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.上海对口外经贸大学上海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口金融平台导致的信用风险□☆☆☆。互联网金融中的口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□□☆、缺乏全面的风口险控制手段以及缺乏明确的口法规监管□☆☆□□。传统中央银行口为主导的线下征信体系覆盖率低☆☆☆、成本高并且相对封闭□☆□,大数据征信依托多样化☆□□☆、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□☆□☆☆、多维度信口息☆☆□,构建反映其性格特征□☆□、身份特质□☆☆☆、履约能力口等多维度的定量模型☆☆☆,利用各种口算法推断口其信用特征□☆□☆□,并获得量化信用评估结果□□□。大数据征信体系发展需要口鼓励建立行业协会☆□☆☆、规范产品标准和重视数据隐私保护☆☆□☆。

   教育期刊网 ht口tp://www.jyqkw.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

   互口联网金融是以互联网为资源□□□,大数据□□☆□、云计算口为基础☆□□☆□,采用新口金融模式运作的一种新兴行业☆□□□。根据国际电信联盟(ITU)2014 年11月24 日发布的《2014 年测量信息社会报口告》☆☆☆,2014 年全球网民共30亿□□☆☆,占居民总数的口40.4%□□☆□□。中国作为最大的发展中国家拥口有世口界1/5的网民□☆□☆□。根据中国互联网络信息中心(CNNIC)发布的第35 次《中国互联网口络发展状况统计报告》□☆□,截至2014 年12 口月☆□□☆□,中国有6.49 口亿口网民□□☆,12 亿手机用户中有5.57 亿手机网民☆□□。3.04 亿用户使口用口网上口口支付☆□□,网民中使用网上支付的比例为46.9%;手机支付用户规模为2.17亿☆□□□☆,网民中手机支付的使用口比例为口39.0%□☆☆□。购买过互联网理财产品的网民规模口达到7849 万☆□☆☆□,在网民口中使用率为12.1%☆□□。

   谢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□☆□,特别是移动支付□□☆☆☆、社交网络□☆☆□、搜索引擎口和云计算与金融相结合的□☆☆☆☆,既不同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☆□□□□、邹传伟和刘海口二撰写的《互联网金融手册》中□□☆,互联网金融被定义为一个谱系概念☆☆□☆,涵盖因为互联网技术和互联网精神的影响□□☆☆□,从传统银行□☆☆□、证券☆☆□□、保险□☆☆☆□、交易所口等口金融口中介和口市场☆□□□,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交易和组织形式□☆☆□。李耀东和李口钧则认为□□□□☆,互联网金融并不简单是具有互联网技术的金融□□☆,而应该是口基于互联网思想的金融□☆□☆,即服务长尾市场☆☆□☆□、普惠和去中心口化的金融□☆☆□。主要特点为服务于长尾市场;具有海量用户;关注口个性化需求;重视创新;正视风险;重视用户口口体口口验;重视开放性;重视社会化营销□☆☆☆。

   所谓信用风险即客口户未能按期还本付息□☆□☆,或者说债务违约导致的风险□☆☆□。互联网金融中☆□☆☆,信用风险主要表现为两种类型:互联网金融中客户特征导致的信用风险□☆☆,以及互联网金融平台特征导致的信用风险□☆☆☆。

   1.1 互联网金融的用户特征导致的信用风险

  口 一方面□☆☆,互联网金融服务的客户对象往往是传统银行信用体系未能覆盖的群体☆□☆□□,对这口些群体的信用风险的度量往往需要更为专口业的手段□□☆□。以P2P 网口贷平台的鼻祖☆☆□,成立于2005 年3 月英国的Zopa(Zone of Possible Agreement)为例□☆☆,他们发现存在着“自由组织口者”的群体□☆□□☆,即自雇☆☆□、从事项目的口或者口自由职业的非“全职”就业者☆☆□□,如顾问和口企业主等☆□□☆□,他们的收入和生活方式很不规口律☆☆□,尽管具有信用能力□☆☆□□,却由口于不口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6000万总人口中有600 万的“自由组织者”□☆☆☆□,并且预测在未来的10 到15年□☆□□□,选择这种生活口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定性而忽视了这一趋势☆☆☆。针对这一目标群口体提供互口联网口金融服务☆□□□,Zopa 发展迅速□□☆,从诞生时只有300 个用户□☆□,几个月内用户量就超过了25000 人□☆☆,2012 年注册口用户超过90 万□□☆☆☆,2014 年末累计发放贷款超过7 亿英镑(约10.55 亿美元)☆☆□,一举成为英国最大的P2P 网贷平台之一☆☆□□☆。

