大數(shù)據(jù)統(tǒng)計(jì)學(xué)實(shí)踐報(bào)告-文庫吧資料
2024-08-16 02:56本頁面
【正文】 nce并不是完全擺脫傳統(tǒng)征信體系，在ZestFinance進(jìn)行信用評(píng)估時(shí)，傳統(tǒng)征信數(shù)據(jù)要占到至少30%。 （1）ZestFinance的大數(shù)據(jù)征信是完善和更新傳統(tǒng)征信系統(tǒng)的積極嘗試，而不是替代品。在應(yīng)對(duì)風(fēng)險(xiǎn)控制的挑戰(zhàn)時(shí)，ZestFinance受到了互聯(lián)網(wǎng)金融機(jī)構(gòu)的熱捧，目前國內(nèi)多家互聯(lián)網(wǎng)金融機(jī)構(gòu)正在和ZestFinance洽談合作，認(rèn)為這種利用大數(shù)據(jù)技術(shù)的信用評(píng)估方法是解決國內(nèi)互聯(lián)網(wǎng)金融和普惠金融的信用風(fēng)險(xiǎn)管理問題的靈丹妙藥。目前互聯(lián)網(wǎng)金融處于快速的發(fā)展過程中，根據(jù)銀監(jiān)會(huì)的統(tǒng)計(jì)，目前國內(nèi)可查的P2P網(wǎng)貸公司已經(jīng)達(dá)到1200家。 （4）信用量化評(píng)估的方式也發(fā)生了改變，新的信用評(píng)估體系拋棄了只用很少變量的FICO信用評(píng)分模型，基于大數(shù)據(jù)技術(shù)，不僅采用機(jī)器學(xué)習(xí)的模型，而且使用更多變量，一方面可以使信用評(píng)估的決策效率提高，另一方面還明顯降低了風(fēng)險(xiǎn)違約率。 （3）從關(guān)注的側(cè)重點(diǎn)來看，傳統(tǒng)的信用評(píng)估模型更關(guān)注授信對(duì)象的歷史信息，致力于深度挖掘。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 （1）從服務(wù)的人群來說，新的信用評(píng)估體系可以服務(wù)沒有被傳統(tǒng)征信體系覆蓋的人群，即沒有征信記錄的人群（美國的征信體系能夠覆蓋85%的人群，覆蓋不到15%的人群）。 近年來，這種基于大數(shù)據(jù)的信用風(fēng)險(xiǎn)評(píng)估框架（遠(yuǎn)不能稱為主流的信用評(píng)估方法）被國內(nèi)外多家互聯(lián)網(wǎng)金融機(jī)構(gòu)采用，如德國的Kreditech、美國的Kabbage，以及國內(nèi)最近獲得IDG公司A首輪4000萬元投資的閃銀（Wecash）等，對(duì)傳統(tǒng)的信用體系形成了沖擊。這10個(gè)模型以如下的方式進(jìn)行投票：讓你最聰明的10個(gè)朋友坐在一張桌子旁，然后詢問他們對(duì)某一件事情的意見。最后，將每一個(gè)模型輸出的結(jié)論按照模型投票的原則，形成最終的信用分?jǐn)?shù)。再次，在關(guān)聯(lián)性的基礎(chǔ)上將變量重新整合成較大的測量指標(biāo)，每一種變量反映借款人的某一方面特點(diǎn)，如詐騙概率、長期和短期內(nèi)的信用風(fēng)險(xiǎn)和償還能力等。首先，數(shù)千種來源于第三方（如電話賬單和租賃歷史等）和借貸者的原始數(shù)據(jù)將被輸入系統(tǒng)。 多維度的征信大數(shù)據(jù)可以使得ZestFinance能夠不完全依賴于傳統(tǒng)的征信體系，對(duì)個(gè)人消費(fèi)者從不同的角度進(jìn)行描述和進(jìn)一步深入地量化信用評(píng)估。 最后，直接詢問用戶。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例 再次是網(wǎng)絡(luò)數(shù)據(jù)，如IP地址、瀏覽器版本甚至電腦的屏幕分辨率，這些數(shù)據(jù)可以挖掘出用戶的位置信息、性格和行為特征，有利于評(píng)估信貸風(fēng)險(xiǎn)。只有充分考察借款人借款行為背后的線索及線索間的關(guān)聯(lián)性，才能提供深度、有效的數(shù)據(jù)分析服務(wù)，降低貸款違約率。另外，它還包括大量的非傳統(tǒng)數(shù)據(jù)，如借款人的房租繳納記錄、典當(dāng)行記錄、網(wǎng)絡(luò)數(shù)據(jù)信息等，甚至將借款人填寫表格時(shí)使用大小寫的習(xí)慣、在線提交申請(qǐng)之前是否閱讀文字說明等極邊緣的信息作為信用評(píng)價(jià)的考量因素。另一方面，將能夠影響用戶信貸水平的其他因素也考慮在內(nèi)，如社交網(wǎng)絡(luò)信息、用戶申請(qǐng)信息等，從而實(shí)現(xiàn)了深度和廣度的高度融合。ZestFinance對(duì)大數(shù)據(jù)技術(shù)的應(yīng)用主要從大數(shù)據(jù)采集和大數(shù)據(jù)分析兩個(gè)層面為缺乏信用記錄的人挖掘出信用。國外三大征信機(jī)構(gòu)和FICO公司都已經(jīng)開始了如何利用大數(shù)據(jù)技術(shù)來完善傳統(tǒng)信用評(píng)估體系的前瞻性研究，如益百利（Experian）投入研究團(tuán)隊(duì)關(guān)注社交網(wǎng)絡(luò)數(shù)據(jù)對(duì)信用評(píng)分的影響，F(xiàn)ICO公司多年前就開始了在線評(píng)估的信息工具和基于互聯(lián)網(wǎng)的信用評(píng)估系統(tǒng)的項(xiàng)目研究。 