互联网金融信用风险分析与大数据征信体系构建

  互联网金融信用风险分析与大数据征信体系构建

   赵海蕾1 邓鸣茂2 汪桂霞3

   1.江南大学商学院江苏无锡214122;

   2.上海对外经贸大学上海201620;

   3.上海财经大学金融学院上海200433

   摘要院互联网金融中的信用风险口一方面表现为更为微型的客户对象导致的信用风险☆□☆□,一方面表现为互联网金融平台导致的信用风险□☆□。口☆口口☆口互联网口金融中的信用风险产生原因包括缺乏完善的征信体系☆☆☆☆、缺乏严格的信息披露机制□☆☆、缺乏全面的风险控制手段以及缺乏明确的法规监管□□☆。传统中央银行为主导的线下征信体系覆盖率低☆□☆☆、成本高并且相对封口闭☆☆□☆,大数据征信依托口多样化☆☆☆□□、高频率和高体量的非结构化口数据□□□☆□,通过搜集和处理能够反映主题行为习惯的全方位☆□□、多维度信口息□□□☆,构建反映其性格特征☆□□、身份特质□□☆、履约能力等多维度口的定量模口型□☆□,利用各种算法推断其信口用特征☆☆□,并获得量化信用评口估结果□☆☆。大数据征信体系发展需要鼓励建口立行业协会□☆☆☆、规范产品标准和重视数据隐私保护☆☆□□。

   教育期刊网 http://www.jyqk口w.com关键词院互联网;金融信用;风险征信体系

   1 互联网金融中信用风险的表现

   口互联网金口融是以互联网为资源☆□☆□□,大数据□□☆☆、云计算为基础□□☆□,采用新金融模式运作的一种新兴行业☆□□☆。根据国际电信口联盟(ITU)2014 年11月24 日口发布的《2014 年测量信息社会报告》□☆☆☆□,2014 年全球网民共30亿☆☆□,占居民总数口的40.4%☆□□☆□。中国作为最大的发展中国家口拥有世界1/5的网民□☆□。根据中国互联网络信息中心(CNNIC)发布的第35 次《中国互口联网络发展状况统计报告》□□□☆☆,截至口2014 年12 月□□☆☆,中国有6.49 亿口口网民☆□□☆,12 亿手机用户中有5.57 亿手机网民□☆□☆☆。3.04 亿用户使用网上支口付☆□□□☆,网民中使用口网上支付的比例为口46.9%;手机支付用户规模为2.17亿☆□□□☆,网民中手机支付的使用比例为39.0%☆□□。购买过互联口网理财产品的网民规模达到7849 口万□□☆☆,在网民口中使用口率为12.1%□☆☆。

   谢口平和邹传伟将互联网金融定义为以互联网为代表的现代信息科技□□☆☆☆,特别是移动口支付□☆☆□、社交网络☆□□、搜索引擎口和云计算与金融口相结合的☆□☆,既不同口于商业银行间接融资□☆☆□、也不同于资本市场直接融资的第三种金融融资模式□□□☆。2014 年谢平☆□□☆□、邹传口口伟和刘海二撰口写的《互联网金融手册》中☆□□□,互联网金融被口口定义为口一个谱口系概念□☆☆□,涵盖因为互联网技术和互联网精神的影响☆□☆,从传统银口行□□☆☆、证券□□☆□、保险☆□☆□☆、交易所等金融中介和市场□☆□,到瓦尔拉斯一般均衡对应的无金融中介或市场情形之间的所有金融口交易和组织形式□□☆。李耀东口和李钧则认为☆□☆,互联网金融并不简单是口具有互联网技术的金融☆☆☆□☆,而应该是基口于互联网思想口的金融☆□☆☆□,即服务长尾口口市场□□□、普惠和去中心化的金口融☆☆□。主要特点为服务于长尾市场;具有海口量用口户;关注个性化需口求;重视创新;正视风险;重视用口户口体验;重视口开放性;重视社会化营销□□□。

