四、期货公司客户信用风险评级实证研究
1构建客户信用评级模型的整体思路
通过因子分析、聚类分析，构建与客户违约率相联系的信用评级模型，总体思路如下：对建模样本的预选风险指标进行因子分析，解决指标反映信息的重叠和互相干扰、遗漏及各指标权重不能科学确定的问题；用因子分析得到的新考评指标数据进行聚类分析，根据不同客户的类属作相应管理，因势利导，提高客服质量。
2客户信用评级模型实证研究
本文模拟了50位客户的交易数据作为评价样本，考虑到评价指标包含二元变量、序数型变量、连续变量，不同量纲和数量级的数据容易造成分析结果失真，所以分析之前本文选用Z分数法对样本数据进行标准化处理。
(1)因子分析。
因子分析是多元统计中一种降维方法，从众多风险指标中计算出比原始考评指标具有更优统计特性的公共因子，然后将科学的线性公共因子组合值即因子得分作为反映信用风险的变量，充分且并不冗余地反映客户的信用风险信息。因子分析包括以下步骤：因子模型建构、因子负载矩阵求解、因子旋转和综合因子的得分求解，运用这种方法构建的信用评级模型较好地解决了评级指标的选择与指标权重的确定问题。
运用KMO（Kaiser-Meyer-Olkin）检验模型与巴特利特球度检验（Bartlett's Test of Sphericity）对数据进行检验；KMO的值是0?郾746，适合因子分析；采用巴特利特球体检验进行显著性检验，χ２统计值为1112?郾41，0?郾000的概率远小于显著水平0?郾05，拒绝零假设，说明原始变量之间存在相关性，适合于作因子分析。
按照累积贡献率大于85%的原则选入六个公共因子，其方差累计贡献率高达87?郾24%，基本覆盖原有信息，可将这六个因子作为评价客户综合信用得分的主因子；采用方差极大法对因子载荷矩阵进行旋转，将六个因子相应命名为风险管理因子、运营能力因子、风险偏好因子、盈利能力因子、贡献力因子、合规操作因子2，再通过Regression回归计算出公共因子得分，以六个公因子对应的方差贡献率为权数得到因子得分函数：
(2)聚类分析。
聚类分析是研究“物以类聚”的一种方法，它的目的是把相似的东西归成类，从而使复杂的现象简单化。聚类分析认为研究变量之间存在不同程度的相似性，找出能够度量变量之间相似程度的统计量，并以此为依据把关系密切的样本聚合到一个小的分类单位，关系疏远的聚合到一个大的分类单位，直到把所有的样本或变量都聚合完毕，形成一个由小到大的分类系统。聚类分析包括以下步骤：计算N个样本两两间的距离，构造N个类；合并距离最近的两类为一个新类；计算新类与当前各类的距离，若类的个数达到要求则聚类结束。
本文使用系统聚类的方法，以公共因子评分作为下一步聚类分析的对象，根据50位客户的公共因子得分和信用综合评分，将具有相似信用水平的客户划分为一类，并在信用综合因子得分与风险概率之间建立联系。目前，许多机构内部评级的风险级别数量各有不同，如美国50家最大银行虽然风险级别数量从2到20不等，但平均资信级别为5类。期货市场客户资信评级尚处于起步阶段，出于操作成本考虑，本文将客户数据划分为五组进行分析。
表2 样本类归属情况
表3 信用评价因子特征分布
根据以上聚类分析结果可将样本客户划分为以下五类，并定义其性质：
第一类客户为综合类客户。这类客户综合水平较高，各项指标得分都大于均值，但是贡献因子得分较低，说明他们交易活跃性不足。因此，我们需要加大对这类客户的交易辅导力度，培养他们的交易积极性。
【
