复杂网络在信用风险中的实践
1. 传统方法 在信贷领域主要有两种风险: 欺诈风险: 借款人的目的就是骗贷。 信用风险: 又称违约风险,是借款人因各种原因,不愿或无力履行合同条件而构成违约,致使平台遭受损失。 针对信用风险,需要对借款人的财务状况、还款意愿、履约能力等各方面因素综合量化评估,并根据风险等级制定不同的差异化定价(不同额度利率)和策略。 白话一点的解释就是: 业务: 需要训练一个模型,去预测借款人违约概率,并根据违约概率高低表示信用好坏,信用好的给予更高的额度和更低的贷款利率,针对信用较差的制定更严格的审核,更高的利率。 模型: 传统是使用评分卡,可解释性比较好。但现在越来越多会使用机器学习(如XGBoost),快速出结果且效果更好。 特征: 上图针对各个维度设计,并保证可解释性。 样本: 历史上是否违约的人群作为训练样本(都是钱啊)。 2. 复杂网络 如何将借款人所处的系统抽象成复杂网络?下面介绍基础层次和业务层次的抽象,最终得到什么样的复杂网络,以及为什么要这样做。 2.1 基础层次抽象 从原始数据中提取节点及关系抽象成复杂网络: 节点:用户、商户、公司、设备、LBS、IP/WIFI 关系:社交、消费、就职、使用、位置、上网 2.2 业务层次抽象 物以类聚,人以群分,一个人周围邻居的信用资质可以反应其自身信用资质。 基于上述业务假设对网络进一步抽象: 节点:用户 关系:社交、同位置、同设备