   口所谓信用风险即客户未能按期还本付息□□□☆□,或者说债务违口约导致的风险□□□。互联口网口金融中☆□☆□☆,信用风险主要口口表现为两种类型:互联网金融中客户口特征导致的信用风险□☆□□☆,以及互联网金融平口台特征导致的信用风险□□☆。

   1.1 互口联网金融的用户特征导致的信用风险

   一方面☆☆□□☆,互联网金融服务的客户对象往往是传统银行信口用体系未能覆盖的群体□☆□,对这些群体的信用风险的度量往往需要更为专业的手段☆□□□☆。以P2P 网贷平台的鼻祖☆□□□☆,成立于2005 年3 月英国的Zopa(Zone of Possible Agreement)为例□☆☆,他们发现存在着“自由组织者”的群体☆□☆☆,即自雇□□☆、从事项目的或者自由职业的非“全职”就业者□☆☆☆,如顾问和企口业主口等☆□☆,他们的收入和生活方式很不规律☆☆□□,尽管具口有信用能力☆☆□□□,却由口于不符合传统金融信用要求中稳定收入证明等要求□☆□☆,无法得到传统金融机构充足的信贷服务☆□□☆。Zopa 的团队估计在英国约6000万总口人口中有600 万的“自由口组织者”□□☆,并且预测在未来的10 口到15年☆☆☆☆,选择这种生活方口式的人会越来越多□☆□,传统金融机构只重视客户生活和收入的稳口定性而忽视了这一趋势☆□☆。针对这一目标群体提供互联网金融服务☆□□□□,Zopa 发展迅速□☆□☆☆,从诞生时口只有300 个用户□☆□☆☆,几个月内用户量就超过了25000 人☆□□□☆,2012 年注册用户超过90 万□□☆□☆,2014 年末累计发放贷款超过7 亿英镑(约10.55 亿美口元)☆□□□,一举成为英国最大的口P2P 网贷平台之一□□☆☆☆。

   另一方面☆□☆,国内互联网金融的借贷主体是资金规模小☆□☆☆☆、很难在统金融机构获得贷款的小微企业以及工薪阶层口甚至学生群体等□☆☆☆。从银行服务的企业客户来看□☆☆,银行对公司贷款中80%左右的贷款投放给大型国有企业和中型企口业□☆☆□,贷款额度一般在500 万以上☆□□□☆,小企业贷款和个人消费经营口贷款仅占20%左右☆□□□,额度一般也在50 万以上☆□☆,平均口200-300 口万左右☆□□。而互联网金融口主要服务小微企业☆□□□☆,贷款金额口远远不口口能达到银行的贷款金额标准☆☆□。以阿里小微信口贷为例☆□□□,截至2013 年二季度末□□□,阿里小微信贷累计发放贷款超过1000 亿元☆☆□□,户均贷款仅仅4 万元□□□□☆。阿里小口贷最大的特点是“金额小☆☆☆□,期限短□☆☆□☆,随借随还”☆□☆☆☆。订单口贷口口款作口为口淘宝□☆☆☆□、天猫卖家使用最频繁的信贷产品☆□□,要求支付万分之五的日利率□□☆。2012 年☆☆□□,所有客户年均使用口30 次口订单贷款☆☆□□☆,平均每笔贷款周期为4 天☆□☆□□,全年实际融口资成本为6%☆□□☆。阿里小口贷单笔贷款的操作成本极低□☆□☆□,仅为2.3 元☆□□,与银行2000 元左右的单笔信贷操作成口本形成巨大对比□□☆☆。

   互联网金融服务的个口人客户也同样具有口资金规模较小的特口征☆☆☆☆。以蚂蚁金服口的个人客户口为例□□☆,由于蚂蚁金服的大部分个人客户都开设口余额宝账户☆□□,所以旗下各种产品的用户基本都是余额宝的一个子集☆□□☆。根据天弘基金的年报口数据□☆□☆□,截至口2014 年底余额宝开户数1.84 亿口户☆□□☆,户均账口户余额3,133.47 元□☆□。而截口止2014 年12 月□□□□,工商银口行开户数4.65 亿☆□☆,招商银行口开户口数5600 万☆☆☆,北京银行开户数1137 万;工商银行□☆□□☆、招商银行和北京银行的口个人存款总额分别为71,886.07 口亿口元☆☆□□☆、10,930.27 口亿口口口元和1,851.29 亿元□□☆☆,可以算得户均存款余额分别口为15,459.37 元☆□☆、19,518.34 口元和口16,282.23 元□☆□□,银行体系内客户平均存款余口额为余额宝客户平均余额的5 倍□□☆。这一方面反映了口传统银行业依然是个人存款的主要方式□□☆□,另一方面也反映了互联网金融面对的客口户群体总体来说金额较低☆☆☆□,风险更大□☆□☆。

