王善棟

摘要：隨著大數(shù)據(jù)技術(shù)的發(fā)展，互聯(lián)網(wǎng)領(lǐng)域發(fā)生了許多變化，其中個(gè)人信用風(fēng)險(xiǎn)評(píng)估的應(yīng)用已成為一個(gè)新的研究熱點(diǎn)。大數(shù)據(jù)技術(shù)的應(yīng)用可以使個(gè)人信用評(píng)估更加準(zhǔn)確，為金融機(jī)構(gòu)提供可靠的數(shù)據(jù)支持。本文基于大數(shù)據(jù)的發(fā)展和個(gè)人信用風(fēng)險(xiǎn)的評(píng)估，探討了大數(shù)據(jù)在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用。

關(guān)鍵詞：大數(shù)據(jù);個(gè)人信用;風(fēng)險(xiǎn)評(píng)估

個(gè)人信用貸款是金融機(jī)構(gòu)的核心業(yè)務(wù)之一，但大多數(shù)小型金融機(jī)構(gòu)難以準(zhǔn)確評(píng)估個(gè)人客戶的信用風(fēng)險(xiǎn)，對(duì)業(yè)務(wù)的發(fā)展造成一定的影響。雖然中央銀行有一個(gè)比較全面的信貸信息系統(tǒng)，但由于其數(shù)據(jù)主要由主要的商業(yè)銀行提供，存在數(shù)據(jù)處理時(shí)效性和準(zhǔn)確性問題，但大數(shù)據(jù)技術(shù)為解決個(gè)人信用評(píng)估問題提供了一個(gè)很好的途徑。

一、大數(shù)據(jù)在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

（一）構(gòu)建用戶畫像

用戶畫像的概念最早出現(xiàn)在電子商務(wù)領(lǐng)域，隨著互聯(lián)網(wǎng)的發(fā)展和大數(shù)據(jù)技術(shù)的成熟，用戶畫像在許多行業(yè)得到了廣泛的應(yīng)用。在金融領(lǐng)域中，信息系統(tǒng)通過收集用戶的大量信息，分析和提取與業(yè)務(wù)相關(guān)的內(nèi)容，然后對(duì)用戶的業(yè)務(wù)特征進(jìn)行描述，從而理解和預(yù)測(cè)用戶的業(yè)務(wù)行為[1]。在個(gè)人信用風(fēng)險(xiǎn)評(píng)估的應(yīng)用中，可以通過標(biāo)簽來描述用戶的個(gè)人信用檔案，并為每個(gè)標(biāo)簽分配一個(gè)權(quán)重，表明其準(zhǔn)確程度，并根據(jù)用戶的行為進(jìn)行動(dòng)態(tài)調(diào)整，從而更準(zhǔn)確地描述用戶的業(yè)務(wù)信息概況，為金融機(jī)構(gòu)評(píng)估客戶的信用風(fēng)險(xiǎn)提供依據(jù)。

（二）大數(shù)據(jù)預(yù)處理

由于數(shù)據(jù)量大、數(shù)據(jù)形式、數(shù)據(jù)質(zhì)量和數(shù)據(jù)源不同，需要對(duì)海量數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理首先收集和檢查數(shù)據(jù)，在完整充分的數(shù)據(jù)基礎(chǔ)上，對(duì)數(shù)據(jù)進(jìn)行唯一性檢查和一致性檢查，剔除非法數(shù)據(jù)。然后對(duì)合法數(shù)據(jù)進(jìn)行篩選，識(shí)別和剔除不符合使用要求的數(shù)據(jù)，并確保所有數(shù)據(jù)的有效性，采用單變量分析和多變量分析相結(jié)合的方法，最后利用變量推導(dǎo)來改進(jìn)原始數(shù)據(jù)的可解釋性。經(jīng)預(yù)先處理后的資料會(huì)直接用作日后的個(gè)人信用風(fēng)險(xiǎn)評(píng)估。

（三）建立風(fēng)險(xiǎn)評(píng)估模型

信用風(fēng)險(xiǎn)模型通常基于邏輯回歸統(tǒng)計(jì)技術(shù)進(jìn)行分析，但由于用戶行為的稀疏性，評(píng)價(jià)模型的穩(wěn)定性較差。為了提高模型的穩(wěn)定性，許多學(xué)者進(jìn)行了大量的研究，最終提出了支持向量機(jī)算法和決策樹模型算法。決策樹模型模型繼承了傳統(tǒng)邏輯回歸模型的優(yōu)點(diǎn)，提高了系統(tǒng)的魯棒性，能夠很好地處理可變風(fēng)險(xiǎn)的非線性屬性。決策樹模型采用單層決策樹進(jìn)行單變量分析，然后將決策樹的輸出變量應(yīng)用到模型中，將中間結(jié)果作為邏輯回歸模型的輸入，最后計(jì)算各風(fēng)險(xiǎn)因素的權(quán)重，完成個(gè)人信用風(fēng)險(xiǎn)的綜合評(píng)價(jià)。

二、大數(shù)據(jù)算法概述

（一）支持向量機(jī)算法

支持向量機(jī)是一種分類算法，支持向量機(jī)的基本模型是在特征空間中定義的線性分類器。線性支持向量機(jī)類似于Logit模型，每個(gè)變量都被賦予一個(gè)加權(quán)因子，最后一個(gè)變量被加權(quán)，并作為預(yù)測(cè)的基礎(chǔ)[2]。同時(shí)，支持向量機(jī)可以使用內(nèi)核函數(shù)將變量映射到高維空間，從而改進(jìn)模型。然而該方法的主要缺點(diǎn)是運(yùn)行速度慢，難以直接應(yīng)用于大規(guī)模數(shù)據(jù)。

