核心

正態(tài)分布+邏輯回歸+Fico建模

數據清洗（正則表達式）

獲取外部數據（政府公開信用數據，外購征信數據）

謹慎大數據黑天鵝事件，對歷史數據權重處理

?

信用評分人數百分比累計百分比違約率300~4992%2%87%500~5495%7%71%550~5998%15%51%600~64912%27%31%650~69915%42%15%700~74918%60%5%750~79927%87%2%800~85013%100%1%

http://www.21jingji.com/2017/7-29/wMMDEzODBfMTQxNDUwMA.html

?http://www.cnblogs.com/nxld/p/6364341.html

揭秘銀行信用貸款風控術：風險評分模型成逆襲關鍵

?

風險評分
信用評分體系：評分系統(tǒng)包括個人信用記錄、個人財產與收入水平等評分

內部數據來自銀行掌握的個人履約能力、社交活動、行為偏好、銀行關系、信息齊全等；
外部數據來自第三方傳統(tǒng)征信、第三方互聯網征信、公安系統(tǒng)和電信數據等。

21世紀經濟報道記者獲悉，國內商業(yè)銀行的信用評分系統(tǒng)大多借鑒美國FICO評分系統(tǒng)，該系統(tǒng)根據信用償還歷史（35%）、欠款金額（30%）、信用歷史時長（15%）、信貸產品組合（10%）和新開立信用賬戶（10%）等指標進行評分。

對于信用評分，“不是說評分越高，那么給你的相應的額度就會越高?！痹擄L控人士表示，只能說比較重視。

數據清洗是風控模型的前提

信用評分的背后，則是風控模型。

一位消費金融高管表示，從風險模型來講，銀行發(fā)行信用卡需要填寫各種資料，比較繁瑣，審批需要人工、電核，后來演變到線上?！瓣P鍵是我們用什么方式讓這些盡量少得麻煩客戶，盡量準確地擋住欺詐人群?！逼渲?，“要把握一個平衡的問題，風險成本不是說把握得越嚴，風險損失就越小，否則就沒有利潤?！?/p>

我們放貸款的風控中，最大的挑戰(zhàn)是防欺詐，信用風險倒在其次。”一位城商行零售總監(jiān)表示，信貸業(yè)務主要通過線下進行，審批環(huán)節(jié)會篩掉10%的客戶。最終還會通過模糊搜索模型再次篩選客戶。

?

前述資深風控人士認為，“從國外經驗看，目前風控仍然是經驗驅動數據，而且數據的技術含量不低于風控模型?！倍鴮嶋H上，目前國內金融機構過度重視風控模型，對于數據質量的重視程度不夠。

在風控模型設計中，“FICO標準流程中，數據清洗就有12個步驟，甚至是風控負責人來做數據整理工作?！彼硎荆駝t模型會存在過擬合問題，將指標放入風控模型結果很好，但在生產過程中不穩(wěn)定。

對于數據來源，前述高管表示，金融機構不是平臺性企業(yè)，其實數據鏈是斷的。有的地方多一點，有的地方少一點，飽和度不太一樣。要得到完整的客戶的風險的畫像，還是要多方的數據來源來拼合。

?

?

美國FICO評分系統(tǒng)簡介

?

美國的個人信用評分系統(tǒng)，主要是Fair IsaacCompany 推出的 FICO，評分系統(tǒng)也由此得名。一般來講， 美國人經常談到的你的得分 ，通常指的是你目前的FICO分數。而實際上， Fair Isaac 公司開發(fā)了三種不同的FICO 評分系統(tǒng) ，三種評分系統(tǒng)分別由美國的三大信用管理局使用評分系統(tǒng)的名稱也不同。

信用管理局名稱FICO 評分系統(tǒng)名稱EquifaxBEACON*ExperianExperianPFair Isaac Risk ModelTransUnionFICO Risk Score, Classic

