1703654640
1703654641
1703654642
1703654643
第三,申请资质的真实性验证。恶意的申请人往往会隐瞒对其不利的事实,如较大数额的隐形负债、公司运营存在的问题、或等待处理的法院执行案件等。大数据的应用使得申请人对自身真实资质的掩饰无所遁形。通过连接公开的互联网信息,可以获取申请人的企业经营信息、法院执行信息;通过金融机构间共建的恶意信息共享机制,也能够获知申请人的隐形负债情况和历史恶意违约的记录;对于中介机构批量编造的“优质”申请人,也能够通过黑中介信息的共享进行有效防范。
1703654644
1703654645
1703654646
1703654647
在信息爆炸的时代,越来越多的数据和信息可通过互联网获取,公共机构信息的公开透明度在逐渐提高,金融行业内部的信息共享机制在不断完善,大数据的整合程度在不断加深。在自动化决策系统的支持下,庞大的数据量以前所未有的迅猛速度得到传输和处理,辅助金融系统做出快速决策,在反欺诈风险的管理过程中得到越来越广泛的应用。
1703654648
1703654649
1703654650
1703654651
1703654652
1703654653
1703654655
互联网信贷风险与大数据:如何开始互联网金融实践 第五节 客户准入的模型支持
1703654656
1703654657
客户引入管理是金融机构控制风险的第一道重要门槛,该阶段若能对客户进行很好的管理,会为存量和逾期阶段的客户管理带来很大的便利,因此金融机构对于客户引入管理非常重视。客户引入阶段主要解决两个问题:一是引入什么样的客户;二是如何授信。该阶段用于辨识客户资质的模型主要有申请风险模型、初始额度模型和申请欺诈模型。
1703654658
1703654660
一、申请风险模型
1703654661
1703654662
申请风险模型是金融机构最常用也是最重要的模型。申请风险模型通过客户多方面的属性来对客户资质进行综合评价,全面评估客户的风险,引入优质客户,优化金融机构的资产结构,同时为金融机构制定差异化客户管理策略提供依据。申请风险模型常用Logistic回归模型进行开发。申请风险模型衡量的是客户的风险,目标变量由客户的逾期严重性来确定,表现期内逾期天数超过给定阈值的为坏客户,而没有逾期或者逾期程度较低的为好客户。
1703654663
1703654664
申请风险模型预测变量在很大程度上依赖于客户申请信息和信贷历史信息,如央行征信信息,主要从以下几方面进行考虑。
1703654665
1703654666
•家庭;
1703654667
1703654668
1703654669
1703654670
•工作;
1703654671
1703654672
1703654673
1703654674
•资产负债;
1703654675
1703654676
1703654677
1703654678
•学历;
1703654679
1703654680
1703654681
1703654682
•信贷历史;
1703654683
1703654684
1703654685
1703654686
•还款历史;
1703654687
1703654688
1703654689
[
上一页 ]
[ :1.70365464e+09 ]
[
下一页 ]