（二）決策樹算法

決策樹是分類和回歸的基本方法。決策樹模型具有樹結(jié)構(gòu)，可以看作是一組if-then判斷規(guī)則，也可以看作是在特征空間和類空間中定義的條件概率分布。它的主要優(yōu)點(diǎn)是預(yù)測(cè)速度快，與線性模型相比，決策樹還能處理非線性數(shù)據(jù)。此外，決策樹模型具有很強(qiáng)的可解釋性和對(duì)數(shù)據(jù)的自適應(yīng)性，該模型的缺點(diǎn)是單一決策樹太容易擬合。

（三）隨機(jī)森林算法

隨機(jī)森林是由多個(gè)決策樹組成，每個(gè)決策樹專門針對(duì)一個(gè)特定的種群，聚焦于一個(gè)特定的變量，然后共同做出決策，做出最終的判斷。在隨機(jī)森林中構(gòu)建每個(gè)決策樹，通過樣本和變量二維隨機(jī)抽樣。隨機(jī)森林的優(yōu)點(diǎn)是并行性好，能處理大規(guī)模數(shù)據(jù)。

三、應(yīng)用大數(shù)據(jù)發(fā)展趨勢(shì)分析

（一）征信調(diào)查多元化

隨著互聯(lián)網(wǎng)技術(shù)的廣泛應(yīng)用，人們?cè)诨ヂ?lián)網(wǎng)上的信用行為將得到有效的利用和共享，為中央銀行信用信息系統(tǒng)提供更全面的補(bǔ)充信息，從而完善現(xiàn)有的征信評(píng)價(jià)體系。龐大的互聯(lián)網(wǎng)用戶數(shù)量使得數(shù)據(jù)處理、加工、再利用方面變得困難，但這正是大數(shù)據(jù)技術(shù)的魅力所在，它能更真實(shí)地識(shí)別大量用戶的行為并提取個(gè)性化數(shù)據(jù)，為多樣化的征信報(bào)告提供基礎(chǔ)。

（二）審批智能化

由于信用信息系統(tǒng)的不完善，現(xiàn)有的信用流程仍然是基于人工審計(jì)，許多關(guān)鍵的征信數(shù)據(jù)需要專業(yè)人員逐一判斷和決定。在大數(shù)據(jù)技術(shù)的應(yīng)用中，將提出并應(yīng)用各種高效的風(fēng)險(xiǎn)評(píng)估模型，快速分類能力和數(shù)據(jù)提取能力可以提高分析效率和質(zhì)量，使金融機(jī)構(gòu)能夠根據(jù)模型評(píng)估的結(jié)果作出快速的科學(xué)判斷。對(duì)于部分評(píng)分良好及符合信貸條件的用戶，系統(tǒng)可自動(dòng)批核授信申請(qǐng)，無須人為干預(yù)，但對(duì)于評(píng)分較低及明顯不符合要求的用戶，系統(tǒng)會(huì)直接拒絕批核。

（三）監(jiān)控精準(zhǔn)化

信用客戶及相關(guān)業(yè)務(wù)的風(fēng)險(xiǎn)監(jiān)測(cè)是個(gè)人信用風(fēng)險(xiǎn)評(píng)估管理的重要組成部分，監(jiān)測(cè)的準(zhǔn)確性將直接影響決策的科學(xué)性。大數(shù)據(jù)技術(shù)可以自動(dòng)整合和分析收集到的數(shù)據(jù)，提取關(guān)鍵信息，預(yù)測(cè)未來發(fā)展趨勢(shì)，并自動(dòng)提供有效的策略。大數(shù)據(jù)風(fēng)險(xiǎn)評(píng)估模型具有準(zhǔn)確識(shí)別用戶貸款后的風(fēng)險(xiǎn)能力，能夠及時(shí)收集用戶的信用數(shù)據(jù)并密切監(jiān)控，根據(jù)不同客戶采取不同的監(jiān)控計(jì)劃，實(shí)現(xiàn)個(gè)性化的一對(duì)一管理，實(shí)現(xiàn)準(zhǔn)確的風(fēng)險(xiǎn)監(jiān)控。

四、結(jié)束語

綜上所述，大數(shù)據(jù)算法是建模的工具，結(jié)果并不絕對(duì)，如何根據(jù)數(shù)據(jù)特征和算法特點(diǎn)建立合適的模型也非常關(guān)鍵。在實(shí)際模型開發(fā)過程中，業(yè)務(wù)專家和數(shù)據(jù)科學(xué)團(tuán)隊(duì)需要在數(shù)據(jù)邏輯的理解和建模指標(biāo)的選擇上緊密合作。此外，數(shù)據(jù)科學(xué)團(tuán)隊(duì)需要對(duì)算法的核心原理有深刻的理解，并且具有實(shí)現(xiàn)快速算法的能力，強(qiáng)大的大規(guī)模數(shù)據(jù)處理能力，以便充分利用大數(shù)據(jù)算法開發(fā)高性能的信用風(fēng)險(xiǎn)評(píng)估模型。

參考文獻(xiàn)：

[1]鞏凡，岳翔宇，閆守軍.大數(shù)據(jù)在個(gè)人信用風(fēng)險(xiǎn)評(píng)估中的應(yīng)用[J].數(shù)字化用戶，2019，（11）：111.

[2]王思宇，陳建平.基于LightGBM算法的信用風(fēng)險(xiǎn)評(píng)估模型研究[J].軟件導(dǎo)刊，2019，18（10）：19-22.

（作者單位：南京萊斯信息技術(shù)股份有限公司）