论文部分内容阅读
近年来,由于人工智能和大数据的快速发展,互联网现金贷行业也揭开了序幕。互联网现金贷由于其审批快、放款快的特点,一经推出,深受用户的追捧。在某种程度上,互联网现金贷弥补了信贷领域的空白,使国内的次级借款人也能够享受到金融服务,有助于普惠金融政策的开展。然而,方便快捷的背后也蕴藏着很高的风险,其中最突出的就是高违约和高利率的问题。这两者之间存在着相互作用的关系,高利率能够通过逆向选择的作用促进违约概率增高,类似于劣币驱逐良币。进一步分析,高利率的背后反映了互联网现金贷平台高昂的资金成本,而资金成本的过高又是由于互联网现金贷平台无法将客户的借款需求和公司设置的借款额度相匹配所造成的资金使用效率过低而导致的。综上所述,降低互联网现金贷高违约、高利率风险的其中一种方法就是合理的设置每个用户的借款额度。该文章提出了一种新的互联网现金贷额度预测方法,区别于划分额度区间的额度预测方法,该方法对用户的借款需求拟合更加精准,使现金贷公司的资金配置更加合理。该文以京东金融信贷需求预测大赛的数据集作为实证数据,经过解密、清理、探索化分析、特征工程后,采用精度高、方差小的XGBoost机器学习算法去建立回归模型,预测客户未来一个月的借款需求,并根据需求去设置相匹配的借款额度。实证结果显示,该文采用的模型能够对至少70%客户信贷需求的预测绝对误差比例在50%以内,对至少30%客户信贷需求的预测绝对误差比例在20%以内,且平均误差在230元左右,说明该模型具有一定的现实意义。运用此算法进行信贷额度的预测,相比于传统的对客户额度泛化的方法,能够更精准的量化客户需求,提升用户的使用体验,提高资金的使用效率。随后,进一步分析各特征的重要性可知,用户的历史借款总额对下月的借款额度影响因素最大。同时,一些大众普遍认为可能会对需求影响较大的因素在实证中却不如人意,例如性别和消费最大值。