大數(shù)據(jù)背景下互聯(lián)網(wǎng)金融信貸風(fēng)險(xiǎn)預(yù)測(cè)研究

李 鑫

（首都經(jīng)濟(jì)貿(mào)易大學(xué) 北京 100026）

一、引言

隨著移動(dòng)互聯(lián)網(wǎng)及大數(shù)據(jù)、人工智能產(chǎn)業(yè)浪潮的逐漸蓬勃興起，“數(shù)字經(jīng)濟(jì)”業(yè)務(wù)模式隨之走向深入發(fā)展，金融行業(yè)開始推進(jìn)“數(shù)字化”業(yè)務(wù)轉(zhuǎn)型，市場(chǎng)上已經(jīng)不再是“一手交錢，一手交貨”的單一運(yùn)營管理模式，銀行、互聯(lián)網(wǎng)金融、小額貸款等企業(yè)開始利用大數(shù)據(jù)技術(shù)，為消費(fèi)者提供個(gè)性化的信用服務(wù)。然而，在消費(fèi)者享受借貸所帶來的便利的同時(shí)，這些企業(yè)也承受著巨大的違約風(fēng)險(xiǎn)，借貸人如果不能按照協(xié)議償還債務(wù)，將會(huì)給這些金融機(jī)構(gòu)帶來嚴(yán)重的經(jīng)濟(jì)損失，風(fēng)險(xiǎn)管理與控制依舊是金融行業(yè)需要解決的重大問題。在大數(shù)據(jù)時(shí)代，互金平臺(tái)自身已經(jīng)擁有了海量級(jí)數(shù)據(jù)，將風(fēng)險(xiǎn)控制與大數(shù)據(jù)結(jié)合，充分利用數(shù)據(jù)挖掘技術(shù)探索貸款人背后的信息規(guī)律。機(jī)器學(xué)習(xí)理論是一門為了模擬出人的大腦學(xué)習(xí)的活動(dòng)，或是一種為了可以實(shí)現(xiàn)模擬人類大腦學(xué)習(xí)的活動(dòng)過程,而可以使用高性能計(jì)算機(jī)系統(tǒng)進(jìn)行仿真研究活動(dòng)的一種方法，是當(dāng)代人工智能主要的基礎(chǔ)研究熱點(diǎn)領(lǐng)域方向之一。為了快速應(yīng)對(duì)目前一些相對(duì)復(fù)雜領(lǐng)域的未來預(yù)測(cè)方法和風(fēng)險(xiǎn)評(píng)價(jià)技術(shù)問題，基于機(jī)器學(xué)習(xí)原理的未來預(yù)測(cè)計(jì)算方法可利用模擬人類腦的學(xué)習(xí)思考活動(dòng)特性，在金融風(fēng)險(xiǎn)的投資行為預(yù)測(cè)、股票市場(chǎng)價(jià)格預(yù)測(cè)、投標(biāo)效果評(píng)價(jià)方法等多個(gè)相關(guān)領(lǐng)域內(nèi)被應(yīng)用。從研究互聯(lián)網(wǎng)金融平臺(tái)行為的角度來看，機(jī)器學(xué)習(xí)理論對(duì)于深度研究基于用戶特性的貸款違約問題具有重要學(xué)術(shù)意義。構(gòu)建信貸風(fēng)險(xiǎn)評(píng)估模型，及時(shí)精準(zhǔn)發(fā)現(xiàn)危險(xiǎn)用戶，可以高效地對(duì)消費(fèi)者進(jìn)行信用評(píng)估，提高貸款違約預(yù)測(cè)能力，有效控制違約損失。

