公務(wù)員期刊網(wǎng) 論文中心 正文

翼龍貸網(wǎng)絡(luò)借貸平臺(tái)借款人的信用風(fēng)險(xiǎn)

前言:想要寫出一篇引人入勝的文章?我們特意為您整理了翼龍貸網(wǎng)絡(luò)借貸平臺(tái)借款人的信用風(fēng)險(xiǎn)范文,希望能給你帶來靈感和參考,敬請(qǐng)閱讀。

翼龍貸網(wǎng)絡(luò)借貸平臺(tái)借款人的信用風(fēng)險(xiǎn)

【摘要】近年來,眾多的互聯(lián)網(wǎng)金融業(yè)務(wù)模式通過網(wǎng)絡(luò)的力量被迅速普及和推廣,在加劇了金融市場(chǎng)競(jìng)爭(zhēng)的同時(shí),也提高了資產(chǎn)配置的效率。隨著P2P網(wǎng)貸平臺(tái)的接連上線,雖然解決了部分小微企業(yè)融資難的問題,但隨之而來的信用風(fēng)險(xiǎn)、市場(chǎng)風(fēng)險(xiǎn)、操作風(fēng)險(xiǎn)和政策風(fēng)險(xiǎn)等多種風(fēng)險(xiǎn),正面臨著日趨嚴(yán)峻考驗(yàn)。本研究以翼龍網(wǎng)絡(luò)借貸平臺(tái)為對(duì)象,研究其借款人的基本信息、借款行為、資產(chǎn)及信用狀況等,通過信息增益技術(shù)對(duì)可能影響信用風(fēng)險(xiǎn)的相關(guān)影響因子進(jìn)行篩選,然后基于Logistic回歸建立借款人的信用風(fēng)險(xiǎn)評(píng)估模型,以提高平臺(tái)對(duì)借款人償債能力判別的準(zhǔn)確度。

【關(guān)鍵詞】P2P網(wǎng)絡(luò)借貸平臺(tái);信用風(fēng)險(xiǎn);風(fēng)險(xiǎn)評(píng)估

一.信用風(fēng)險(xiǎn)產(chǎn)生的原因

在互聯(lián)網(wǎng)金融行業(yè)迅速發(fā)展的新時(shí)期,P2P網(wǎng)絡(luò)借貸異軍突起,迅速成為互聯(lián)網(wǎng)金融中一種重要的形式。截止2017年9月,P2P網(wǎng)絡(luò)借貸平臺(tái)有5929家,當(dāng)月成交量為2351億元,綜合收益率約為9.53%左右(數(shù)據(jù)來自網(wǎng)貸之家),基本保持穩(wěn)定。翼龍貸的運(yùn)營(yíng),類似于民間小額借貸,所以其本身具有民間借貸中存在的風(fēng)險(xiǎn)因素,包括借款人對(duì)還款能力的錯(cuò)誤估計(jì),導(dǎo)致無法正常還款等等。由于網(wǎng)絡(luò)借貸行為發(fā)生具有其特殊性,因此其存在的風(fēng)險(xiǎn)存在被放大的可能,具體的風(fēng)險(xiǎn)因素體現(xiàn)在以下幾個(gè)方面:

(一)運(yùn)營(yíng)都是通過互聯(lián)網(wǎng)完成,每一個(gè)環(huán)節(jié)都存在風(fēng)險(xiǎn)發(fā)生的可能

在申請(qǐng)過程中,借款人提供的資料大多由其本人填寫完成,存在編造及篡改的技術(shù)可能,會(huì)增加借款人蓄意欺詐的風(fēng)險(xiǎn);這種運(yùn)營(yíng)模式采用第三方支付方式完成轉(zhuǎn)賬,在提高轉(zhuǎn)賬效率的同時(shí),也增加了轉(zhuǎn)賬資金的風(fēng)險(xiǎn),為非法轉(zhuǎn)移資金提供了可能。

(二)具有跨地域性的特征,在拓寬借貸范圍的同時(shí),也增加了投資者的資金風(fēng)險(xiǎn)

傳統(tǒng)民間借貸都是在一定的小范圍中進(jìn)行,通過熟人關(guān)系開展,借貸雙方有一定的了解,貸款人對(duì)借款人的還款能力可以進(jìn)行初步的判斷,同時(shí)由于雙方關(guān)系,出現(xiàn)賴賬的幾率很小;即使有壞賬出現(xiàn),催收還款也較為便利。但是翼龍貸的跨地域運(yùn)營(yíng),會(huì)出現(xiàn)異地借款行為,而異地催收難度較大,目前采用的短信、電話、打官司等催收方式并不能取得理想的效果,導(dǎo)致逾期甚至賴賬行為時(shí)有發(fā)生。

