我要评论文：彼得．厄迪（Péter Érdi）
信用評分：一個簡短的排名評分歷史
買、買、詭計買！隱藏遊戲就算我們買不起，借貸我們還是圈與潛規想買東西，所以我們會向其他人借錢來一了心願。信用這個「其他人」（不管是排名評分誰，也許是詭計朋友，也許是隱藏遊戲銀行）有一個簡單的問題要問：「我可以相信這個借款人會還錢嗎？」
在資訊還不流通的世代裡，潛在的借貸債權人會根據人品及外表來評估潛在的債務人，「他看起來是圈與潛規一位還不錯且可靠的人，我想他應該會還錢，信用而且他答應不但會還本金，排名評分還要付給我利息呢。詭計」其實，隱藏遊戲幾世紀以來，街角的雜貨店老闆早就發展出一套觀察顧客是否可靠的方法，很有趣但也不會令人驚訝的是，美國最老牌信用報告公司的前身，就是雜貨店經營者。
凱托．伍爾佛德（Cator Woolford）在美國田納西州（Tennessee）查塔努加市（Chattanooga）擁有一家雜貨店，他在經營雜貨店的幾年期間，一直收集和顧客互動的資料，後來集結資料出了一本書，還把一些書賣給了當地的雜貨業者協會。有了這個初步的成功之後，他和擔任律師的弟弟蓋伊（Guy）在亞特蘭大合開了一間名為「零售業信用」（Retail Credit Company）的公司，這個小公司最後穩定成長為全美三大消費者信用報告機構之一的「艾可飛（Equifax）」公司，（其他兩家分別是「益博睿（Experian）」和「環聯（TransUnion）」），他們的業務就是蒐集並處理數達八億的個別消費者資訊。
當人們被賦予評斷他人品格或個性的工作時，他們會非常、非常的主觀。同樣的，給予或拒絕貸款以及處理貸款申請，也都是很主觀的事，伴隨年齡、性別、種族而產生的歧視都會一再的發生。以定量分析來幫助決策者，已經是向客觀邁進了一大步，目標則是要盡量消除主觀意識，也包括了因認知偏誤而引致的主觀判斷。
威廉．羅伯特．費爾（William R. Fair 1923–1996）和厄爾．艾薩克（Earl Isaac 1921–1983）兩人是建立預測潛在借貸者行為的數學模型的先驅，他們在一九五八年推出，最初版本的信貸申請信用評分計算式。這個計算式把借貸者的可能行為分成三種：準時還錢、延時還錢以及根本不還。他們隨後成立了費爾－艾薩克公司（The Fair Isaac Corporation），並且發展出一個計算式以及相關的配套軟體，用來計算後來名聞遐邇的FICO信用評分（FICOScore）。
信用評分是怎麼算出來的？結果又有多客觀？
這本書的主要目的是，要發掘出我們在主觀和客觀之間遊走的潛規則。我們不能否認（我也不想這麼做）計算式所根據的是人的假設，在做出各種假設之後，最後產生的評估就是自動程序計算的結果。要產生一個信用評分，最先要做的就是：決定要輸入什麼樣的數據，FICO信用評分考慮的因素有五個：
- 你支付帳單的歷史。
- 你的信用卡債、房屋貸款、銀行貸款⋯⋯有多少？
- 你的信用紀錄有多久（愈久愈好）。
- 你所擁有的貸款種類（愈多樣愈好）。
- 新的信用貸款申請（不要開太多新的帳戶或開設得太快）。
第二個（很自然的）問題是，假定前述五個因素都同等的重要，合理嗎？如果我們假定答案是肯定的，就可以把前述五個輸入變量都賦以百分之二十的比重。然而，更合理的假定是他們的重要性應該是由高而低。FICO信用基金計算式採用的是下列比重：
- 支付帳單的歷史：百分之三十五。
- 積欠的債務：百分之三十。
- 信用紀錄的時間：百分之十五。
- 信用貸款種類：百分之十。
- 新的信用貸款：百分之十。
我們已經知道計算信用評分時會考慮的因素，但同等重要的是，我們也要知道哪些因素不會被列入考慮。公平信貸機會法（The Equal Credit Opportunity Act）禁止美國的債權人基於種族、膚色、宗教、來源國別、性別、婚姻狀態以及年齡，對申請借款者進行歧視。
現在還有一些其他的國家也基於類似的目的（例如審查個人的信用等級以及信用程度）而採用信用評分的作法，但各國的法律環境卻各有不同，計算信用評分的方法也不少，然而更技術性的來說，信用評分（一個數字）是計算式的產品，而最簡單的方法，就是將加權過的輸入數據加總。
FICO信用評分計算所採用的尺規是從 300 到 850，但該公司對於評分是如何計算出來卻一直不甚透明。有一位部落客寫道：「『FICO信用評分』應該要公開他們那至關重要的計算式，他們的說法是不希望人們會設法去操弄它，但他們也應該要考慮信用評分在消費者買房、買車時所扮演的重要角色，不應該把它變成一個只有它們才懂得的『黑盒子』。」
隱藏在信用評分遊戲裡的潛規則
信用評分也會像許多其他的演算法一樣受到檢視，檢查它們是否隱藏而非消除某種形式的偏誤。舉世知名的偉凱律師事務所（White & Case）專家在一篇論文《演算法及其偏誤：債權人必須知道的事》（Algorithms and bias: what lenders need to know）中解釋道，就算那些單純只是跟金融科技有關的演算式，也有可能導致帶有歧視的決策，為什麼？因為債權人和放貸人在這個大數據風行的時代裡，有辦法接觸及收集到所謂的非傳統數據，譬如說個別對象在網路上的活動、購物模式以及其他並不必然跟信用度有直接關係的數據。
通常，這些數據都是用新進所流行的機器學習技術來進行分析（譯註：機器學習〔Machine Learning〕是人工智慧發展的一環，指的是讓機器「自主學習」的演算法。透過迴歸分析，機器能從一堆數據中，找出規律並做出預測，當輸入的數據愈來愈多，演算法也會持續的調整並做出更精準的分析）。
最新评论