目前國內(nèi)外針對(duì)小額信貸風(fēng)險(xiǎn)的預(yù)測(cè)及模型建立的實(shí)證研究，主要學(xué)者有廖絢等人首次用邏輯回歸模型預(yù)測(cè)借款人是否逾期還款，并對(duì)貸款違約發(fā)生的相關(guān)影響風(fēng)險(xiǎn)因素也進(jìn)行了預(yù)測(cè)分析研究；劉紅生等人第一次利用邏輯回歸預(yù)測(cè)模型構(gòu)建我國中小企業(yè)銀行短期綜合貸款利率風(fēng)險(xiǎn)的預(yù)測(cè)分析模型；沈玉溪等人第一次用決策樹方法對(duì)P2P對(duì)信貸數(shù)據(jù)質(zhì)量進(jìn)行定量預(yù)測(cè)，分析結(jié)果指出借款人收入、借款歸還期限、信用等級(jí)均是未來影響借款人發(fā)生違約情況的三項(xiàng)主要決定因素；李進(jìn)利用隨機(jī)森林建立綠色信貸風(fēng)控模型，結(jié)果表明該模型效果要好于邏輯回歸，但面對(duì)大規(guī)模不平衡信貸數(shù)據(jù)時(shí)，模型性能有待提升；胡緒華等人利用BP神經(jīng)網(wǎng)絡(luò)可以解決非線性問題的特點(diǎn)，建立基于BP神經(jīng)網(wǎng)絡(luò)的商業(yè)銀行信貸風(fēng)控模型。機(jī)器學(xué)習(xí)目前已經(jīng)在整個(gè)風(fēng)控領(lǐng)域得到了廣泛深入的商業(yè)應(yīng)用，其中，logistic回歸模型由于擁有較高的算法可解釋性常用在風(fēng)控研究領(lǐng)域，但是因?yàn)樵擃I(lǐng)域算法學(xué)習(xí)能力十分有限，對(duì)特征處理方法的性能要求較高。近年來，由于集成學(xué)習(xí)結(jié)合了各個(gè)單一模型各自的特點(diǎn)，具有更好的準(zhǔn)確性，成為風(fēng)控建模的主流。本文旨在使用基于集成學(xué)習(xí)理論的模型RandomForest、XGboost和LightGBM模型進(jìn)行金融信貸行為預(yù)測(cè)的建模，并將與傳統(tǒng)預(yù)測(cè)的邏輯回歸法進(jìn)行簡(jiǎn)單對(duì)比，探尋預(yù)測(cè)模型性能，以實(shí)現(xiàn)幫助中小企業(yè)金融及借貸相關(guān)機(jī)構(gòu)更有效避免各類潛在金融風(fēng)險(xiǎn)，更好地持續(xù)進(jìn)行合規(guī)管理運(yùn)營。

二、模型理論基礎(chǔ)

Bagging和Boosting都是集成算法，即將多個(gè)泛化能力較弱的基學(xué)習(xí)器合成一個(gè)泛化能力強(qiáng)的強(qiáng)學(xué)習(xí)器。Bagging采用并行的方法，從原始樣本集中隨機(jī)抽取訓(xùn)練集并進(jìn)行模型的訓(xùn)練建立基分類器，對(duì)于分類問題采用多數(shù)人投票決定的方式，對(duì)于回歸的問題則取其所有基分類器的平均值，代表算法為隨機(jī)森林。Boosting方法訓(xùn)練基分類器時(shí)采用串行的方式，各個(gè)基分類器之間有依賴。它的基本思路是將基分類器層層疊加，每一層在訓(xùn)練的時(shí)候，對(duì)前一層基分類器分錯(cuò)的樣本，給予更高的權(quán)重。在測(cè)試時(shí)，根據(jù)各層分類器的結(jié)果的加權(quán)得到最終結(jié)果。其代表算法為AdaBoost、GBDT、XGBoost。梯度提升函數(shù)中的另外一種Boosting方式也是指通過計(jì)算使用代價(jià)函對(duì)上下一輪訓(xùn)練計(jì)算出的模型函數(shù)f的偏導(dǎo)率系數(shù)來計(jì)算擬合函數(shù)的殘差。梯度提升決策樹，其核心思想是通過采用加法模型（即基函數(shù)的線性組合），以及不斷減小訓(xùn)練過程產(chǎn)生的殘差來達(dá)到將數(shù)據(jù)分類或者回歸的算法，這個(gè)殘差量是每一個(gè)數(shù)加到其預(yù)測(cè)結(jié)果值上后所能獲得到的真實(shí)結(jié)果值之間的一個(gè)累加后的量。本文使用Bagging和Boosting族算法中的RandomForest、XGBoost、Light-GBM三種集成算法建立信貸違約預(yù)測(cè)模型，并嘗試模型融合對(duì)比模型效果，對(duì)比傳統(tǒng)的信貸違約預(yù)測(cè)模型。下面對(duì)幾種機(jī)器學(xué)習(xí)分類算法各自的功能特點(diǎn)分別進(jìn)行簡(jiǎn)單介紹。