? ? ? ?Fair Isaac 公司所開發(fā)的這三種評分系統(tǒng)使用的是相同的方法, 并且都分別經過了嚴格的測試。即使客戶的歷史信用數據在三個信用管理局的數據庫中完全一致, 從不同的信用管理局的評分系統(tǒng)中得出的信用得分也有可能不一樣, 但是相差無幾。

　　　　　　fico評分系統(tǒng)全球分布圖

? ? ? ?FICO 評分系統(tǒng)得出的信用分數范圍在300- 850分之間。分數越高, 說明客戶的信用風險越小。但是分數本身并不能說明一個客戶是好還是壞,貸款方通常會將分數作為參考, 來進行貸款決策。每個貸款方都會有自己的貸款策略和標準, 并且每種產品都會有自己的風險水平, 從而決定了可以接受的信用分數水平。一般地說, 如果借款人的信用評分達到680 分以上, 貸款方就可以認為借款人的信用卓著,可以毫不遲疑地同意發(fā)放貸款。如果借款人的信用評分低于620 分, 貸款方或者要求借款人增加擔保, 或者干脆尋找各種理由拒絕貸款。如果借款人的信用評分介于620- 680 分之間, 貸款方就要作進一步的調查核實, 采用其它的信用分析工具, 作個案處理。目前, 美國的信用分數分布狀況見圖1。FICO 評分主要用于貸款方快速、客觀的度量客戶的信用風險, 縮短授信過程。FICO 評分在美國應用的十分廣泛, 人們能夠根據得分, 更快地獲得信用貸款, 甚至有些貸款, 可以直接通過網絡申請, 幾秒鐘就可以獲得批準, 縮短了交易時間, 提高了交易效率, 降低了交易成本。信用評分系統(tǒng)使用, 能夠幫助信貸方做出更公正的決策, 而不是把個人偏見帶進去, 同時, 客戶的性別、種族、宗教、國籍和婚姻狀況等因素, 都對信用評分沒有任何影響, 保證了評分的客觀公正性。在評分系統(tǒng)中, 每一項信用信息的權重不同, 越早的信用信息, 對分數的影響越小?
　　FICO 評分系統(tǒng)得出的信用分數范圍在300-850 分之間分數越高， 說明客戶的信用風險越小，但是分數本身并不能說明一個客戶是好還是壞，貸款方通常會將分數作為參考， 來進行貸款決策，每個貸款方都會有自己的貸款策略和標準。

信用評分人數百分比累計百分比違約率300~4992%2%87%500~5495%7%71%550~5998%15%51%600~64912%27%31%650~69915%42%15%700~74918%60%5%750~79927%87%2%800~85013%100%1%

從上表中可以看到兩個規(guī)律：一是信用評分特別低和特別高的人占比都較少，大多數信用評分中等，大體呈現為左偏態(tài)的正態(tài)分布；二是信用評分分值越高，違約率越低。這個就是信用評分的核心價值所在，可以根據信用評分的高低進行諸如是否發(fā)放、貸款額度、是否需要抵押等重要決策。每種產品都會有自己的風險水平， 從而決定了可以接受的信用分數水平。一般地說， 如果借款人的信用評分達到 680分以上， 貸款方就可以認為借款人的信用卓著可以毫不遲疑地同意發(fā)放款如果借款人的信用評分低于,620分 貸款方或者要求借款人增加擔保， 或者干脆尋找各種理由拒絕貸款。如果借款人的信用評分介于620-680 分之間， 貸款方就要作進一步的調查核實， 采用其它的信用分析工具 ，作個案處理。?
　　FICO 評分模型中所關注的主要因素有五類， 分別是客戶的信用償還歷史、信用賬戶數、使用信用的年限、正在使用的信用類型、新開立的信用賬戶。