   另一方口面☆□☆,国内互联网金融的借贷主口体是资金规模小□☆☆、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%左右的贷款口投放给大型国有企业和中型企业□□□,贷款额度一般口在500 万以上☆□☆,小企业贷款和个人消费经营贷款仅占口20%左右□□☆☆,额度一般也在50 万以上□☆☆☆□,平均200-300 万左右☆□□。而互联网金融主口要服务小微企业□□☆□,贷款金额远远不能达到银行的贷款金额标准□□□☆。以阿里小微信贷为口例☆□☆□☆,截至2013 年二季度末□□□,阿里小微信贷累计发口放贷款超过1000 亿元□□☆□☆,户均贷款仅仅4 万元☆□□☆。阿里小贷最大口的特点是“金额小☆□□☆,期限短□□☆,随借随还”□□☆☆。订单贷口款口作为淘宝□☆□☆☆、天猫卖口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30 次订单贷款☆☆□,平均每笔贷款周期为4 天□□☆☆☆,全年实际融资成本为6%☆☆□□。阿里小贷单笔贷款的操作成本极低□☆☆□,仅为2.3 元□□☆☆,与银行2000 元左右的单笔信贷口操作成本口形成巨大对比□□□□。

   互联网金融服务的个人客户也同样具有资金规模较口小的特征□□□。以蚂蚁金服的个人客户为例□□☆,由于口蚂蚁金服的大口部分个人客户都开设余额宝账户☆□□☆□,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数据☆☆□,截至2014 年底余额宝开户数1.84 亿户☆☆☆☆□,户均口账户余额3,133.47 元☆☆□。而截止口2014 口年12 月□☆☆☆,工商银口行口开户数4.65 亿□☆□,招商银行开户数5600 万□□☆☆☆,北京银行开户数口1137 万;工商银行□□□、招商银行和北京银行的个人存款总额分别为71,886.07 亿元□□□、10,930.27 亿元和1,851.29 亿元☆☆☆,可以算得户均存款余口额分别为15,459.37 元☆☆☆、19,518.34 元和16,282.23 元☆☆□,银行体系内客户平均口存款余额为余额宝客户平均余额的5 倍☆☆□□□。这一方面反映了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户群体总体来说金额较低☆□☆□,风险更大☆□☆□☆。口☆口口☆口

   口1.2 互联网金融的平台特征导致的信用风险

   根据网贷之家的数据☆☆□☆,截止2015 年5 月底☆☆□☆,正常运营的P2P 平台有1946 家□□☆□☆,累计口问题平台数量661 家□□□□□,占全部口平台总数的四分之一☆□□。P2P 网贷行口业贷款余额达1932.14 口亿元□☆□☆□,历史累口计成交量已突破6000 亿口元☆☆☆□。(表1)

   从网贷平台的市场份额来看□□☆☆,各网贷平台竞争激烈☆□□,彼此差口异不大☆□☆☆,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□☆☆☆,这与国外成熟市场形成鲜明对比□☆☆□。以英国P2P 平台为例□☆☆,排名居前的ZOPA☆□☆、RateSetter□□☆□、Fu口nding 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 C口lub 和Prosper 两家平台所垄断□☆□☆,合计占有96%的市场份额□□□。

   口不仅网贷平台尚处于群雄争霸□□□☆☆,一片混战之中☆☆□☆□。网贷平台良口莠不齐□☆□☆☆,问题平台频频出现☆☆☆□☆。根据网贷之家的数据☆□□,截止2015 年6 月☆□□☆□,已经320 家网贷平口台跑路☆□□□,336 家口网贷平台出现提现困难☆☆☆☆□,73 家网贷平台停业□☆☆□☆,另外7 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□□☆☆☆、各类移动终端□☆☆□、数据库以及各口类软件系统而运行☆☆☆☆☆,互联网的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□☆☆☆☆、计算机口病毒☆☆☆☆、恶意代码等的攻击之下☆□☆☆。利用系统漏洞口和平台设计缺陷☆□☆,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;而计算口机病毒□☆☆□、恶意代码等的扩散☆☆□☆,也可能引发系统性崩溃☆☆☆☆。传统金口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□☆☆,一旦发生安全事故☆□□,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口动口性风险☆□□☆,导致风险从互联网金融向传统金融扩散□☆☆。由于中国互联网金口融普遍未能口掌握具有自主知识产权的芯片制造和操作系统开发技术□☆☆☆□,因此对于引进的国外技术是否存在后门□□□、漏洞等情况并不了解□☆☆□,只有通过增强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术口的依赖□□☆☆。通过建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的一再重演;从长远来看□□□☆□,还应积极参与制定国际新型金口融技术标准☆□☆□,因为只有口拥有制定标准的发言权☆□□,才能在未来国际金融业务中掌握主动权☆□□☆☆。

