基于大數據的互聯網金融信用評估模型研究

金婕 張嵐 趙玉明

摘 要：近幾年來，世界金融進入了互聯網金融的時代，互聯網金融迅速的發展，基于傳統金融模式建立的信用評估方法已經無法適應創新的、快速發展的互聯網金融時代，因此，亟需建立與互聯網金融相匹配的信用評估模型。文章從大數據出發，針對互聯網金融的特點，按照大數據的處理方式進行系統層級劃分，構建了基于大數據分析的互聯網金融信用評估模型。

關鍵詞：大數據分析；互聯網金融；信用評估模型

基金項目：本文系湖北省教育廳科學技術研究計劃指導性項目（項目編號：B2016470）研究成果。

1 互聯網金融現狀分析與特點

互聯網金融（ITFIN）是指不同于商業銀行間接融資，也不同于市場直接融資，是傳統金融機構與互聯網企業利用互聯網技術和信息通信技術實現資金融通、支付、投資和信息中介服務的新型金融業務模式。

隨著互聯網技術的迅猛發展，互聯網金融不是互聯網和金融業的簡單結合，而是互聯網向金融行業滲透的表現 尤其是在用戶數量和資金規模上，在實現安全、移動等網絡技術水平上，被用戶熟悉接受后（尤其是對電子商務的接受），自然而然為適應新的需求而產生的新模式及新業務。

互聯網金融具有成本低、效率高、覆蓋廣、發展快、管理弱、風險大等特點。

2 傳統模型無法適應互聯網金融發展的需要

信用風險又稱為交易對方風險或履約風險，指交易對方不履行到期債務的風險。由于交易對象違約，或者交易對象信用等級變動，導致的資產市場價值波動而發生損失的可能性。場內衍生交易和場外衍生交易各自所涉的信用風險也有所不同

因此有效管理信用風險是金融機構的重要工作，對信用風險評估量化是管理信用風險的重要前提。當前的信用風險評估體系均是建立在傳統金融的基礎之上的，然而針對傳統金融建立的信用風險量化評估方法卻無法很好的滿足迅猛發展的互聯網金融信用管理需求，主要表現特征如下：

第一，在數據來源和內容方面，傳統信用評估模型信息維度比較低，傳統征信數據來自于傳統金融領域。在大數據背景下，個人消費者出現許多信息維度，如網絡消費、網絡支付、社交網絡等，傳統信用評估模型解決問題的能力越來越受限。

第二，在評估的時效性上，傳統信用模型評估及時性方面不足，傳統的信用評估模型關注評估對象的歷史信息，致力于深度挖掘。在大數據與互聯網金融高速發展的今天，傳統金融信用評估模型在評估實時性上的短板越來越明顯。

第三，傳統的模型中，無法覆蓋全體人群在信用評估對象覆蓋面上，截至2018年底，人民銀行中有征信記錄的約3.2億人，約占總人口數的24.7%，而美國征信體系86%的覆蓋率。

3 互聯網金融信用評估模型

互聯網金融信用評估模型是基于大數據背景下產生的，為更好地把握互聯網金融行業的發展機遇，推動互聯網金融信用體系建設，促進互聯網金融健康發展，通過收集個人或企業在互聯網交易或使用各類互聯網服務過程中留下的信息數據，共同啟動互聯網金融信用評估模型

3.1 模型的設計與分層

秉承獨立、公正、客觀的原則，采取科學的評級方法，合理、規范的評級程序，按照高度結構化方式進行模型的設計，其中最為重要的手段就是分層。每一層都建立在下層之上。每一層的目的都是向它的上一層提供一定的服務，通過對互聯網金融平臺的合法性、經營能力、負面信息、產品能力、平臺背景、財務信息等50余項指標進行查證，客觀真實地評估其經營能力，最終以簡明的符號表示出來。層按功能來劃分，每一層都有一個或多個功能單元，相鄰層之間通過接口來進行相互關系，接口定義下層向上層提供的原語操作和服務。

互聯網金融信用評估模型共分為四層，由下而上依次是數據處理層、數據整合層、數據分析層、數據解釋層。原始數據為入口，大數據經過數據處理層完成大數據結構化處理、數據整合成對結構化之后的數據進行整合、提取出相應的特征指標數據，數據分析層將特征指標數據做為分析模型的輸入，進行數據分析，并最后得出相應的分數。數據解釋層將不同分析模型的分析數據進行投票，得出最終的評估結果。

3.2 模型數據流程圖

基于大數據的互聯網金融信用評估模型處理的數據來源是多元化的，其中傳統金融數據、用戶數據、互聯網數據等原始數據。數據處理層將非結構化數據、半結構數據進行結構化處理，并在結構化數據中進行統計、分類等操作，將結構化數據中提取元變量，將元變量作為數據處理層的輸出服務，提供接口供數據整合層處理。數據整合層將元變量做為輸入，經過并聯分析、特征提取等數據整合處理的算法，計算得出對評估對象進行描述的特征指標。數據分析層根據特征指標，選取合適的分析模型，如決策樹、人工神經網絡等分析模型進行計算，得出分析模型的結果分析分數。在數據解釋層，根據不同模型的評估分數，進行投票處理，最后得出評估的結論。

3.2.1 數據處理層

數據處理層的功能是數據結構化、數據清洗和整理原始數據、提取元變量為上層調用。將原始數據進行結構化并提供方便、可靠、統一的數據操作接口，在此基礎上，根據上層對輸出元變量的定義需求，進行元變量的整理，以便上層功能單元的調用。

3.2.2 數據整合層

從特征的定義出發，確定分析需求，對數據進行重新整合，提取與之對應的分析數據。數據整合是保證分析結果可靠性、準確性必不可少的環節。數據整合層對分析需求的確定、特征的定義、數據的整合與提取。對分類數據集進行關聯分析，并根據特征集進行相關特征提取，從多維度描述評估對象的特征。

3.2.3 數據分析層

數據分析層。將收集的多種信息輸入到不同的數據分析模型中去。其中，機器學習預測模型可以分為若干種，如人工神經網絡模型、回歸模型、決策樹模型等。對評估對象的數據信息進行分析，并得出多維度的、可測量的指標，在經過機器學習模型計算評估之后，得出一個評估分數。

3.2.4 數據解釋層

在得出評估結果之后，將每一個模型輸出的結論按照模型投票的原則、或者是其他方法，形成最終的信用分數。

參考文獻

[1]張郁.當前互聯網金融征信發展的探討[J].現代商貿工業，2019（14）.

[2]付娉.互聯網金融背景下我國金融征信系統融合發展研究[J].新疆農墾經濟，2018（03）.

[3]張瀅.淺析中國個人征信行業與互聯網金融發展[J].現代商業，2018（24）.

[4]鞏偉.互聯網金融背景下征信機構發展分析及對策建議[J].河北金融，2018（06）.