊界的左邊，G區(qū)間在邊界的右邊。

當我們把噪音數(shù)據(jù)和現(xiàn)實情況納入考慮時，經(jīng)常會發(fā)現(xiàn)“好”客戶和“壞”客戶會出現(xiàn)重疊。所以我們采用放松的線性規(guī)劃模型來反映有重疊的二分類問題。

設αi為重疊部分客戶的分數(shù)到邊界b的距離，其他情況下αi為0。βi為不在重疊部分客戶的分數(shù)到邊界b的距離，其他情況下βi為0。我們的目標是同時使αi最小，βi最大，于是可以得到：

min∑iαi，max∑iβi

s.t.AiX=b+αi-βiAi∈B

AiX=b-αi+βiAi∈G

(1)

其中，Ai是給定的，X，B是無約束的，αi≥0，βi≥0。

一般情況下，我們把多目標線性規(guī)劃問題轉(zhuǎn)化為單目標來解。我們設α*>0為-αi和的理想值，β*為βi和的理想值，得到：

(2)

進一步簡化得

(3)

最后，得到簡化后的MCLP模型為：

s.t.AiX=b+αi-βiAi∈B

AiX=b-αi+βiAi∈G

(4)

(二) 參數(shù)選擇

本文使用SPSS軟件對所有的210組數(shù)據(jù)進行處理，把“履約情況”作為因變量，其他各項參數(shù)為自變量，進行單變量Logistic回歸，剔除顯著性≥0.05與違約情況明顯不相關的變量?；貧w結果如下頁表4所示，學歷、工作狀況、家庭月收入、戶籍以及是否有其他未還完貸款這五項指標與違約情況顯著相關，而另外10項指標與違約情況不顯著相關，應被剔除。

表4　MCLP模型參數(shù)選擇

(三) MCLP模型分析

從所有210組客戶中，本文隨機抽取了180組客戶作為訓練集，用于建立模型，剩下30組客戶作為測試組，用于對模型的準確率進行測試。把180組訓練集中的數(shù)據(jù)里與履約情況相關的指標代入MCLP模型中。使用Lingo軟件對模型進行計算，其中α*應取大于零的盡量小的值，這里設α*=0.001，β*應取盡量大的值，這里設β*=99999。根據(jù)Li、YU和Liu研究得出的b的最優(yōu)取值為b=1[17]。

Lingo計算結果如表5。其中，D1為dα-，D2為dα+，D3為dβ-，D4為dβ+，X1為學歷，X2為工作狀況，X3為家庭月收入，X4為戶籍，X5為是否有其他未還完貸款。結果表明，是否有其他未還完貸款與借款人履約情況沒有明顯的相關性。

表5　MCLP模型的分析結果

模型為：P=0.2X1+0.4X2+0.2X3+0.6X4

(5)

(四) 模型檢驗

1. 預測準確率

我們將之前隨機選出的30組測試集中的數(shù)據(jù)代入模型，對模型預測的準確程度進行檢驗。若所得P值大于等于1，則認為該客戶將會正常履約；反之，則認為該客戶可能會出現(xiàn)違約的情況。結果如表6。我們發(fā)現(xiàn)對履約客戶的預測準確率為83.3%，違約客戶預測準確率為75%，總體準確率為80%，模型總體預測準確率較好。

2. ROC曲線

對MCLP模型的結果做ROC曲線(圖1)，其AUC值為0.868，遠大于0.7，P值為0.001，說明MCLP模型對客戶違約情況的預測準確率較好。

表6　MCLP模型檢驗結果

3. K-S檢驗

K-S檢驗中，MCLP模型的K-S值為0.583，大于0.4，P為0.002，小于0.05，說明MCLP模型對于履約客戶和違約客戶的區(qū)分度較好。

(五) 與Logistic模型的比較

圖1　MCLP模型的ROC曲線

1. Logistic模型的分析結果

從下頁表7中可以看出，通過五步選擇，學歷、工作狀況、家庭月收入、戶籍以及是否有其他未還完貸款等指標進入了模型中，說明這五項指標與客戶履約情況顯著相關。從結果來看，Logistic模型的結果與MCLP模型存在一定的差異，主要表現(xiàn)在進入Logistic模型的自變量數(shù)量多于MCLP模型，且是否有其他未還完貸款也進入了預測模型。

