在利率市场化进程不断加快,风险环境不断变化、互联网金额及金融同业竞争不断加剧的大背景下,商业银行很多现行制度不断受到人们的质疑,商业银行内部矛盾更加突出,其中贷款定价问题尤为突出,更合理的贷款定价将决定一家银行在未来竞争中的地位。商业银行资产业务种类繁多,且各种产品面临的风险不尽相同,因此在要求精细化运作的今天,商业银行的贷款定价也应当精细化定价。由于精细化定价需要对贷款业务的风险因素有全面及深刻的了解,这通常意味着精细化定价需要真实可靠、多维度且及时的数据支持。然而,在我国个人征信制度尚不完全,行业数据没有完全共享,在此情形下,想要一步实现贷款的精细化定价存在一定难度。综上所述,笔者建议,首先利用商业银行内部数据,针对某些数据较为充分的贷款业务,尝试建立风险模型,验证模型对于贷款者的风险识别能力,并判断此模型的实用价值;其次,若此风险模型达到理想效果,并有较强的实用价值,则考虑从外部引进其它维度数据,丰富模型的数据维度,加强模型的风险识别能力,实现真正的精细化贷款定价。基于以上分析,鉴于个人住房按揭贷款风险容易识别、数据样本较为充分等特征,本文采用已被国外广泛采用的基于Logistics回归方法的传统评分卡模型,对个人住房按揭贷款的客户进行打分,验证模型对于贷款者的识别能力。本文的组织结构如下:首先介绍了我国商业银行目前面临的严峻形势,指出贷款合理定价的重要性,随后,针对贷款定价问题,本文介绍了国外及国内学者的先关研究,并介绍了传统与现代商业银行贷款定价模型。其次,结合作者多年工作经验,本文介绍了目前我国商业银行贷款定价的现状及某国有大型商业银行贷款定价的相关制度,并指出来我国商业银行贷款定价方面存在的主要问题。第三,本文以某国有大型商业银行下属分行2010年1月1日至2011年9月30日3000余笔个人住房按揭贷款为样本,运用Logistics回归方法的传统评分卡模型,对个人住房按揭贷款的客户进行打分,验证模型对于贷款者的识别能力,达到较好效果,并对评分卡模型应用价值及后续问题探讨。最后,笔者就我国商业银行下一步贷款定价问题提出了自己的建议。通过本文论证,发现此评分卡模型对于个人按揭住房的贷款者的识别能力较强,模型的KS值达到了0.385。选取480分作为截断值,可识别出45%的不良客户,表明此评分卡模型有较好的实用价值。至此,我们完成了贷款精细化定价的第一步,即证明评分卡模型对于个人住房按揭贷款业务非常适用。遗憾的是,由于贷款客户其它维度的历史数据无法取得,我们无法进一步加强此评分卡模型的识别能力,相信这也是商业银行未来亟需加强的方向——广泛收集贷款者的多维数据信息,利用机器学习等大数据技术,实现贷款客户的精细化定价。由于出于银行内部保密行要求,笔者在建模过程中,只能披露部分结果,无法做到完全展示,但建模思路完整,且建模效果验证真实可靠。