   1.2 互联网金融的平台特征导致的信用风险

   根据网贷之口家的数口据☆☆☆□☆,截止口2015 年5 月底□☆☆□,正常运营的P2P 平台有1946 家□□□☆□,累计问题平台数量661 家☆□☆☆,占全部平台总数的四分之一□☆☆。P2P 网贷行业贷款余额达1932.14 亿元□☆☆□,历史累计成交量已突破6000 亿元☆☆□□☆。(表1)

   从网贷平台的市场份额来看□□□☆☆,各网贷平口台竞争口激烈☆□☆□□,彼此差口口口异不大☆☆□□□,排名前十的网贷平台贷款余额合计仅占市场总份额的1/3 左右□□☆,这与国外成熟口市场形成鲜明对比□☆☆□。以英国P2P 平台为口例☆□□□☆,排名居前的ZOPA☆☆□、RateSetter□□□、Funding Circle☆□□☆、MarketInvoice 这四家P2P 平台的市场份额就占行业份额的70%左右□☆□。美国P2P 行业基本为Lending Club 和Prosper 两家平台所垄断☆☆□☆,合计占有96%口的市场份额☆□☆。

   不仅网贷平台尚处于口群雄争霸☆☆□,一片混战之中☆☆□。网贷平台良莠不齐□□☆☆□,问题平台频口频出现□☆□☆。根据网口贷之家的数据□□☆☆□,截止2015 年口6 月☆□☆□,已经口320 家网贷平台跑路□☆☆□□,336 家网贷平台出现提现困难□☆☆,73 口家网贷平台停业□□☆,另外7 口家网贷平口台由刑侦介入☆□□□。

   除了网贷平台自身恶意欺诈投资口者出现信用风险之外☆□□□,网站自身由于技术问题也会发生信用风险☆□□。互联网金融依托计算机☆☆□□、互联网□☆☆□、各类移动口口终端☆☆□□、数据口库以及各类软件系统而运行□☆□☆☆,互联网的口开放性使得互联网金融高度暴露在系统性故障以及网络黑客□□☆、计算机病口毒☆□☆□□、恶意代码等的攻击之下□□□□。利用系统漏洞和平台设计缺陷☆☆□□□,黑客可以通过侵入核心信息系统来获取客户信息乃至盗用客户资金;而计算机病毒☆☆☆☆、恶意口代码等的扩口散□☆□☆☆,也可能引发系统口性崩溃□☆☆□。传统金融中只会导致局部损失的技术风险在互联网金融中会威力倍增☆□☆,一旦发生口安口全事故☆☆☆□□,极容易引发声誉风险和挤兑等连锁反应□□☆,甚至可能由于信任危机和流动性风险☆□□,导致风险从互联网金融向口传统金融扩散☆□☆。由于中国互联网金融普遍未能掌握具有自主知识产权的芯片制造和操作系口统开发技术□□□☆,因此对于引进的国外技术是否存在后门☆□☆、漏洞等情况并不了口解□□☆,只有通过增强口相关软硬件设备的自主研发设计以及制造水平☆☆□☆□,才有可能解除对国外技口术的依赖□☆☆。通过建口立行业内的沟通和协调机制□☆☆,制定具有国际领先性的行业技术标准☆☆□□□,有助于预防选择性技术风险口的一再重演;从长口远口来看☆□□,还应积极参与制定国际新型金融技术标准□☆□,因为只有拥有制定口口标准的发言权☆□☆□☆,才能在未来国际金融业务中掌口握主动权☆☆□。

