网络借贷平台风险管控的启示

本篇文章2492字，读完约6分钟

自2007年中国第一个小额贷款网站“排牌贷款”建立以来，点对点贷款公司如雨后春笋般涌现，呈现出交易规模日益扩大、影响范围日益扩大的蓬勃发展趋势。对等贷款已逐渐成为正规金融的一种有用和必要的补充。网上贷款平台的成功在很大程度上是由于其充分利用了互联网和大数据技术，细化了贷款信用风险评估，有效控制了不良贷款率，大大降低了运营成本，提高了贷款效率。因此，网上贷款平台风险管控的特色经验对银行业机构具有重要的借鉴意义。

p2p网络借贷平台风险管理的特色体验

一、利用大数据协助信用风险评估。凭借互联网快速、低成本地获取海量信息，点对点贷款公司通过各种网络渠道收集借款人相关信息，对信息进行提炼和整合，并在此基础上进行信用风险评估。例如，单个借款人收集的信息字段多达2000个，不仅包括身份证、营业执照、银行流量、网上消费记录等一般信息，还包括看似与信用无关的信息，如借款人登录p2p网站的时间、使用的终端设备类型、ip地址等。，这是实施贷款信用风险管理的基础数据。然后，公司将每个借款人的大约2000个原始数据提炼成400个结构化数据，即描述借款人行为的“dna”。以风险为导向进行二次提炼，形成约100个风险变量，与风险评估模型相匹配，对借款人和贷款项目进行信用评分。

(2)注意采用风险定量分析技术和模型，争取更准确的信用风险评估。阿里小额贷款通过交叉验证技术确认客户信息的真实性，辅以第三方验证，将电子商务网络平台上的客户行为数据映射到企业和个人的信用评价，通过沙盘推演技术对区域客户进行评级，开发记分卡系统、小额贷款通则决策引擎、风险量化分析等技术。与此同时，阿里小额贷款还开发了网络人际爬虫系统，突破地理距离的限制，捕捉并整合相关人际信息，通过建立一一对应的规则及其相关性分析，得出风险评估结论，并与贷前评级系统进行交叉验证，构成风险控制的双重保障。

(3)引入风险谱，对不同信用等级的借款人实施差异化风险定价。中国许多同业拆借公司将国际风险控制经验与自身业务相结合，形成了独特的信用风险管理机制。如上海鲁法克斯将国际领先的风险谱移植到中国，结合鲁法克斯借款人与国家信用等级的外部比较和借款人与历史客户的内部比较，将借款人划分为四个信用等级，并计算每个信用等级的贷款损失概率，从而对不同信用等级的借款人实施差异化风险定价。借款等级越低，贷款利率越高，在违约的情况下，它可以弥补不良贷款。

(4)反映互联网思维，形成人人参与的风险控制文化。点对点贷款公司利用互联网“平等、开放、合作、共享”的特点，不仅服务客户，还参与信用风险管理。首先，建立客户报告制度，鼓励客户积极提供风险信息。一旦验证通过，将给予现金奖励。二是鼓励客户在体验过程中对同业拆借公司风险管理的薄弱环节提出意见和建议，不断完善风险控制机制。三是实行黑名单公示，恶意债务人的姓名、联系方式、地址等基本信息将在网上公布，这将产生威慑作用，并动员借款人的亲属、单位和社会力量参与逾期贷款的催收。网上贷款公司向借款人收取罚息，用于奖励参与收款的人。这些做法有利于节约同业拆借公司的风险管理成本，提高效率，增强客户参与度和归属感。

对商业银行的启示和借鉴

(1)探索利用互联网技术拓展信用风险信息渠道。目前，银行信贷数据主要包括个人和机构履行贷款、担保、租赁、保险、信用卡等活动义务的信息、行政处罚信息、缴纳各种社会保障和公用事业费用的信息等。信息源范围相对狭窄，时效性有一定的滞后。另一方面，点对点贷款公司利用大量的在线交易记录、客户评估、库存、现金流等信息以及社交网络数据，更加真实、立体、动态地掌握个人和机构的信用状况。因此，商业银行应借鉴同业拆借公司的经验，积极开发大数据平台，突破传统数据源的界限，关注互联网网站、社交媒体等新数据源，通过各种渠道获取尽可能多的客户和市场信息。

(2)利用云数据挖掘和云信用计算技术构建大数据信用评估模型。与传统的征信业务相比，点对点贷款公司面临着数以千计的业务明细数据和数以千计的维度评价指标。为了实时、自动地挖掘和计算企业庞大而复杂的数据，一些点对点借贷公司借鉴了互联网、大数据、云平台等新技术，创建了一套以云数据挖掘机器人、云信用计算等核心技术为支撑的大数据信用评估模型，实现了企业行为数据采集和行为信用计算的集成和全自动化。商业银行可以参照这种做法。首先，利用云数据挖掘机器人技术从企业端进入产业链电子交易系统，实时采集相关数据，并加密传输到管理系统；通过数据分类、剔除、清理、分析、检查、修正等自动化处理，将业务交易数据转化为可定量分析的信用数据。其次，利用云信用计算技术将处理后的数据形成指标，然后通过相应的数学模型计算出评估结果和信用额度。授信额度包括整个企业额度和基于交易的单项额度，是审批贷款额度的依据。

(3)通过应用数据挖掘、行为分析等技术，对现有数据资源进行深入分析，将数据转化为有用信息，不断优化风险评估模型。事实上，经过长时间的不断积累，银行手中已经掌握了大量的客户信息。但是，由于风险度量模型和技术落后，银行内部各部门之间存在数据信息“壁垒”，信息共享无法实现，客户信息没有得到有效的开发和利用。因此，完善风险度量模型和技术，打破部门间数据信息的“壁垒”，充分整合和利用现有数据信息资源，有效提高风险评估的准确性势在必行。

(4)制定数据标准，建立数据仓库，建立适合大数据的数据管理系统。点对点贷款对企业信用状况进行更现实和三维评估的关键在于它对大数据技术的有效利用。然而，大数据处理技术毕竟不同于传统的数据库处理技术，因此对商业银行的数据管理系统提出了新的要求。首先，我们需要重置数据治理结构。由于信用评估数据不再局限于结构化数据，大量的非结构化数据应用导致了数据标准和数据架构的巨大变化。商业银行需要重组数据源，制定数据标准，建立数据采集和处理等一系列管理系统。其次，有必要建立一个与信用评估相关的数据仓库。商业银行需要重组信用评估中的关键数据，包括传统信用评估模式下的客户财务数据和大数据模式下的客户行为数据，并构建包含不同类型数据的数据仓库。