基于數(shù)據(jù)挖掘和K-Means模型的金融數(shù)據(jù)可視化分析

王譯啡 宋雅蓉

關鍵詞：金融借貸數(shù)據(jù)；可視化；K-Means 聚類；Python；第三方庫

0 引言

大力發(fā)展普惠金融，是我國全面建成小康社會的必然要求，意在為微小企業(yè)、農(nóng)民、城鎮(zhèn)低收入人群等弱勢群體提供有效的金融服務。之前研究表明，從解決居民融資問題的實際效果來看，P2P 借貸確有緩解難以獲得正規(guī)金融服務的人群融資困難的問題，但普惠金融的發(fā)展效益并沒有很好的呈現(xiàn)出來，其原因包括不同類型的服務客體參與貸款的主觀能動性差異。投資者對不同類型的服務客體主觀偏好不顯著等等[1]。所以在信息時代發(fā)展的背景下，需要利用大數(shù)據(jù)技術在數(shù)據(jù)處理與分析中的效能，與金融業(yè)務緊密融合，才能使金融服務的深度和廣度得以提升。

然而金融行業(yè)數(shù)據(jù)復雜且專業(yè)，難以讓一些不具備金融專業(yè)背景的信息使用者所理解。利用數(shù)據(jù)可視化手段將大量信息整合，轉化為圖片或線條呈現(xiàn)，無疑是理解海量數(shù)據(jù)的高效方式。不同的企業(yè)，應用可視化技術的程度是不相同的，許多用戶還是使用Excel 電子表格工具來進行數(shù)據(jù)比對，如vlookup 等方式，或是制作一個氣泡效果圖來發(fā)現(xiàn)異常。但受到數(shù)據(jù)量和效率成本等限制，有時通過Excel 分析展示數(shù)據(jù)的效果并不理想[2]。Python 語言有更高的效率和可擴展性，并且可以用于研究算法模型，數(shù)據(jù)量龐大且復雜時用Python 能更好的進行可視化呈現(xiàn)。

本文以普惠金融為背景，基于P2P 平臺LendingClub 的貸款數(shù)據(jù)，用Python 語言進行多維度可視化分析，產(chǎn)生用戶畫像，深度挖掘用戶的各項特征與金融服務之間的關系，找出參與貸款活動主觀能動性差異的關鍵因素，并利用機器學習算法實現(xiàn)大數(shù)據(jù)背景下對金融服務對象的精確細分，更利于金融服務的個性化推廣。

1 數(shù)據(jù)描述及探索

1.1 數(shù)據(jù)集簡介

P2P 貸款需要借助電子商務平臺來確立借貸關系，體現(xiàn)了在互相網(wǎng)環(huán)境下的新型金融模式，美國Lending Club 是世界最大的P2P 互聯(lián)網(wǎng)金融平臺，業(yè)務范圍是美國51 個州[3]，并且Lending Club 平臺對外公開了真實交易數(shù)據(jù)供學者研究，本文下載了該平臺公開的2007 年至2018 年所有數(shù)據(jù)，共2260701 條記錄（151個特征），從中篩選出2018年第四季度的所有數(shù)據(jù)，共計128412 條記錄，對所有特征進行整理并分析后篩選出15 個特征供后續(xù)分析研究使用，如表1 所示。

1.2 探索性數(shù)據(jù)分析

用Python 的Pandas 庫對數(shù)據(jù)進行了描述性統(tǒng)計分析，如圖1 所示，顯示數(shù)據(jù)完整性較好，僅emp_title與emp_length 屬性有少量的缺失值，由于缺失值占比很小，后期處理時直接進行刪除。另外，用describe 函數(shù)對浮點類型的數(shù)據(jù)進行了數(shù)值范圍的統(tǒng)計分析，用unique 函數(shù)對一些object 類型變量進行了取值探索。

