各校翘楚巅峰对决!“个人信贷信用风险模型”竞赛圆满落幕
发布时间:2018-02-09 浏览次数:7628次

过去的2017,消费金融全面爆发,在拉动经济增长的同时也带来了诸多的风险与挑战。如何进行行业的优化和规范,评判借款人的违约风险,对于金融机构来说变得越发重要。2018年1月30日,上海交通大学上海高级金融学院(SAIF/高金)主办的2018 SAIF MF 国际青年领袖金融高峰会“个人信贷信用风险模型”议题竞赛环节在交大高金圆满落下帷幕,来自全国的七所顶尖院校的精英选手们展开唇枪舌战,来自SAIF MF16及MF18 的学生也进行了非参赛环节的特别展示,共话中国个人信贷行业的发展与未来。

本届峰会邀请到知名学者及业界专家担任评委,该竞赛环节有幸邀请到SAIF金融学助理教授鲁小萌、中国金融研究院(CAFR)研究员朱宏晖、畅圣科技副总裁王福功及快牛金科风控&建模团队负责人陈家悦四位担任评委。

北京大学代表队:利润决定了是否授予违约人贷款

北京大学代表队建模的目标就在于识别哪一笔贷款会逾期。通过数据预处理、因子分析、Log分析、机器学习以及模型选择这五个过程完成建模。该模型在如何界定数据、解释数据以及处理数据方面充满了创新亮点。

在现实中金融机构可以运用该模型对违约者是否可再次获批贷款做出决策,而决策的标准就在于决定是否再次授予违约人贷款的是利润而非逾期表现。此外还需要三个方法并行才能收获更为实际的应用,即:收集个人相关信息、描述申请人信息以及申请之后的跟踪和催账。


清华大学代表队:防欺诈具有巨大市场潜力,数据收集要谨防道德风险

清华大学代表队建立了两个个人信贷信用风险模型:一是对数回归模型,它能解释不同的因子能怎样影响结果,是个线性模型;二是机器学习模型,它能做出更多更准确的预测,为非线性模型。

机器学习模型可以抽取更多的相关数据,包括社交网络信息、在线消费信息、市场信息。此外这些数据模型的应用需要有更多的定制化模型,而在数据收集方面要防范道德风险,理论模型和人类操作者之间的协作则是另一个亟待解决的问题。

上海财经大学代表队:当下竞争在于对客户理解的深度和收集信息的多寡

上海财经大学代表队指出中国的信贷规模未来将不断上升,所以为了帮助金融机构衡量信用风险来建立消费者信用模型就变得异常重要。如今的竞争已不单是你对客户了解的多少,而是了解的深度以及搜集信息的多寡。

其所建模型具有两大贡献,其一验证了XGBoost能够更好地提升模型绩效;其二选取了几项重要数据,例如通讯行为、芝麻评分以及交易行为,未来可以把更多的研究专注于这三项,从而提高数据源的质量。

上海交通大学代表队:建立机器学习型的个人信贷信用模型势在必行

当下个人贷款市场的违约率及受债成本居高不下,而普遍采用的信用评分模型存在着数据不牢不可用以及不灵活的缺点,所以上海交通大学代表队就采用了有监督的机器学习建立了新的个人信贷信用风险模型,采用XGBoost方法进行训练,利用PGA的方法处理数据并分别给定了各种数据的经济意义。相较于传统模型,该模型拥有准确性、灵活性和稳健性的优点。

中国人民大学代表队:中国信用市场将大有可为,数据的搜集与分享是关键

中国人民大学代表队在对比了中美信用行业的发展情况后,认为中国的个人征信行业将具有极大的发展空间,并借鉴了美国ZestFinanc的经验建模。

模型通过构建基础架构进行数据处理,运用四种机器学习的方法进行对数回归,采用EBCA的方法为数据组进行平衡,利用特征工程学把原始数据转化为特征并将该模型运用在实际的信贷决策中。其意义在于:鼓励信用评级机构搜集更多数据信息并相互分享,根据不同的市场情景对该模型进行调整,白盒子可以帮助有比较坏特征的申请人改正他们的申请的结果。

