网络借贷与众筹 P2P网络借贷平台大数据征信 P2P网络借贷大数据征信.pptxVIP

网络借贷与众筹 知识点：P2P网络借贷大数据征信 主讲教师：邱勋 目录页 大数据概述 P2P网络借贷运用大数据征信的模式 1 3 FICO与大数据征信的对比 P2P网络借贷运用大数据征信的主要问题 2 4 P2P网络借贷运用大数据征信的展望 5 一、大数据征信概述 大数据（big data）并无统一的学术下定义。百度百科认为大数据是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。 图片来源：中国电子银行网 从技术上解释大数据：一是程序跟着数据走（因为数据量太大无法下载，MySql/Oracl装500G就玩不动了。）；二是大数据的数据格式要在任意位置截取时能被识别（XML语言是不行的）。 二、FICO与大数据征信的对比 （一）FICO信用分 FICO评分是Fair Isaac公司开发的信用评分系统，也是目前美国应用得最广泛的一种。美国的前100大金融机构和2/3的全球前100大银行都是 FICO的客户。FICO评分系统得出的信用分数范围在300～850分之间，分数越高，说明客户的信用风险越小。所以，FICO征信模型无疑是传统征信模型 的典型代表。 图片来源：www.myFICO.com 表 FICO信用分值与违约概率 FICO分值 FICO600 700FICO800 FICO800 违约概率 1/8 1/123 1/1292 一般认为，FICO分高于680分，就属于信用卓著的用户了；而若低于620分，则很可能被拒贷，或被要求增加担保或抵质押。 二、FICO与大数据征信的对比 （一）FICO信用分 FICO评分模型主要就是围绕个人的信贷情况及还款能力等强信用属性的信息展开的，包含： （1）还款历史记录（占比35%左右，包括各类信用/贷款账户的还款记录，公开记录即支票存款记录，逾期偿还情况等） （2）信贷使用情况（占比约30%，包括仍需偿还的信用账户总数，信用账户余额，总额度使用率等） （3）信用记录积累时间（占比约15%，信贷账户的账龄）、 （4）新开立信用账户（占比10%，包括新开立信用账户数，新开里账户账龄，正在申请的信用账户数量，查询查询记录等） （5）信贷的种类（占比10%左右，包括信用卡账户、零售账户、分期付款账户、抵押贷款账户等混合使用情况）。 数据来源：www.myFICO.com 二、FICO与大数据征信的对比 （二）大数据征信 大数据征信是基于多样化、大体量的多种结构数据，通过数学模型对用户的进行多维度、全方位、综合性的分析，以得到客观精确的信用评估结果。 目前大数据征信模式主要有两类： 一类是强依赖传统信贷数据基础上的大数据征信模式。 比如：Lending Club,宜人贷、ON Deck Capital等公司的大数据征信模型； 另一类是弱依赖传统信贷数据基础上的大数据的征信模式。 比如：ZestFinance、阿里小贷等公司的大数据征信模型。 图片来源：搜狐财经 二、FICO与大数据征信的对比 （二）大数据征信 图片来源：Lending Club 2017年1季度财报 1、基于FICO信用分门槛的征信模式 Lending Club是P2P网络借贷的大数据征信模型的先驱代表，可以上市之后都处于亏损状态，坏账每年都在上升，特别是低信用等级的贷款的坏账率，这也迫使Lending Club转而采用传统征信。 Lending Club的自动征信模式较大程度的说明大数据征信是无法改变FICO分级人群的违约概率的。 目前，解决高违约损失的问题还是要靠高利率的手段上来。宜人贷中国实际就是一个好案例。 二、FICO与大数据征信的对比 （二）大数据征信 图片来源：36氪 1、弱依赖传统信贷数据基础上的大数据的征信模式 ZestFinance 体量不大，目前仅为 10 万美国人提供了服务，影响力有限，实际效果很难下定论。 ZestFinance 主要面向两类人群，一类是（ FICO 评分接近或低于 500）无法获得基本的信贷需求的人群，解决他们的无信用评分借贷问题，另一类是信用分数不高而借贷成本高的人群，利用大数据征信降低他们的信贷成本。 ZestFinance征信评 级过程 三、P2P网络借贷运用大数据征信的模式 （一）以自有数据为主量化信用评价模型 P2P网络借贷运用大数据征信的主要有三种模式： 图片来源：邱勋，《P2P与股权众筹》，中国金融出版社，2016 P2P网络借贷平台自建量化信用评价模型 ，在自有积累的数据的基础上，将各方面的数据导入模型之后，能够自动生成信用评级结果，提示是否可以放贷及定价。比如：宜贷人的信用决策系统，宜人贷在评价模型 就充分利用其近十年的贷款记录为模型 提供决策数据。