大數(shù)據(jù)個人信用體系模型及案例綜述

1、大數(shù)據(jù)個人信用體系、模型及案例綜述摘要：近年來隨著金融科技的迅猛發(fā)展，個人信用體系在大數(shù)據(jù)及云計算技術(shù)發(fā)展背景下拓寬了邊界和內(nèi)涵，解決了傳統(tǒng)信用評級覆蓋不足的痛點并能有效輔助識別真實貸款需求及貸后風險，本文對近年大數(shù)據(jù)個人信融體系及個人信用體系模型搭建和進行了綜述并對實用案例進行分析。關(guān)鍵詞：大數(shù)據(jù)個人信用體系建模近十年來，隨著移動互聯(lián)網(wǎng)和金融科技的迅猛發(fā)展，傳統(tǒng)的個人信用體系已經(jīng)不能滿足市場需求，由于我國的個人信用體系建設(shè)起步較晚，直接影響了我國金融市場的交易秩序。為了夯實金融行業(yè)發(fā)展的基礎(chǔ)推動我國市場經(jīng)濟健康發(fā)展，以大數(shù)據(jù)為基礎(chǔ)對個人信用體系進行拓寬和優(yōu)化對我國征信行業(yè)的發(fā)展有著重要的意義

2、。一、大數(shù)據(jù)個人信用體系的構(gòu)建大數(shù)據(jù)不同于傳統(tǒng)數(shù)據(jù)主要體現(xiàn)在三個方面：一是體量大，體現(xiàn)在規(guī)模和傳輸量是流動速度大，數(shù)據(jù)實時或接近實時獲取和傳輸;三是種類多，數(shù)據(jù)結(jié)構(gòu)形式多樣。構(gòu)建個人信用體系的大數(shù)據(jù)來源有：一是個人產(chǎn)生的數(shù)據(jù)，如社交網(wǎng)絡(luò)信息、產(chǎn)品評價、搜索記錄、購物喜好等;二是商業(yè)過程數(shù)據(jù)，如物流數(shù)據(jù)、支付數(shù)據(jù)等，也有數(shù)據(jù)公司采集傳統(tǒng)商業(yè)數(shù)據(jù)，如大型百貨公司客流量、大型游樂場客流量等數(shù)據(jù);三是來自GPS定位、車輛軌跡和個人穿戴設(shè)備的數(shù)據(jù)（廖理，2019）。大數(shù)據(jù)的發(fā)展為傳統(tǒng)信用評級機構(gòu)提供了更為先進的數(shù)據(jù)采集和數(shù)據(jù)分析手段，有效地克服了傳統(tǒng)征信單值測度的局限性（Lin，2015），不僅大幅度提

3、高了評估結(jié)果的準確性，還將非傳統(tǒng)信用指標納入了評級體系，從而推動了普惠金融實踐（Packin&LevAretz，2016）。國內(nèi)研究者主要集中于研究大數(shù)據(jù)個人信用體系的構(gòu)建：蔡金鑫等（2018）等過改進傳統(tǒng)的“5C信用評估法”，構(gòu)建基于大數(shù)據(jù)的個人信用評估指標體系，為大數(shù)據(jù)征信的發(fā)展提供參考;王達山（2016）通過分析互聯(lián)網(wǎng)金融衍生的個人信用數(shù)據(jù)，綜合傳統(tǒng)信用評價數(shù)據(jù)，從個人身份、信用歷史、經(jīng)濟能力和社會信用屬性四個信用維度，提出了運用個人信用能力模型來對個人信用能力進行評價;方匡南等（2018）提出了基于多源數(shù)據(jù)融合的個人信用模型，可以同時對多個數(shù)據(jù)集進行建模和變量選擇，同時考慮了數(shù)據(jù)集間的

4、相似性和異質(zhì)性。所提出的整合模型在變量選擇和分類效果方面都具有明顯的優(yōu)勢。此外，將整合模型應(yīng)用于城市和農(nóng)村兩個數(shù)據(jù)集的個人信用評分中發(fā)現(xiàn)，整合模型在實際應(yīng)用中也有很好的表現(xiàn)。已有研究針對基于大數(shù)據(jù)的個人信用體系提出了諸多創(chuàng)造性的觀點，更多的研究聚焦于深入探討如何應(yīng)用大數(shù)據(jù)建立個人信用評估模型。、大數(shù)據(jù)個人信用評估模型及方法袁章帥等（2019）將1GSO-BP協(xié)同集成學(xué)習算法應(yīng)用于社交網(wǎng)絡(luò)信用評價中，建立基于IGSO-BP協(xié)同集成學(xué)習算法的社交網(wǎng)絡(luò)信用評價模型。梁心怡（2019）通過統(tǒng)計分析，結(jié)合大學(xué)生網(wǎng)絡(luò)消費信貸的個人信用數(shù)據(jù)，通過定性和定量分析建立適合大學(xué)生的個人信用評分模型。宋麗平等（20