2 數(shù)據(jù)分析與模型構建

2.1 單變量可視化探索

首先對客戶的基本信息進行分析，選取purpose，home_ownership，emp_length 變量，選擇利用Python 中Plotly 庫進行數(shù)據(jù)可視化，Plotly 繪圖底層是plotly.js，可以在網(wǎng)頁上實現(xiàn)交互功能，便于多維數(shù)據(jù)的復雜性分析展示[4]，如圖2 左側所示，客戶借款主要用于債務整合，以貸養(yǎng)貸，房屋改善等，客戶信用評估等級B 和C 占多數(shù)，基本呈現(xiàn)正態(tài)分布；從餅圖中也能看出有接近一半的客戶是擁有住房的，但是面臨著房貸壓力，有將近四成的客戶（39.4%）處于租房狀態(tài)，經(jīng)濟壓力較大。工作年限在十年以上的客戶占三成，LC 客戶平均工作年限在五年左右。

其次是對客戶貸款的情況進行系統(tǒng)分析，選擇出loan_amnt，int_rate， dti 和total_acc 這四個變量，利用Python 中Seaborn 庫進行繪制，從圖2 右側四張分布圖可以看出，公司主要以小額貸款為主，貸款金額分布在0.5-4 萬美元，貸款金額在1-2 萬區(qū)間的居多；利率分布主要集中在5%-15%，處于合理范圍；借款人的信用度集中在25 左右，普遍信用度較低，這也正是因為P2P 模式門檻低，審核簡單，所以很多融資困難，貸款困難的個人或企業(yè)會選擇該模式的原因[5]。Dti 是借款人每月所繳的債務總額（不包括LC貸款）除以借款人每月收入，能夠反映貸款對借貸人的壓力指數(shù)，結果顯示大部分客戶dti都集中在30%以下，原有的債務壓力不算太重，這也是衡量借款人還款能力的重要指標。

2.2 多變量可視化探索

多變量探索是為了發(fā)現(xiàn)變量與變量之間的關聯(lián)性，利用Seaborn 庫中的boxplot 方法繪制圖3 左側的箱圖，能看出還款狀態(tài)與借款金額之間的關系：延期還款的金額總體比已全部還清狀態(tài)下的借款金額要高一些；從不良公眾記錄與貸款金額的關系來看，不良記錄越多的，能申請到的貸款金額就越低，可見LC是有嚴格把關；年收入的多少與被驗證狀態(tài)的關系表現(xiàn)并不明顯，但是能發(fā)現(xiàn)年收入高其很多收入來源是有被LC 驗證的；統(tǒng)計發(fā)現(xiàn)，借款人職位排在前三的職位分別是老師。經(jīng)理和護士，并且這三類人員的借款金額也相對較高。

散點圖矩陣將多維數(shù)據(jù)中的各個維度兩兩組合繪制成一系列的按規(guī)律排列的散點圖，對海量數(shù)據(jù)進行變量之間關系的展示，利用Seaborn 庫中的pairplot方法進行如圖3 右側散點矩陣繪制，通過kind='reg'參數(shù)能夠在圖中加入最佳擬合線，擬合線能更清楚的表現(xiàn)兩個變量是如何變化的[5]，圖中顯示installment 與loan_amnt 幾乎呈現(xiàn)完全正相關趨勢，貸款金額越高，分期付款期數(shù)相對固定的情況下，每月還款金額肯定也就越高；從annual_inc 與loan_amnt 變化擬合線可以看出，也近乎是正相關，客戶年收入越高，能申請到的貸款金額就越高；annual_inc 與dti 近似擬合為負相關，體現(xiàn)出年收入越高，還款壓力就相對越小。

2.3 K-means 建模

聚類算法可以根據(jù)數(shù)據(jù)屬性之間的信息關系進行分組，最終使組內(nèi)樣本的相似度最大，組間相似度最小[6]，本文采用的K-means 模型是經(jīng)典的聚類算法，用于對客戶進行分組，以便于更好的繪制用戶畫像，了解客戶情況。基于對原始數(shù)據(jù)的探索分析，最終選定'int_rate'， 'loan_status'， 'emp_length'， 'open_acc'， 'dti' 這五個屬性來構建聚類模型。對于K-means 方法，K 的取值是一個難點，這里采用SSE 方法嘗試找到最優(yōu)的K 數(shù)值[7]，如圖4 所示，并沒有出現(xiàn)所謂的“拐”點，隨著K 值的增大，SSE 的值逐漸減小，當K=3 時，減小幅度明顯增大，所以最終確定K 為3。