由分析結果得出，樣本估計的Logistic模型為：

(6)

表8　Logistic模型的檢驗結果

表8為使用30組測試樣本對模型預測準確率的檢驗，Logistic模型的預測準確率明顯低于MCLP模型，說明本研究采用的MCLP方法能夠更為準確地對個人住房抵押貸款的違約情況進行分析和預測。

五、 總結與建議

根據(jù)實證結果，住房抵押貸款者的學歷、工作狀況、家庭月收入和戶籍等幾個因素是導致客戶違約的最主要因素。其中，借款人學歷越低，越有可能出現(xiàn)貸款違約情況；國企、事業(yè)單位員工以及公務員的履約情況明顯好于其他職業(yè)者；家庭收入越高，其違約可能性就越低；本地城市戶口的借款人還款情況要明顯好于其他借款人。特別是，本文將貸款合約的相關要素納入違約風險的研究中，表明還款期限、月還款額占家庭月收入比重等因素對違約風險存在直接影響。

基于本文的研究結論，我國商業(yè)銀行在個人住房抵押貸款審批過程中應著重注意借款人在以上幾個方面的特征，從中篩選出違約風險較大的客戶群予以重點關注，并采取相對應的措施，以便有效地降低貸款違約的風險。如在審批中銀行應控制學歷為高中及以下借款人的數(shù)量；適當提高工作狀況較為不穩(wěn)定、過去一段時間多次換工作借款者的貸款門檻；客戶經(jīng)理在還款期限、月還款額占家庭月收入比重等方面向客戶提供合理建議將有效降低違約風險；此外，在貸款的后續(xù)管理中要重視對家庭月收入穩(wěn)定性的調(diào)查，若借款人收入出現(xiàn)劇烈的動蕩；在同等條件下，對本地區(qū)的借款客戶可以適當提供優(yōu)惠措施等。

與以往研究使用的方法不同，本文將MCLP模型引入對個人住房抵押貸款違約影響因素的研究中，發(fā)現(xiàn)MCLP模型預測的準確率明顯高于Logistic模型等方法。因此，本文使用的分析模型對于準確把握我國個人住房抵押貸款違約風險具有重要的現(xiàn)實意義。基于本研究的結論，結合國外先進的信用評價模型，將有助于商業(yè)銀行建立適合自身經(jīng)營特點的信用評價模型，形成一套更加成熟合理的信用評價體系，從而提高風險評價和管理水平。

參考文獻：

[1]Morton T G. A discriminant function analysis of residential mortgage delinquency and foreclosure[J]. Real Estate Economics,1975,3(1):73-88.

[2]Campbell T S, Dietrich J K. The determinants of default on insured conventional residential mortgage loans[J]. The Journal of Finance,1983,38(5):1569-1581.

[3]Gardner M J, Mills D L. Evaluating the likelihood of default on delinquent loans[J]. Financial Management,1989，18(1):55-63.

[4]Lawrence E C, Arshadi N. A multinomial logit analysis of problem loan resolution choices in banking[J]. Journal of Money, Credit and Banking,1995,27(1):202-216.

[5]Burrows R. Mortgage indebtedness in England: an epidemiology[J]. Housing Studies,1998,13(1):5-21.

[6]Berry M, Dalton T. Home ownership into the new millennium: a view from the margin[J]. Urban Policy and Research,2000,18(4):435-454.

[7]徐遙君.淺析我國商業(yè)銀行個人住房貸款的違約風險[J].對外經(jīng)貿(mào),2013(3):93-96.

[8]楊星,麥元勛.個人住房貸款信用風險管理實證研究——Merton模型在信用評估中的應用[J].南方金融,2003(3):20-23.

