 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
个人贷款风控和防控的方法
下载积分：1500
内容提示：个人贷款风控和防控的方法
文档格式：DOCX|
浏览次数：186|
上传日期： 22:38:34|
文档星级：
全文阅读已结束，如果下载本文需要使用
 1500 积分
下载此文档
该用户还上传了这些文档
个人贷款风控和防控的方法
关注微信公众号我朋友在个人信用贷款p2p那里贷了，会有什么后果，会不会坐牢啊
我朋友在个人信用贷款p2p那里贷了 我现在有50万的信用贷款还不上了，会有什么后果，会不会坐牢啊
来自：网络
我朋友在个人信用贷款p2p那里贷了五万块钱，连一期他也没还，请问会有什么后果？不会构成诈骗吧？
人家实力雄厚，继续追讨。一般逾期30天未还款的，都会委托专门催收的公司来催讨，他们什么手段我就不介绍了，做生意能贪这个便宜。。。以后再想在小额贷款的话，你的生意也就能做到这里了。想发大财，也够你受的。这不仅仅是信用问题，除了你和该公司知道别人就不会知道，你信不信把身份证号码给我就能在明天中午之前告诉你，你是在哪里贷的款，带了多少钱，什么时间签约的，钱什么时间到账的。两种情况第一种这些贷款该平台自己一小额贷款的名义放出去的，幸运的话。而且催收公司的催收费用还是要你自己来承担的，这个公司没几个月倒闭了，别以为不上征信，但是也构成诈骗，像类似的公司是不会贷给你的。第二种，后续追还不跟进，那就算你白捡个便宜。还不还你自己掂量吧，人家较真了，盼着后辈们吧，但是别把自己孩子教坏了。不然后辈也没指望呵呵，说的是你自己吧
信用受损，以后贷款有影响，而且会有违约金
不是自己的，终究会被收走
付赔利息多一些
呵呵,说的是你自己吧。。。 两种情况 第一种这些贷款该平台自己一小额贷款的名义放出去的,幸运的话,这...
还是有影响的,现在信用贷款都是要查征信情况的。 不过审核的额度是多少还是要看具体的资质如何,利易达平...
一般最后是会走法律的程序。 目前来讲,p2p网贷平台没有接入央行征信系统中,网络贷款不还不会出现在个...
目前市面是啊的信贷产品非常的多,只要个人资质好,名下有稳定的收入来源以及资产都可以申请信用贷款。首先...
查询个人信用记录: 不良的信誉记录,一般会保存7年无法抹掉7年之内无再出现类似情况,将会自动消除掉;...
P2P个人信用贷款业务(以下简称个人信贷)是针对个人各类需求提供的贷款业务,贷款额度一般在50万元以...
不是。 一般最后是会走法律的程序。 目前来讲,p2p网贷平台没有接入央行征信系统中,网络贷款不还不会...
p2p网络借贷平台,是p2p借贷与网络借贷相结合的金融服务网站。p2p借贷是peer to peer...干货|风控中的大数据和机器学习(个人贷)
我的图书馆
干货|风控中的大数据和机器学习(个人贷)
干货|风控中的大数据和机器学习(个人贷)
消费金融行业资讯
本篇文章只关注个人信用借款的风控。抵押贷，企业贷不在讨论范围中。◆◆◆1. 风控的意义&何为风控？字面含义就是对于风险的控制从而使财务不受到损失。对于任何一家金融机构（包括银行，小贷，P2P等）来说，风控的重要性超过流量、体验、品牌这些人们熟悉的指标。风控做得好与坏直接决定了一家公司的生与死，而且其试错成本是无穷大的，往往一旦发现风控出了问题的时候就已经无法挽回了。截止到2015年底，全国总共3000多家P2P平台里超过三分之一已经倒闭。这其中除了一部分明显的自融欺诈外，大多数平台垮掉的原因还是风控不过关。&◆◆◆&2. 风控的核心&风险控制需要做什么？与逾期率的绝对数值相比，对风险的控制能力要重要得多。借款人需要享受合理的额度和借款成本。出借人需要能够得到合理的风险调整后的收益。达到这样的目标的核心是对每一笔借款违约概率的准确预测。&借款人：基于借款人的风险评估，优质的借款人能享受更低的借款成本和更高的额度。相对不那么优质的借款人则需要付出更高但还是合理的成本。最劣质的借款人（甚至是欺诈借款人）则会被直接拒绝。&出借人：由于借款人承担的利息成本是基于其风险设置的，我们可以在大数上设定为未逾期的借款人所付出的利息减去逾期借款人带来的本金损失后依旧能够达到合理的收益水平。