隨機(jī)森林（RandomForest）算法是一種以決策樹模型為核心實(shí)現(xiàn)的一種集成算法，通過將隨機(jī)組合成多棵樹，并根據(jù)隨機(jī)取投票結(jié)果或隨機(jī)取均值結(jié)果樹的計(jì)算的方式從而最終得到可預(yù)測(cè)的樹模型，它比隨機(jī)單棵樹具有相對(duì)更高的算法準(zhǔn)確率和相對(duì)更強(qiáng)的系統(tǒng)穩(wěn)定性。隨機(jī)森林相比決策樹擁有著更為出色且穩(wěn)定持續(xù)的算法性能，主要取決于其抽取樣本的隨機(jī)性及對(duì)多棵樹的高度集成，樣本選擇的隨機(jī)性能夠讓它具有相對(duì)更穩(wěn)定的抗過擬合能力，多棵樹的集成能夠讓到它具有更高的準(zhǔn)確率。隨機(jī)森林本質(zhì)上來講是一種高度集成性的樹算法，由數(shù)目眾多的樹基分類器等數(shù)據(jù)結(jié)構(gòu)組成。其中組成一棵隨機(jī)森林樹算法的基分類器都是一個(gè)隨機(jī)CART樹，單棵隨機(jī)森林決策樹可獨(dú)立生成樹算法也可以實(shí)現(xiàn)完全獨(dú)立的樹分裂，既可以解決分類問題又可以解決回歸問題。行抽樣方法和列抽樣算法之間交叉引入可以保證讓隨機(jī)森林模型同時(shí)具有高抗過擬合的能力和高維抗噪聲能力。但是對(duì)低維數(shù)據(jù)集分類隨機(jī)森林算法不一定可以得到一個(gè)很好的效果，其計(jì)算速度遠(yuǎn)遠(yuǎn)比單個(gè)的隨機(jī)決策樹還要慢，如果我們僅僅需要推斷一些超出計(jì)算范圍內(nèi)的獨(dú)立變量或其他非獨(dú)立的變量，隨機(jī)森林做得也許并不好。

XGBoost以GBDT為參照，在常規(guī)的分布式梯度提升算法上進(jìn)行了一系列優(yōu)化。XGBoost算法采用集成學(xué)習(xí)方式，在其成本函數(shù)中采用了泰勒公式的兩階展開，引入正則化項(xiàng)，通過參數(shù)調(diào)整優(yōu)化，可以有效地避免欠擬合與過擬合。它在GBDT的基礎(chǔ)上，使用正則化項(xiàng)的限制，降低過擬合的可能；在對(duì)計(jì)算目標(biāo)函數(shù)方差時(shí)，XGBoost引入二階泰勒展開式，GBDT只用了一階導(dǎo)數(shù)信息，XGboost支持自定義損失函數(shù)；在基分類的選擇上，XGBoost不僅支持樹模型，還支持線性模型，此時(shí)XGBoost相當(dāng)于帶正則項(xiàng)的線性回歸模型；并行化是XGBoost的特色之一，它預(yù)先將每個(gè)特征按照特征值進(jìn)行排序，并將其存儲(chǔ)為塊結(jié)構(gòu)，分裂節(jié)點(diǎn)時(shí)采用多線程并行的方式查找每個(gè)特征值的最佳分割點(diǎn)，極大地提高了訓(xùn)練速度。XGBoost的基本算法思想就是不斷地增加樹，從最開始先建立一棵CART分類回歸樹并逐漸迭代，在每次迭代的過程中都增加一棵樹，每增加一棵樹本質(zhì)上就是學(xué)習(xí)一個(gè)新的函數(shù)去擬合上一次預(yù)測(cè)的殘差，最后將得到的樹進(jìn)行集成，形成一個(gè)由眾多CART數(shù)所集成的高效高性能的強(qiáng)評(píng)估器。當(dāng)我們預(yù)測(cè)到第K棵樹時(shí)，要預(yù)測(cè)一個(gè)樣本的分?jǐn)?shù)，其實(shí)就是將該樣本的特征在每棵樹上對(duì)應(yīng)的節(jié)點(diǎn)分?jǐn)?shù)相加所得到的該樣本的預(yù)測(cè)值。