   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 年成立的中口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 年时间实现口了8 亿人口的覆盖□☆☆☆,但是截止口到2013 年底□☆□☆☆,央行银行个人征信系统中有信贷记录的自然人仅为3.2 亿□□□,占13.5 亿人口中的23.7%□□☆。央行征信口数据搜集口的信息维度比较口少☆□☆□□,主要包括个人基本信息(身份证号)□☆□☆☆,以及所持有的信用卡☆□□☆□、银行卡消费□□□☆□、取现□☆☆□、转账等口记录等□□□☆□。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求□☆☆,很多没有信用卡或从未跟银行发生借贷关系的人群很难获得信贷服务☆☆☆□☆。而在美国☆☆□□,征信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☆☆☆☆、信息不真实挑口战☆☆☆□,使得人力采集数据仍然是主要方法之一□□□☆□,国内大多数P2P 公司都主要是线下模口式☆☆☆,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口万人☆☆□☆。对于用户信用审核的风控偏重于银行卡口交易口等流水的审核□☆□,国内整个P2P 行业中信审人员所占比重非常大☆□□,使得国内P2P 平台的成本控制很困难□□□,线下销售和进行尽职调查的成本(包括对应的人员工资)要占到整体成本一半以上☆☆☆□□。预先批准□□☆☆□、自动决策☆□☆□、风险定价等口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(购买一条征信数据☆□☆□☆、加一个信封邮票□□☆□☆、加人工处理费口大约每个邀请函成本1-2 美元□□☆,除以低于1%的响应率)☆□☆☆☆,而中国信贷业面临的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弊口端□☆☆。

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

   第二□☆□,线下征信具有较口强的口主观性☆☆☆□,不利于形成标准化的征信技术□□□。不同平台的征信流程□□☆☆☆、资料搜集重点不尽相同;即使在同一平台☆☆☆,采用了标准化的线上评口估方式□□□☆,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了征信数据的共口享□☆□。由于各个平台花费了大量人力☆☆□□、物力进行线下征口信☆□☆☆□,这些征口信数据被视为核心资源乃至核心竞争力□□□☆,与其他平台☆□□、征信组织的共享意愿大大减弱□☆□,导致重复征信和征信资源的浪费☆□☆☆☆。

   第四☆☆□,线下征信口的高昂边际成本还妨碍了行业的高质口量扩张□□□☆□。尽管近几年的国内P2P 借贷行业发展迅猛□☆□☆,但主要口依靠人力☆□□□☆、资金等非技术口要素的投入增加来支撑□☆□,这使得P2P 借贷日益成为劳动密集型☆☆☆□、资金密集型行业☆☆☆,体现的是粗放式增长□□☆,未能发口挥口口其技术创新优势☆□□,常常招致批口评□☆□。

   缺乏社会化征信体系□□☆☆,还导致另一弊端☆☆☆□。国内大多数P2P 平台申请借款人的数据由用户自行提交□□☆☆,在真实口度上会大打折扣□☆□,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 缺乏严格的信息口披口露机口制

   目前普遍的情况是:P2P 口网贷平台☆□☆□、专业口放贷人账户□☆□☆、信用评估机构☆□□、投资者(理财)服务机构□□☆☆、借款人服务机构都属于同口一控制人☆☆☆,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口具有口极高关联性□☆□□☆,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□☆□☆□,很难口保持其公正性□☆☆□、独立性和客观性□☆□☆。在客户筛选□□□☆□、信用评估□□□□☆、贷款发放☆☆☆☆□、资金结算☆☆□、债权转让☆□☆、逾期贷款口追讨等关键环节的操作都依口口托关联性极强的机构口完成;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□□☆,由高口关联性引发的种种道德风险☆☆□,如虚假增信等的可能性普遍存口在☆□☆。

   而且☆☆□□☆,国内P2P 平台的出借人和借款人之间信息是不完全透明的☆□□。虽然国内众多P2P 平台都在强调信息透明□☆□☆、充分披露☆□☆☆,但是能够做到这一点的寥口寥无口几☆☆☆□□。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 平台会让所有的借款客户知晓出借人是谁☆☆☆,其经营理念口是□☆☆,平台需要让出借人充分知道借款人情况□☆☆,信息越清晰□□□□□、越透明□☆☆□□,违约率越口低□□□。目前国内P2P 行业从来未曾公开过任何形式的资产质口量报告☆☆□□□,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□☆□☆,国外更多采取外包催收☆☆□□□,运用多种信息科口技手段□☆☆☆□,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□□☆☆☆。所谓资金托管□□□,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☆□☆。在实际操作口中☆□☆□☆,贷款人和借款人分别通过第三口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☆□☆□,但仅限于进行资口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口户□☆□☆☆。理论上来说☆□☆,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口交易双方带来风险□□□。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□☆☆☆,将其口奉若提升信誉的“法宝”☆□☆□,投资者对此也颇为认可☆□□。据网贷口平台账户最大的资金托管机构汇付天下发布的《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☆□☆□☆。

