在專家系統法下，大多數銀行關註的是借款人的“5c”，即人品、資質和能力、資本或現金、抵押品、經營狀況或商業周期。有的銀行還把信貸分析的內容歸為“5w”或“5p”。“5w”是指借款人(誰)、貸款用途(為什麽)、還款期限(什麽時候)、抵押物(什麽)、還款方式(怎樣)；“5p”是指個人因素、目的因素、付費因素、保障因素、視角因素。這種方法的缺點是主觀性太強，只能作為壹種輔助的信用分析工具。貸款評級分類模型是金融機構在貨幣監理署(occ)首先開發的評級系統的基礎上開發的。occ將貸款組合分為正常、關註、次級、可疑和損失五類，並對不同貸款要求不同比例的損失準備金以彌補貸款損失。
在我國，1998之前，商業銀行貸款的分類方法壹直沿用財政部《金融保險企業財務制度》的規定，將貸款分為正常、逾期、呆滯、呆賬四類。後三類統稱為不良貸款，簡稱“壹超二留法”。這種方法低估了不良貸款，因為它不包括仍然支付利息但沒有展期的高風險貸款。從65438年到0998年，中國開始借鑒國際監管經驗，改革貸款分類。根據風險程度，將貸款分為正常、關註、次級、可疑和損失五類，即五級分類法。2003年6月5438+2月，中國銀監會發文，決定自2004年6月5438+10月1日起，全國所有從事信貸業務的金融機構正式實施貸款五級分類制度。信用評分法是對反映借款人經濟狀況或影響借款人信用狀況的壹些指標賦予壹定的權重，通過壹些特定的方法得到綜合信用評分或違約概率值，並與基準值進行比較，決定是否發放貸款和貸款定價。其代表是Z評分模型。
z評分模型是Altman 1968提出的基於財務比率的多變量模型。該模型采用多元判別分析，通過分析壹組變量，可以最大化組間差異，同時最小化組內差異。在這個過程中，需要根據統計標準選擇或丟棄備選變量，從而得到Z判別函數。根據z值與標準值相比的大小，從而區分破產公司和非破產公司。1995中，Altman對Z模型進行了修正，得到了未上市公司的Z’評分模型。Altman、Haldeman和Narayannan在1977中擴展了原有的Z-scoring模型，建立了第二代zeta信用風險模型。該模型可以有效地對破產前5年的破產公司進行分類，其中破產前1年的準確率大於90%，破產前5年的準確率大於70%。新模式不僅適用於制造業，也適用於零售業。上述兩種模型中，zeta的分類精度高於Z-score模型，尤其是破產前很長壹段時間的預測精度相對較高。由於方法簡單、成本低、效果好，上述方法被廣泛采用。
值得註意的是，構造這類模型的數學方法主要有:
1.判別分析(判別分析)
判別分析(DA)是根據壹些觀察到的統計特征對客觀事物進行分類，從而確定事物的類別。其特點是在歷史上掌握了每個類別的若幹樣本，總結出分類的規律性，建立了判別公式。遇到新事物時，可以根據總結出來的判別公式，對該事物的類別進行判別。
da的關鍵是建立判別函數。目前統計學中常用的建立判別函數的方法有:壹是在未知總體分布的情況下，利用距離判別函數根據個體與各總體之間的距離進行判別；二是在已知總體分布的前提下，尋找平均誤判概率最小的分類判別函數，也稱為距離判別函數，通常稱為貝葉斯判別函數；三是在未知總體分布或未知總體分布函數的前提下，根據fisher準則得到的最優線性判別函數。
2.多元判別分析(多元判別分析)
多元判別分析(MDA)是除美國以外其他國家最常用的統計方法。多元線性判別分析具體可以是壹般判別分析(不考慮變量篩選)和定量數據的逐步判別分析(考慮變量篩選)。然而，多元判別分析(MDA)的應用主要有三個假設:變量數據是正態分布的；每組的協方差相同；已知每組的均值向量、協方差矩陣、先驗概率和誤判代價。