(三)發(fā)展迅速,但是相關(guān)的監(jiān)管制度卻并未及時(shí)出臺(tái)

目前政府并未出臺(tái)專門針對(duì)互聯(lián)網(wǎng)金融行業(yè)監(jiān)管的法律法規(guī),隨著網(wǎng)絡(luò)及金融創(chuàng)新日新月異的發(fā)展,傳統(tǒng)的監(jiān)管措施顯然無法滿足對(duì)于風(fēng)險(xiǎn)的管控,規(guī)范的監(jiān)管迫在眉睫。

二、翼龍貸風(fēng)險(xiǎn)評(píng)價(jià)體系的構(gòu)建

(一)翼龍貸借款人信用風(fēng)險(xiǎn)影響因子分析

借款人在申請(qǐng)借款時(shí),翼龍貸會(huì)要求其提供個(gè)人基本信息,包括身份信息、基本資產(chǎn)狀況、年齡、學(xué)歷、工作等,而后通過授權(quán)第三方認(rèn)證平臺(tái)對(duì)借款人提供的信息進(jìn)行認(rèn)證,根據(jù)認(rèn)證結(jié)果初步評(píng)定借款人的信用等級(jí),再將借款人信息及評(píng)定結(jié)果在網(wǎng)站上公示,供投資者參考。1.年齡。一般情況下,不同年齡層的借款人,其發(fā)生違約的概率也不一樣,年齡較小的借款人收入來源有限,且本身并不具備良好的消費(fèi)習(xí)慣,缺乏儲(chǔ)蓄,其違約風(fēng)險(xiǎn)較高;30歲至45歲的借款人收入相對(duì)穩(wěn)定,經(jīng)濟(jì)狀況良好,具備一定的經(jīng)濟(jì)基礎(chǔ),其違約風(fēng)險(xiǎn)較低;年齡稍大的借款人收入水平較低,面臨更多的突發(fā)消費(fèi),導(dǎo)致違約風(fēng)險(xiǎn)較高;2.婚姻狀況。不同的婚姻狀況,其違約風(fēng)險(xiǎn)不同,已婚的借款人家庭和收入相對(duì)穩(wěn)定,還款能力較強(qiáng);而未婚或離異的借款人,信用狀況可能偏低;3.教育程度。隨著教育程度的不斷提高,發(fā)生道德違約的幾率也隨之降低,因此,本文可以大膽假設(shè)教育程度與違約風(fēng)險(xiǎn)呈反比,教育程度越高違約風(fēng)險(xiǎn)越低;4.職業(yè)信息。職業(yè)信息包含所從事的行業(yè)及公司、職級(jí)以及工作年限等,國(guó)企、事業(yè)單位相對(duì)而言收入穩(wěn)定,違約風(fēng)險(xiǎn)較低,而個(gè)體、小型私營(yíng)單位競(jìng)爭(zhēng)激烈,收入來源不穩(wěn)定,故而違約風(fēng)險(xiǎn)較高;職級(jí)、工作年限與違約風(fēng)險(xiǎn)呈反比,職級(jí)越高,工作年限越長(zhǎng),其違約的風(fēng)險(xiǎn)越低;5.房產(chǎn)信息。一般情況下,房產(chǎn)代表著個(gè)人的經(jīng)濟(jì)基礎(chǔ),有無住房及住房是否有貸款,都會(huì)對(duì)違約風(fēng)險(xiǎn)造成影響;6.借款人信用信息。本文根據(jù)翼龍貸所披露的信用等級(jí)來確定借款人的信用信息,翼龍貸通過與第三方認(rèn)證機(jī)構(gòu)合作,對(duì)借款人的進(jìn)行信用評(píng)估,從而確定其信用等級(jí),信用等級(jí)越高者,違約風(fēng)險(xiǎn)越低。

