近年來, 互聯網金融的蓬勃興起引起了社會各界的廣泛關注, 呈現出多種多樣的業務模式和運行機制。金融機構在互聯網上為有融資需求的客戶提供更快捷的金融服務, 帶給用戶更好的服務體驗。然而, 由于信息不對稱往往帶來信用風險和用戶欺詐等問題, 建立精準的信用評分體系對于企業有著重要的意義。
目前學界對于信用評分系統模型有不同的分類, 也有不少文獻對不同的信用評分模型做了比較。陳文華 (2007) 將信用評分系統模型分為三類:基于規則的評分方法、基于行為的評分方法 (基于統計的評分方法) 和神經網絡評分方法。并且他認為這三類方法都具有各自的優缺點, 在決定選擇哪種模型進行信用評估的時候要根據工作業務的進行具體分析, 另外也可組合選用信用評分系統模型。
綜上, 目前信用評分系統模型方法有很多, 在這些常用方法中, Logistic回歸在穩健性上表現較為突出, 部分文獻甚至認為其預測精度較高甚至最高。另外, Logistic回歸也具有很強的解釋性, 基于上述原因, 我們借鑒并選擇Logistic回歸模型的成熟經驗, 建立信用評分系統模型。
一、指標選擇
本次建模結合原始數據和前人研究成果, 從客戶的基本信息和個人借貸信息兩人維度出發, 選擇包括客戶ID、戶籍、學歷、婚姻、收入、是否有公積金、逾期次數、逾期金額、貸款狀態等在內的26個指標, 用于建立信用評價模型。
利用woe證據權重為標準進行篩選, 然后按照重要性進行排序, 選擇跟Y (是否違約) 最重要的10個變量。分別是:收入、貸款合同金額、貸款逾期次數、貸款次數、貸款逾期月數、婚姻、貸記卡已用額度/平均6個月使用額度、學歷、貸款本金金額、貸記卡本月實際還款/已用額度。
二、模型建立
當因變量為定性數據時, 目前常用的統計方法有邏輯回歸、分類樹法, 比較常使用的非統計學方法有數學規劃法和神經網絡等。由于互聯網金融貸款需要通過客戶的行為特征信息來預測其未來信用的“好”和“壞”, 因此本文采用邏輯回歸方法建立評分模型。
Logistic概率函數可表示為:
數據集分為訓練集和測試集, 訓練集用來建立模型, 測試集用來評估模型的好壞, 訓練集與測試集的比例為7:3。
(一) 回歸結果
邏輯回歸最終結果為:
(二) 評估結果
AUC即為ROC曲線和y=x直線之間的面積, 模型的優劣是通過該面積大小來判斷的, 而對于一般情況而言, AUC大于0.6就能夠說明模型是比較合理的。上述結果中, AUC為0.651, 這表明本文研究中建立的模型是合理的。
三、模型結果分析
根據模型我們可以看出:
從月收入來看, 信用狀況隨著收入的增加而顯著增加;從受教育程度來看, 學歷對信用狀況的影響很顯著, 而且學歷越高, 信用狀況越好, 教育程度在碩士及以上的人明顯高于其他學歷層;從近24個月逾期次數來看, 這個指標反映了逾期次數越長, 客戶的違約概率越大;從貸記卡已用額度/平均6個月使用額度情況來看, 系數為負, 說明當已用額度與平均6個月使用額度占比越小, 這些客戶違約的概率越小。
上述模型的分析結果也與實際情況基本符合。
四、結論和建議
本文通過國內外大量文獻查閱、研究金融公司的業務及風控體系, 對征信機構的個人借貸風險進行了研究分析。今后將進一步研究專門評分模型, 并配合信用評分模型對互聯網金融個人貸款風險進行管控。同時, 本次研究, 主要是對貸款業務中貸前風險進行的研究分析, 但實際操作中, 貸后如違約催收、違約處置等也是風險的主要來源, 更是今后的研究重點。
摘要：本文首先對互聯網金融的問題背景、信用評分體系模型的理論與發展進行了研究與描述, 然后借鑒邏輯回歸對某貸款機構的歷史業務數據進行了分析, 通過建立違約預警模型來有效地對客戶進行風險評估, 從而提高審核效率和降低違約風險。經分析檢驗表明:模型對好壞賬戶有一定的區分能力, 能較好地控制了個人貸款風險。
關鍵詞：互聯網金融,信用評分體系,邏輯回歸,ROC
參考文獻
[1] 陳文華.信用評分模型與方法[J].業務平臺, 2007 (3) .
[2] 石慶炎, 靳云匯.多種個人信用評分模型在中國應用的比較研究[J].統計研究, 2004 (6) .
[3] 程硯秋.基于支持向量機的農戶小額貸款決策評價研究[D].大連理工大學博士學位論文, 2011
[4] 徐淑芳, 劉佳.經濟欠發達地區農信社農戶小額貸款績效研究[J].農村經濟, 2012 (9) .