LightGBM（Light Gradient Boosting Machine）是針對(duì)GBDT在數(shù)據(jù)量較大或者特征數(shù)量較高時(shí)，存在的難以避免的拓展性和效率問題提出的。而LightGBM主要從以下幾個(gè)方面進(jìn)行了優(yōu)化：基于直方圖的決策樹算法，通過把連續(xù)型數(shù)值特征進(jìn)行離散化，使用“分箱”的思想將變量原來的取值范圍均化為若干個(gè)區(qū)間，將分箱后每個(gè)區(qū)間的值作為直方圖中的累計(jì)統(tǒng)計(jì)量表示出來，遍歷數(shù)據(jù)后，根據(jù)離散化后的值，找到最優(yōu)的分割點(diǎn)。這種算法可以有效減小內(nèi)存占用和計(jì)算代價(jià)。同時(shí)，還使用了直方圖做差加速，在計(jì)算每個(gè)葉子的直方圖時(shí)，直接使用其父節(jié)點(diǎn)的直方圖減去其同級(jí)的直方圖得到，可以提高加倍計(jì)算速度；單邊梯度采樣技術(shù)（Gradient-based One-Side Sampling，GOSS）使用GOSS保留具有大梯度的且更直接影響信息增益的數(shù)據(jù)樣本，相比XGBoost的全量遍歷，減輕了空間消耗和時(shí)間使用；互斥特征捆綁（Exclusive Feature Bundling，EFB）通過對(duì)一些特征間很少同時(shí)非零的互斥特征進(jìn)行強(qiáng)制結(jié)合，來減少特征數(shù)量，達(dá)到降維的目的，通過犧牲少量準(zhǔn)確率來加速訓(xùn)練過程，達(dá)到了和GBDT近乎相同的精度；帶深度限制的Leaf-wise的葉子生長策略，在GBDT原來的使用level-wise的產(chǎn)生決策樹方法上提出每次僅在左側(cè)葉子結(jié)點(diǎn)進(jìn)行分裂，區(qū)分對(duì)待各層葉子，快速找到分裂時(shí)信息增益最大的葉子，使得當(dāng)相同分裂次數(shù)條件下，最大限度降低誤差，提高精度。

三、實(shí)證分析

在信貸領(lǐng)域的風(fēng)險(xiǎn)主要分為兩種，其中一種是信用風(fēng)險(xiǎn)，另一種是欺詐風(fēng)險(xiǎn)。信用風(fēng)險(xiǎn)指借款人原本不打算違約，但在借款后因?yàn)槟承┲饔^和客觀的原因沒有能力償還貸款的現(xiàn)象；而欺詐風(fēng)險(xiǎn)指的是借款人蓄意為之，在申請(qǐng)貸款前就不打算還。隨著大數(shù)據(jù)和人工智能的發(fā)展，商業(yè)銀行等可以依靠金融科技主動(dòng)收集各類金融數(shù)據(jù)，從而為不同的用戶群體提供更精確的服務(wù)。通常，收集到的借款人信息是高維且稀疏的，產(chǎn)生違約風(fēng)險(xiǎn)的各因素之間的關(guān)系也錯(cuò)綜復(fù)雜，且違約用戶的數(shù)量遠(yuǎn)少于正常用戶，即數(shù)據(jù)往往是不平衡的，這使得準(zhǔn)確預(yù)測(cè)違約風(fēng)險(xiǎn)十分困難。為有效識(shí)別出有違約風(fēng)險(xiǎn)的用戶，本文研究基于機(jī)器學(xué)習(xí)的信貸違約風(fēng)險(xiǎn)預(yù)測(cè)模型的性能，使用天池的貸款違約預(yù)測(cè)數(shù)據(jù)進(jìn)行研究。樣本量共有80萬條，45個(gè)特征，包括貸款等級(jí)、就業(yè)年限（年）、貸款期限（年）、就業(yè)職稱、年收入、借款人在貸款申請(qǐng)時(shí)的貸款用途類別、貸款的初始列表狀態(tài)、貶損公共記錄的數(shù)量、借貸人的貸款總額占授信總額的比率、過去兩年逾期30至59天的次數(shù)、過去兩年逾期超過90天的次數(shù)、借貸人的年齡、過去兩年內(nèi)出現(xiàn)35至59天逾期但是沒有發(fā)展得更壞的次數(shù)、過去兩年內(nèi)出現(xiàn)60至89天逾期但是沒有發(fā)展得更壞的次數(shù)，過去兩年內(nèi)出現(xiàn)90天逾期的次數(shù)等，其中定性變量有5個(gè)，定量變量40個(gè)。選擇“isDefault（是否違約）”為因變量，取值1表示借款人違約，0表示借款人未違約。違約樣本有159610個(gè)，未違約樣本有640390個(gè)，存在樣本不平衡現(xiàn)象。