   除口了第三方托管之外☆☆□□☆,第三方担保也是口P2P 平台采取的主要风控措施□□☆。在《融口资性担保公司暂行口管理办法》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☆☆☆□□,而平台上却可能有上千万的贷款余额□☆□☆☆,这就大大超过10倍杠杆的要求□□☆□☆。其后口果是一旦P2P 借贷平台出现10%的坏账风险☆□☆□,在10 倍杠杆下就超过了担保公司口的支付口能力☆□□☆,P2P口 口平台就只能破产了□☆☆☆。

   2.4 缺乏明口确的金融监管机口制

   我国整体法制建设处于逐步完善和健全的过程中☆☆□□☆,关于互联网金融方面的口法律法规更是寥寥无几☆□□☆☆。除中国人民银行发布的《网上银行业务管理暂行办法》□□□☆☆、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口行了少量规定☆□☆☆☆。2014 年8 月上海公布了《关于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混业监管提出新的挑战☆□☆☆□。从经营模式来口看□□□☆,口☆口口☆口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口储蓄□☆☆□、贷款□☆□□、证券□□□☆☆、保险□□☆□、基金□☆☆□、外汇□☆□□☆、结算□☆☆、托管☆□☆☆、理财口口等一站口式口金融服务☆□□☆□,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融支持服务□☆☆☆□,并且加强与电子商务平台之间的合作□□☆,远远超越了在传统金融运行模式下所能经营的口业务品种和模式□☆□☆☆。相对于传统金融☆☆□□,互联网金融刚刚兴起□□☆,既没有明确的法律依据☆□□□,也缺乏有口效的外部监管☆□□,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展将对监管法规☆□☆☆、监管能口力等方面提出全新的挑战□□☆☆☆。

   P2P 网络借贷在国外经过将近十年的发展☆□□□☆,已经比较成熟☆□☆□,监管法规体系也比较完善□□☆☆☆。美国将P2P 网络借贷纳入民间借贷的范畴☆☆☆□,在《消费者信用口保护法》和《诚实信贷口法》等有关法律的监管下运行☆□☆□。而我国的P2P 网络借贷由于还没有规定明确的监管口部门☆□☆☆□,P2P 网络借贷大多由缺乏金融监管经验的工商部门负责监管□☆□☆,极大增加了平台发生信用口风口险的可能性☆☆☆□☆。因而需要及时完善相关法律法规□□☆,理清监管职责☆□□☆☆,加强督管力度☆☆□□,以防止平台信用风险的发生□☆□☆□。

   3 我国互联网金融大数据征信体系的构建

   大数据的介入□☆☆□,正改变着征信行业□☆□☆□。大数据征信依托多样化☆□□□、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□☆□☆☆、多维口度信息☆□□☆,构建口反映其性格特征☆□☆□□、身份特质□□□☆☆、履约能力等多维度的定量模型□☆□□□,利用各种算法推断其信用特征□☆□,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业信贷记录☆☆☆☆、消费记录☆□☆□☆、身份数据□□☆、社交数据□☆☆□、经营数据☆☆☆,以及日常活口动和偏口好数据☆☆□□、特定场景下的行为特口征数据等☆□☆□☆。大数据不仅为征信业发展提供了广泛的数据信息来源□□☆☆,同时也改变了征信产品的生产流程☆☆☆,成为了我国征信业发展的口重要助力☆□☆□。

   目前☆☆☆,可以用来支持互联网征口信模型的大数据具有六大来源□□☆□☆。第一是电商大数据☆☆□,比如阿里巴巴提供的芝麻信用分☆□□□☆。阿里旗下的支付宝实名用户超过了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□☆□、交通口等口口多种口消费场景☆☆□☆,芝麻信用采用国际上通行的信用评分口方口法□☆□□☆,最低口350 分最高950 分□□□☆☆,这与美国FI口CO 分(口300 至850)口相似☆□□,分数越高代表信用程口度越好☆☆□☆□,违约可能性越低☆□□□☆。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☆☆☆、人脉关系口五口口个维度☆□☆。人们在日常生活中点点滴滴的行为☆□□□☆,通过长口口期积累□☆□,这些行为轨迹口口和细节☆☆☆□□,可以全面口判断其信用状况□□□□☆。

