公務員期刊網(wǎng) 論文中心 正文

翼龍貸網(wǎng)絡借貸平臺借款人的信用風險

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)絡借貸平臺借款人的信用風險范文,希望能給你帶來靈感和參考,敬請閱讀。

翼龍貸網(wǎng)絡借貸平臺借款人的信用風險

【摘要】近年來,眾多的互聯(lián)網(wǎng)金融業(yè)務模式通過網(wǎng)絡的力量被迅速普及和推廣,在加劇了金融市場競爭的同時,也提高了資產配置的效率。隨著P2P網(wǎng)貸平臺的接連上線,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險、市場風險、操作風險和政策風險等多種風險,正面臨著日趨嚴峻考驗。本研究以翼龍網(wǎng)絡借貸平臺為對象,研究其借款人的基本信息、借款行為、資產及信用狀況等,通過信息增益技術對可能影響信用風險的相關影響因子進行篩選,然后基于Logistic回歸建立借款人的信用風險評估模型,以提高平臺對借款人償債能力判別的準確度。

【關鍵詞】P2P網(wǎng)絡借貸平臺;信用風險;風險評估

一.信用風險產生的原因

在互聯(lián)網(wǎng)金融行業(yè)迅速發(fā)展的新時期,P2P網(wǎng)絡借貸異軍突起,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)絡借貸平臺有5929家,當月成交量為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。翼龍貸的運營,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險因素,包括借款人對還款能力的錯誤估計,導致無法正常還款等等。由于網(wǎng)絡借貸行為發(fā)生具有其特殊性,因此其存在的風險存在被放大的可能,具體的風險因素體現(xiàn)在以下幾個方面:

(一)運營都是通過互聯(lián)網(wǎng)完成,每一個環(huán)節(jié)都存在風險發(fā)生的可能

在申請過程中,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可能,會增加借款人蓄意欺詐的風險;這種運營模式采用第三方支付方式完成轉賬,在提高轉賬效率的同時,也增加了轉賬資金的風險,為非法轉移資金提供了可能。

(二)具有跨地域性的特征,在拓寬借貸范圍的同時,也增加了投資者的資金風險

傳統(tǒng)民間借貸都是在一定的小范圍中進行,通過熟人關系開展,借貸雙方有一定的了解,貸款人對借款人的還款能力可以進行初步的判斷,同時由于雙方關系,出現(xiàn)賴賬的幾率很?。患词褂袎馁~出現(xiàn),催收還款也較為便利。但是翼龍貸的跨地域運營,會出現(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,導致逾期甚至賴賬行為時有發(fā)生。

(三)發(fā)展迅速,但是相關的監(jiān)管制度卻并未及時出臺

目前政府并未出臺專門針對互聯(lián)網(wǎng)金融行業(yè)監(jiān)管的法律法規(guī),隨著網(wǎng)絡及金融創(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于風險的管控,規(guī)范的監(jiān)管迫在眉睫。

二、翼龍貸風險評價體系的構建

(一)翼龍貸借款人信用風險影響因子分析

借款人在申請借款時,翼龍貸會要求其提供個人基本信息,包括身份信息、基本資產狀況、年齡、學歷、工作等,而后通過授權第三方認證平臺對借款人提供的信息進行認證,根據(jù)認證結果初步評定借款人的信用等級,再將借款人信息及評定結果在網(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習慣,缺乏儲蓄,其違約風險較高;30歲至45歲的借款人收入相對穩(wěn)定,經濟狀況良好,具備一定的經濟基礎,其違約風險較低;年齡稍大的借款人收入水平較低,面臨更多的突發(fā)消費,導致違約風險較高;2.婚姻狀況。不同的婚姻狀況,其違約風險不同,已婚的借款人家庭和收入相對穩(wěn)定,還款能力較強;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,本文可以大膽假設教育程度與違約風險呈反比,教育程度越高違約風險越低;4.職業(yè)信息。職業(yè)信息包含所從事的行業(yè)及公司、職級以及工作年限等,國企、事業(yè)單位相對而言收入穩(wěn)定,違約風險較低,而個體、小型私營單位競爭激烈,收入來源不穩(wěn)定,故而違約風險較高;職級、工作年限與違約風險呈反比,職級越高,工作年限越長,其違約的風險越低;5.房產信息。一般情況下,房產代表著個人的經濟基礎,有無住房及住房是否有貸款,都會對違約風險造成影響;6.借款人信用信息。本文根據(jù)翼龍貸所披露的信用等級來確定借款人的信用信息,翼龍貸通過與第三方認證機構合作,對借款人的進行信用評估,從而確定其信用等級,信用等級越高者,違約風險越低。