5、15）針對P2P網(wǎng)絡(luò)借貸平臺的特點，確定個人信用風險評估指標，并以平臺借款人個人信用等級作為預(yù)測輸出目標，創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型，使貸款人和網(wǎng)貸平臺能夠更好地了解借款人的信用狀況。都紅雯等（2018）以微貸網(wǎng)為例，在該平臺原有信用風險評估指標基礎(chǔ)上，借鑒國外FICO信用評分方法和國內(nèi)芝麻信用評分方法，嘗試構(gòu)建適用于國內(nèi)P2P網(wǎng)貸平臺的信用評估指標體系，用于評估借款者信用。并選取微貸網(wǎng)平臺網(wǎng)站6917個借款者的數(shù)據(jù)、采用SVM-Logistic組合模型、運用修正后的指標體系進行信用風險評估，將測試結(jié)果與實際結(jié)果比較，優(yōu)化了信用風險評估體系。謝陳昕（2019）對比分析了基于Logistic回歸、決策

6、樹、隨機森林、支持向量機和神經(jīng)網(wǎng)絡(luò)的個人信用風險評估模型，并在此基礎(chǔ)上提出了采用4種機器學(xué)習算法綜合篩選重要變量再建立Logistic回歸模型的兩階段組合模型。應(yīng)用這一模型對“人人貸”平臺借款人數(shù)據(jù)進行實證研究。結(jié)果表明：該模型相較于Logistic回歸模型有著更高的精確度，克服了數(shù)據(jù)維度及定性變量數(shù)量的限制，而且提高了單一機器學(xué)習算法的指標解釋能力，說明基于機器學(xué)習算法的Logistic回歸模型對P2P網(wǎng)貸平臺的借款人信用風險評估有更好的適應(yīng)性。陸健健等（2019）針對銀行客戶信用評估模型不健全不完善等問題，在對比隨機森林（RF）、GBD向XGBoost三種集成算法基礎(chǔ)上，提出基于XGBoo

7、st算法的金融客戶信用評估模型。依據(jù)計算得到的相關(guān)多元評價指標對個人信用評估進行對比研究，實證結(jié)果表明，建立在XGBoost集成算法上的個人信用評估模型性能最優(yōu)，在準確率指標上比隨機森林（RF）高出6%比GBDTT法高0.8%。王磊（2018）建立信用個人信用評價指標體系，禾用BP神經(jīng)網(wǎng)絡(luò)算法，建立了借款人個人信用評價模型，為了達到更好的效果，采用不同的激活函數(shù)及權(quán)值調(diào)整方法進行模型優(yōu)化，最終建立基于擬牛頓算法的BP神經(jīng)網(wǎng)絡(luò)模型，能達到對用戶信命評級96.28%的準確率。張潔琳（2018）通過對貝葉斯網(wǎng)絡(luò)進行分析，以最小風險決策準則作為基本原則，在對用戶進行信用評估時建立了一種全新的用戶信用評

8、估模型。在對數(shù)據(jù)進行采集的過程中，通過交叉驗證的方式對數(shù)據(jù)進行了驗證，最終檢測結(jié)果表明，在對用戶進行信用評估的過程中基于最小風險準則的貝葉斯以及貝葉斯網(wǎng)絡(luò)分類模式可以有效的降低信用評估的風險。許彩艷等（2019）根據(jù)某商業(yè)銀行提供的客戶歷史數(shù)據(jù)，首先基于8萬條記錄，628個變量的原始數(shù)據(jù)進行統(tǒng)計描述分析，篩選出有效數(shù)據(jù)集：其次利用Lasso估計，找到最優(yōu)調(diào)節(jié)參數(shù)lambda,根據(jù)lambda與變量數(shù)目對應(yīng)走勢圖，最終篩選出19個變量，最后建立Lasso-logistic模型，分析結(jié)果顯示：訓(xùn)練集預(yù)測準確率為84.62%,測試集預(yù)測準確率為78.80%，模型外推效果良好。芝麻信用是是螞蟻金服20

9、15年初推出的第三方征信機構(gòu)，它是根據(jù)各不同種數(shù)據(jù)類型設(shè)計得出來的信用體系，通過阿里云計算、機器學(xué)習等技術(shù)手段來反映用戶的信用情況，已經(jīng)在消費分期、現(xiàn)金分期、租賃等場景便用。以國際主流個人信用評分模式作為參考，芝麻信用分從低到高共分為五級，由低到高代表著不同的信用等級。芝麻信用分數(shù)越高則代表信用越高，相反則代表低信用。具體評分結(jié)果由五個維度共同決定，分別是：信用歷史、行為偏好、履約能力、身份特質(zhì)、人脈關(guān)系。利用大數(shù)據(jù)技術(shù)，芝麻信用綜合考慮等五個維度信息，應(yīng)用了一種改進的樹模型GBDT(GradientBoostingDecisionTree)，深入挖掘特征之間的關(guān)聯(lián)性，衍生出具備較強信用預(yù)測能力的組合特征，并將該組合特征與原始特征一起使用邏輯回歸線性算法進行訓(xùn)練，從而獲得一個具備可解釋性的準確的線性預(yù)測模型。對個人用戶信息加工后得出最后評分結(jié)果。目前京東白條業(yè)務(wù)已面向全部用戶開放，用戶申請開通時京東會基于用戶消費行為數(shù)據(jù)，應(yīng)用大數(shù)據(jù)建模技術(shù)建立量化模型，實時評估違約風險和額度測算。京東白條可以得知白熱度信用評分主要基于用戶在京東商城注冊、瀏覽、下單、支付、配送、評價等的海量數(shù)據(jù)，并結(jié)合用戶消費和還款情況，深度挖掘用戶身份特征和偏好，評估用戶的履行能力，進而預(yù)測用戶的信用風險水平。四、結(jié)語基于大數(shù)據(jù)的個人