大數(shù)據(jù)個人信用體系、模型及案例綜述

李妍

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(fēng)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(jìn)行了綜述并對實用案例進(jìn)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(jìn)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。

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;二是流動速度大，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(jìn)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），不僅大幅度提高了評估結(jié)果的準(zhǔn)確性，還將非傳統(tǒng)信用指標(biāo)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(jìn)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(biāo)體系，為大數(shù)據(jù)征信的發(fā)展提供參考;王達(dá)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(jìn)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(jìn)行建模和變量選擇，同時考慮了數(shù)據(jù)集間的相似性和異質(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。

二、大數(shù)據(jù)個人信用評估模型及方法

袁章帥等（2019）將lGSO-BP協(xié)同集成學(xué)習(xí)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(xí)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（2015）針對P2P網(wǎng)絡(luò)借貸平臺的特點，確定個人信用風(fēng)險評估指標(biāo)，并以平臺借款人個人信用等級作為預(yù)測輸出目標(biāo)，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(fēng)險評估指標(biāo)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(biāo)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(biāo)體系進(jìn)行信用風(fēng)險評估，將測試結(jié)果與實際結(jié)果比較，優(yōu)化了信用風(fēng)險評估體系。謝陳昕（2019）對比分析了基于Logistic回歸、決策樹、隨機森林、支持向量機和神經(jīng)網(wǎng)絡(luò)的個人信用風(fēng)險評估模型，并在此基礎(chǔ)上提出了采用4種機器學(xué)習(xí)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(jìn)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(xí)算法的指標(biāo)解釋能力，說明基于機器學(xué)習(xí)算法的Logistic回歸模型對P2P網(wǎng)貸平臺的借款人信用風(fēng)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）、GBDT和XGBoost三種集成算法基礎(chǔ)上，提出基于XGBoost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(biāo)對個人信用評估進(jìn)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(zhǔn)確率指標(biāo)上比隨機森林（RF）高出6%，比GBDT算法高0.8%。王磊（2018）建立信用個人信用評價指標(biāo)體系，利用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(dá)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(jìn)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(dá)到對用戶信命評級96.28%的準(zhǔn)確率。

張潔琳（2018）通過對貝葉斯網(wǎng)絡(luò)進(jìn)行分析，以最小風(fēng)險決策準(zhǔn)則作為基本原則，在對用戶進(jìn)行信用評估時建立了一種全新的用戶信用評估模型。在對數(shù)據(jù)進(jìn)行采集的過程中，通過交叉驗證的方式對數(shù)據(jù)進(jìn)行了驗證，最終檢測結(jié)果表明，在對用戶進(jìn)行信用評估的過程中基于最小風(fēng)險準(zhǔn)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(fēng)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(jìn)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(zhǔn)確率為84.62%，測試集預(yù)測準(zhǔn)確率為78.80%，模型外推效果良好。

三、大數(shù)據(jù)個人信用評估典型案例

芝麻信用是是螞蟻金服2015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(xí)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?jǐn)?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(jìn)的樹模型GBDT（G radient BoostingDecisionTree），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(jìn)行訓(xùn)練，從而獲得一個具備可解釋性的準(zhǔn)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(fēng)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(jìn)而預(yù)測用戶的信用風(fēng)險水平。

四、結(jié)語

基于大數(shù)據(jù)的個人信用評分迎合了今年來移動互聯(lián)網(wǎng)及科技金融的發(fā)展，為在人民銀行的征信中心無法覆蓋的人群提供個人信用評分，基于大數(shù)據(jù)可以成為個人信用評分的重要指標(biāo)數(shù)據(jù)，進(jìn)而使得該部分人群能夠等到相應(yīng)的金融服務(wù)。大數(shù)據(jù)將拓寬傳統(tǒng)個人征信及信用系統(tǒng)的維度，實時構(gòu)建全新的個人信用評分體制防范潛在的信用風(fēng)險。