使用数据科学的评估P2P网贷投资风险

使用数据科学的评估P2P网贷投资风险

    在P2P网贷平台，投资人能够仔细阅读每个借款人信用档案及贷款目的，所有投资人都能够在家中就成为信贷员，独立审查贷款申请，根据风险和回报做出自己的判断，决定是否要投资。

    随着行业的发展与完善，很多投资人开始依赖算法而非人为的一个个贷款分析，许多P2P网贷平台也从网站和数据中删掉了冗长的借款人贷款描述，借款人贷款历史以及随后的信贷表现都提供了重要的贷款考核数据。投资人可以利用这些信息来分析评估消费贷款或小企业贷款。

    为了进行分析，我们针对主流消费信贷平台提供的10万以上贷款项目的数据集进行分析。为了分析包含在这些贷款项目中的语义使用，我们不得不先进行一些文字处理，可以根据词语出现的频率推算违约的可能性。

    为了知晓哪些单词的使用预示着更好或更差的贷款表现，我们计算了坏账率，此处坏账率指的是贷款描述中含有”逾期30天“”违约“”注销“等词的贷款占比。

    鉴于语言数据和贷款表现资料的广泛性，建立一个排名系统。这和电子邮件的垃圾邮件过滤器评估是否为垃圾邮件的基本原理相同。关于我们如何建立这个排名系统及该排名系统的应用原理，此处不详述，但是其运用结果却是非常惊人的。我们使用贝叶斯分类器对每笔贷款予以“词句评分”，该评分与贷款描述文本分析所得的贷款违约概率相对应。这些评分被分成十分位数，并运用于信用等级评定。

    LendingClub和Prosper已经不提供贷款的详细描述，美国和世界各地其他新兴的借贷平台都转向提供对潜在借款人的文本分析，尤其是小企业贷款平台。随着行业的发展，科技以及对投资人展示的数据也在不断发展。比如机械文本分析将曾经耗费时间、只能人工计算的过程变得更快、更精确。最终，使用数据快速且准确的评估投资风险，将带来更大的资本流动性以及更高的资本配置能力。