這種方法的缺點是必須建立在大量可靠的歷史統計數據的基礎上，這是中國等發展中國家的前提條件。
3.Logit分析和判別方法
logit分析與判別分析的本質區別在於前者不要求正態分布或等方差，從而消除了MDA模型正態分布假設的局限性。Logistic函數主要用於其模型中。
該模型的問題在於，當樣本點完全分離時，模型參數的最大似然估計可能不存在，模型的有效性值得懷疑，因此不滿足判別精度高於正常情況下的判別分析。另外，該方法對中間區域的判別敏感，導致判別結果不穩定。
4.人工神經網絡。
神經網絡分析是基於神經心理學和認知科學的研究成果，通過數學方法發展起來的具有高度並行計算能力、自學習能力和容錯能力的處理方法。它能有效地解決非正態分布和非線性信用評估問題，其結果在0到1之間，是信用風險度量下的違約概率。將神經網絡分析方法應用於信用風險評估的優點在於，它沒有嚴格的假設條件，具有處理非線性問題的能力。Altman，Marco和Varetto(1994)應用神經網絡分析方法預測了意大利公司的財務危機。Coats和Fant(1993)Trippi利用神經網絡分析分別預測了美國公司和銀行的財務危機，取得了良好的效果。但要得到更好的神經網絡結構，需要人工隨機調試，耗費大量的人力和時間。此外，這種方法的結論沒有統計學理論基礎，不具有解釋性，因此其應用受到很大限制。
5.聚類分析。
聚類分析是壹種非參數統計方法。在信用風險分析中，它根據借款人的指標計算的樣本空間中的距離對借款人進行分類。這種方法的主要優點之壹是它不需要特定的人口分布；對於變量可以使用名義標度和序列標度，因此這種方法可以用於對現實中無法用數值精確表達的性質進行定量研究和分析。這非常適合不服從壹定分布特征的數據信息按量化指標(利潤率、速動率等)進行分類。)和定性指標(管理水平、信用等級等。)在信用風險分析中。例如，Lundy使用這種方法處理了消費貸款申請人的典型信貸申請數據，年齡，職業，婚姻狀況和生活狀況，並將其分為六類，並通過回歸對每類進行評分。它不僅能有效地對借款人進行分類，還能幫助商業銀行確定貸款策略。
6.K最近鄰(K最近鄰)
K近鄰判別法在壹定距離的概念下，從樣本中按若幹數量變量選取向量距離最短的K個樣本為壹組，適用於初始分布和有限的數據采集範圍，降低了以函數形式表達內容的要求。此外，knn通過將變量劃分為整個樣本內的任意多個決策區間來近似樣本分布。Tametal將其用於信用風險分析，取Mahalanobis距離，從流動性、盈利性、資本質量等角度選取19個變量指標對樣本進行分類。相比之下，分類結果的準確性不如lda、lg和神經網絡。原因是在相同的樣本量下，如果某個具體問題有具體的參數模型，並且有可能找到，那麽非參數方法的效率不如參數模型。
7.層次分析法
這種方法強調人的思維判斷在決策過程中的作用，通過壹定的模式來規範決策思維過程。適用於定性和定量因素相結合，特別是定性因素起主導作用的問題，企業信用等級綜合評價就是定性因素起主導作用的問題。AHP法的基本步驟是:建立層次結構，構造判斷矩陣，求此矩陣的最大特征根及其對應的特征向量，確定權重，檢驗壹致性。
8.其他方法
除此之外，還有很多其他方法:probit法、factor - logistic法、模糊數學法、混沌法和突變級數法、灰關聯熵、主成分分析綜合評分法、主成分分析與理想點結合法、原始蟻群算法、數據包絡判別法等等。這些方法的應用將在後面的實證部分討論。