在线客服

咨询热线

基于大数据的互联网金融信用评估模型研究

作者:未知

  摘 要:近几年来,世界金融进入了互联网金融的时代,互联网金融迅速的发展,基于传统金融模式建立的信用评估方法已经无法适应创新的、快速发展的互联网金融时代,因此,亟需建立与互联网金融相匹配的信用评估模型。文章从大数据出发,针对互联网金融的特点,按照大数据的处理方式进行系统层级划分,构建了基于大数据分析的互联网金融信用评估模型。
  关键词:大数据分析;互联网金融;信用评估模型
  基金项目:本文系湖北省教育厅科学技术研究计划指导性项目(项目编号:B2016470)研究成果。
  1 互联网金融现状分析与特点
  互联网金融(ITFIN)是指不同于商业银行间接融资,也不同于市场直接融资,是传统金融机构与互联网企业利用互联网技术和信息通信技术实现资金融通、支付、投资和信息中介服务的新型金融业务模式。
  随着互联网技术的迅猛发展,互联网金融不是互联网和金融业的简单结合,而是互联网向金融行业渗透的表现 尤其是在用户数量和资金规模上,在实现安全、移动等网络技术水平上,被用户熟悉接受后(尤其是对电子商务的接受),自然而然为适应新的需求而产生的新模式及新业务。
  互联网金融具有成本低、效率高、覆盖广、发展快、管理弱、风险大等特点。
  2 传统模型无法适应互联网金融发展的需要
  信用风险又称为交易对方风险或履约风险,指交易对方不履行到期债务的风险。由于交易对象违约,或者交易对象信用等级变动,导致的资产市场价值波动而发生损失的可能性。场内衍生交易和场外衍生交易各自所涉的信用风险也有所不同
  因此有效管理信用风险是金融机构的重要工作,对信用风险评估量化是管理信用风险的重要前提。当前的信用风险评估体系均是建立在传统金融的基础之上的,然而针对传统金融建立的信用风险量化评估方法却无法很好的满足迅猛发展的互联网金融信用管理需求,主要表现特征如下:
  第一,在数据来源和内容方面,传统信用评估模型信息维度比较低,传统征信数据来自于传统金融领域。在大数据背景下,个人消费者出现许多信息维度,如网络消费、网络支付、社交网络等,传统信用评估模型解决问题的能力越来越受限。
  第二,在评估的时效性上,传统信用模型评估及时性方面不足,传统的信用评估模型关注评估对象的历史信息,致力于深度挖掘。在大数据与互联网金融高速发展的今天,传统金融信用评估模型在评估实时性上的短板越来越明显。
  第三,传统的模型中,无法覆盖全体人群在信用评估对象覆盖面上,截至2018年底,人民银行中有征信记录的约3.2亿人,约占总人口数的24.7%,而美国征信体系86%的覆盖率。
  3 互联网金融信用评估模型
  互联网金融信用评估模型是基于大数据背景下产生的,为更好地把握互联网金融行业的发展机遇,推动互联网金融信用体系建设,促进互联网金融健康发展,通过收集个人或企业在互联网交易或使用各类互联网服务过程中留下的信息数据,共同启动互联网金融信用评估模型
  3.1 模型的设计与分层
  秉承独立、公正、客观的原则,采取科学的评级方法,合理、规范的评级程序,按照高度结构化方式进行模型的設计,其中最为重要的手段就是分层。每一层都建立在下层之上。每一层的目的都是向它的上一层提供一定的服务,通过对互联网金融平台的合法性、经营能力、负面信息、产品能力、平台背景、财务信息等50余项指标进行查证,客观真实地评估其经营能力,最终以简明的符号表示出来。层按功能来划分,每一层都有一个或多个功能单元,相邻层之间通过接口来进行相互关系,接口定义下层向上层提供的原语操作和服务。
  互联网金融信用评估模型共分为四层,由下而上依次是数据处理层、数据整合层、数据分析层、数据解释层。原始数据为入口,大数据经过数据处理层完成大数据结构化处理、数据整合成对结构化之后的数据进行整合、提取出相应的特征指标数据,数据分析层将特征指标数据做为分析模型的输入,进行数据分析,并最后得出相应的分数。数据解释层将不同分析模型的分析数据进行投票,得出最终的评估结果。
  3.2 模型数据流程图
  基于大数据的互联网金融信用评估模型处理的数据来源是多元化的,其中传统金融数据、用户数据、互联网数据等原始数据。数据处理层将非结构化数据、半结构数据进行结构化处理,并在结构化数据中进行统计、分类等操作,将结构化数据中提取元变量,将元变量作为数据处理层的输出服务,提供接口供数据整合层处理。数据整合层将元变量做为输入,经过并联分析、特征提取等数据整合处理的算法,计算得出对评估对象进行描述的特征指标。数据分析层根据特征指标,选取合适的分析模型,如决策树、人工神经网络等分析模型进行计算,得出分析模型的结果分析分数。在数据解释层,根据不同模型的评估分数,进行投票处理,最后得出评估的结论。
  3.2.1 数据处理层
  数据处理层的功能是数据结构化、数据清洗和整理原始数据、提取元变量为上层调用。将原始数据进行结构化并提供方便、可靠、统一的数据操作接口,在此基础上,根据上层对输出元变量的定义需求,进行元变量的整理,以便上层功能单元的调用。
  3.2.2 数据整合层
  从特征的定义出发,确定分析需求,对数据进行重新整合,提取与之对应的分析数据。数据整合是保证分析结果可靠性、准确性必不可少的环节。数据整合层对分析需求的确定、特征的定义、数据的整合与提取。对分类数据集进行关联分析,并根据特征集进行相关特征提取,从多维度描述评估对象的特征。
  3.2.3 数据分析层
  数据分析层。将收集的多种信息输入到不同的数据分析模型中去。其中,机器学习预测模型可以分为若干种,如人工神经网络模型、回归模型、决策树模型等。对评估对象的数据信息进行分析,并得出多维度的、可测量的指标,在经过机器学习模型计算评估之后,得出一个评估分数。
  3.2.4 数据解释层
  在得出评估结果之后,将每一个模型输出的结论按照模型投票的原则、或者是其他方法,形成最终的信用分数。
  参考文献
  [1]张郁.当前互联网金融征信发展的探讨[J].现代商贸工业,2019(14).
  [2]付娉.互联网金融背景下我国金融征信系统融合发展研究[J].新疆农垦经济,2018(03).
  [3]张滢.浅析中国个人征信行业与互联网金融发展[J].现代商业,2018(24).
  [4]巩伟.互联网金融背景下征信机构发展分析及对策建议[J].河北金融,2018(06).
转载注明来源:https://www.xzbu.com/2/view-14978154.htm