? ? ? ?(一) 信用償還歷史?
? ? ? ?影響FICO得分的最重要的因素是客戶的信用償還歷史 ，大約占總影響因素的35%支付歷史主要顯示客戶的歷史償還情況， 以幫助貸款方了解該客戶是否存在歷史的逾期還款記錄?，主要包括：?
　　(1)?各種信用賬戶的還款記錄?，包括信用卡( 例如 Visa Master Card American Express DiScover) 、零售賬戶(直接從商戶獲得的信用) 、分期償還貸款、金融公司賬戶、抵押貸款。?
　　(2)?公開記錄及支票存款記錄， 該類記錄主要包括破產記錄、喪失抵押品贖回權記錄、法律訴訟事件、留置權記錄及判決。涉及金額大的事件比金額小的對FICO 得分的影響要大， 同樣的金額下， 越晚發(fā)生的事件要比早發(fā)生的事件對得分的影響大。一般來講， 破產信息會在信用報告上記錄7-10 年.?
　　(3)?逾期償還的具體情況， 包括， 逾期的天數、未償還的金額、逾期還款的次數和逾期發(fā)生時距現在的時間長度等。例如， 一個發(fā)生在上個月的逾期天的記錄對FICO 得分的影響會大于一個發(fā)生在 年前的逾期90 天的記錄。據統(tǒng)計， 大約有不足,50%的人有逾期30天還款的記錄， 大約只有30%的人有逾期 天60以上還款的記錄. 而77%的人從來沒有過逾期 90天以上不還款的 僅有低于20%的人有過違約行為而被銀行強行關閉信用賬戶?
　　

　　　　　　最近幾個月的重大違約

　　

　　(二) 信用賬戶數?
　　該因素僅次于還款歷史記錄對得分的影響 占總影響因素的30%，對于貸款方來講 ，一個客戶有信用賬戶需要償還貸款 ，并不意味著這個客戶的信用風險高。相反地 ，如果一個客戶有限的還款能力被用盡， 則說明這個客戶存在很高的信用風險 ，有過度使用信用的可能 ，同時也就意味著他具有更高的逾期還款可能性。該類因素主要是分析對于一個客戶， 究竟多少個信用賬戶是足夠多的 ，從而能夠準確反應出客戶的還款能力。

　　　　　　總余額在循環(huán)賬戶總限額比

　　( 三) 使用信用的年限?
　　該項因素占總影響因素的15%。一般來講 ，使用信用的歷史越長， 越能增加FICO 信用得分。該項因素主要指信用賬戶的賬齡，既考慮最早開立的賬戶的賬齡 ，也包括新開立的信用賬戶的賬齡 ，以及平均信用賬戶賬齡。據信用報告反映 ，美國最早開立的信用賬戶的平均賬齡是14 年，超,25%的客戶的信用歷史長于20年， 只有不足5%的客戶的信用歷史小于2 年?
　　( 四) 新開立的信用賬戶?
　　該項因素占總影響因素的10%,。在現今的經濟生活中， 人們總是傾向于開立更多的信用賬戶， 選擇信用購物的消費方式， FICO 評分系統(tǒng)也將這種傾向體現在信用得分中。據調查 ，在很短時間內開立多個信用賬戶的客戶具有更高的信用風險 ，尤其是那些信用歷史不長的人。該項因素主要包括?
　　(1) 新開立的信用賬戶數， 系統(tǒng)將記錄客戶新開立的賬戶類型及總數 ；?
　　(2) 新開立的信用賬戶賬齡；?
　　(3) 目前的信用申請數量 ，該項內容主要由查詢該客戶信用的次數得出， 查詢次數在信用報告中只保存兩年；?
　　(4) 貸款方查詢客戶信用的時間長度?
　　(5) 最近的信用狀況， 對于新開立的信用賬戶及時還款， 會在一段時間后， 提高客戶的FICO 得分?
　　( 五) 正在使用的信用類型?
　　該項因素占總影響因素的10%。 主要分析客戶的信用卡賬戶、零售賬戶、分期付款賬戶、金融公司賬戶和抵押貸款賬戶的混合使用情況 ，具體包括 ：持有的信用賬戶類型和每種類型的信用賬戶數?
　　主要參考文獻?
1、http://www.yinhang.com/a_2014_0402_197987.html?
２、http://www.docin.com/p-63842901.html