(二)數(shù)據(jù)收集與預處理

本文用于模型分析的數(shù)據(jù)為2014~2016年度“翼龍貸”網(wǎng)站上的標的信息。翼龍貸比較全面的披露了每一標的借款人的信息,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、借款類型、性別、年齡、教育程度、工作年限、商業(yè)保險、職稱、社保信息、房產、長期居住地、年收入、婚姻狀況、職業(yè)、貸款記錄、信用卡額度、征信報告、人擔保、車擔保、房擔保、是否有流標等。接著對數(shù)據(jù)進行預處理,主要包括數(shù)據(jù)清理和數(shù)據(jù)轉換兩階段。數(shù)據(jù)清理即刪除采集來的與個人信用風險評估無關的數(shù)據(jù),以免建模效果受到影響,例如客戶姓名、合同編號、借款日期、標的編號等,如果將無關數(shù)據(jù)加入到模型中,會影響預測的準確性;數(shù)據(jù)轉換即按照同一格式、同一規(guī)則將部分不規(guī)范的數(shù)據(jù)進行轉換。將處理好的數(shù)據(jù)集通過隨機劃分,將其分成互不相交的兩個部分,保持數(shù)據(jù)分布大致一致,分別作為訓練集和測試集。一般情況下按照訓練集:測試集=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)集用于模型的驗證測試,驗證模型的性能。因此,訓練樣本集數(shù)量為42408條,測試樣本集數(shù)量為14136條。。

(三)翼龍貸借款人信用風險評估影響因子的選取

參考我國商業(yè)銀行個人信用風險評估體系的各項指標,同時借鑒國外P2P網(wǎng)絡借貸平臺信用風險的評估要素,結合翼龍貸平臺公布的借款人基本信息、職業(yè)信息、資產信息、收入及負債狀況、借款信息等信息,按照個人信用風險影響因子的選取原則,以實用、易獲取、操作簡便為目的,確定了翼龍貸借款人信用風險評估備選影響因子:不同的備選影響因子對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進行篩選,首先計算出備選影響因子對其被解釋變量的貢獻度,然后對比計算結果,選出對被解釋變量影響大的結果,作為個人信用風險評估影響因子。采用信息增益法的計算過程如下:樣本全集為S,樣本數(shù)s個。自變量為A(影響借款人信用風險的因素),A={a1,a2,a3,…,ai},每一個自變量ai可取k個值。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(正常客戶),C2代表借款人發(fā)生違約行為(風險客戶)。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變量的信息增益結果為Gain(A),按照以上步驟計算,得出所有變量的結果。各風險影響因子計算結果如下:分析上述結果可以看到,年齡、性別、職業(yè)、借款期限、借款類不大,可以模型里排除。由此得到的結論是借款人的年齡、性別、職業(yè)、借款期限以及借款類型對其違約率僅有極小影響,可以不考慮。剩下的變量,即為對個人信用風險有較大影響的,它們是教育程度、婚姻狀況、借款人長期居住地、工作年限、征信報告、房產、年收入、是否有流標、借款金額、利率、信用等級、職稱、商業(yè)保險、信用卡額度,以這些變量為基礎進行Logistic回歸分析。

三、基于Logistic回歸模型的信用風險評估

(一)將離散變量用WOE值替代原值計算

根據(jù)Logistic回歸分析中對因變量的定義,本研究將其客戶分為正??蛻艉惋L險客戶。按期還款、未發(fā)生過逾期行為的客戶即為正??蛻簦瑯擞洖?;歷史發(fā)生過逾期還款行為的客戶即為風險客戶,標記為1。用WOE(WeightofEvidence)值表示不同風險影響因子的取值對違約風險的影響。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)銀行判斷標準)

四、研究結論

借款人基本信息中,對信用風險產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、借款人長期居住地、信用等級等。翼龍貸為降低借款人信用風險發(fā)生的概率,可以從以下幾個方面入手:

(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、借款人長期居住地、信用等級對其信用風險影響較大,選擇高教育、擁有正常健康的婚姻家庭、居住地相對繁華且信用等級高的客戶,能有效降低違約的風險;

(二)借款人職業(yè)信息

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

(三)借款人資產信息

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

(四)借款人收入及負債狀況

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

(五)借款人借款產品信息

借款人借款金額越大,其發(fā)生違約的風險越低;借款人名義年利率越低,其發(fā)生違約的風險越低,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,降低違約風險。

參考文獻

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

[2]陳建中,寧欣.P2P網(wǎng)絡借貸中個人信息對借貸成功率影響的實證研究———以人人貸為例[J].財務與金融,2015,(6):13-17.

[3]范英惠.借款合同法律保護及影響[J].經濟論壇,2013(11):116-116.

[4]江維國,李立清.新型農業(yè)經營主體構建與財政金融支農創(chuàng)新研究[J].南方金融,2014(9):54-57.

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

作者:涂俊 劉升學 單位:南華大學