大數(shù)據(jù)個(gè)人信用體系、模型及案例綜述

李妍

摘要：近年來(lái)隨著金融科技的迅猛發(fā)展，個(gè)人信用體系在大數(shù)據(jù)及云計(jì)算技術(shù)發(fā)展背景下拓寬了邊界和內(nèi)涵，解決了傳統(tǒng)信用評(píng)級(jí)覆蓋不足的痛點(diǎn)并能有效輔助識(shí)別真實(shí)貸款需求及貸后風(fēng)險(xiǎn)，本文對(duì)近年大數(shù)據(jù)個(gè)人信融體系及個(gè)人信用體系模型搭建和進(jìn)行了綜述并對(duì)實(shí)用案例進(jìn)行分析。

關(guān)鍵詞：大數(shù)據(jù) 個(gè)人信用體系 建模

近十年來(lái)，隨著移動(dòng)互聯(lián)網(wǎng)和金融科技的迅猛發(fā)展，傳統(tǒng)的個(gè)人信用體系已經(jīng)不能滿(mǎn)足市場(chǎng)需求，由于我國(guó)的個(gè)人信用體系建設(shè)起步較晚，直接影響了我國(guó)金融市場(chǎng)的交易秩序。為了夯實(shí)金融行業(yè)發(fā)展的基礎(chǔ)推動(dòng)我國(guó)市場(chǎng)經(jīng)濟(jì)健康發(fā)展，以大數(shù)據(jù)為基礎(chǔ)對(duì)個(gè)人信用體系進(jìn)行拓寬和優(yōu)化對(duì)我國(guó)征信行業(yè)的發(fā)展有著重要的意義。

一、大數(shù)據(jù)個(gè)人信用體系的構(gòu)建

大數(shù)據(jù)不同于傳統(tǒng)數(shù)據(jù)主要體現(xiàn)在三個(gè)方面：一是體量大，體現(xiàn)在規(guī)模和傳輸量;二是流動(dòng)速度大，數(shù)據(jù)實(shí)時(shí)或接近實(shí)時(shí)獲取和傳輸;三是種類(lèi)多，數(shù)據(jù)結(jié)構(gòu)形式多樣。

構(gòu)建個(gè)人信用體系的大數(shù)據(jù)來(lái)源有：一是個(gè)人產(chǎn)生的數(shù)據(jù)，如社交網(wǎng)絡(luò)信息、產(chǎn)品評(píng)價(jià)、搜索記錄、購(gòu)物喜好等;二是商業(yè)過(guò)程數(shù)據(jù)，如物流數(shù)據(jù)、支付數(shù)據(jù)等，也有數(shù)據(jù)公司采集傳統(tǒng)商業(yè)數(shù)據(jù)，如大型百貨公司客流量、大型游樂(lè)場(chǎng)客流量等數(shù)據(jù);三是來(lái)自GPS定位、車(chē)輛軌跡和個(gè)人穿戴設(shè)備的數(shù)據(jù)（廖理，2019）。

大數(shù)據(jù)的發(fā)展為傳統(tǒng)信用評(píng)級(jí)機(jī)構(gòu)提供了更為先進(jìn)的數(shù)據(jù)采集和數(shù)據(jù)分析手段，有效地克服了傳統(tǒng)征信單值測(cè)度的局限性（Lin，2015），不僅大幅度提高了評(píng)估結(jié)果的準(zhǔn)確性，還將非傳統(tǒng)信用指標(biāo)納入了評(píng)級(jí)體系，從而推動(dòng)了普惠金融實(shí)踐（Packin&LevAretz，2016）。

國(guó)內(nèi)研究者主要集中于研究大數(shù)據(jù)個(gè)人信用體系的構(gòu)建：蔡金鑫等（2018）等過(guò)改進(jìn)傳統(tǒng)的“5C信用評(píng)估法”，構(gòu)建基于大數(shù)據(jù)的個(gè)人信用評(píng)估指標(biāo)體系，為大數(shù)據(jù)征信的發(fā)展提供參考;王達(dá)山（2016）通過(guò)分析互聯(lián)網(wǎng)金融衍生的個(gè)人信用數(shù)據(jù)，綜合傳統(tǒng)信用評(píng)價(jià)數(shù)據(jù)，從個(gè)人身份、信用歷史、經(jīng)濟(jì)能力和社會(huì)信用屬性四個(gè)信用維度，提出了運(yùn)用個(gè)人信用能力模型來(lái)對(duì)個(gè)人信用能力進(jìn)行評(píng)價(jià);方匡南等（2018）提出了基于多源數(shù)據(jù)融合的個(gè)人信用模型，可以同時(shí)對(duì)多個(gè)數(shù)據(jù)集進(jìn)行建模和變量選擇，同時(shí)考慮了數(shù)據(jù)集間的相似性和異質(zhì)性。所提出的整合模型在變量選擇和分類(lèi)效果方面都具有明顯的優(yōu)勢(shì)。此外，將整合模型應(yīng)用于城市和農(nóng)村兩個(gè)數(shù)據(jù)集的個(gè)人信用評(píng)分中發(fā)現(xiàn)，整合模型在實(shí)際應(yīng)用中也有很好的表現(xiàn)。