芝麻信用與FICO評分的差異

FICO評分是Fair Isaac公司開發(fā)的信用評分系統(tǒng)，也是目前美國應用得最廣泛的一種。FICO評分系統(tǒng)得出的信用分數范圍在300～850分之間，分數越高，說明客戶的信用風險越小，它采集客戶的人口統(tǒng)計學信息、歷史貸款還款信息、歷史金融交易信息、人民銀行征信信息等，通過邏輯回歸模型計算客戶的還款能力，預測客戶在未來一年違約的概率：

1.?人口統(tǒng)計學信息：如客戶年齡、家庭結構、住房情況、工作類別及時間等；

2. 歷史貸款還款信息：即過去6個月或12個月的付款方式、逾期次數等；

3. 歷史金融交易信息：即過去6個月或12個月的平均月交易筆數、金額等；

4. 銀行征信信息：如過去12個月中新開的賬戶總數、所有賬戶的總額度、賬戶是否逾期等。

看，以上這些信息都是FICO評分模型的自變量，最終會通過邏輯回歸模型輸出最終分數。

阿里巴巴推出的芝麻信用分則是以大數據分析技術為基礎，采集多元化數據，包括傳統(tǒng)的金融類交易、還款數據，第三方的非金融行為數據，互聯網、移動網絡和社交網絡數據等，幫助貸款方從多個方面考察個體的還款能力、還款意愿，做出合理、全面的信用評分。

?大數據風控的現狀、問題及優(yōu)化路徑（總結侯暢、唐時達文章）

一、大數據風控發(fā)展迅速

（一）國外案例

Zest Finance公司開發(fā)10個基于機器學習的分析模型，1萬條原始信息，7萬個特征變量，5秒內完成。

Kabbage公司通過獲取企業(yè)網店店主的銷售、信用記錄、顧客流量、評論、商品價格和存貨等信息、以及在Facebook和Twitter上與客戶的互動信息，借助數據挖掘技術，把這些店主分成不同的風險等級，以此來確定提供貸款金額數量與貸款利率水平。

（二）國內案例

阿里面向社會的信用服務體系芝麻信用，通過分析大量的網絡交易及行為數據嗎，對用戶進行信用評估。

騰訊的微眾銀行推出“微粒貸”，風控核心通過社交數據與央行征信等傳統(tǒng)銀行信用數據結合，運用社交圈、行為特征、交易、基本社會特征、人行征信5個維度對客戶綜合評級，運用大量的指標構建多重模型，以快速識別客戶的信用風險。

二、當前大數據有效性欠佳的原因

（一）數據的質量問題

1.社交數據的真實性問題

Lending club 、facebook合作、宜信嘗試后，結論社交數據不可用。

（二）交易數據的真實性問題

刷單。

三、大數據風控的理論有效性問題

從IT技術層面論證大數據風控的實踐性案例已經很多，但是在經濟金融的理論層面、大數據風控還面臨一些問題需要解決。

（一）金融信用與社會信用的相關性不確定

線上與線下行為方式反差強烈。

（二）大數據對于“黑天鵝”事件的滯后性

（三）大數據收集和使用的制度問題

?

四、提高大數據風控有效性的路徑

（一）對于金融企業(yè)而言，要構建多樣化、連續(xù)化和實時性的基礎數據

1.多維度的收集數據，互聯互通，打破數據的孤島。

2.從供應鏈交易環(huán)節(jié)獲取數據。????

3.積極布局“物聯網+”

獲取生產環(huán)節(jié)和使用環(huán)節(jié)的數據，如企業(yè)機器運行數據

（二）對于金融研究部門而言，可從經濟、金融等多個角度綜合論證大數據風控的有效性，為大數據風控提供理論支持

如大數據風控如何順應經濟周期的變化，如何從統(tǒng)計上論證過去的數據對于未來行為判斷的準確性，如何解決道德風險所帶來的不確定性。

（三）對于政府監(jiān)管部門而言，要推動和完善與數據相關的制度建設

1.法律制度的建設，對數據的收集和使用予以法律上的保護

《個人信息保護法》

2.會計制度建設，對數據資產予以明確的計量