   口2 互联网金融信用风险的成因

   2.1 缺乏完善的征信体系

   由于中国人民银行对股份制商业银行和地方银行的强势控制☆☆□,2004 年口成立的中国人民银行征信中心的个人征信数据库建设工作采取自上而下的模式☆☆□□□,经过10 年时间实现了8 亿人口口的覆盖☆□□,但是截止到2013 年底☆☆☆,央行银行个人征信系统中有信贷口记录的自然人仅为3.2 亿□☆□☆☆,占13.5 亿口人口中的23.7%☆☆□☆☆。央行征信数据搜集的信息维度比较少☆☆☆□,主要口包括个口人基本信息(身份证号)□☆☆□,以及所持有口的信用卡☆□□、银行卡消费☆☆☆□、取现☆☆□□□、转账等记录等□□☆□。仅仅依靠这些信息无法全面反映一个人的信用状况☆□□□,远远未能满足借贷市场的需口求□☆□☆,很多没有信用卡或从未跟银行发生借贷关系的人群很口口难获得信贷服务□☆□□。而在美国☆☆☆,征信口体系的覆盖率已经达到了85%☆□□☆。

   中国互联网金融行业面临的数据不充分☆☆☆□、信息不真实口挑战☆□□,使得人力采集数据仍然是主要方法之一□☆☆,国内大多口数P2P 公司都主要是线下模式□☆□,千人员工以上的P2P 平台不在少数☆☆☆☆□,有些知名平台员工总数甚至超过了万人□☆☆□。对于用户信用审核的风控偏重于银行卡交易等流水的审核☆□□□☆,国内整个P2P 行业中信审人员所占比重非常大☆☆☆□□,使得国内口P2P 平台的成本控制口口很困难□☆☆☆□,线下销售和进行尽职调查的成本(包括对应的人员工资)要口占到整体成本一半以上□□☆□□。预先批准□☆□□☆、自动决策□□☆☆、风险定价等定量技术在中国尚口属稀缺☆□☆,由此导致的客户获取成本居高不下□☆☆☆。美国信贷业的获客成本约为200-300 美元(购买一条口征信数口据□☆☆□、加一个信封邮票☆□□□、加人工处理费大约每个邀请函成本1-2 美元□☆□,除以低于1%口的口响应率)□☆☆□,而中国信贷业面临的口线下获客成本高达上千美元□☆□,这是导致借款人融资成本高□☆☆、风险质量低的主要口原因□□□。

   P2P 借贷高度依赖线下团队进行征信□□□☆,这一现状存在严重的口弊端□☆□。

   第一☆☆□,线下征信属于劳动密集口口型工作☆□□☆□,对人力☆□□□、物力投入需求极高☆☆☆□,提高了整体信贷成本□□☆,造成口不经济性☆□☆☆☆。对于额度较小的口信用借款来说☆□☆,其高昂的征信和审贷成本给借贷双方造成巨大口压力□☆☆□,迫使借贷平台更倾向单笔金额高的借款□☆☆□,长此以往□☆□□,P2P 借口贷的普惠价值和补充作用将被逐口渐损蚀□☆□□。

   第二☆□☆□,线下征信具口有较强的主观性□☆☆□,不利于形成标准化的征信技术□□☆□□。不同平台的征信流程☆☆□□☆、资料搜集重点不口尽相同;即使在同一平台☆□□,采用了标准化的线上评估方式□☆□,不同信贷员□□□☆、审贷员的风格☆☆☆□□、特点也导致信贷报告千差万别☆☆□□。这种差异导致征信标准口的割裂□□☆☆☆,不利于信用资源的互通互享☆☆□。

   第三☆☆☆☆,线下征信的高成本阻碍口了征信数据口的共享☆☆☆□。由于各个平台口花费了大量人力□☆☆□、物力进行线下征信☆□☆,这些征信数据被视为核心资口源乃至核心竞争力□□☆,与其他平台□☆☆□、征信组织的共享口意愿大大减弱□□☆☆,口☆口口口☆口导致重复征信和征信资口源的浪费☆☆□□□。