(二)數(shù)據(jù)收集與預(yù)處理

本文用于模型分析的數(shù)據(jù)為2014~2016年度“翼龍貸”網(wǎng)站上的標(biāo)的信息。翼龍貸比較全面的披露了每一標(biāo)的借款人的信息,筆者利用網(wǎng)站數(shù)據(jù)爬取軟件獲取了其中62137條數(shù)據(jù),通過整理,最終得到56544條完整數(shù)據(jù),收集到的客戶信息包含姓名、借款金額、利率、期限、信用等級(jí)、借款類型、性別、年齡、教育程度、工作年限、商業(yè)保險(xiǎn)、職稱、社保信息、房產(chǎn)、長(zhǎng)期居住地、年收入、婚姻狀況、職業(yè)、貸款記錄、信用卡額度、征信報(bào)告、人擔(dān)保、車擔(dān)保、房擔(dān)保、是否有流標(biāo)等。接著對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,主要包括數(shù)據(jù)清理和數(shù)據(jù)轉(zhuǎn)換兩階段。數(shù)據(jù)清理即刪除采集來的與個(gè)人信用風(fēng)險(xiǎn)評(píng)估無關(guān)的數(shù)據(jù),以免建模效果受到影響,例如客戶姓名、合同編號(hào)、借款日期、標(biāo)的編號(hào)等,如果將無關(guān)數(shù)據(jù)加入到模型中,會(huì)影響預(yù)測(cè)的準(zhǔn)確性;數(shù)據(jù)轉(zhuǎn)換即按照同一格式、同一規(guī)則將部分不規(guī)范的數(shù)據(jù)進(jìn)行轉(zhuǎn)換。將處理好的數(shù)據(jù)集通過隨機(jī)劃分,將其分成互不相交的兩個(gè)部分,保持?jǐn)?shù)據(jù)分布大致一致,分別作為訓(xùn)練集和測(cè)試集。一般情況下按照訓(xùn)練集:測(cè)試集=3:1的比例劃分,其中3/4的數(shù)據(jù)集用于模型的建立,1/4的數(shù)據(jù)集用于模型的驗(yàn)證測(cè)試,驗(yàn)證模型的性能。因此,訓(xùn)練樣本集數(shù)量為42408條,測(cè)試樣本集數(shù)量為14136條。。

(三)翼龍貸借款人信用風(fēng)險(xiǎn)評(píng)估影響因子的選取

參考我國(guó)商業(yè)銀行個(gè)人信用風(fēng)險(xiǎn)評(píng)估體系的各項(xiàng)指標(biāo),同時(shí)借鑒國(guó)外P2P網(wǎng)絡(luò)借貸平臺(tái)信用風(fēng)險(xiǎn)的評(píng)估要素,結(jié)合翼龍貸平臺(tái)公布的借款人基本信息、職業(yè)信息、資產(chǎn)信息、收入及負(fù)債狀況、借款信息等信息,按照個(gè)人信用風(fēng)險(xiǎn)影響因子的選取原則,以實(shí)用、易獲取、操作簡(jiǎn)便為目的,確定了翼龍貸借款人信用風(fēng)險(xiǎn)評(píng)估備選影響因子:不同的備選影響因子對(duì)其被解釋變量的影響不同,可大可小,因此本文采取信息增益技術(shù)進(jìn)行篩選,首先計(jì)算出備選影響因子對(duì)其被解釋變量的貢獻(xiàn)度,然后對(duì)比計(jì)算結(jié)果,選出對(duì)被解釋變量影響大的結(jié)果,作為個(gè)人信用風(fēng)險(xiǎn)評(píng)估影響因子。采用信息增益法的計(jì)算過程如下:樣本全集為S,樣本數(shù)s個(gè)。自變量為A(影響借款人信用風(fēng)險(xiǎn)的因素),A={a1,a2,a3,…,ai},每一個(gè)自變量ai可取k個(gè)值。si代表具有ai特征的樣本數(shù)量,sik代表具有ai特征的樣本中取k值的數(shù)量。Cj代表借款人是否發(fā)生違約行為,Cj={C1,C2},C1代表借款人未發(fā)生違約行為(正??蛻簦珻2代表借款人發(fā)生違約行為(風(fēng)險(xiǎn)客戶)。sj代表借款人發(fā)生違約行為或者未發(fā)生違約行為的樣本數(shù)量,sikj代表具有ai特征且取k值的樣本中屬于Cj的樣本數(shù)量。pj=sj/s,指的是樣本中發(fā)生違約行為或者未發(fā)生違約行為的概率pikj=sikj/sj,指的是sik中屬于Cj的概率A變量的信息增益結(jié)果為Gain(A),按照以上步驟計(jì)算,得出所有變量的結(jié)果。各風(fēng)險(xiǎn)影響因子計(jì)算結(jié)果如下:分析上述結(jié)果可以看到,年齡、性別、職業(yè)、借款期限、借款類不大,可以模型里排除。由此得到的結(jié)論是借款人的年齡、性別、職業(yè)、借款期限以及借款類型對(duì)其違約率僅有極小影響,可以不考慮。剩下的變量,即為對(duì)個(gè)人信用風(fēng)險(xiǎn)有較大影響的,它們是教育程度、婚姻狀況、借款人長(zhǎng)期居住地、工作年限、征信報(bào)告、房產(chǎn)、年收入、是否有流標(biāo)、借款金額、利率、信用等級(jí)、職稱、商業(yè)保險(xiǎn)、信用卡額度,以這些變量為基礎(chǔ)進(jìn)行Logistic回歸分析。

