信用评分模型

一、引言 如何利用机器学习以及大数据技术来降低风险呢？如何建立信用评分的模型呢？本文将针对这些问题简单介绍互金行业中授信产品的风控建模过程，内容主要如下： ·信用风险定义 ·信用风险评分卡类型 ·信用评分模型建立的基本流程 1.信用风险定义 ①风险管理的概念 风险管理最早起源于美国。1930年由美国管理协会保险部最先倡导风险管理，后面在全球流行开来，随着互联网的迅猛发展，大数据、数据挖掘和机器学习等新兴技术开始出现，让风险管理更为精准。他们通过收集银行系统本身的征信数据以及用户在互联网上的的各种数据，包括人际关系、历史消费行为、身份特征等，通过大数据“画像”技术，对用户进行全面的定位，由此来预测用户的履约能力、降低信贷风险。 ②什么是信用风险？ 信用风险又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性。即受信人不能履行还本付息的责任而使授信人的预期收益与实际收益发生偏离的可能性，它是金融风险的主要类型。 万事都有风险，但对于金融行业来讲，风险控制尤为重要。对于海量的用户数据处理，传统的人工授信方式显然是很乏力的，因此现在大多互联网金融P2P公司都采用机器学习、大数据等技术对风险进行自动化评估，来最大程度的降低风险。当然，这些技术的应用并不能百分百的保证零风险，因为有很多人为因素是不可控的

传统个人征信的分析维度包括： 1 ）个人基本数据，如年龄、性别、职业、收入、婚姻状况、工作年限、 工作状况等； 2） 信贷情况，主要是信贷和信用卡相关数据； 3）公共数据，包括税务、工商、法院、电信、水电煤气等部门的数据； 4） 个人信用报告查询记录。 如今随着 大数据 时代的到来和发展，可用于评估人们的数据越来越丰富，如电商的交易数据、社交类数据（强社交关系如何转化为信用资产）、网络行为数据等， 来自互联网的数据将帮助金融机构更充分地了解客户。 （一） 侧重电商： 芝麻信用 以芝麻信用所构建的信用体系来看，芝麻信用分根据当前采集的个人用户信息进行加工、整理、计算后得出的信用评分，分值范围是 350 到 950，分值越高代表信用水平越好，较高的芝麻分可以帮助个人获得更高效、更优质的服务。 芝麻分综合考虑了个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度的信息，其中来自淘宝、支付宝等“阿里系”的数据占 30-40%。 1） 信用历史： 过往信用账户还款记录及信用账户历史。目前这一块内容大多来自支付宝，特别是支付宝转账和用支付宝还信用卡的历史。 2） 行为偏好： 在购物、缴费、转账、理财等活动中的偏好及稳定性。比如一个人每天打游戏 10 小时，那么就会被认为是无所事事；如果一个人经常买纸尿裤，那这个人便被认为已为人父母，相对更有责任心。 3） 履约能力：

在互联网金融迅猛发展的背景下，风险控制问题已然成为行业焦点，基于大数据的风控模型正在成为互联网金融领域的热门战场。那么，大数据风控到底是怎么一回事呢？与传统风控相比，它又是怎样来进行风险识别的呢？本文对此进行了探讨。 大数据能够进行数据变现的商业模式目前就是两个 ，一个是 精准营销 ，典型的场景是商品推荐和精准广告投放， 另外一个是 大数据风控 ，典型的场景是互联网金融的大数据风控。 金融的 本质是风险管理 ，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。 传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据， 利用评分来识别客户的还款能力和还款意愿 。信用相关程度强的数据纬度为十个左右，包含 年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录 等，金融企业参考用户提交的数据进行打分，最后得到申请人的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有 区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率 等。 互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中， 首先还是利用信用属性强的金融数据，判断借款人的还款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充

https://www.cnblogs.com/nxld/p/6364686.html 在互联网金融迅猛发展的背景下，风险控制问题已然成为行业焦点，基于大数据的风控模型正在成为互联网金融领域的热门战场。那么，大数据风控到底是怎么一回事呢？与传统风控相比，它又是怎样来进行风险识别的呢？本文对此进行了探讨。 大数据能够进行数据变现的商业模式目前就是两个 ，一个是精准营销 ，典型的场景是商品推荐和精准广告投放， 另外一个是大数据风控 ，典型的场景是互联网金融的大数据风控。 金融的 本质是风险管理 ，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。 传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据， 利用评分来识别客户的还款能力和还款意愿 。信用相关程度强的数据纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。 互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据