满足上述原则的过程我们称为“风险定价”。这可以作为所有金融的First Principle。&◆◆◆&3.&国际上传统的风控方法&风控的核心是要准确预测每一笔借款违约概率。显而易见，这需要量化的工具，也就是模型。假设x代表与借款人相关的各类数据，y代表是否违约（1=违约，0=未违约），则我们需要找到一个函数f，使得f(x)=y。我们先介绍一下x，y，f在国外的情况。以美国为例。&x ，y：在美国，人们一般在上大学的时候就会拥有人生中第一张信用卡。这样等到后续买房（房贷）买车（车贷）的时候，就已有了不短的信用历史了。美国有3家征信公司（Equifax，Experian，TransUnion）。基本上所有银行，贷款，金融机构都会上传信用数据给这3家公司，包括借款，还款，逾期等数据。征信公司会对原始数据做清洗和处理，进而产品化和商业化这些数据。这些提供数据的公司同时也是数据的使用方。 任何公司都可以买到脱敏的具体到个人的信用历史数据，用作分析和建模。由于征信公司能够以处理完的字段形式输出数据，在美国，x一般是小而精的。小是指一般一个人的征信数据实际大小不大。精是指这类借款、还款、违约的历史数据，对于风控建模来说，会是最有用的一块数据，因为历史借贷信息实打实地反映了一个人的信用情况。&f：如果有了非常新鲜的鱼，简单地蒸一下就会非常美味。同样的道理，由于大多数美国人已经有了足够的信用历史数据，通过这些数据来预测一个人未来的违约概率，这里所用到的模型也不用很复杂。一般情况下，简单的决策树和一些回归类的模型已经能够解决90%以上的问题。非常有意思的是，类似FICO这样的公司的商业模式就是提供生成f的能力，也就是基于3家征信公司提供的数据，提供一个比较标准化的信用分给银行和金融机构。&如上所述，美国的征信体系包括了数据提供方（同时也是使用方），数据整理存储方（3家征信公司），和提供数据分析解决方案的第三方（例如FICO）。整套体系经过几十年的演变进化，已经成为了一个生态。&◆◆◆&4.风控机构在大数据领域的探索&我们所说的“大数据”并非指绝对的样本量的巨大，而是把常规的信贷征信数据以外的信息统一称为“大数据”。目前看来，由于美国的征信生态体系已经比较完善，其它非信贷类数据在风控建模里的应用实际上比较有限，在大多数情况下锦上添花多过雪中送炭。例如美国最大的P2P公司LendingClub早年曾经尝试只基于Facebook的社交数据来决定是否放贷。试了一段时间发现不行后，还是回到了征信数据为主，其它数据为辅的体系。目前LendingClub只考虑给FICO信用分640分以上的借款人放贷。
在美国，相比全面替代基于传统征信数据的风控模型，大数据能够起到的作用可能更多的会在某个特定用户群体上的性能优化。例如，我们发现FICO分在580-600分这个区间的用户的逾期率是15%。这是比较高的风险，大多数银行和贷款公司是不做这个群体的， 因为需要覆盖这么高的风险所需要的利率可能高于他们的业务允许范围了。然而，15%的人违约的反面是85%的人还是会还钱的。 如果能够通过技术手段利用一些征信数据以外的数据，来提高这个群体里好人vs老赖的识别度，从平均15%违约率的群体里把相对比较好的借款人（比如违约率是5%）挑选出来，则这个群体瞬间就可以做了。已经有一些公司看到了这样的机会，也已经开始利用大数据建模做这类银行服务不到的客群了，比如最近比较火的ZestFinance。&◆◆◆&5.大数据风控在中国的机遇&最近10年，以个人信用卡为代表的个人贷款业务在中国有了蓬勃的发展。