基于大數(shù)據(jù)的個人信用風(fēng)險評估模型研究.pdf

1、“互聯(lián)網(wǎng)+”已經(jīng)被提升為中國國家戰(zhàn)略高度。以淘寶、京東等為代表的電子商務(wù)網(wǎng)站，以微信APP、QQ為代表的社交平臺以及支付寶、微信支付為代表的在線支付工具已經(jīng)深入到我們每個人的日常生活，互聯(lián)網(wǎng)支付、眾籌融資、P2P借貸、在線理財、網(wǎng)絡(luò)貸款等各種形式的互聯(lián)網(wǎng)金融服務(wù)在我國呈現(xiàn)出生機(jī)勃勃的發(fā)展景象，互聯(lián)網(wǎng)和大數(shù)據(jù)已經(jīng)對國民經(jīng)濟(jì)的很多領(lǐng)域以及商業(yè)模式產(chǎn)生了深遠(yuǎn)的影響。
　　如何全面和準(zhǔn)確地評估個人信用風(fēng)險狀況，并在此基礎(chǔ)上開展個性化的授信

2、金融服務(wù)，既是商業(yè)銀行、小額貸款公司等傳統(tǒng)金融機(jī)構(gòu)風(fēng)險控制的核心環(huán)節(jié)，也是P2P等新興互聯(lián)網(wǎng)金融機(jī)構(gòu)業(yè)務(wù)經(jīng)營過程中的痛點，持續(xù)攀升的不良貸款率更是倒逼這些金融機(jī)構(gòu)不斷提升風(fēng)險管理水平。各類金融機(jī)構(gòu)在個人信用風(fēng)險評估環(huán)節(jié)中，過于倚重央行的個人征信系統(tǒng)，該系統(tǒng)收錄的自然人數(shù)達(dá)8.6億多，但其中僅有3億多人有信貸記錄，且信貸記錄主要來源于商業(yè)銀行和農(nóng)村信用社等金融機(jī)構(gòu)，在數(shù)據(jù)時效性、全面性和層次性上存在短板。
　　大數(shù)據(jù)為個人信用風(fēng)險評

3、估提供了一種新的方法。通過將用戶在互聯(lián)網(wǎng)上網(wǎng)購、交易、社交等平臺的商譽(yù)和行為數(shù)據(jù)進(jìn)行整合和分析，將分散在不同網(wǎng)絡(luò)平臺和信貸機(jī)構(gòu)的局部信息加工融合成為具有完整視圖效果的全局信息。深度挖掘互聯(lián)網(wǎng)大數(shù)據(jù)信息，將用戶商譽(yù)和行為信息轉(zhuǎn)化為信貸評級依據(jù)，開發(fā)大數(shù)據(jù)風(fēng)控模型，彌補(bǔ)央行個人征信信息的不足，解決交易過程中的信息不對稱的問題，既可以對互聯(lián)網(wǎng)金融平臺、小額貸款公司等金融機(jī)構(gòu)提供一個有力的風(fēng)險抓手，也可以為央行征信系統(tǒng)信貸數(shù)據(jù)缺失或者信用記錄不

4、好的用戶提供一個獲取信用類服務(wù)的機(jī)會。
　　無論是線上還是線下的用戶消費(fèi)、社交數(shù)據(jù)，都有著不同于傳統(tǒng)征信信息的獨有特征，使得傳統(tǒng)個人信用風(fēng)險評估模型和方法在大數(shù)據(jù)環(huán)境下無法取得滿意效果：（1）數(shù)據(jù)的稀疏性強(qiáng)。用戶線上線下的行為散布廣泛，極難全量收集和覆蓋；用戶行為偏好亦各有不同，在不同門類的行為差異很大。（2）數(shù)據(jù)覆蓋面廣。信息覆蓋面廣泛，支付寶或微信都有超4億活躍用戶，用戶行為覆蓋服裝、書籍、租房、休閑、娛樂等各方面，單指標(biāo)維度

5、超過1000個。（3）單變量風(fēng)險區(qū)分能力弱。不同于傳統(tǒng)風(fēng)險模型采用的歷史履約情況、個人資產(chǎn)評估等強(qiáng)變量，消費(fèi)或社交變量一般均為區(qū)分能力較弱的弱變量。傳統(tǒng)信用風(fēng)險評估模型在業(yè)務(wù)邏輯架構(gòu)下，利用數(shù)據(jù)驅(qū)動或?qū)＜医?jīng)驗開發(fā)模型模板，最終結(jié)合邏輯回歸、判別分析等統(tǒng)計分析模型得到精準(zhǔn)的計量結(jié)果。然而在新的數(shù)據(jù)畫像和業(yè)務(wù)情景下，原有的業(yè)務(wù)邏輯框架和傳統(tǒng)統(tǒng)計分析模型的應(yīng)用都受到嚴(yán)重限制。
　　近幾年，以決策樹、神經(jīng)網(wǎng)絡(luò)等為代表的機(jī)器學(xué)習(xí)技術(shù)得到飛速

6、發(fā)展，在信息識別、推薦引擎等領(lǐng)域都取得了出色的應(yīng)用效果。如何結(jié)合傳統(tǒng)風(fēng)險評估模型體系和機(jī)器學(xué)習(xí)技術(shù)，在保證業(yè)務(wù)邏輯和評分廣泛應(yīng)用的前提下，更加精準(zhǔn)的評估風(fēng)險是一個值得研究的課題，本文的研究內(nèi)容在這方面是一個有益的嘗試。
　　鑒于此，本文針對基于大數(shù)據(jù)的個人信用風(fēng)險評估模型體系，重點研究下述關(guān)鍵內(nèi)容：
　?。?）通過對模型的數(shù)據(jù)基礎(chǔ)、表現(xiàn)定義及邏輯、樣本分類和抽樣方案等建?；A(chǔ)信息進(jìn)行詳細(xì)分析，提出大數(shù)據(jù)環(huán)境下的個人信用風(fēng)險評

7、估模型——CreditNet研究框架，將CreditNet模型劃分為三個研究階段，逐步限定技術(shù)要點，開展模型構(gòu)建研究。
　?。?）針對CreditNet模型研究框架的第一個階段，本文將用戶畫像的概念引入個人信用風(fēng)險評估領(lǐng)域，從六大維度構(gòu)建用戶信用畫像，解決了大數(shù)據(jù)環(huán)境下個人信息的有效收集和組織問題，并通過變量衍生的方法增強(qiáng)單變量的風(fēng)險區(qū)分能力。在此基礎(chǔ)上，從數(shù)據(jù)收集、數(shù)據(jù)核對和數(shù)據(jù)清洗等方面對大數(shù)據(jù)的預(yù)處理方法進(jìn)行了闡述，結(jié)合對單

8、變量分析和多變量分析方法，為大數(shù)據(jù)環(huán)境下個人信用風(fēng)險評估模型的研究奠定了數(shù)據(jù)基礎(chǔ)。
　　（3）針對CreditNet模型研究框架的第二個階段，本文將機(jī)器學(xué)習(xí)理論中的隨機(jī)森林模型與Logisitc回歸模型進(jìn)行結(jié)合，構(gòu)建RF-L核模型，生成了一系列具有風(fēng)險評估能力的子模型。在進(jìn)行統(tǒng)計建模前，利用隨機(jī)森林中的CHAID決策樹進(jìn)行分析，并生成二元決策樹變量，然后將隨機(jī)森林模型的輸出結(jié)果導(dǎo)入Logistic回歸模型中進(jìn)行統(tǒng)計建模，為大數(shù)據(jù)信

9、息轉(zhuǎn)變?yōu)轱L(fēng)險評估依據(jù)奠定了模型基礎(chǔ)。
　?。?）針對CreditNet模型研究框架的第三個階段，本文提出將機(jī)器學(xué)習(xí)理論中的AdaBoost集成學(xué)習(xí)算法應(yīng)用到對 RF-L核模型生成的一系列評估子模型的集成研究中，通過對不同評估能力的子模型進(jìn)行集成，增強(qiáng)了最終模型的評估效果。
　?。?）基于上述研究，進(jìn)一步驗證CreditNet模型的效果。本文從CreditNet模型的區(qū)分能力、穩(wěn)定性等方面進(jìn)行了測試，將CreditNet模型與