   第四☆□☆□,线下征口信的高昂边际成本还妨碍了行业的高质量扩张☆□□。尽管近几年的国内P2P 借贷行业发展迅猛□□□,但主要依靠人力☆□☆□、资金等非技术要素的投入增加来支撑□□☆,这使得P2P 借贷日益成为口劳动密集型☆□☆、资金口密集型行业☆□☆,体现的是口粗放式增长☆□□☆,未能发挥其技术创新优势□☆□,常常招致批评☆□□。

   缺乏社会化征信体系□□☆,还导口致另一弊端☆☆□☆□。国内大多数P口2P 平台申请借款人的数据由用户自行提交☆□☆☆,在真实度上会大打折扣☆☆☆□,存在很大的漏洞和风险;而国外的做法则多是通过大数据的采集和购买第三方数据等方式获取□☆□□☆,能够保证信用资料的客观性和真实性□□☆☆,以及效率□☆□□。

   2.2 缺乏严格的信息披露机制

   口口目前普遍的情况是:P2P 网贷平台□☆□□□、专业放贷人账户☆□□、信用评估机构□☆□□、投资者(理财)口服务口机构□☆☆、借款人服务机构都属于同一控制人□☆☆,具有极高关联性☆□□。债权的评级方和出售方具有极高关联性☆□□☆,投资人服务机构和借款人服务机构具有极高关联性□□☆□,负责为资金交易和信息交易提供服务的机构也具有极高关联性□☆☆□。这些具有极高关联性的企业缺乏相互之间信息披露的监督动力☆☆☆□□,很难保口持其口公正性☆□☆□、独立性口和客观性□☆□。在客户筛选☆☆□☆☆、信用评估□□☆□、贷款发放□☆☆、资金结算☆□☆☆、债权转让□☆□☆☆、逾期贷款追讨等关键环口节的操作都依托口关口联口性极强的机构完成;即使在真实债权信息的前提下☆☆□☆,缺乏第三方监督和严格的信息披露□☆□,由高关联性引发的种种口道德风险☆☆□□,如虚假增信等的可能性普遍存在□□☆□。

   而且☆☆☆☆,国内P2P 平台的出借人和借款人之口间信息是不完全口透明的☆□☆□□。虽然国口内众多P2P 平台都在强调信息口透明☆□□☆、充分披露☆☆□☆,但是能够做到这一点的寥寥无几☆☆□□。绝大部分平台出于不同的目的☆☆□□☆,针对每笔交易的信息披露都十分有限☆☆☆,有些甚口至连借款人的基本信息都写得十分模糊□☆☆□□。但是国外P2P 平台会让所口有的借款客户口知晓出借人是谁☆☆□☆☆,其经营理念是☆☆☆,平台需要让出借人充分知道借款人情况☆☆☆□,信息越口清晰□☆☆□、越透明□☆□☆,违约率口口越低□□☆☆☆。目前国内P2P 行业从来未曾公开过任何形式的资产质量报告☆☆□☆,即使有坏账率也都是自己报的□□□,缺乏公信力☆☆☆☆□。在贷后催收部分□☆□,国外更口多采取外包催收□☆□□,运用多种信口息科技手段□☆□,黑名单共享;而国内主要做法还是雇佣大量催收人员☆☆□,黑名单也完全不共享☆☆□☆☆。

   2.3 缺乏全口面的口风险控制体系

   目前☆□□,国内P2P 平台普遍采用资金托管和第三方担保作为风险控制的主要措施□□☆□。所谓口资口金托管□□☆,就是资金流运行在第三方托管公司☆☆□☆□,不通过P2P 平台的银行账户□☆☆□☆。在实际操作中☆□☆☆,贷款人和借款人分别通口过第三方支付开通自己的账户☆□□☆☆,贷款人可以实时了解信贷资金的准确去向;平台也在第三方支付开通商户账号□□□,但仅限于进行资金解冻和退款这两种操作□□☆☆□,没有转账与提现操作的权限☆□□。如果贷款招标顺利完口成☆□☆☆,资金会从贷款人账户进入借款人账户;如果贷款招标失败□☆□☆□,资金会被退回贷款人账户□☆□。理论口上来说☆□□,开通了第三方资金托管的平台无法直接接触投资人的资金□☆□☆☆,可以避免平台因为经营不善挪用交易资金而给交易双方带来风险☆□☆□。正因如此□☆□□,目前许多P2P网贷平台将第三方资金托管作为标配□□☆□□,将其口奉若提升信口誉的“法宝”☆☆☆□☆,投资者对此也颇口为认可□□☆。据网贷平台账户最大的资金托管机构汇付天下口发布的《汇付天下P2P 行业发展报告》□☆□□,近八成投资人重视平台是否有第三方托管☆□☆。

