虎扑评分区,老熟妇大胆性开放图,中文字幕精品av一区二区五区,波多野42部无码喷潮在线

經(jīng)常聽到一個關(guān)于借錢的民間“哲理”：借急不借窮。對于銀行來說也是一樣，只會把貸款借給確認有還款能力和還款意愿的人。

那么，像銀行這樣的金融機構(gòu)是如何判斷申請者的還款能力的呢？

銀行在審批貸款之前，必然會查詢?nèi)诵姓餍艌蟾妫鶕?jù)申請人的信貸記錄判斷是否批準貸款。

然而，像人行征信報告這類傳統(tǒng)的信用體系并不能覆蓋所有人。

根據(jù)2014年底披露的數(shù)據(jù)，央行征信中心有效覆蓋了8.6億人信息，但僅有3.5億人擁有信貸記錄。也就是說，在中國約有10億人沒有有效的征信記錄。

即便是在征信覆蓋率很高的美國，也有很多人沒有符合要求的征信記錄，這些人往往也申請不到信用卡（參見下圖），那么，當他們有資金需求的時候，只能求助親朋或者借高利貸了。

在這樣的背景下，谷歌公司前CIO Douglas Merrill于2009年在洛杉磯創(chuàng)辦了互聯(lián)網(wǎng)金融公司ZestFinance，公司使命是為每一個人創(chuàng)造公平而且透明的信用信息，進而幫助他們實現(xiàn)享受正常金融服務(wù)的權(quán)利。

ZestFinance原名ZestCash，創(chuàng)立初期的主營業(yè)務(wù)是通過小額貸款平臺提供放貸服務(wù)。

與一般小額貸款平臺不同的是，ZestFinance的研發(fā)團隊主要由數(shù)學(xué)家和計算機科學(xué)家組成，自研了基于機器學(xué)習的大數(shù)據(jù)分析技術(shù)進行信貸審批的能力。為更好履行公司使命，Douglas Merrill后來將公司更名為ZestFinance并專注于向其他金融機構(gòu)輸出其信用評估能力，為難以獲得傳統(tǒng)金融服務(wù)的個人創(chuàng)造可用的信用，降低他們的借貸成本。

目前ZestFinance在主推其專用于信用評估的機器學(xué)習平臺ZAML，用戶可以在這個平臺上進行數(shù)據(jù)集成、數(shù)據(jù)清洗和模型訓(xùn)練，并且ZAML還提供了機器學(xué)習模型解釋的能力，大大降低了業(yè)務(wù)人員使用和評估復(fù)雜模型的技術(shù)門檻。此外，ZestFinance還基于ZAML對外提供信貸審批和反洗錢等服務(wù)。

下面，我們針對ZAML的幾個主要特征進行介紹。

（1）數(shù)據(jù)的非常規(guī)化

次貸危機之后，美國消費貸款的壞賬率逐年下降并基本穩(wěn)定在不到2%的水平。在這樣的前提下，金融機構(gòu)想要通過降低壞賬率來提升凈利潤是非常困難的。想要增加放貸收入，只能通過提升審批通過率并維持較低的壞賬率。正如前文所提到的，原本沒有通過貸款審批的用戶通常缺乏有效的信用證明，那就需要利用其他非傳統(tǒng)的數(shù)據(jù)來重塑信貸審批過程。

ZestFinance最被外界津津樂道的是采用了許多“弱”數(shù)據(jù)構(gòu)建信用模型，在一般人看來，這類數(shù)據(jù)很難和還款能力及還款意愿扯上關(guān)系，但ZestFinance還是從弱數(shù)據(jù)中捕捉到了有效信息。

例如，一個人在填表時喜歡用大寫還是小寫就是一個弱數(shù)據(jù)，ZestFinance識別出喜歡全部用大寫字母的人違約率更高。此外，用戶在網(wǎng)上提交貸款申請時是否閱讀說明文件也可以說明一些問題，完全不看文件的用戶可能風險意識較弱，或者壓根不關(guān)心違約后果。

在催收場景下，ZestFinance還會將用戶的搬家次數(shù)納入評估模型。ZestFinance發(fā)現(xiàn)學(xué)生在畢業(yè)之后搬家次數(shù)越多，那么還款意愿就越低；相對地，搬家的距離和還款意愿之間沒有明顯的關(guān)聯(lián)。

ZestFinance的模型也結(jié)合了場景化的行為數(shù)據(jù)進行信用評估，據(jù)Merrill透露，如果一個人經(jīng)常在工作日的白天到商店購物，那此人很可能處于失業(yè)中；而如果一個人是午休時間購物，那很可能這是一個勤奮的雇員在擠時間買必需品。

（2）數(shù)據(jù)精細劃分

在申請信用卡后，只使用過一次并按時還款的用戶在傳統(tǒng)的信用模型中可能會被當作一個“好”用戶，而ZestFinance認為這類用戶并不能為銀行帶來利潤，因此需要與真正能帶來高利潤的用戶進行區(qū)分。

還有一個例子，ZestFinance認為衡量一個人的收入高低并不說明其還款能力，還需要將收入減去支出的凈收入加上地理因素，才能對還款產(chǎn)生預(yù)測能力。他們就是這樣通過融合多個變量，為用戶賦予更準確的標簽。

（3）模型解釋能力

目前很多金融機構(gòu)的信用模型還是采用相對簡單的邏輯回歸或決策樹，先進的機器學(xué)習模型例如深度學(xué)習還沒有得到廣泛的應(yīng)用。其主要原因在于機器學(xué)習模型如同一個黑箱（參見下圖），業(yè)務(wù)人員無法對預(yù)測結(jié)果進行理解和解釋。而很多場景下需要對拒貸原因進行回溯，因此金融機構(gòu)只能對先進的機器學(xué)習模型望而卻步了。

針對這個問題，ZAML為用戶打開了機器學(xué)習模型這個黑箱。對于每一筆貸款申請，ZAML都會對各個變量的重要程度進行評估和排序（參見下圖），可以直觀判斷出拒貸原因。

在構(gòu)建模型的時候，ZAML能識別出一些潛在的建模錯誤和合規(guī)性問題，降低了建模的技術(shù)門檻。此外，ZestFinance還可以做到將模型輸出結(jié)果無縫映射到現(xiàn)有系統(tǒng)的拒貸原因編碼（參見上圖），這些機器學(xué)習模型對業(yè)務(wù)人員來說是完全透明。

就當前而言，國內(nèi)包括螞蟻金服、蘇寧金服等很多互聯(lián)網(wǎng)金融公司都在機器學(xué)習和大數(shù)據(jù)風控上構(gòu)建自己的能力，相信機器學(xué)習在信用風險建模領(lǐng)域的應(yīng)用也將持續(xù)受到廣泛關(guān)注。

【來源：網(wǎng)貸天眼】