基于BP神經網絡的客戶信用評級模型

姜健 陳婧伊 王宇歌

摘 要：規(guī)避道德風險的關鍵在于正確的授信，即根據客戶的資質確定借貸金額，基于此，本文建立了基于信用評級的道德風險規(guī)避模型，根據客戶的信用等級來進行消費金融借貸。在客戶畫像體系的建立中，數據中客戶量極大，無法一一描述每一個客戶的特征，本文通過篩選指標建立了合理的客戶價值評估模型，并進行了仿真驗證。

關鍵詞：BP神經網絡 客戶信用 t檢驗 客戶畫像

中圖分類號：F832 文獻標識碼：A 文章編號：2096-0298（2018）06（c）-172-02

在消費金融如火如荼發(fā)展的同時，為了搶奪客戶，不少消費分期平臺的服務人群逐步下沉至農村、大學生、流動人口甚至“黑戶”，而農民收入低大多比較貧窮、學生無固定收入來源、流動人口流動性大、黑戶信用程度低，因此，在消費金融井噴式增長的同時埋下風險隱患，出現了違規(guī)操作、客戶資質下沉、過度授信、風控不力、壞賬率高等諸多問題。

1 客戶畫像體系建立

識別客戶價值應用最廣泛的模型是通過三個指標（最近消費時間間隔（Recency）、消費頻率（Frequency）、消費金額（Monetary）來進行客戶細分，簡稱RFM模型。從某商業(yè)銀行的客戶信息數據中（train）提取了個貸是否結清標志、本月轉入筆數、本期賬戶交易金額、客戶資產總額五個指標對客戶進行分類，如圖1所示。

基于該特征描述，定義5個等級的客戶類別：重要保持客戶、重要發(fā)展客戶、重要挽留客戶、一般客戶與低價值客戶。其中客戶群1屬于重要挽留客戶、客戶群2屬于一般客戶、客戶群3屬于重要發(fā)展客戶、客戶群4屬于低價值客戶、客戶群5屬于重要保持客戶，它們的特征如下。

（1）重要保持客戶。這類客戶的交易金額很大，在資產總額方面有著絕對優(yōu)勢，同時也沒有明顯的弱勢特征。他們是消費金融行業(yè)的高價值客戶，是最為理想的客戶類型。消費金融企業(yè)應該優(yōu)先將資源投放到他們身上，對他們進行差異化管理和一對一的營銷，提高這類客戶的忠誠度與滿意度，盡可能地延長這類客戶的高水平消費。

（2）重要發(fā)展客戶。這類客戶的信用程度很好，同時沒有明顯弱勢特征，他們是消費金融企業(yè)的潛在價值客戶。雖然這類客戶的當前價值并不是很高，但卻有很大的發(fā)展?jié)摿?。航空公司要努力促使這類客戶增加在消費金融領域的消費，也就是增加其交易金額。通過客戶價值的提升，加強這類客戶的滿意度，使他們逐漸成為消費金融公司的忠誠客戶。

（3）重要挽留客戶。這類客戶無明顯的優(yōu)勢特征，但劣勢特征也不多，主要存在一些個貸沒有結清的情況。這類客戶價值變化的不確定性很大，由于這些客戶衰退的原因各不相同，所以掌握客戶的最新信息、維持與客戶的互動就顯得尤為重要了。

（4）一般客戶或低價值客戶。這類客戶無明顯的優(yōu)勢特征，同時還存在一些劣勢特征，如個貸未結清、交易金額、交易次數、資產總額少等。他們是消費金融企業(yè)的一般用戶或低價值用戶，可能是手頭實在不寬裕的時候才會進行消費借貸。

2 顯著性檢驗

t檢驗可以根據樣本數據推斷總體的均值是否有顯著性差異?；跉w一化的數據，t檢驗的零假設和備擇假設如下：

利用SPSS統(tǒng)計軟件得到的t檢驗結果分析：

t檢驗首先要判斷總體的方差是否相等，利用SPSS軟件可以直接得到方差齊性滿足和不滿足兩種情況下t檢驗的P值，在0.05的顯著性水平下，P<0.05，拒絕原假設，認為該變量可以對“是否逾期”有良好的區(qū)分效果。本文基于此挑選出對逾期行為有顯著影響的14個變量，分別為：最近3個月轉出筆數、資產總額、最近3個月客戶AUM平均值、最近6個月客戶AUM平均值、3個月基金月日均金額、6個月基金月日均金額、3個月國債月日均金額、6個月國債月日均金額、最近3個月客戶月平均資產總計、最近6個月客戶月平均資產總計、6個月月平均持有外幣金額、3個月月平均持有本幣金額、6個月月平均持有本幣金額、6個月月平均外幣新增余額。

3 BP神經網絡建立

本文采用BP神經網絡技術包括訓練—仿真，由上面經過t檢驗篩選出的14個變量作為輸入訓練神經網絡，網絡訓練完成后將test中的數據輸入，得到test數據表中每一個客戶的類別歸屬。

輸入層神經元取14，隱含層定位2，網絡的輸出層神經元個數取1，輸出客戶的得分情況。實驗結果如圖2、圖3所示，通過誤差傳播過程發(fā)現隨著網絡運行步長的增多，MSE誤差呈現不斷下降的趨勢，網絡訓練中止，此時誤差小于0.06的量級，能夠滿足擬合要求。

將test數據表中的客戶信息輸入到已經訓練好的BP神經網絡中，即可得到輸入的客戶的得分情況，得分區(qū)間為[-1，1]。其中，-1代表無逾期，1代表有逾期，得分越接近-1代表信用程度越高，反之，越接近1代表信用程度越低。再根據信用程度高低確定授信額度，就可顯著的減小壞賬情況，有效地規(guī)避道德風險。

神經網絡輸出的客戶得分情況部分展示，如表1所示。

綜上所述，得分情況反應了客戶的資質以及信用情況，消費金融企業(yè)應根據客戶的資質確定借貸金額，根據客戶的信用評級來進行消費金融借貸，防止違規(guī)操作、過度授信等錯誤操作，如此才可減小壞賬率，有效地規(guī)避道德風險。

4 結語

BP神經網絡是目前世界上最為廣泛應用的神經網絡模型之一，在預測、評價等方面都得到了廣泛應用。該模型作為一種解決非線性問題的有利工具，可以推廣到其他領域的應用。但由于BP神經網絡模型自身的局限性，實際應用中需要進行一定的改進和修正。

參考文獻

[1] 卓金武，李必文，魏永生，等.MATLAB在數學建模中的應用（第二版）[M].北京：北京航空航天大學出版社，2014.

[2] 姜啟源，謝金星，葉俊.數學模型（第四版）[M].北京：高等教育出版社，2011.

[3] 謝中華.MATLAB統(tǒng)計分析與應用[M].北京：北京航空航天大學出版社，2011.