三、基于Logistic回歸模型的信用風(fēng)險(xiǎn)評(píng)估

(一)將離散變量用WOE值替代原值計(jì)算

根據(jù)Logistic回歸分析中對(duì)因變量的定義,本研究將其客戶分為正??蛻艉惋L(fēng)險(xiǎn)客戶。按期還款、未發(fā)生過逾期行為的客戶即為正常客戶,標(biāo)記為0;歷史發(fā)生過逾期還款行為的客戶即為風(fēng)險(xiǎn)客戶,標(biāo)記為1。用WOE(WeightofEvidence)值表示不同風(fēng)險(xiǎn)影響因子的取值對(duì)違約風(fēng)險(xiǎn)的影響。在本研究中得到樣本模型那么,違約概率:PD=exp(z)/[1+exp(z)]注:若PD>15%,則可判斷客戶違約(參考商業(yè)銀行判斷標(biāo)準(zhǔn))

四、研究結(jié)論

借款人基本信息中,對(duì)信用風(fēng)險(xiǎn)產(chǎn)生重大影響的因素主要包括借款人的受教育程度、婚姻狀況、借款人長(zhǎng)期居住地、信用等級(jí)等。翼龍貸為降低借款人信用風(fēng)險(xiǎn)發(fā)生的概率,可以從以下幾個(gè)方面入手:

(一)借款人基本信息

在借款人基本信息中,借款人的受教育程度、婚姻狀況、借款人長(zhǎng)期居住地、信用等級(jí)對(duì)其信用風(fēng)險(xiǎn)影響較大,選擇高教育、擁有正常健康的婚姻家庭、居住地相對(duì)繁華且信用等級(jí)高的客戶,能有效降低違約的風(fēng)險(xiǎn);

(二)借款人職業(yè)信息

借款人從事的具體行業(yè)對(duì)其信用風(fēng)險(xiǎn)并沒有太大的影響,而其工作職稱及工作年限,對(duì)其違約的風(fēng)險(xiǎn)影響較大,職稱越高、工作年限越長(zhǎng),發(fā)生違約風(fēng)險(xiǎn)的概率越低,因此選擇工齡較長(zhǎng)、具有高級(jí)職稱的客戶,能有效降低違約的風(fēng)險(xiǎn);

(三)借款人資產(chǎn)信息

在借款人有房貸、車貸的情況下,其貸款占比越小,發(fā)生違約的風(fēng)險(xiǎn)越低,因此選擇無貸款的客戶可以有效降低違約的風(fēng)險(xiǎn);

(四)借款人收入及負(fù)債狀況

借款人本身購(gòu)買過商業(yè)保險(xiǎn),月收入越高,其發(fā)生違約的風(fēng)險(xiǎn)越低;若借款人當(dāng)前存在違約債務(wù),并不一定提高其違約風(fēng)險(xiǎn),但若歷史上存在流標(biāo)狀況,則大大提高了其違約風(fēng)險(xiǎn),因此選擇高收入且無違約記錄的客戶能有效降低違約風(fēng)險(xiǎn);同時(shí)若借款人具有信用卡且額度較高,還能提供信用報(bào)告,則會(huì)大大降低其違約風(fēng)險(xiǎn);

(五)借款人借款產(chǎn)品信息

借款人借款金額越大,其發(fā)生違約的風(fēng)險(xiǎn)越低;借款人名義年利率越低,其發(fā)生違約的風(fēng)險(xiǎn)越低,因此綜合考慮借款人的借款用途、借款期限、借款金額、名義年利率等影響因子,降低違約風(fēng)險(xiǎn)。

參考文獻(xiàn)

[1]SmithJ.P2PlenderProsperisback.andbetterthanever[J].Fortune,July,2009.

[2]陳建中,寧欣.P2P網(wǎng)絡(luò)借貸中個(gè)人信息對(duì)借貸成功率影響的實(shí)證研究———以人人貸為例[J].財(cái)務(wù)與金融,2015,(6):13-17.

[3]范英惠.借款合同法律保護(hù)及影響[J].經(jīng)濟(jì)論壇,2013(11):116-116.

[4]江維國(guó),李立清.新型農(nóng)業(yè)經(jīng)營(yíng)主體構(gòu)建與財(cái)政金融支農(nóng)創(chuàng)新研究[J].南方金融,2014(9):54-57.

[5]葉湘榕.P2P借貸的模式風(fēng)險(xiǎn)與監(jiān)管研究[J].金融監(jiān)管研究,2014(3):71-82.

作者:涂俊 劉升學(xué) 單位:南華大學(xué)