（一）數(shù)據(jù)預(yù)處理

本文對(duì)數(shù)據(jù)進(jìn)行重復(fù)值、缺失值、異常值等方面的數(shù)據(jù)預(yù)處理。該數(shù)據(jù)集中，共有2條重復(fù)樣本，直接對(duì)其進(jìn)行刪除處理。金融行業(yè)不同于其他相關(guān)領(lǐng)域，客戶數(shù)據(jù)存在可能故意被隱瞞或者有意謊報(bào)信息的特定情況，因此我們更需要積極配合其他業(yè)務(wù)場(chǎng)景，對(duì)客戶缺失值數(shù)據(jù)和業(yè)務(wù)異常數(shù)據(jù)值信息進(jìn)行甄別處理。對(duì)于定性變量，由于缺失值較少，直接用眾數(shù)進(jìn)行填充；對(duì)于定量變量，觀察其分布，根據(jù)其分布進(jìn)行中位數(shù)或均值進(jìn)行填充，如果數(shù)據(jù)分布為偏態(tài)分布，用中位數(shù)進(jìn)行填充，若分布近似正態(tài)分布，用平均數(shù)進(jìn)行填充。對(duì)于異常值，常用的異常值檢測(cè)方法有箱線圖、三倍標(biāo)準(zhǔn)差方法等，對(duì)于異常值的處理，本文將大于90%的值用中位數(shù)替換。其中關(guān)于逾期次數(shù)的指標(biāo)：例如“過去兩年內(nèi)出現(xiàn)35至59天逾期但是沒有發(fā)展得更壞的次數(shù)”“過去兩年內(nèi)出現(xiàn)60至89天逾期但是沒有發(fā)展得更壞的次數(shù)”“過去兩年內(nèi)出現(xiàn)90天逾期的次數(shù)”等，這幾個(gè)指標(biāo)在出現(xiàn)99%以上次數(shù)分布的平均值是2，而最大值卻是98，顯然是符合實(shí)際的，通過計(jì)算這三個(gè)指標(biāo)大于90的記錄共225條，且標(biāo)簽并非都為1，故視為異常值，可做刪除處理。

（二）模型建立

當(dāng)數(shù)據(jù)預(yù)處理完成后，在進(jìn)行模型訓(xùn)練之前需要進(jìn)行特征選擇，選擇有意義的特征輸入機(jī)器學(xué)習(xí)的算法進(jìn)行訓(xùn)練。特征選擇的方法通常分為三種：過濾法（Filter）、包裹法（Wrapper）和嵌入法（Embedded）。過濾式特征選擇按照發(fā)散性或者相關(guān)性對(duì)各個(gè)特征進(jìn)行評(píng)分，設(shè)定閾值或者待選擇閾值的個(gè)數(shù)來選擇特征，如果一個(gè)特征不發(fā)散，例如方差接近于0，那么樣本在這個(gè)特征上基本上沒有差異，說明這個(gè)特征對(duì)于樣本的區(qū)分作用不大。另一方面，考察特征與目標(biāo)的相關(guān)性，與目標(biāo)相關(guān)性高的特征，應(yīng)當(dāng)優(yōu)先選擇。包裹法特征選擇法依賴于目標(biāo)函數(shù)（通常是預(yù)測(cè)效果評(píng)分），每次選擇若干特征，或者排除若干特征，包裹式特征選擇算法與分類器結(jié)合，直接把最終將要使用的分類器作為特征子集評(píng)價(jià)準(zhǔn)則，這種方法選擇的特征相比過濾法更為準(zhǔn)確，但需要不斷訓(xùn)練以找到最優(yōu)特征組合，計(jì)算代價(jià)相對(duì)更大。嵌入法特征選擇先使用某些機(jī)器學(xué)習(xí)的算法和模型進(jìn)行訓(xùn)練，得到各個(gè)特征的權(quán)值系數(shù)，根據(jù)系數(shù)從大到小選擇特征，類似于過濾式特征選擇法，但是它通過模型訓(xùn)練來確定特征的優(yōu)劣?；诖耍疚氖紫仁褂眠^濾法，對(duì)定性變量進(jìn)行卡方過濾，對(duì)定量變量進(jìn)行方差過濾。其次利用相關(guān)系數(shù)和VIF方差擴(kuò)大因子共同剔除一部分變量，再篩選掉Ⅳ值小于0.01的變量，最后納入模型的有16個(gè)。選擇75%的數(shù)據(jù)集作為訓(xùn)練集，剩余樣本用作測(cè)試集。在訓(xùn)練集的600000條借款人歷史數(shù)據(jù)中，違約樣本有119628條，占樣本總量的6.684%，貸款違約率為19.938%，未違約樣本480372條，占樣本總量的80.062%。可以看出該數(shù)據(jù)集是一個(gè)不平衡的數(shù)據(jù)集。