已有研究針對(duì)基于大數(shù)據(jù)的個(gè)人信用體系提出了諸多創(chuàng)造性的觀點(diǎn)，更多的研究聚焦于深入探討如何應(yīng)用大數(shù)據(jù)建立個(gè)人信用評(píng)估模型。

二、大數(shù)據(jù)個(gè)人信用評(píng)估模型及方法

袁章帥等（2019）將lGSO-BP協(xié)同集成學(xué)習(xí)算法應(yīng)用于社交網(wǎng)絡(luò)信用評(píng)價(jià)中，建立基于IGSO-BP協(xié)同集成學(xué)習(xí)算法的社交網(wǎng)絡(luò)信用評(píng)價(jià)模型。梁心怡（2019）通過(guò)統(tǒng)計(jì)分析，結(jié)合大學(xué)生網(wǎng)絡(luò)消費(fèi)信貸的個(gè)人信用數(shù)據(jù)，通過(guò)定性和定量分析建立適合大學(xué)生的個(gè)人信用評(píng)分模型。

宋麗平等（2015）針對(duì)P2P網(wǎng)絡(luò)借貸平臺(tái)的特點(diǎn)，確定個(gè)人信用風(fēng)險(xiǎn)評(píng)估指標(biāo)，并以平臺(tái)借款人個(gè)人信用等級(jí)作為預(yù)測(cè)輸出目標(biāo)，創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型，使貸款人和網(wǎng)貸平臺(tái)能夠更好地了解借款人的信用狀況。都紅雯等（2018）以微貸網(wǎng)為例，在該平臺(tái)原有信用風(fēng)險(xiǎn)評(píng)估指標(biāo)基礎(chǔ)上，借鑒國(guó)外FICO信用評(píng)分方法和國(guó)內(nèi)芝麻信用評(píng)分方法，嘗試構(gòu)建適用于國(guó)內(nèi)P2P網(wǎng)貸平臺(tái)的信用評(píng)估指標(biāo)體系，用于評(píng)估借款者信用。并選取微貸網(wǎng)平臺(tái)網(wǎng)站6917個(gè)借款者的數(shù)據(jù)、采用SVM-Logistic組合模型、運(yùn)用修正后的指標(biāo)體系進(jìn)行信用風(fēng)險(xiǎn)評(píng)估，將測(cè)試結(jié)果與實(shí)際結(jié)果比較，優(yōu)化了信用風(fēng)險(xiǎn)評(píng)估體系。謝陳昕（2019）對(duì)比分析了基于Logistic回歸、決策樹(shù)、隨機(jī)森林、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)的個(gè)人信用風(fēng)險(xiǎn)評(píng)估模型，并在此基礎(chǔ)上提出了采用4種機(jī)器學(xué)習(xí)算法綜合篩選重要變量再建立Logistic回歸模型的兩階段組合模型。應(yīng)用這一模型對(duì)“人人貸”平臺(tái)借款人數(shù)據(jù)進(jìn)行實(shí)證研究。結(jié)果表明：該模型相較于Logistic回歸模型有著更高的精確度，克服了數(shù)據(jù)維度及定性變量數(shù)量的限制，而且提高了單一機(jī)器學(xué)習(xí)算法的指標(biāo)解釋能力，說(shuō)明基于機(jī)器學(xué)習(xí)算法的Logistic回歸模型對(duì)P2P網(wǎng)貸平臺(tái)的借款人信用風(fēng)險(xiǎn)評(píng)估有更好的適應(yīng)性。

陸健健等（2019）針對(duì)銀行客戶(hù)信用評(píng)估模型不健全不完善等問(wèn)題，在對(duì)比隨機(jī)森林（RF）、GBDT和XGBoost三種集成算法基礎(chǔ)上，提出基于XGBoost算法的金融客戶(hù)信用評(píng)估模型。依據(jù)計(jì)算得到的相關(guān)多元評(píng)價(jià)指標(biāo)對(duì)個(gè)人信用評(píng)估進(jìn)行對(duì)比研究，實(shí)證結(jié)果表明，建立在XGBoost集成算法上的個(gè)人信用評(píng)估模型性能最優(yōu)，在準(zhǔn)確率指標(biāo)上比隨機(jī)森林（RF）高出6%，比GBDT算法高0.8%。王磊（2018）建立信用個(gè)人信用評(píng)價(jià)指標(biāo)體系，利用BP神經(jīng)網(wǎng)絡(luò)算法，建立了借款人個(gè)人信用評(píng)價(jià)模型，為了達(dá)到更好的效果，采用不同的激活函數(shù)及權(quán)值調(diào)整方法進(jìn)行模型優(yōu)化，最終建立基于擬牛頓算法的BP神經(jīng)網(wǎng)絡(luò)模型，能達(dá)到對(duì)用戶(hù)信命評(píng)級(jí)96.28%的準(zhǔn)確率。

