信用评分是统计学和运筹学在金融和银行业最成功的应用之一,同时也是最早开发的金融风险管理工具之一。建立信用评分模型的统计学方法有很多,传统的参数方法有线性回归、Logistic回归等,非参数方法有最近邻方法等,但是使用半参数回归模型的相关文献还很少。半参数回归模型自上世纪八十年代诞生以来一直是被研究很多的一种重要的统计模型,这种模型同时含有参数分量和非参数分量,具有良好的解释能力和适应性。本文在各种文献的基础上,介绍了信用评分的发展历史、评分方法、评分模型等,在已有的线性回归模型和Logistic回归模型的基础上引入半参数方法,使用广义部分线性模型对传统的评分卡模型进行改进,其中f(·)是一个已知函数,β是未知的参数分量,g(·)是未知函数。然后根据数据的特点使用拟似然方法进行估计,讨论了相关的估计理论、计算过程、窗宽选择等,最后使用数值模拟将新的评分卡和传统评分卡作比较,通过对比识别率证明新评分卡的优越性。本文主要成果:在传统方法中,申请人是好客户的概率被表示为P(Y=1|X)=(?)(X~τβ),本文使用广义部分线性模型将这一模型推广到更为一般的情况,将申请人是好客户的概率被表示为P(Y=1|X,T)=f(X~τβ+g(T))。因此新的评分模型相对传统方法适应性更强,同时避免了使用最近邻方法等非参数方法时无法给出特征变量的评价系数的缺点。通过模拟研究对新的评分卡在有限样本下的表现进行评估,通过与传统评分卡作对比证明新的评分卡在识别率方面的优点。本文的创新点:将半参数回归模型应用到信用评分模型中,而传统的方法大多数是使用参数模型或者非参数模型。