多变量信用风险判别模型法可以用于预测未来的信用风险，但需要注意以下几点：
数据质量：模型的预测结果受到数据质量的影响，因此在构建模型之前需要确保数据的准确性和完整性。如果数据存在错误或遗漏，可能会导致模型的预测结果不准确。
模型选择：在选择模型时，可以考虑使用逻辑回归、决策树、随机森林等多变量模型。不同的模型有不同的优缺点，需要根据具体情况选择最适合的模型。
特征选择：在构建模型时，需要选择合适的特征作为模型的输入变量。可以通过特征工程的方法来筛选和提取最相关的特征，以提高模型的预测能力。
模型评估：在建立模型后，需要对模型进行评估和验证，可以通过ROC曲线、准确率、召回率等指标来评估模型的性能。同时可以使用交叉验证等方法来验证模型的稳定性和泛化能力。
风险监控：建立好模型后，需要及时监控信用风险的变化，并根据模型的预测结果制定相应的风险管理策略。及时调整模型参数或重新训练模型，以提高预测的准确性。
总的来说，多变量信用风险判别模型可以用于预测未来的信用风险，但在应用过程中需要注意数据质量、模型选择、特征选择、模型评估和风险监控等方面的问题，以确保模型的准确性和稳定性。