四、傳統(tǒng)信用評(píng)估模型時(shí)間上比較滯后 雖然FICO評(píng)分仍然體現(xiàn)風(fēng)險(xiǎn)排序，但其預(yù)測絕對(duì)風(fēng)險(xiǎn)的能力和在2008年金融危機(jī)中的表現(xiàn)飽受指責(zé)，圖3展示，F(xiàn)ICO分?jǐn)?shù)從2005年到2011年在美國人口中的分布基本上沒有大的變化，這和2008年金融危機(jī)爆發(fā)之后出現(xiàn)大量壞賬的現(xiàn)實(shí)嚴(yán)重不符。大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例傳統(tǒng)的信用評(píng)估模型雖然在進(jìn)行信用風(fēng)險(xiǎn)管理過程中發(fā)揮了很大的作用，如曾經(jīng)促進(jìn)了美國房貸市場的飛速發(fā)展。如圖2所示，它主要從五個(gè)方面考察用戶的信貸資質(zhì)。信用記錄不完整或者不夠完善的個(gè)人消費(fèi)者，依據(jù)傳統(tǒng)信用評(píng)估體系（FICO評(píng)分），往往很難被傳統(tǒng)金融服務(wù)機(jī)構(gòu)所覆蓋，即使在金融體系發(fā)達(dá)的美國也無法獲得常規(guī)的金融服務(wù)，或者需要付出很大的代價(jià)才能獲得常規(guī)的金融服務(wù)。比如，遇到了醫(yī)療緊急事故，或者最近剛剛移民美國。根據(jù)FICO的標(biāo)準(zhǔn)，如果人們未能如期還款，或者缺乏借貸經(jīng)歷，他們就會(huì)自動(dòng)被視為風(fēng)險(xiǎn)人士，他們的貸款也就會(huì)被懲罰性地給以更高的利率。其中，美國個(gè)人消費(fèi)者的平均FICO評(píng)分為678。 二、為什么要進(jìn)行大數(shù)據(jù)評(píng)估傳統(tǒng)的信用評(píng)估服務(wù)無法覆蓋全體人群，特別是弱勢群體？大數(shù)據(jù)征信應(yīng)用與啟示 wbr——以美國互聯(lián)網(wǎng)金融公司 wbrZestFinance為例圖1展示了美國FICO評(píng)分與其對(duì)應(yīng)的人口分布情況，初始每個(gè)人的分值基數(shù)為850分，信用評(píng)分模型利用征信數(shù)據(jù)從多個(gè)評(píng)分因素考察消費(fèi)者的信用風(fēng)險(xiǎn)，從850分中減分。 ZestFinance引起國內(nèi)的關(guān)注始于2013年7月，當(dāng)時(shí)全球第三方支付平臺(tái)PayPal聯(lián)合創(chuàng)始人、美國知名投資人彼得發(fā)薪日貸款因借款人承諾在發(fā)薪日還款而得名。ZestFinance的研發(fā)團(tuán)隊(duì)主要由數(shù)學(xué)家和計(jì)算機(jī)科學(xué)家組成，前期的業(yè)務(wù)主要通過ZestCash平臺(tái)提供放貸服務(wù)，后來專注于提供信用評(píng)估服務(wù)，旨在利用大數(shù)據(jù)技術(shù)重塑審貸過程，為難以獲得傳統(tǒng)金融服務(wù)（Underbanked）的個(gè)人創(chuàng)造可用的信用，降低他們的借貸成本。梅瑞爾（Douglas Merrill）和金融機(jī)構(gòu)Capital One的信貸部高級(jí)主管肖恩本文結(jié)合美國的金融環(huán)境，對(duì)ZestFinance進(jìn)行簡要介紹，分析大數(shù)據(jù)征信產(chǎn)生的背景，剖析大數(shù)據(jù)征信技術(shù)，并全面客觀地闡述了大數(shù)據(jù)征信技術(shù)對(duì)于中國互聯(lián)網(wǎng)金融和征信業(yè)未來發(fā)展的借鑒意義?？梢钥闯?，大數(shù)據(jù)使我們對(duì)數(shù)據(jù)的利用取得了更大的主動(dòng)權(quán)，將促使傳統(tǒng)統(tǒng)計(jì)學(xué)的迅速發(fā)展。若將統(tǒng)計(jì)軟件與大數(shù)據(jù)結(jié)合起來，則統(tǒng)計(jì)分析的過程可以在很大程度上簡化。常見的統(tǒng)計(jì)軟件有 SAS、R、STATA、SPSS、MATLAB 等。 （7）． 統(tǒng)計(jì)軟件的增多。第三，傳統(tǒng)的統(tǒng)計(jì)推斷分析過程是以分布理論為基礎(chǔ)，在概率保證的前提下，對(duì)總體進(jìn)行推斷，通常是根據(jù)樣本特征去推斷總體特征，推斷是否正確取決于樣本的好壞。事實(shí)證明，這種實(shí)證分析存在很大誤差。大數(shù)據(jù)時(shí)代，統(tǒng)計(jì)分析過程為“定量—定性”，基礎(chǔ)性的工作就是找到“定量的回應(yīng)”，直接從各種“定量的回應(yīng)”中找出有價(jià)值的、為我們所
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1