我国的信用卡交易和风控系统在初期大量借鉴了国外的经验。银联的第一代系统是与VISA合作完成的。国内很多银行的风控流程和系统是从国外采购，很多风控高管也是直接从国外银行引进的。&然而与国外相比，中国最大的差异在于征信体系的不完善。我们的人行征信系统覆盖了8亿人，但是可能只有3亿左右是有信贷记录的，剩下的无任何信贷记录的，我们称之为白户。所以也不难理解，国内银行对于大部分非中高端用户实际上是不愿意也没有能力提供金融服务的。没有征信数据，那套国外搬过来的基于征信数据的方式方法就不管用了。&聪明的人马上意识到，相比国外，由于中国的征信体系的不完善，基于大数据的风控的土壤实际上更成熟，更有的做。这一点对于线上获客的公司来说特别突出。相比传统银行和线下业务为主的平台，线上获客拥有以下优势：&互联网可以提供每个借款人的庞大的、碎片化的、种类繁多的信息。这里面包括用户提交的电子化信息（如身份证、营业执照、房产证、学历证、工资单、社保，银行流水等），第三方权威机构的查询信息（如公民身份证查询中心、教育部学历中心、法院诉讼信息查询中心等可查询信息），还包括了海量的互联网碎片数据，如用户的电商交易信息、微博等社交网络数据，百度搜索引擎数据等。说到底，All data is credit data.&&互联网的高效性和爆发性使我们能以较低的成本、较短的时间，积累大量的用户数据，为分析建模提供足够的样本量。&这种大样本量、多维度、非结构化的数据非常适合各类大数据分析处理和机器学习技术的运用。&◆◆◆&6. 大数据风控的挑战&伴随着机遇同样也有挑战。就像要有美味的菜肴，我们既需要好的材料，也需要好的厨师，当前大数据在风控中运用的挑战主要还是在数据和人才这两方面。&数据&记得我们前面所说的，风控的核心就是能够产生一个f(x)，用来量化违约概率。理想情况下，最好f(x)=y。这里就有一个鸡和蛋的问题。没有足够的y就做不了分析，所以除了一些很明显的信息外，我们是不知道什么样的x对于预测y会有帮助，也就是说在没有足够样本之前是很难确定该收集哪些数据的。反过来，如果有y的样本够了，但一开始就没有意识到应该存哪些x，这些样本的意义也会很有限。这个问题在那些几乎没有信贷记录的白户客群上尤其严重。最终的解决方法只有不停地做测试，收集x和y，迭代x。相对于资金成本，时间成本更大。例如下图所示，用户在网页上填身份证的耗时实际上与这个人的风险是相关的。很快的人很有可能是直接复制粘贴。而填的很慢的人很有可能是记不住自己的身份证号。这两种情况下，欺诈的可能性都会高一些。&&退一步说，就算我们事先知道应该用什么样的x，样本特别是坏样本的积累也是很难绕过的。了解建模的同学知道，越是复杂的模型（比如更多的变量），对于坏样本（y=1）数量的要求也更高。如下图所示，一般每增加一个模型字段，我们需要相匹配地增加至少100个y=1的样本。&人才&除了数据，在机器学习方面的人才缺口也是比较严重的。跟传统征信数据的小而精不同的，大数据里的很多信息实际上只跟违约率有非常弱的，甚至有的时候接近于0的相关性。把这些多而杂的信息整合起来，做成一道好菜，是需要非常专业的机器学习方面的人才的。&&过去的10年里，机器学习领域有了天翻地覆的发展。在机器能够击败超一流围棋高手的时代，让机器基于海量的、人工根本来不及消化的数据来评估一个人借钱后是否会还钱，其可行性是很高的！不幸的是，量化信用评估领域在技术上的方式方法还是基本上停留在几十年前的水平，早已跟不上当前实时化、移动化、内容包罗万象的数据时代的节奏。非常简单的表现就是，除了少有的例外，目前在金融特别是风控的数据建模/数据研发的人才，无论是数量还是质量，都远远落后于互联网行业。可喜的是，业内也已经意识到了人才的匮乏所带来的瓶颈。随着行业的成熟和数据的积累，会有越来越多的高端数据人才加入这个行业。整个行业在基于大数据量化评估风险的能力也会有一个爆发。本文转自“大数据文摘”关于版权：《消费金融行业资讯》有关的内容若涉及版权问题，请原作者或媒体联系我们及时删除。联系微信：，投稿邮箱：（附报酬）消费金融领域最具影响力自媒体，超过10万以上的覆盖人群，专业、专注最新行业动态，是您了解消费金融最好的选择！