   除了第三方托管口之外□☆☆,第三方担保也是P2P 平台采取的主要风控措施□☆☆□。在《融资性担保公司暂行管理办法》中规定☆□□☆☆,担保公司的杠杆不得超过10 倍□☆□☆□。但P2P 平台的担保公司净资产一般只有百万甚至数十万☆☆☆□☆,而平台上却口可能有上千万的贷款余额□☆☆□,这就大大超过10倍杠杆的口要求☆□□☆。其后口果是一旦P2P 口借贷平台出现10%的坏账口风险☆□☆,在10 口倍杠杆下就超过了担保公司的支口付能力□☆□□☆,P2P口 口平台就只能破产了☆☆☆。

   2.4 缺乏明确的金融监管口机制口

  口 我国整体法制建设处于口口逐步完善和健全的过程中☆□□□☆,关于互联网金融方面的法律法规更是寥寥无几☆☆□。除中国人民银行发布的《网上口银行业务口管理暂行办法》□☆☆、银行业监督管理委员会发布了一些管理规定与操口作指引外□☆□,《商口业银行法》☆□☆、《中国人民银行法》中仅仅针对互联网金融业务进行了少量规定☆□□。2014 年8 月上海公布了《关于口促进本市互联网金融产业健康发展的若干意见》□□□☆☆,成为全国首个省级地方政府促进互联网金融的发展意见☆□□☆。

   目前中国的金融监管实行分业监管模式☆☆☆□□,但在实践中越来越多的金融机构持有多种金融业务的牌照进行混业经营□□☆,互联网金融的兴起对于分业监管还是口混业监管提出新的挑战☆☆☆□□。从经营模式来口看□☆□,网络口金融超市属于典型的混业经营模式□□□□☆,金融机构不仅在网站上推出投资储蓄☆☆□、贷款□□☆☆□、证券☆□□☆☆、保险□☆☆、基金☆□□☆、外汇☆□☆☆、结算☆□□□、托管☆☆☆、理财等一站口式金口融服务☆☆□☆□,设立网上商城为广大企业和个人提供专业化的电子商务和金口融支持服务□☆☆☆,并且加强与电子商务平台之间的口合作□☆☆□,远远超越了在口传统金融运行模式下所能经营的业务品种和模式☆□□☆□。相对于口传统金融□☆□☆□,互联网口金融口刚刚兴起☆☆□□□,既没有明确的法律依据□☆□□☆,也缺乏有效的外部监管☆☆□,平台发起人还往往缺乏金融背景和经验☆☆□□,因此互联网金融的发口展将对监管法规□□☆□☆、监管能力等方面口提出全新的挑战□☆☆☆。

   P2P 网络借贷在国外经过将近十年口的发展□□☆□☆,已经比较成熟☆□☆☆,监管法规体系也口比较完善□□☆。美国将口P2P 网络借贷纳口入民间借贷的范畴☆□☆□,在《消费者信用保护法》和《诚实信贷法》等有关法律的监管下运行☆☆☆☆□。而我国的P2P 网口络借贷由口于还没有规定明口确的监管部门□□☆☆,P2P 网络借贷大多由缺乏金融监管经验的工商部门负责口监管☆□□,极大增加了平台发生信用风险的可能性☆□□。因而需要及口时完善相关法律法规☆☆□,理清口监管职责□□□□☆,加强督口管口力度□☆☆☆□,以防止平台信口用风险的发生□☆□。

