《大数据金融时代中个人信用评估模型优化设计》由会员分享，可在线阅读，更多相关《大数据金融时代中个人信用评估模型优化设计（2页珍藏版）》请在金锄头文库上搜索。
1、大数据金融时代中个人信用评估模型优化设计 一、大数据金融时代中的个人信用评估 大数据金融的概念 大数据金融，就是利用大数据技术开展的金融服务，即集合海量结构化、半结构化 以及非结构化数据，经过互联网、云计算等信息化处理方式，对其进行实时分析，用以提 供客户全方位信息，通过分析和挖掘客户的交易和消费信息掌握客户的消费习惯，并准确 预测客户行为，以结合传统金融服务，开展资金融通、创新金融服务。 大数据在个人征信系统中的运用 金融风险控制是大数据金融的核心内容。个人、企业信用评估是整个社会金融业务 开展及信贷审批的关键环节，是信用风险管理的核心。以主观判断和定性分析为主的信用 评估模式存在着效率低、
2、成本高、准确性低等缺点，已不能满足个人、企业零售业务快速、 多样化发展的需要。从背景来看，芝麻、腾讯、考拉征信在互联网大数据征信方面有优势， 鹏元、中诚信、中智诚是传统的征信企业。 二、个人信用评估方法 个人信用评估概念 个人信用评估是对居民个人道德、资产、消费观念等方面观点和能力等综合信息的 全面反映，就是通过大数据提取影响个人信用状况的各种信息因素，对消费者个人包括居 民的家庭收入与资产、已发生的借贷与偿还、信用透支、发生不良信用时所受处罚与诉讼 情况等方面进行分析，再综合整体消费者的行为、所处经济环境等因素综合分析消费者的 贷款风险，以便为信贷机构识别借款者、制定消费贷款价格和控制的信用
3、风险等提供合理 的依据。 个人信用评估的主要模型 1、神经网络模型 人工神经网络是 20 世纪 80 年代后期迅速发展的人工智能技术，神经网络是由大量 简单的基本元件神经元相互连接，模拟人的大脑神经信息加工过程，进行信息并行处 理和非线性转换的复杂网络系统。 2、其他主要模型与 BP 神经网络模型对比分析 判别分析法一般适用于历史数据类别特征明显的情况，即由历史数据确定的类别是 具有明显的特征且这些特征是易于与其他类别区分的。但在现实条件下，往往会出现各类 别区分度不明显甚至是相互交叉的情况。同时，判别分析法要求数据呈正态分布，因此对 于实际中很多尖峰厚尾的数据，判别分析法也失去了考察效果。
4、决策树和神经网络模型都对数据的要求很低，可以用来处理大数据，因此在实际应 用中得到更多的青睐。决策树个人信用评估模型侧重于按照一定的指标对数据进行自动分 类，模型简单易于理解，但其简化指标的特点决定了信息提取的不充分性。 三、关于完善个人信用制度的几点建议 加强“大数据”在征信行业中对市场主体的服务与监管 首先政府应该加快落实信息公开制度，建立产品信息溯源制度。政府要努力打破“信 息孤岛”现象，加快推进信息共享，建立部门和行业信用信息共享交换平台。在监管方面， 政府和征信机构可以运用大数据技术对市场主体进行检测，综合各方面信息，建立科学合 理的仿真模型，对监管对象、市场和社会反应进行预测。最后
5、专业机构和行业组织运用大 数据技术开发新产品，切实维护国家金融信息安全。金融机构可以充分利用社会力量，联 合有关方面对违法失信者进行惩戒，为行业组织、利益相关主体和消费者共同参与对市场 主体的监督创造条件，促进形成全社会广泛参与的监管格局。 引导不同平台征信数据的互联互通并规范互联网用户的行为数据 用户的互联网行如同社会行为一样反映着用户的某种身份信息及个人特质，互联网 用户行为数据可以提供个人信用评估时需要的维度数据以及用户的社交关系数据。根据社 会资本理论，用户的社交关系与其财务资本存在可转化的关系，因此，互联网征信可以利 用社交数据进行个人信用评估。基于以上的分析，我们认为基于用户网络行
6、为的互联网征 信是可行并拥有理论依据的。 加强个人信用制度国际模式借鉴 目前美国和欧洲的两种模式下的个人信用制度比较完善。我们可借鉴的地方如下， 首先有专业的个人资信档案登记机构运用科学合理的评估方法，对每位客户的授信内容进 行科学、准确的信用风险评级，向有关金融机构提供贷款者的资信情况。其次发达国家都 建立了较为完善的法律支持体系，相关法律法规对贷款者确立了信息公开披露方面的条件， 也对贷款机构在信息服务产品的创新方面提供更大规模的贷款。再次个人信用体系需要涉 及三方面，一是个人信用资料的收集、评估机构，即个人信用调查公司，二是个人信用的 “消费者”，金融机构、用人单位等部门，三是个人信用资料的产生者和监督者，即个人； 最后，通过立法明确新兴信用信息源的应用规范，加强对“大数据”在征信行业中的监管通 过立法明确禁止滥用“大数据”搜集非必要信息的行为。 四、结论与建议 通过对判别分析、Logistic 回归、K 近邻、决策树和 BP 神经网络等个人信用评估 方法的比较，BP 神经网络模型由于其内部神经元之间认知为非线性结构，同时还设有前馈 式反射机制，使得其在面临大数据时可以轻松自如的对其训练求解。
