国际清算银行（BIS）：机器学习和非传统数据如何影响信用评分（英文版）（24页）.pdf

《国际清算银行（BIS）：机器学习和非传统数据如何影响信用评分（英文版）（24页）.pdf》由会员分享，可在线阅读，更多相关《国际清算银行（BIS）：机器学习和非传统数据如何影响信用评分（英文版）（24页）.pdf（24页珍藏版）》请在三个皮匠报告上搜索。

1、本文比较了基于机器学习技术的信用评分模型与传统的损失和违约模型的预测能力。利用2017年5月至9月期间中国领先金融科技公司的专有交易数据，我们测试了不同模型的性能，以预测正常时期和经济受到冲击时的损失和违约。特别是，我们分析了中国影子银行监管政策(外生)变化导致贷款下降和信用状况恶化的案例。我们发现，与传统模型相比，基于机器学习和非传统数据的模型能够更好地预测总信贷供应受到负面冲击时的损失和违约。一个可能的原因是机器学习可以更好地挖掘压力期间变量之间的非线性关系。最后，使用基于机器学习和大数据的金融科技信用评分技术的模型的比较优势，对于信用历史较长的借款人来说，往往会下降。金融技术(finte

2、ch)在贷款决策中扮演着越来越重要的角色，而fintech公司的贷款在某些细分市场中占据着相当大的份额。例如，在美国，在线贷款人现在约占新抵押贷款发放的812%，Quicken贷款在2017年底被确认为美国最大的抵押贷款贷款人(Buchak等人(2017年);Fuster等人(2018年)。中国是一个新金融科技信贷相对发达的国家，占2017年底非银行部门未偿还信贷总额的3%左右(BIS(2019)。fintech贷款人使用的新信用评分模型在两个关键方面不同于传统模型。首先，技术允许金融中介机构收集和使用更多的信息。Fintech信贷平台可以使用其他数据源，包括从社交媒体活动中获得的见解(美国财

3、政部(2016年);Jagtiani和Lemieux(2018a)和用户的数字足迹(Berg等人(2018)。对于拥有现有平台的大型科技公司(big Tech)，数据收集扩展到订单、交易和客户评论(Frost等人(2019)。第二个区别是采用了机器学习技术。与传统的线性模型如logit模型相比，机器学习可以从变量中挖掘非线性信息。例如，Khandai等人(2010年)构建了一个基于机器学习技术的消费信贷非线性、非参数预测模型，发现该新模型在总损失的6%到25%范围内优于其他模型。然而，机器学习模型的预测能力主要表现在外部环境稳定的应用中。在结构冲击改变变量之间的主要关系的情况下，还需要验证其性能。