   第二是信用卡类大数据□☆☆☆□,根据信用卡申请年份☆□□☆□、授信额度☆☆□□、消费金额☆□□☆□、消费次数□☆☆、消费种类□☆☆□、消费场所□☆□、卡片等级☆☆□□、还款记口录等作为口信用口评口级的口参口考数据□☆□□。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 信用评分模型来发放互联口网金融小额信贷☆☆☆。

   第口三是社交网站大数口据☆□☆,代表口性口企业为腾讯公司☆□☆□☆,腾讯拥有最多的社口交用户☆□☆☆,包涵最复杂的人际社交关系□□□□☆,旗下QQ 的月活跃用户8亿多☆□□,微信口用户接近5 口亿□☆☆□☆。腾讯征信的评分模型主要包括四大因子:安全口指数(是否口实名认证☆☆□、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(过去一口段时间内腾讯口业务☆☆□、游戏☆☆☆、生活服口务类消费次数等);财富指数(财付通账户余额☆☆☆□□、理财通财富□□☆、QQ 号价值等);社交指数(QQ 登陆场所□☆☆□、微信有红包及资金往来的好友占比)☆□□☆□。腾讯征信采用七级信用评级法☆□□□□,分别用不同的星口级代表信用等级☆☆☆。五星代表较高的信用评级□□□□☆,六至七星代表特高信口用评级☆□☆□□。

   第四是小额贷款类大数据☆□☆,包括信贷额度□☆□、违约记录等□□□☆□。由于单一企业信贷数据的量级较低☆□☆☆□、地域性较强☆□☆□,业内共享数据口的模式正被逐步认可□☆☆□☆。

   口第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用评级数口据□□□☆☆。比如考拉信用评分主要依托拉卡拉的支付数据□□☆,利用FICO口 评分法□☆☆☆□、回归□☆□、分类☆☆☆、Web 口挖掘和神经网络技口术☆□☆□□,主要按照五个维口度:履约能力☆☆☆、身份属性□☆□□☆、信用记录□☆☆、社交关系和口口交口易行为口进行信用口评口估☆☆□。

   第六是生活服务类网站大数据☆☆☆□,包括水☆☆□□□、电□□□、煤气☆☆☆□、物业口费交口口口纳等□☆□,能够客观真实地口反映个人基本生活信息□☆□☆□。比如持有华道征信15%股份的新奥资本☆□☆□,是新奥集团旗下从事股权投资和投资管理的平台公司☆□☆,旗下新奥能源是国内规模最大的清洁能源分销商之一□□□☆□,掌握大量居民燃口气数据☆□☆。华道征信口的数据主要包括五个方面:信贷数据□☆□☆、公安司口法口数据□□□☆、运营商数据□☆☆□☆、公共事口业数据□□☆、网络痕迹数口据☆□□□□。2015 年口1 月5 日□☆☆,央行颁口布《关于做好个人征信业务准备工作的通知》□□☆☆☆,要求芝麻信用管理有限公司□☆☆□、腾讯征信口有限公司□□☆、深圳前海征信中心股份有限公司☆☆□□☆、鹏元征信有限公司□□☆□、中诚信口征信有限公司□□□、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☆□☆,准备口时间为六个口月□☆☆☆☆。(表2)

   根据即将获得征信牌照的八家征信机构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□☆☆□☆、评分标准等各方口面都存在巨大差异□□☆☆。建立征信行口口业协会□□☆,加强数据共享☆□☆□,重视数据隐私□□□☆,建立征信产口品规范□□☆,统一行业标准☆□□,将是中国互联网金融中大数据背景下口征信体系建设的重点□☆☆。

   教育期刊网 http://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www.itu.int/en/ITU -D/Statistics/Documents/publications/mis2014/MIS2014_without_Annex_4.pdf□□☆,2014-11-口24.

   口[口2] 中国互联网络信息中心. 中国互联网络发展状况统计报告[R]□☆□☆☆,CNNIC□☆☆☆,http://www.cnni口c.cn/hlwfzyj/hlwxzbg/201502/P020150203551802054676.pdf□☆□,2015-02-03.

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

   口[5]李耀东,李钧.互联网金口融:框架与实践[M口].北京:电子工业出版社,2014.[6]芮晓武,刘烈宏.中国互联网金融发展报告(2014)[M].北京:社会科口学文献口出版社,2014.

   口口[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.

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