在互联网金融迅猛发展的背景下，风险控制问题已然成为行业焦点，基于大数据的风控模型正在成为互联网金融领域的热门战场。那么，大数据风控到底是怎么一回事呢？与传统风控相比，它又是怎样来进行风险识别的呢？本文对此进行了探讨。 大数据能够进行数据变现的商业模式目前就是两个，一个是精准营销，典型的场景是商品推荐和精准广告投放，另外一个是大数据风控，典型的场景是互联网金融的大数据风控。 金融的本质是风险管理，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。 传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据，利用评分来识别客户的还款能力和还款意愿。信用相关程度强的数据纬度为十个左右，包含年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。 互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中，首先还是利用信用属性强的金融数据，判断借款人的还款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充

本文首发在 easyAI —— 人工智能知识库 什么是监督学习？ 监督学习是机器学习中的一种 训练方式/学习方式 ： 监督学习需要有明确的目标，很清楚自己想要什么结果 。比如：按照“既定规则”来分类、预测某个具体的值… 监督并不是指人站在机器旁边看机器做的对不对，而是下面的流程： 选择一个适合目标任务的数学模型 先把一部分已知的“问题和答案”（训练集）给机器去学习 机器总结出了自己的“方法论” 人类把"新的问题"（测试集）给机器，让他去解答 上面提到的问题和答案只是一个比喻，假如我们想要完成文章分类的任务，则是下面的方式： 选择一个合适的数学模型 把一堆已经分好类的文章和他们的分类给机器 机器学会了分类的“方法论” 机器学会后，再丢给他一些新的文章（不带分类），让机器预测这些文章的分类 监督学习的2个任务：回归、分类 监督学习有2个主要的任务： 回归 分类 **回归：预测连续的、具体的数值。**比如：支付宝里的芝麻信用分数(下面有详细讲解) **分类：对各种事物分门别类，用于离散型（ 什么是离散？ ）预测。**比如： 「回归」案例：芝麻信用分是怎么来的？ 下面要说的是个人信用评估方法—— FICO 。 他跟芝麻信用类似，用来评估个人的信用状况。FICO 评分系统得出的信用分数范围在300～850分之间，分数越高，说明信用风险越小。 下面我们来模拟一下 FICO 的发明过程

本博文将针对消费贷款领域的信用评分及其模型进行相关研究探讨。虽然人人都可以通过对借款方在Lending Club(国外最大的P2P网站)和Prosper上的历史借贷数据进行分析，但我相信，了解消费信贷行为、评分机制和贷款决策背后的工作原理可以帮助投资人更好的在市场中进行决策，获得收益。 消费信贷一直是推动世界领先国家经济转型的主要力量。在过去的50年里，消费开支也因此有所增加。根据纽约联邦储备银行家庭债务和信用季度报告,2014年8月，消费者负债总额为11.63万亿美元，其中74%为按揭和净值贷款，10%为学生贷款，8%为汽车贷款，以及6%为信用卡债务。消费信贷需求增长率极高，自动化风险评估系统势在必行。 信用评分 信用评分最早始于上世纪50年代初。信用评分最初使用 统计学方法 来区分优秀和不良贷款。最初，信用评分的重点是是否要给贷方发放贷款，后来，这种行为转变成了 申请人评分（applicant scoring） 。信用评分借着申请人评分这一项成为了一项成功的评价系统。 在信用评分中，信贷价值假设会在未来的几年保持稳定，贷方会对申请人是否会在未来的12个月内出现90天以上的逾期支付进行评估。申请成功时的最低评分界限是该分值边际良好和不良贷款几率相比而来。申请者贷款1-2年以来的数据，加上相应的信用记录将帮助建立申请者未来2年左右的申请评分模型。 行为评分（Behavioral