   3 我国互联网金融大数据征信体系的构建

   大数据的介入☆□□☆,正改变着征信行口业☆□☆。大数据征信依托口多样口化□□□、高频率和高体量的非结构化数据☆□☆□,通过搜集和处理能够反映主题行为习惯的全方位□□☆、多维度信息☆☆☆☆,构建反映其性口格特征☆☆□、身份特质☆□☆☆□、履约能口力等多维度的定量模型□□☆□,利用各种算法推断其信用特口征☆☆□□,并获得量化信用评估结果□☆☆☆。大数据征信使用的数据包括传统的银行口业信口贷记录□□☆☆、消费记录☆☆☆、身份数据☆□□、社交数据□☆□、经营数据☆□☆☆☆,以及口日常活动口和偏好口数据☆□☆□、特定场景下口的行为特征数据等☆□☆☆□。大数据不仅为征信业发展提口供了广泛的数据信息来源□☆☆,同时也改变了征信产品口的生产流程□□□,成为了口我国征信业发展的重要助力□☆□□。

   目前☆☆□,可以用来支持互口口联网征信模型的大数据具有口六大口来源☆□☆☆☆。第一是电商大数据□□☆☆,比如阿里巴口巴提供的芝麻信用分□☆□☆□。阿里旗下的支付宝实名用户口超过了3 亿☆☆☆□,日数据处理量在30PB 以上☆☆□□,相当于5000 个国家图书馆的数据总量□□☆□□,涵盖支付□□☆□、投资□☆☆☆□、消费☆□☆☆☆、社交☆□☆、公益☆☆□、交通等多种口消费场景□□□,芝麻信用采口用国际上通行的信用评分方法☆□☆□□,最低350 分最高950 分☆□☆☆,这与美国口FICO 分(300 至850)相似□□☆□☆,分数越高代表口信用程度越好☆☆☆□,违约口可能口性越低☆☆☆。芝麻信用的评分模型主要包括信用历史☆□☆、行为偏好□☆☆、履约能力□☆□☆、身份特质☆□☆☆□、人脉关口系五口个维口度☆☆□□。人们在日常生活中点点滴滴的行为□☆☆☆□,通过长期积累☆☆□☆,这些行为轨迹和细节□□☆☆□,可以全面判断其口口信用口状况□□☆☆☆。

   第口二是信用卡类大数据☆☆☆□□,根据信用口卡申请年份□☆☆☆、授信额度☆□□□☆、消费金额□☆□、消费次数□☆☆□☆、消费种类□☆□、消费场所☆□☆☆□、卡片等级☆□☆□、还款记录等作为信用评口口口口级的参考数据□☆□□。代表性企业是成立于2005 年的“我爱卡”□□☆□☆,依据自身积累的数据利用FICO 口信用评分模型来发放互联网口金融小额信贷□☆□。

   第三口是社口交网站大数据□☆□,代表性企业为腾讯公司□□☆□,腾讯拥有最多的社交用户□□□,包涵最复杂的人际社交关系☆☆☆□☆,旗下口QQ 的月口活跃用户8亿多☆□□,微信用口户口接近5 亿□☆□☆☆。腾讯征信的评分模型主要包括四大因子:安全指数(是否实名认证□☆☆□、是否开通数字证书☆□☆、过去一段时间更换手机号码的次数等);消费指数(过去一段时间内腾讯业务☆□☆☆、游戏☆□□、生活服务类消费次数等);财富指数(财付通账户余额☆☆□☆、理财通口财富□□☆□、QQ 号价值等);社交指数(QQ 登陆场所□☆□、微信有红包及口资金往来的好口友占口比)☆□☆。腾讯征信采用七级信用评级法☆☆☆,分别用不同的星级代表信用等级☆□☆□☆。五星代表较高的信用评口级☆☆☆□,六至七星代表特高信用评级☆☆□□☆。

   第四是小额贷款类大口数据□☆☆,包括信贷口额度□☆□、违约口口记口录等☆☆☆。由于单一企业信贷数据的量级较低☆□□、地域性较强□☆□,业内共享数口据的模式正被逐步认可☆□☆□□。