張潔琳（2018）通過(guò)對(duì)貝葉斯網(wǎng)絡(luò)進(jìn)行分析，以最小風(fēng)險(xiǎn)決策準(zhǔn)則作為基本原則，在對(duì)用戶(hù)進(jìn)行信用評(píng)估時(shí)建立了一種全新的用戶(hù)信用評(píng)估模型。在對(duì)數(shù)據(jù)進(jìn)行采集的過(guò)程中，通過(guò)交叉驗(yàn)證的方式對(duì)數(shù)據(jù)進(jìn)行了驗(yàn)證，最終檢測(cè)結(jié)果表明，在對(duì)用戶(hù)進(jìn)行信用評(píng)估的過(guò)程中基于最小風(fēng)險(xiǎn)準(zhǔn)則的貝葉斯以及貝葉斯網(wǎng)絡(luò)分類(lèi)模式可以有效的降低信用評(píng)估的風(fēng)險(xiǎn)。許彩艷等（2019）根據(jù)某商業(yè)銀行提供的客戶(hù)歷史數(shù)據(jù)，首先基于8萬(wàn)條記錄，628個(gè)變量的原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)描述分析，篩選出有效數(shù)據(jù)集：其次利用Lasso估計(jì)，找到最優(yōu)調(diào)節(jié)參數(shù)lambda，根據(jù)lambda與變量數(shù)目對(duì)應(yīng)走勢(shì)圖，最終篩選出19個(gè)變量，最后建立Lasso-logistic模型，分析結(jié)果顯示：訓(xùn)練集預(yù)測(cè)準(zhǔn)確率為84.62%，測(cè)試集預(yù)測(cè)準(zhǔn)確率為78.80%，模型外推效果良好。

三、大數(shù)據(jù)個(gè)人信用評(píng)估典型案例

芝麻信用是是螞蟻金服2015年初推出的第三方征信機(jī)構(gòu)，它是根據(jù)各不同種數(shù)據(jù)類(lèi)型設(shè)計(jì)得出來(lái)的信用體系，通過(guò)阿里云計(jì)算、機(jī)器學(xué)習(xí)等技術(shù)手段來(lái)反映用戶(hù)的信用情況，已經(jīng)在消費(fèi)分期、現(xiàn)金分期、租賃等場(chǎng)景便用。

以國(guó)際主流個(gè)人信用評(píng)分模式作為參考，芝麻信用分從低到高共分為五級(jí)，由低到高代表著不同的信用等級(jí)。芝麻信用分?jǐn)?shù)越高則代表信用越高，相反則代表低信用。具體評(píng)分結(jié)果由五個(gè)維度共同決定，分別是：信用歷史、行為偏好、履約能力、身份特質(zhì)、人脈關(guān)系。利用大數(shù)據(jù)技術(shù)，芝麻信用綜合考慮等五個(gè)維度信息，應(yīng)用了一種改進(jìn)的樹(shù)模型GBDT（G radient BoostingDecisionTree），深入挖掘特征之間的關(guān)聯(lián)性，衍生出具備較強(qiáng)信用預(yù)測(cè)能力的組合特征，并將該組合特征與原始特征一起使用邏輯回歸線性算法進(jìn)行訓(xùn)練，從而獲得一個(gè)具備可解釋性的準(zhǔn)確的線性預(yù)測(cè)模型。對(duì)個(gè)人用戶(hù)信息加工后得出最后評(píng)分結(jié)果。

目前京東白條業(yè)務(wù)已面向全部用戶(hù)開(kāi)放，用戶(hù)申請(qǐng)開(kāi)通時(shí)京東會(huì)基于用戶(hù)消費(fèi)行為數(shù)據(jù)，應(yīng)用大數(shù)據(jù)建模技術(shù)建立量化模型，實(shí)時(shí)評(píng)估違約風(fēng)險(xiǎn)和額度測(cè)算。京東白條可以得知白熱度信用評(píng)分主要基于用戶(hù)在京東商城注冊(cè)、瀏覽、下單、支付、配送、評(píng)價(jià)等的海量數(shù)據(jù)，并結(jié)合用戶(hù)消費(fèi)和還款情況，深度挖掘用戶(hù)身份特征和偏好，評(píng)估用戶(hù)的履行能力，進(jìn)而預(yù)測(cè)用戶(hù)的信用風(fēng)險(xiǎn)水平。

四、結(jié)語(yǔ)

基于大數(shù)據(jù)的個(gè)人信用評(píng)分迎合了今年來(lái)移動(dòng)互聯(lián)網(wǎng)及科技金融的發(fā)展，為在人民銀行的征信中心無(wú)法覆蓋的人群提供個(gè)人信用評(píng)分，基于大數(shù)據(jù)可以成為個(gè)人信用評(píng)分的重要指標(biāo)數(shù)據(jù)，進(jìn)而使得該部分人群能夠等到相應(yīng)的金融服務(wù)。大數(shù)據(jù)將拓寬傳統(tǒng)個(gè)人征信及信用系統(tǒng)的維度，實(shí)時(shí)構(gòu)建全新的個(gè)人信用評(píng)分體制防范潛在的信用風(fēng)險(xiǎn)。