美国的个人信用评分系统，主要是Fair IsaacCompany 推出的 FICO，评分系统也由此得名。一般来讲， 美国人经常谈到的你的得分 ，通常指的是你目前的FICO分数。而实际上， Fair Isaac 公司开发了三种不同的FICO 评分系统 ，三种评分系统分别由美国的三大信用管理局使用评分系统的名称也不同。 信用管理局名称 FICO 评分系统名称 Equifax BEACON* Experian ExperianPFair Isaac Risk Model TransUnion FICO Risk Score, Classic Fair Isaac 公司所开发的这三种评分系统使用的是相同的方法, 并且都分别经过了严格的 测试 。即使客户的历史信用数据在三个信用管理局的 数据库 中完全一致, 从不同的信用管理局的评分系统中得出的信用得分也有可能不一样, 但是相差无几。 　　　　　　fico评分系统全球分布图 FICO 评分系统得出的信用分数范围在300- 850分之间。分数越高, 说明客户的信用风险越小。但是分数本身并不能说明一个客户是好还是坏,贷款方通常会将分数作为参考, 来进行贷款决策。每个贷款方都会有自己的贷款策略和标准, 并且每种产品都会有自己的风险水平, 从而决定了可以接受的信用分数水平。一般地说, 如果借款人的信用评分达到680 分以上,

传统个人征信的分析维度包括： 1 ）个人基本数据，如年龄、性别、职业、收入、婚姻状况、工作年限、 工作状况等； 2） 信贷情况，主要是信贷和信用卡相关数据； 3）公共数据，包括税务、工商、法院、电信、水电煤气等部门的数据； 4） 个人信用报告查询记录。 如今随着 大数据 时代的到来和发展，可用于评估人们的数据越来越丰富，如电商的交易数据、社交类数据（强社交关系如何转化为信用资产）、网络行为数据等， 来自互联网的数据将帮助金融机构更充分地了解客户。 （一） 侧重电商： 芝麻信用 以芝麻信用所构建的信用体系来看，芝麻信用分根据当前采集的个人用户信息进行加工、整理、计算后得出的信用评分，分值范围是 350 到 950，分值越高代表信用水平越好，较高的芝麻分可以帮助个人获得更高效、更优质的服务。 芝麻分综合考虑了个人用户的信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度的信息，其中来自淘宝、支付宝等“阿里系”的数据占 30-40%。 1） 信用历史： 过往信用账户还款记录及信用账户历史。目前这一块内容大多来自支付宝，特别是支付宝转账和用支付宝还信用卡的历史。 2） 行为偏好： 在购物、缴费、转账、理财等活动中的偏好及稳定性。比如一个人每天打游戏 10 小时，那么就会被认为是无所事事；如果一个人经常买纸尿裤，那这个人便被认为已为人父母，相对更有责任心。 3） 履约能力：

在互联网金融迅猛发展的背景下，风险控制问题已然成为行业焦点，基于大数据的风控模型正在成为互联网金融领域的热门战场。那么，大数据风控到底是怎么一回事呢？与传统风控相比，它又是怎样来进行风险识别的呢？本文对此进行了探讨。 大数据能够进行数据变现的商业模式目前就是两个 ，一个是 精准营销 ，典型的场景是商品推荐和精准广告投放， 另外一个是 大数据风控 ，典型的场景是互联网金融的大数据风控。 金融的 本质是风险管理 ，风控是所有金融业务的核心。典型的金融借贷业务例如抵押贷款、消费贷款、P2P、供应链金融、以及票据融资都需要数据风控识别欺诈用户及评估用户信用等级。 传统金融的风控主要利用了信用属性强大的金融数据，一般采用20个纬度左右的数据， 利用评分来识别客户的还款能力和还款意愿 。信用相关程度强的数据纬度为十个左右，包含 年龄、职业、收入、学历、工作单位、借贷情况、房产，汽车、单位、还贷记录等，金融企业参考用户提交的数据进行打分，最后得到申请人的信用评分，依据评分来决定是否贷款以及贷款额度。其他同信用相关的数据还有 区域、产品、理财方式、行业、缴款方式、缴款记录、金额、时间、频率等。 互联网金融的大数据风控并不是完全改变传统风控，实际是丰富传统风控的数据纬度。互联网风控中， 首先还是利用信用属性强的金融数据，判断借款人的还款能力和还款意愿，然后在利用信用属性较弱的行为数据进行补充