馆藏&32539
TA的推荐TA的最新馆藏
喜欢该文的人也喜欢近日，有一微博用户爆料称，只是打开了微信里的“微粒贷”看看，没想到微众银行居然就向央行查询了自己的个人征信记录，并记录了一次贷款申请，在其申请房贷的过程中被查出来。
温总百度搜索“微粒贷”，发现了不少质疑它征信的文章和评论：起因就是这个微博爆料，据该用户称，微众银行并没有明确告知用户会查询个人征信记录，并直接以“贷款审批”名义去查询个人征信记录。
根据《个人信用信息基础数据库管理暂行办法》，商业银行查询个人信用报告时应当取得被查询人的书面授权。对此，北京商报发布了微众银行的回应：大家注意，说的就是这里：有用户表示，他就是勾选了这一步，让微众银行直接以“贷款审批”去查询了个人征信，结果他在贷款时遭到了其他银行的寻问，怀疑他此前有过贷款申请并且被拒。也有用户爆料称自己申请信用卡都因此被拒了。
展开剩余88%
对于征信的质疑，然而，这个“没有任何负面影响”的结论可能太过武断了。我们都知道，当我们到银行进行商业贷款时，银行会调查我们的征信记录，来查看我们曾经在那些银行发起过贷款，贷款的结果又是如何？如果用户的信用报告中机构查询记录过多（半年内超过6次），就会影响贷款审批。其实道理很简单，试想，若是一个人在短期内在数十家银行有过信用查询记录，说明他很有可能向这数十家银行申请过贷款，首先借款动机就存疑；若是这些记录都未审批通过，那么必有隐情。
面对这样多次被拒的客户，银行的客户经理自然会格外严格一些，贷款审批就极有可能被延误。虽然网络银行的征信记录存在特殊性，通过网络勾选的方式形成的书面授权文件存在误选的可能，多次记录也许并非主动申请贷款，所以央行以后或许会将网络银行和实体银行区分对待，但在今时今日，胡乱勾选授信协议显然是不明智的。
所以，温总建议，大家在网上进行金融操作时需要格外谨慎，千万不要随意开通过多贷款借钱功能。没有需要的话，千万不要因为好奇去点选查看自己的借款额度哦~
以下转载来自“南方都市报”的文章，
文尾有重要科普请耐心看完
微粒贷“偷查”个人征信？发放额度为何变授信额度？
中金社日消息，个人信用征信是指依法设立的个人信用征信机构对个人信用信息进行采集和加工，并根据用户要求提供个人信用信息查询和评估服务的活动。个人信用报告是征信机构把依法采集的信息，依法进行加工整理，最后依法向合法的信息查询人提供的个人信用历史记录。
近日，微众银行旗下的微粒贷“邀请好友得iPhone”以及“查借款额度，立拿5元现金”等营销活动刷屏微信朋友圈。不过也有用户担心查看微粒贷额度被查个人征信且留下查询记录后，会不会影响到房贷、信用卡申请？还有用户爆料称，微粒贷授信额度在个人征信报告中变为了发放贷款，占用授信总额。
对此，微众银行方面昨天在接受南都记者采访时回应称，微众银行微粒贷产品通过电子方式确认客户的征信授权意愿是符合法律法规规定的。
槽点1：微粒贷“偷查”个人征信？
近日，有网友爆料称，因为参与了微粒贷的“邀请好友得iPhone”以及“邀请你查看微信借款额度，立拿5元现金”的活动，个人的人行征信报告中就多了一条来自“深圳前海微众银行”的查询记录，事由为“贷款审批”。
事实上，据南都记者了解，在获取额度的时候，用户需要勾选了同意相关条款后，输入支付密码才可看到相应额度。其中，勾选同意的条款是指“同意微众银行查询人民银行征信记录授权协议及借款相关协议”。
对此，微众银行方面向南都记者表示，微众银行在微粒贷产品“获取额度”页面的显著位置展示征信授权协议，只有客户阅读且主动勾选同意相关条款，并通过支付密码验证通过后，微众银行才会以“贷款审批”名义发起个人征信查询。微众银行微粒贷产品通过电子方式确认客户的征信授权意愿是符合法律法规规定的。