所選取屬性中int_rate 和emp_length 數(shù)據(jù)類型都是object，需要將它們轉化為float 數(shù)字類型，另外，loan_status 是一個關鍵特征，反映了當前貸款的還款情況，包含了多個類別，根據(jù)Lending Club 官網(wǎng)標準解釋，對不同類別賦予不同權重以便后續(xù)處理，已全額償還和還在償還期內(nèi)的為好客戶，賦予較高值；逾期和核銷貸款的用戶賦予較低值，具體為：'Fully Paid'： 10，'Current'： 9，'In Grace Period'： 5，'Late （16-30 days）'：1，'Late （31-120 days）'：0.5，'ChargedOff'：-1。然后對所有數(shù)據(jù)進行標準化處理，使所有數(shù)據(jù)落入一個限定的區(qū)間，從而去除數(shù)據(jù)的單位限制，將其轉化為無量綱的純數(shù)值，便于不同單位的指標能夠進行比較和加權[8]。本文采用的z-score 標準化，利用公式：新數(shù)據(jù)=（原數(shù)據(jù)-均值）/標準差，將原始數(shù)據(jù)映射到新的區(qū)間[9]。然后使用Python 中的sklearn 庫，對數(shù)據(jù)進行聚類分析，從而得到聚類的中心點和每類的人群數(shù)目。為了更清晰的顯示聚類的結果，利用Matplotlib 可視化庫進行雷達圖繪制，如圖5 所示。

通過圖5 的聚類結果進行特征分析，該圖繪制在一個圓形極坐標系上，共五個特征維度，圖中點越靠近某特征的，證明該特征越明顯，反之亦然。由于之前確定k 值為3，故所有數(shù)據(jù)被分為三類，每個客戶群都有不同的表現(xiàn)特征，第一類人群共計54258 人，圖中黑色表示，總體來說這類人群工作年限較長，信用度較高，借款利率相對較低，并且借款狀態(tài)的值越高，證明拖欠可能性越低，證明此類客戶為優(yōu)質客戶群，也是應該重點維系和長期合作的對象。第二類人群共計60812 人，此類人群數(shù)量最大，但第二類人群幾乎在第一類人群特征中包含了，只是對比第一類人群的工作年限相對較低，可能新客戶占比較多，但信用度和還款能力較好，屬于重要發(fā)展和重要保持客戶。第三類客戶共計1616 人，該類客戶的明顯特點是借款狀態(tài)值很低，證明很多屬于經(jīng)常拖欠，延期和違約的，并且該類客戶的利率相較于其他客戶較高，證明還款周期較長，此類為低價值客戶，后期可重點對其進行分析，探究拖欠原因并針對性地解決。

3 結論與建議

3.1 研究結論

本文以Lending Club 公司2018 年Q4 季度的128412 條貸款數(shù)據(jù)（27 個特征）為研究對象，結合金融數(shù)據(jù)特點，基于Python 強大的第三方庫，對數(shù)據(jù)進行探索性分析，并以多類別可視化圖形的方式呈現(xiàn)，完成了對Lending Club（正文簡稱LC）平臺上的借款客戶畫像繪制，實現(xiàn)了對該平臺借貸業(yè)務的整體分析，同時通過對用戶進行分類，來分析了解客戶是否具有還款意愿及償還能力。總的來說，本文對金融借貸數(shù)據(jù)進行的可視化研究和探索具有較好的應用價值和實際意義。

3.2 研究建議

在金融信貸業(yè)務領域中，需要明確信貸機構的目標客戶群、目標客戶的特征以及客戶畫像信息，以Lending Club 平臺的P2P 小額借貸業(yè)務為例，完整、健全的客戶信息有利于公司更好的進行資格審查。因此可進一步細化借貸標準，完善征信體系，同時也有利于風控人員系統(tǒng)分析，把控違約風險，讓借款人養(yǎng)成良好的履約記錄，防止“跑路”情況的發(fā)生。另一方面，根據(jù)數(shù)據(jù)分析結果可以看出，借款人的信用度，工作年限，收入，借款時間等對利率和還款情況也是有一定影響的，因此借款人需要自律、守信，預防超支及過度消費行為，在規(guī)定期限內(nèi)還款。最后，借貸公司可以加強與銀行的合作，吸納更多有經(jīng)濟實力和還款能力的優(yōu)質客戶并適當提高其貸款額度，從而進一步推動普惠化發(fā)展。