互联网金融时代下信用评分体系模型的构建

近年来, 互联网金融的蓬勃兴起引起了社会各界的广泛关注, 呈现出多种多样的业务模式和运行机制。金融机构在互联网上为有融资需求的客户提供更快捷的金融服务, 带给用户更好的服务体验。然而, 由于信息不对称往往带来信用风险和用户欺诈等问题, 建立精准的信用评分体系对于企业有着重要的意义。

目前学界对于信用评分系统模型有不同的分类, 也有不少文献对不同的信用评分模型做了比较。陈文华 (2007) 将信用评分系统模型分为三类:基于规则的评分方法、基于行为的评分方法 (基于统计的评分方法) 和神经网络评分方法。并且他认为这三类方法都具有各自的优缺点, 在决定选择哪种模型进行信用评估的时候要根据工作业务的进行具体分析, 另外也可组合选用信用评分系统模型。

综上, 目前信用评分系统模型方法有很多, 在这些常用方法中, Logistic回归在稳健性上表现较为突出, 部分文献甚至认为其预测精度较高甚至最高。另外, Logistic回归也具有很强的解释性, 基于上述原因, 我们借鉴并选择Logistic回归模型的成熟经验, 建立信用评分系统模型。

一、指标选择

本次建模结合原始数据和前人研究成果, 从客户的基本信息和个人借贷信息两人维度出发, 选择包括客户ID、户籍、学历、婚姻、收入、是否有公积金、逾期次数、逾期金额、贷款状态等在内的26个指标, 用于建立信用评价模型。

利用woe证据权重为标准进行筛选, 然后按照重要性进行排序, 选择跟Y (是否违约) 最重要的10个变量。分别是:收入、贷款合同金额、贷款逾期次数、贷款次数、贷款逾期月数、婚姻、贷记卡已用额度/平均6个月使用额度、学历、贷款本金金额、贷记卡本月实际还款/已用额度。

二、模型建立

当因变量为定性数据时, 目前常用的统计方法有逻辑回归、分类树法, 比较常使用的非统计学方法有数学规划法和神经网络等。由于互联网金融贷款需要通过客户的行为特征信息来预测其未来信用的“好”和“坏”, 因此本文采用逻辑回归方法建立评分模型。

Logistic概率函数可表示为:

数据集分为训练集和测试集, 训练集用来建立模型, 测试集用来评估模型的好坏, 训练集与测试集的比例为7:3。

(一) 回归结果

逻辑回归最终结果为:

(二) 评估结果

AUC即为ROC曲线和y=x直线之间的面积, 模型的优劣是通过该面积大小来判断的, 而对于一般情况而言, AUC大于0.6就能够说明模型是比较合理的。上述结果中, AUC为0.651, 这表明本文研究中建立的模型是合理的。

三、模型结果分析

根据模型我们可以看出:

从月收入来看, 信用状况随着收入的增加而显著增加;从受教育程度来看, 学历对信用状况的影响很显著, 而且学历越高, 信用状况越好, 教育程度在硕士及以上的人明显高于其他学历层;从近24个月逾期次数来看, 这个指标反映了逾期次数越长, 客户的违约概率越大;从贷记卡已用额度/平均6个月使用额度情况来看, 系数为负, 说明当已用额度与平均6个月使用额度占比越小, 这些客户违约的概率越小。

上述模型的分析结果也与实际情况基本符合。

四、结论和建议

本文通过国内外大量文献查阅、研究金融公司的业务及风控体系, 对征信机构的个人借贷风险进行了研究分析。今后将进一步研究专门评分模型, 并配合信用评分模型对互联网金融个人贷款风险进行管控。同时, 本次研究, 主要是对贷款业务中贷前风险进行的研究分析, 但实际操作中, 贷后如违约催收、违约处置等也是风险的主要来源, 更是今后的研究重点。

摘要：本文首先对互联网金融的问题背景、信用评分体系模型的理论与发展进行了研究与描述, 然后借鉴逻辑回归对某贷款机构的历史业务数据进行了分析, 通过建立违约预警模型来有效地对客户进行风险评估, 从而提高审核效率和降低违约风险。经分析检验表明:模型对好坏账户有一定的区分能力, 能较好地控制了个人贷款风险。

关键词：互联网金融,信用评分体系,逻辑回归,ROC

参考文献

[1] 陈文华.信用评分模型与方法[J].业务平台, 2007 (3) .

[2] 石庆炎, 靳云汇.多种个人信用评分模型在中国应用的比较研究[J].统计研究, 2004 (6) .

[3] 程砚秋.基于支持向量机的农户小额贷款决策评价研究[D].大连理工大学博士学位论文, 2011

[4] 徐淑芳, 刘佳.经济欠发达地区农信社农户小额贷款绩效研究[J].农村经济, 2012 (9) .