但是已有部分网友反映因查看过微粒贷额度，征信报告上多出了微众银行的“贷款审批”记录，从而导致在申请信用卡时被拒绝，或是办理房贷时被银行要求对微粒贷的“贷款审批”项进行解释。
那频繁查询征信记录是否对征信信用有影响？某股份制银行信用卡风控部人士就向南都记者表示，只要用了人行的征信系统查询都会有记录的，而且每发起一次就有一条记录。
上述人士进一步解释，如果客户通过网络不停地查询就会形成很多条记录了，这对银行的审批会有影响，特别有很多银行信用卡是系统自动审批判断，它不会自动识别查询的原因，所以就会自动拒绝。
而据人行征信中心介绍，放贷机构在放贷时会关注信用报告中“硬查询”情况。所谓“硬查询”，是指因为审查个人的贷款申请而产生的查询记录，比如信用卡审批、贷款审批等。
平安银行信用卡部相关人士对南都记者表示，银行在用户提交申请信用卡后，会特别关注信用报告中“硬查询”情况，这是央行的“规定动作”。如果短期内硬查询次数较多，银行会特别顾虑申请人多次“硬查询”的原因，比如是不是经济紧张需要多次申请贷款，或是多次查询却并未办卡可能是征信有问题。
不过，微众银行对此的说法是，微众银行也仅会在客户首次申请额度时才会以“贷款审批”名义查询人行征信，不存在“点一次查一次”的情况。且单一一次“贷款审批”查询，不会对个人信用记录造成负面影响，个人信用记录是否良好，主要取决于个人履约能力。
槽点2：发放额度为何变授信额度？
除了对微粒贷是否存在“偷查”征信存在质疑以外，也有网友反映在使用微粒贷的过程中，虽然总共授信额度是1.8万元，但是实际只借用了一部分，但征信报告却显示微众银行发放了1.8万元的个人消费贷款。
对此，广东某国有行银行卡负责人告诉南都记者，银行在审批时更有可能将其理解为发放额度，会相应缩减可贷额度。
简单地说，如果被占用了授信额度，客户去申请房贷时，可申请的最高额度有可能需要扣减掉此部分额度，相当于客户能从借的钱就少了。
不过，微众银行方面给出了不一样的说法。微众银行表示，微粒贷作为商业银行推出的个人信用循环贷款，微众银行也会严格按照人行规范进行征信执行，且报送内容和实际业务内容一致。微众银行根据客户每月报送时的“所有未结清借据的发放金额合计值”报送“授信额度”字段，并以“发放金额”在客户征信报告上展示。
换言之，当你的微粒贷有1万元授信额度时，如果你仅借款1笔5000元且在微众银行报送时未还清借款，您的征信报告上届时会体现“发放5000元”、“余额5000元”的信息，其中“发放5000元”表明你实际借贷5000元，“余额5000元”表明您暂有5000元借款未还清。
科普栏*知多D
问：个人征信在哪些方面有用？
答：目前，个人信用报告广泛应用在商业银行贷款、信用卡审批和贷后管理中，还用于任职资格审查、员工录用等许多活动中。
问：谁能查询我的信用报告？
答：你让谁查谁就能查。也就是说，经过你的书面授权同意并约定了查询用途后，被授权的机构或其他人就能查。查询最多的是商业银行等放贷机构，其他还可能是与你发生经济交易的生意伙伴、用人单位等。
问：查询记录会保存多久？
答：据中国人民银行征信中心介绍，查询记录详细记录过去两年内，何人、何时、因何原因，查询了你的信用报告，放贷机构查和本人查都展示在查询记录中。
问：使用京东白条、花呗、借呗等互联网消费/信贷产品也会留下“硬查询”吗？
答：答案是不会的。南都记者向蚂蚁金服方面求证得到答案：目前借呗、花呗根据用户的网购行为、信用数据和自主提交的支付宝信息资料等，通过大数据模型，给用户授信，开通花呗或借呗。京东白条的开通情况也类似。
内容来源：南方都市报（版权属原作者，如有侵权，请联系我们及时删除。）
值班编辑：故意
联系邮箱：
声明：本文由入驻搜狐号作者撰写，除搜狐官方账号外，观点仅代表作者本人，不代表搜狐立场。