   第口五是第三方支付大数据☆□☆,根据用户消费数据进行信用分析□☆☆□,支付方向□☆□☆、月支付额度□☆☆☆、消费品牌都可以作为信口用评级数据□☆□。比如考拉信用评分主要依托拉卡拉的支付数口据☆□☆□,利用FICO 评分法☆☆☆、回归□☆□☆、分类☆☆☆☆□、We口口b 口挖掘和神经网口络技术☆□□□,主要按照五个口维度:履约能力□□☆☆、身份属性□☆□□、信用记录□☆☆、社交关系和口交易行为进行信用评估☆☆□□。

   第六是口生活服务类网站大数据□☆☆,包括水☆☆□☆、电□□☆☆、煤气☆□□□、物业费口交纳等□☆☆,能够客观真实地反映个人基本生活口信息☆☆□□□。比如口持有华道征信15%股份的新奥资本□☆☆□☆,是新奥集团旗下口从口事股权投资和投口资管理的平台公司□☆☆☆,旗下新奥能源是国内规模最大的口清洁能源分销商之一☆□☆□□,掌握大量居民燃气数据□□☆☆□。华道征信的数据主要包括五口个方面:信贷数据□☆☆☆☆、公安司法数据□□☆、运营商数口据☆□☆☆□、公共事业数据☆□☆□□、网络痕迹数据☆□□。2015 年1 月5 口日☆□☆☆□,央行颁布《关于做好个人征信业口务准备工作的通知口》□□☆□,要求芝麻信用管理有限公司☆☆☆☆、腾讯征信有限公司☆☆☆、深圳前海征信中心口股份有限公司☆□☆、鹏元征信有限公司□☆☆、中诚信征信有限公司□☆□、中智诚征信有限公司☆□□、拉卡拉信用管理有限公司口以及北京华道征信有限公司八家机构做好个人征信业务的准备工作□☆☆□,准备时间为六个月□□☆。(表2)

   根据即将获得征信牌照的八家征信机构口的产品特点可以看出□☆☆□,目前各征信机构数据来源□□☆☆□、统计口径☆☆□☆、评分模型☆□☆☆☆、评分标准等各方面都存口在巨口大差异☆☆□□□。建立征信行业协会☆☆□☆□,加强数据共享☆☆□,重视数据隐私☆☆□☆□,建立征信产品规范☆□☆,统一行业标准□☆☆☆□,将是中国互联网金融中大数据口口背景下征信体系建设的重点□☆☆□。

   教育期刊网 http://口www.jyqkw.com参考文献:

   [1]国际电信联盟.Measuring the Information Society Report 2014[R].ITU□☆□☆,http://口口ww口w.itu.int/en/ITU -D/Statistics/Documents/p口ublication口s/mis2014/MIS2014_without_Annex_4.pdf☆☆☆□,2014-11-口24.

   口[2] 中国口互联网络信息中心. 中国互联网络发展状况统计口报口告[R]☆☆□☆,CNNIC□□□☆□,http://www.cnnic.cn口/hlwfzyj/hlwxzbg/201502/P020150203551802054676.pdf☆□□,2015-口02-03.

   [3]谢口平,邹传伟.互联网金融模式口研究[J].金融研究.2012(12):11-口22.[4]口口谢平,邹传伟,刘海二.互联网金融口手册[M].北京:中国人民大学出版社,2014.

   [5]李耀东,李钧.互联口网金融:框架与实践[M口].北京:电子工业口出版口社,2014.[6]口口口芮晓武,刘烈宏.中国互口联网金口融发展报告(2014)[M].北京:社会口科学文献出口版社,2014.

   [7]刘口琪.第三方资金托管成P2P 标配真假托管难辨[N].证券日报,2015(06)13.

   口[8]赵海蕾,邓鸣茂,汪桂霞.互联网金融中的大数口据征信体系构建[J].经济视角,2015(04):18-口21+65.

本文由一凡论文网发布于计算机论文,转载请注明出处:互联网金融信用风险分析与大数据征信体系构建

您可能还会对下面的文章感兴趣: