基于大數(shù)據(jù)的個人信用風險評估模型研究.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)絡貸款等各種形式的互聯(lián)網(wǎng)金融服務在我國呈現(xiàn)出生機勃勃的發(fā)展景象，互聯(lián)網(wǎng)和大數(shù)據(jù)已經(jīng)對國民經(jīng)濟的很多領域以及商業(yè)模式產(chǎn)生了深遠的影響。
　　如何全面和準確地評估個人信用風險狀況，并在此基礎上開展個性化的授信

2、金融服務，既是商業(yè)銀行、小額貸款公司等傳統(tǒng)金融機構風險控制的核心環(huán)節(jié)，也是P2P等新興互聯(lián)網(wǎng)金融機構業(yè)務經(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構不斷提升風險管理水平。各類金融機構在個人信用風險評估環(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)村信用社等金融機構，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、社交等平臺的商譽和行為數(shù)據(jù)進行整合和分析，將分散在不同網(wǎng)絡平臺和信貸機構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，將用戶商譽和行為信息轉化為信貸評級依據(jù)，開發(fā)大數(shù)據(jù)風控模型，彌補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構提供一個有力的風險抓手，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的機會。
　　無論是線上還是線下的用戶消費、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。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，單指標維度

5、超過1000個。（3）單變量風險區(qū)分能力弱。不同于傳統(tǒng)風險模型采用的歷史履約情況、個人資產(chǎn)評估等強變量，消費或社交變量一般均為區(qū)分能力較弱的弱變量。傳統(tǒng)信用風險評估模型在業(yè)務邏輯架構下，利用數(shù)據(jù)驅動或專家經(jīng)驗開發(fā)模型模板，最終結合邏輯回歸、判別分析等統(tǒng)計分析模型得到精準的計量結果。然而在新的數(shù)據(jù)畫像和業(yè)務情景下，原有的業(yè)務邏輯框架和傳統(tǒng)統(tǒng)計分析模型的應用都受到嚴重限制。
　　近幾年，以決策樹、神經(jīng)網(wǎng)絡等為代表的機器學習技術得到飛速

6、發(fā)展，在信息識別、推薦引擎等領域都取得了出色的應用效果。如何結合傳統(tǒng)風險評估模型體系和機器學習技術，在保證業(yè)務邏輯和評分廣泛應用的前提下，更加精準的評估風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)的個人信用風險評估模型體系，重點研究下述關鍵內(nèi)容：
　?。?）通過對模型的數(shù)據(jù)基礎、表現(xiàn)定義及邏輯、樣本分類和抽樣方案等建模基礎信息進行詳細分析，提出大數(shù)據(jù)環(huán)境下的個人信用風險評

7、估模型——CreditNet研究框架，將CreditNet模型劃分為三個研究階段，逐步限定技術要點，開展模型構建研究。
　?。?）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險評估領域，從六大維度構建用戶信用畫像，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單變量的風險區(qū)分能力。在此基礎上，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)的預處理方法進行了闡述，結合對單

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

9、息轉變?yōu)轱L險評估依據(jù)奠定了模型基礎。
　　（4）針對CreditNet模型研究框架的第三個階段，本文提出將機器學習理論中的AdaBoost集成學習算法應用到對 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行集成，增強了最終模型的評估效果。
　　（5）基于上述研究，進一步驗證CreditNet模型的效果。本文從CreditNet模型的區(qū)分能力、穩(wěn)定性等方面進行了測試，將CreditNet模型與