BIS国际清算银行-How-do-machine-learning-and-non-traditional-data-affect-credit-scoring-New-evidence-from-a-Chinese-fintech-firm_24页_397kb

总结：机器学习与非传统数据对信用评分的影响

核心内容

本研究探讨了机器学习和非传统数据在信用评分中的作用，特别是它们在经济冲击下的表现。研究基于一家中国领先金融科技公司2017年5月至9月的交易级数据，比较了基于机器学习的信用评分模型与传统信用评分模型在预测借款人损失和违约方面的效果。

主要观点

1. 机器学习模型表现更优
   在正常时期和经济冲击下，基于机器学习和非传统数据的信用评分模型在预测借款人违约和损失方面优于传统模型。特别是在面对负面信用供给冲击时，机器学习模型表现更佳，原因可能是其能更好地挖掘变量之间的非线性关系。

2. 非传统数据提升预测能力
   非传统数据（如移动应用使用记录、电商平台行为）对模型预测能力有显著提升作用。这些数据提供了传统信用评分系统无法获取的信息，有助于更全面地评估借款人的信用状况。

3. 信用历史影响模型优势
   在借款人信用历史较长的情况下，基于机器学习的信用评分模型的相对优势会下降。这表明，模型在评估新客户时表现更好，而在评估有长期信用记录的客户时，传统模型可能更具稳定性。

4. 数据来源与模型构建
   研究使用了全面的数据集，包括借款人通过信用卡交易、移动应用和电商平台提供的信息。与传统银行相比，金融科技公司能直接访问这些非传统数据，从而提高评分的准确性。

关键信息

• 研究背景
  金融科技正在改变信用评分和贷款决策的方式，特别是在中国，其信用评分体系结合了机器学习和大量非传统数据。

• 数据描述

  • 研究数据来自一家中国领先金融科技公司，涵盖2017年5月至9月的贷款交易记录。
  • 数据包括借款人的信用评分、信用卡信息、移动应用使用情况、电商平台行为（如淘宝支付）等。
  • 数据中存在一些极端值，因此使用了1%的Winsorization处理。

• 模型比较

  • 模型I：仅使用金融科技评分作为独立变量。
  • 模型II：仅使用传统银行信息（如信用卡使用频率、账户数量、还款记录等）。
  • 模型III：同时使用传统和非传统信息。
  • 所有模型均包含省份和时间固定效应。

• 回归结果

  • 模型I的伪R²为0.0367，高于模型II（0.0169）和模型III（0.0217），表明金融科技评分具有更高的预测能力。
  • 传统变量如信用卡使用频率、账户数量、还款金额等也对模型有贡献。
  • 非传统变量如通话频率、淘宝支付金额等在模型III中表现出一定预测能力。

• 经济冲击分析
  2017年11月，中国央行出台政策收紧影子银行监管，导致信用条件恶化和违约率上升。研究发现，在此冲击下，基于机器学习的模型在预测违约和损失方面表现更优。

• 模型的局限性

  • 金融科技评分模型在预测新客户时优于传统模型，但在预测有长期信用记录的客户时，其优势会减弱。
  • 研究指出，该数据和分析仅用于学术研究，不能用于公司估值或商业策略推断。

结论

本研究为金融科技信用评分模型的性能提供了新的实证证据，表明机器学习和非传统数据在信用评分中的重要性。尽管这些模型在正常情况下表现良好，但在经济冲击下更具优势。然而，模型的相对优势会随着借款人信用历史的延长而下降，这提示在不同客户群体中需谨慎使用模型。

附录：数据与方法

• 变量描述

  • Default dummy：是否违约（0/1）。
  • Loss rate：违约损失率。
  • Fintech credit score：金融科技评分。
  • Interest rate：贷款利率。
  • Number of bank accounts：过去3个月或12个月的银行账户数量。
  • Frequency of credit card usage：信用卡使用频率。
  • Large payment counts：大额支付次数。
  • Credit line：信用额度。
  • Credit card defaults：过去3个月或12个月的信用卡违约次数。
  • Repayments：还款金额。
  • Credit history：信用历史长度（以月为单位）。
  • Salary in debit card：借记卡存款金额。
  • Non-traditional information：包括最大通话时长、与家人通话次数、每日通话频率、淘宝支付金额等。

• 模型设定

  • 使用Tobit模型和Logit模型进行回归分析。
  • 模型I使用金融科技评分，模型II使用传统数据，模型III结合传统与非传统数据。
  • 所有模型均控制省份和时间固定效应。

• 稳健性检验
  研究指出，模型I的测试数据为“外样本”，而模型II和III为“内样本”，这可能导致模型I的偏倚。因此，研究建议在稳健性检验中进一步验证模型表现。

作者与资助信息

• 作者：Leonardo Gambacorta, Yiping Huang, Han Qiu, Jingyi Wang。
• 资助：Yiping Huang和Han Qiu的研究由中国国家社会科学基金资助（项目编号：18ZDA091）。
• 保密声明：数据和分析均严格遵守中国隐私法律，金融科技公司未对研究内容施加影响。