[9]胡鵬,鐘叔平,苗維亞.房地產(chǎn)按揭貸款違約風險分析[J].四川建筑科學研究,2003,29(4):125-126.

[10]徐巖巖,趙正龍.我國商業(yè)銀行信用風險親周期性的實證分析與對策研究[J].新金融,2011(2):40-44.

[11]龍海明,唐海龍,歐陽娟.住房抵押貸款風險控制實證研究——基于中國銀行某分行的數(shù)據(jù)分析[J].財經(jīng)理論與實踐,2010(5):29-33.

[12]王騰江.個人住房抵押貸款違約風險的宏觀經(jīng)濟分析[J].山東工商學院學報,2013,27(2):93-96.

[13]Nelson O.D, Pellegrino, Mary K. Using credit scorecards to assess the credit risk of consumer abroad[J]. The Journal of European Business,1991，2(1):22-26.

[14]Klein B, Leffler K B. The role of market forces in assuring contractual performance[J]. The Journal of Political Economy,1981,89(4):615-641.

[15]Myers J H, Forgy E W. The development of numerical credit evaluation systems[J]. Journal of the American Statistical Association,1963，303(58):799-806.

[16]Glover F, Laguna M. Tabu search[M]. US: Springer US,1999.

[17]Li A, Yu Y, Liu Z. Sensitivity Analysis of b in MCLP model for credit card-holders classification[J]. Procedia Computer Science,2013，17(1):1023-1031

[18]Shi Y, Wise M, Luo M, et al. Data mining in credit card portfolio management: a multiple criteria decision making approach[M]. US: Springer Berlin Heidelberg,2001.

[19]Kou G, Liu X, Peng Y, et al. Multiple criteria linear programming approach to data mining: models, algorithm designs and software development[J]. Optimization Methods and Software,2003,18(4):453-473.

[20]Li A, Shi Y, He J. MCLP-based methods for improving “bad” catching rate in credit cardholder behavior analysis[J]. Applied Soft Computing,2008，8(2):1259-1265.

[21]賈生華,李,航.噪聲交易者預期與房地產(chǎn)泡沫——基于35個大中城市的實證研究[J].審計與經(jīng)濟研究,2014(3):85-92.

[責任編輯：楊志輝]

Loan Breach Risk of Personal House Mortgage Based on MCLP Model

CHEN Ying1, WU Zhiwei2, LI Xindan1, WENG Bingchen1

(1. School of Engineering Management, Nanjing University, Nanjing 210093, China；2. School of Business, Nanjing University, Nanjing 210093, China)

Abstract:As one of the main loans of commercial banks, it will bring about a great negative effect on the stability of financial system and stable operation of macro-economy if the large-scale of personal house mortgage loan breach takes place. By analyzing the real data of personal house mortgage loan of China commercial banks, we sort out about 15 indices on such factors as personal basic conditions, personal credit positions and loan contract which will affect the performance of the contract. On the basis of this, we use the MCLP model to set up a risk model of personal house mortgage loan and compare it with the prediction results of traditional Logistic model, and we find that the former has a higher degree of accuracy, and finally we put forward some proposals based on this conclusion.

Key Words:house mortgage loan; breach risk of loan; MCLP model; commercial banks; loan affecting factars; personal house mortgage; real estate mortgage loans

[中圖分類號]C812

[文獻標識碼]A

[文章編號]1004-4833(2015)01-0105-08

[作者簡介]陳瑩(1977— )，女，江蘇泰州人，南京大學工程管理學院副教授，博士，從事金融工程、家庭金融研究；武志偉(1972— )，山西太原人，南京大學商學院副教授，博士，從事實驗經(jīng)濟學、計量經(jīng)濟學研究；李心丹(1966— )，湖南湘潭人，南京大學工程管理學院教授，博士生導師，從事公司金融、行為金融研究；翁炳辰(1989— )，江蘇蘇州人，南京大學工程管理學院碩士研究生，從事家庭金融研究。

[基金項目]國家自然科學基金項目(71173098;71203091，71203144)

[收稿日期]2014-07-07