本文研究問題貸款是否違約為二分類問題，分別用邏輯回歸、隨機(jī)森林、XGBoost、LightGBM建立模型并進(jìn)行參數(shù)調(diào)優(yōu)，用AUC、KS值進(jìn)行模型評(píng)估。由建模結(jié)果可以看出，三個(gè)集成學(xué)習(xí)模型（RandomForest、XGBoost、LightGBM）比邏輯回歸的AUC值和KS值都大，可見集成學(xué)習(xí)在風(fēng)控領(lǐng)域也有良好的應(yīng)用效果，三種集成模型對(duì)比來看，XGBoost效果最好，AUC和KS值最大，分別為0.721、0.322。

表1 模型評(píng)估結(jié)果

四個(gè)模型進(jìn)行對(duì)比，XGBoost的AUC值和KS值最大，模型性能更好，通過sklearn的xgboost的plot_importance方法，得到每個(gè)特征變量的重要性程度，對(duì)于違約預(yù)測(cè)的重要性程度排在前面四位的分別是“借貸人的貸款總額占授信總額的比率”“過去兩年逾期30至59天的次數(shù)”“過去兩年逾期超過90天的次數(shù)”“借貸人的年齡”等。這四個(gè)特征對(duì)最終是否違約影響較大，因此在處理貸款申請(qǐng)時(shí)，可以重點(diǎn)對(duì)借貸人的這些特征進(jìn)行關(guān)注。

四、研究結(jié)論與政策建議

互聯(lián)網(wǎng)金融的發(fā)展加快了資金流動(dòng)，但同時(shí)也伴隨著信貸違約事件的頻繁發(fā)生，準(zhǔn)確預(yù)測(cè)違約風(fēng)險(xiǎn)用戶是亟待解決的問題。機(jī)器學(xué)習(xí)越來越多地應(yīng)用在風(fēng)控領(lǐng)域，同時(shí)面臨著有用信息篩選和各種數(shù)據(jù)挖掘算法模型的選擇。信貸違約預(yù)測(cè)問題是二分類問題，本文首先利用常用的特征選擇方法對(duì)特征進(jìn)行過濾，利用方差過濾法、卡方過濾法、相關(guān)系數(shù)、VIF、IV值等值篩選出15個(gè)重要變量，然后利用基于機(jī)器學(xué)習(xí)的RandomForest、XGBoost和LightGBM算法建立個(gè)人信貸違約預(yù)測(cè)模型，并與常見的邏輯回歸信用風(fēng)險(xiǎn)模型比較，從AUC、KS值等各項(xiàng)指標(biāo)數(shù)據(jù)可以看出相比邏輯回歸，基于集成學(xué)習(xí)的模型效果在信貸違約預(yù)測(cè)場(chǎng)景具有更好的效果，且XGBoost相比RandomForest、LightGBM在信貸違約預(yù)測(cè)場(chǎng)景具有更好性能。本文實(shí)證研究可有助于傳統(tǒng)金融機(jī)構(gòu)管理者更加科學(xué)、精確、快速地正確識(shí)別傳統(tǒng)信貸客戶業(yè)務(wù)的各種風(fēng)險(xiǎn)特征，幫助互聯(lián)網(wǎng)信貸機(jī)構(gòu)有效建設(shè)在金融信貸業(yè)務(wù)監(jiān)管中應(yīng)有的評(píng)級(jí)指標(biāo)體系，完善對(duì)互聯(lián)網(wǎng)金融機(jī)構(gòu)產(chǎn)品的信用審批體系，優(yōu)化信用額度及分配監(jiān)管流程。