复旦大学代表队:运用精准度、召回率及准确度评估模型表现

复旦大学代表队运用了精准度、召回率还有准确度去评估模型表现。在该模型中,复旦大学代表队希望把假阳性和阴性更好地进行区分,所以他们很好地选择了一个域值,这个就是对数模型的评估结果,准确度达到85%。由此金融机构可以更加准确看到损失,然后选择最合适的切割线或者是分割线,在应用当中还要考虑很多的因变量和重大的变量。

南京大学代表队:高端的个人信贷信用风险模型能够帮助金融企业降低风险

南京大学代表队建造了三个模型:一是定性分析,用于评判贷款会不会逾期,是否为高质量客户;二是预测,使用机器学习来预测逾期天数,然后分析流动性风险;三是评分,对好客户进行评分、画像,以便金融机构进行精准营销从而获得更高的利润。

南京大学代表队认为,高端的模型可以帮助金融企业更好地降低风险,加速其向金融科技的转型。

高金MF16/18代表队(非参赛展示环节):构建了极具经济价值的信用评估模型

因现行的信用评级模型都为线性的,没有用更复杂的量化模型。所以上海高级金融学院MF代表队就构建了这样一个信用评估模型:首先进行特征工程;然后调整了随机森林模型的参数,得到一个简单平均值的集成,采用基因算法优化模型权重,最后得到了魔法数字。该模型有着重大的经济价值,可以开发成一个闭环的系统,其绩效的提升可以转换为实际企业的利润。

SAIF MF学生团队在高金教授及中国金融研究院导师的指导下,与业界公司有更多密切沟通交流的机会。因此,其呈现方案的层次和内容也较其他代表队方案更为丰富和深刻,其设计的场景也具有更强的应用性。

随着消费金融的迅猛发展以及不良贷款率的不断攀升,金融机构急需高质量的信用评级模型。八组展示团队的发言都精彩至极,充满创意。同学们在短时间内进行编程实验、从不同维度进行数据分析、从不同角度展开思考,开发出了一些全新的信用模型。借助上海高级金融学院金融硕士项目通过本次峰会所搭建的高端平台,相信这些积极有效的探索、前沿深入的理念也必将助力中国信用市场的健康发展、推动中国金融的进一步发展。

“学生们能在如此短暂时间内给出如此精彩的表现是超出我们预期的。希望通过此次高峰会他们能更了解市场需求,争取将更多创新的想法落地。”评委们如是评价。

MF项目学术主任蒋展教授总体点评

最终该竞赛环节由中国人民大学代表队拔得头筹,而上海财经大学代表队和上海交通大学代表队分别荣获团体二等奖和三等奖。

关于2018国际青年领袖金融高峰会

2018国际青年领袖金融高峰会以热点话题“FinTech”为基调,围绕“智能投顾”、“数据挖掘”和“区块链”三方面展开探讨交流,以“银行股轮动策略”、 “设计区块链应用”、“使用Black-Litterman模型进行量化资产分配”、“个人信贷信用风险模型”四个详细的话题方向进行最后的角逐。

本届峰会来自世界各地25所顶尖高校的130名优秀本科生通过层层选拔挺进决赛,吸引了来自海内外顶级高校的上千名优秀学子报名参赛,包括北京大学、清华大学、浙江大学、南开大学、复旦大学以及上海交通大学等在内的C9及985院校,及伦敦政治经济学院、多伦多大学、滑铁卢大学、宾夕法尼亚州立大学、英属哥伦比亚大学、新加坡国立大学、香港大学、香港中文大学、台湾大学、台湾政治大学等学子的积极响应。

国际青年领袖金融高峰会由SAIF MF于2013年创办,旨在给各高校的学子们搭建一个相互学习、共同进步的平台,培养学生们的沟通能力和组织能力,同时通过演讲和竞赛与金融业界领袖和学术泰斗的直接对话,提升青年学子们对金融学术和实务的理解。

联系方式
上海高级金融学院金融硕士项目
电话:
021-62934968
Email:
mf@saif.sjtu.edu.cn
微信:
 SAIF-MF
Facebook:
Saifermaster
Linkedin:
SAIF MF
地址:
上海市徐汇区淮海西路211号
邮编:
200030
请关注微信公众号: