论文部分内容阅读
摘 要：规避道德风险的关键在于正确的授信，即根据客户的资质确定借贷金额，基于此，本文建立了基于信用评级的道德风险规避模型，根据客户的信用等级来进行消费金融借贷。在客户画像体系的建立中，数据中客户量极大，无法一一描述每一个客户的特征，本文通过筛选指标建立了合理的客户价值评估模型，并进行了仿真验证。
关键词：BP神经网络 客户信用 t检验 客户画像
中图分类号：F832 文献标识码：A 文章编号：2096-0298（2018）06（c）-172-02
在消费金融如火如荼发展的同时，为了抢夺客户，不少消费分期平台的服务人群逐步下沉至农村、大学生、流动人口甚至“黑户”，而农民收入低大多比较贫穷、学生无固定收入来源、流动人口流动性大、黑户信用程度低，因此，在消费金融井喷式增長的同时埋下风险隐患，出现了违规操作、客户资质下沉、过度授信、风控不力、坏账率高等诸多问题。
1 客户画像体系建立
识别客户价值应用最广泛的模型是通过三个指标（最近消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary）来进行客户细分，简称RFM模型。从某商业银行的客户信息数据中（train）提取了个贷是否结清标志、本月转入笔数、本期账户交易金额、客户资产总额五个指标对客户进行分类，如图1所示。
基于该特征描述，定义5个等级的客户类别：重要保持客户、重要发展客户、重要挽留客户、一般客户与低价值客户。其中客户群1属于重要挽留客户、客户群2属于一般客户、客户群3属于重要发展客户、客户群4属于低价值客户、客户群5属于重要保持客户，它们的特征如下。
（1）重要保持客户。这类客户的交易金额很大，在资产总额方面有着绝对优势，同时也没有明显的弱势特征。他们是消费金融行业的高价值客户，是最为理想的客户类型。消费金融企业应该优先将资源投放到他们身上，对他们进行差异化管理和一对一的营销，提高这类客户的忠诚度与满意度，尽可能地延长这类客户的高水平消费。
（2）重要发展客户。这类客户的信用程度很好，同时没有明显弱势特征，他们是消费金融企业的潜在价值客户。虽然这类客户的当前价值并不是很高，但却有很大的发展潜力。航空公司要努力促使这类客户增加在消费金融领域的消费，也就是增加其交易金额。通过客户价值的提升，加强这类客户的满意度，使他们逐渐成为消费金融公司的忠诚客户。
（3）重要挽留客户。这类客户无明显的优势特征，但劣势特征也不多，主要存在一些个贷没有结清的情况。这类客户价值变化的不确定性很大，由于这些客户衰退的原因各不相同，所以掌握客户的最新信息、维持与客户的互动就显得尤为重要了。
（4）一般客户或低价值客户。这类客户无明显的优势特征，同时还存在一些劣势特征，如个贷未结清、交易金额、交易次数、资产总额少等。他们是消费金融企业的一般用户或低价值用户，可能是手头实在不宽裕的时候才会进行消费借贷。
2 显著性检验
t检验可以根据样本数据推断总体的均值是否有显著性差异。基于归一化的数据，t检验的零假设和备择假设如下：
利用SPSS统计软件得到的t检验结果分析：
t检验首先要判断总体的方差是否相等，利用SPSS软件可以直接得到方差齐性满足和不满足两种情况下t检验的P值，在0.05的显著性水平下，P<0.05，拒绝原假设，认为该变量可以对“是否逾期”有良好的区分效果。本文基于此挑选出对逾期行为有显著影响的14个变量，分别为：最近3个月转出笔数、资产总额、最近3个月客户AUM平均值、最近6个月客户AUM平均值、3个月基金月日均金额、6个月基金月日均金额、3个月国债月日均金额、6个月国债月日均金额、最近3个月客户月平均资产总计、最近6个月客户月平均资产总计、6个月月平均持有外币金额、3个月月平均持有本币金额、6个月月平均持有本币金额、6个月月平均外币新增余额。
3 BP神经网络建立
本文采用BP神经网络技术包括训练—仿真，由上面经过t检验筛选出的14个变量作为输入训练神经网络，网络训练完成后将test中的数据输入，得到test数据表中每一个客户的类别归属。
输入层神经元取14，隐含层定位2，网络的输出层神经元个数取1，输出客户的得分情况。实验结果如图2、图3所示，通过误差传播过程发现随着网络运行步长的增多，MSE误差呈现不断下降的趋势，网络训练中止，此时误差小于0.06的量级，能够满足拟合要求。
将test数据表中的客户信息输入到已经训练好的BP神经网络中，即可得到输入的客户的得分情况，得分区间为[-1，1]。其中，-1代表无逾期，1代表有逾期，得分越接近-1代表信用程度越高，反之，越接近1代表信用程度越低。再根据信用程度高低确定授信额度，就可显著的减小坏账情况，有效地规避道德风险。
神经网络输出的客户得分情况部分展示，如表1所示。
综上所述，得分情况反应了客户的资质以及信用情况，消费金融企业应根据客户的资质确定借贷金额，根据客户的信用评级来进行消费金融借贷，防止违规操作、过度授信等错误操作，如此才可减小坏账率，有效地规避道德风险。
4 结语
BP神经网络是目前世界上最为广泛应用的神经网络模型之一，在预测、评价等方面都得到了广泛应用。该模型作为一种解决非线性问题的有利工具，可以推广到其他领域的应用。但由于BP神经网络模型自身的局限性，实际应用中需要进行一定的改进和修正。
参考文献
[1] 卓金武，李必文，魏永生，等.MATLAB在数学建模中的应用（第二版）[M].北京：北京航空航天大学出版社，2014.
[2] 姜启源，谢金星，叶俊.数学模型（第四版）[M].北京：高等教育出版社，2011.
[3] 谢中华.MATLAB统计分析与应用[M].北京：北京航空航天大学出版社，2011.
关键词：BP神经网络 客户信用 t检验 客户画像
中图分类号：F832 文献标识码：A 文章编号：2096-0298（2018）06（c）-172-02
在消费金融如火如荼发展的同时，为了抢夺客户，不少消费分期平台的服务人群逐步下沉至农村、大学生、流动人口甚至“黑户”，而农民收入低大多比较贫穷、学生无固定收入来源、流动人口流动性大、黑户信用程度低，因此，在消费金融井喷式增長的同时埋下风险隐患，出现了违规操作、客户资质下沉、过度授信、风控不力、坏账率高等诸多问题。
1 客户画像体系建立
识别客户价值应用最广泛的模型是通过三个指标（最近消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary）来进行客户细分，简称RFM模型。从某商业银行的客户信息数据中（train）提取了个贷是否结清标志、本月转入笔数、本期账户交易金额、客户资产总额五个指标对客户进行分类，如图1所示。
基于该特征描述，定义5个等级的客户类别：重要保持客户、重要发展客户、重要挽留客户、一般客户与低价值客户。其中客户群1属于重要挽留客户、客户群2属于一般客户、客户群3属于重要发展客户、客户群4属于低价值客户、客户群5属于重要保持客户，它们的特征如下。
（1）重要保持客户。这类客户的交易金额很大，在资产总额方面有着绝对优势，同时也没有明显的弱势特征。他们是消费金融行业的高价值客户，是最为理想的客户类型。消费金融企业应该优先将资源投放到他们身上，对他们进行差异化管理和一对一的营销，提高这类客户的忠诚度与满意度，尽可能地延长这类客户的高水平消费。
（2）重要发展客户。这类客户的信用程度很好，同时没有明显弱势特征，他们是消费金融企业的潜在价值客户。虽然这类客户的当前价值并不是很高，但却有很大的发展潜力。航空公司要努力促使这类客户增加在消费金融领域的消费，也就是增加其交易金额。通过客户价值的提升，加强这类客户的满意度，使他们逐渐成为消费金融公司的忠诚客户。
（3）重要挽留客户。这类客户无明显的优势特征，但劣势特征也不多，主要存在一些个贷没有结清的情况。这类客户价值变化的不确定性很大，由于这些客户衰退的原因各不相同，所以掌握客户的最新信息、维持与客户的互动就显得尤为重要了。
（4）一般客户或低价值客户。这类客户无明显的优势特征，同时还存在一些劣势特征，如个贷未结清、交易金额、交易次数、资产总额少等。他们是消费金融企业的一般用户或低价值用户，可能是手头实在不宽裕的时候才会进行消费借贷。
2 显著性检验
t检验可以根据样本数据推断总体的均值是否有显著性差异。基于归一化的数据，t检验的零假设和备择假设如下：
利用SPSS统计软件得到的t检验结果分析：
t检验首先要判断总体的方差是否相等，利用SPSS软件可以直接得到方差齐性满足和不满足两种情况下t检验的P值，在0.05的显著性水平下，P<0.05，拒绝原假设，认为该变量可以对“是否逾期”有良好的区分效果。本文基于此挑选出对逾期行为有显著影响的14个变量，分别为：最近3个月转出笔数、资产总额、最近3个月客户AUM平均值、最近6个月客户AUM平均值、3个月基金月日均金额、6个月基金月日均金额、3个月国债月日均金额、6个月国债月日均金额、最近3个月客户月平均资产总计、最近6个月客户月平均资产总计、6个月月平均持有外币金额、3个月月平均持有本币金额、6个月月平均持有本币金额、6个月月平均外币新增余额。
3 BP神经网络建立
本文采用BP神经网络技术包括训练—仿真，由上面经过t检验筛选出的14个变量作为输入训练神经网络，网络训练完成后将test中的数据输入，得到test数据表中每一个客户的类别归属。
输入层神经元取14，隐含层定位2，网络的输出层神经元个数取1，输出客户的得分情况。实验结果如图2、图3所示，通过误差传播过程发现随着网络运行步长的增多，MSE误差呈现不断下降的趋势，网络训练中止，此时误差小于0.06的量级，能够满足拟合要求。
将test数据表中的客户信息输入到已经训练好的BP神经网络中，即可得到输入的客户的得分情况，得分区间为[-1，1]。其中，-1代表无逾期，1代表有逾期，得分越接近-1代表信用程度越高，反之，越接近1代表信用程度越低。再根据信用程度高低确定授信额度，就可显著的减小坏账情况，有效地规避道德风险。
神经网络输出的客户得分情况部分展示，如表1所示。
综上所述，得分情况反应了客户的资质以及信用情况，消费金融企业应根据客户的资质确定借贷金额，根据客户的信用评级来进行消费金融借贷，防止违规操作、过度授信等错误操作，如此才可减小坏账率，有效地规避道德风险。
4 结语
BP神经网络是目前世界上最为广泛应用的神经网络模型之一，在预测、评价等方面都得到了广泛应用。该模型作为一种解决非线性问题的有利工具，可以推广到其他领域的应用。但由于BP神经网络模型自身的局限性，实际应用中需要进行一定的改进和修正。
参考文献
[1] 卓金武，李必文，魏永生，等.MATLAB在数学建模中的应用（第二版）[M].北京：北京航空航天大学出版社，2014.
[2] 姜启源，谢金星，叶俊.数学模型（第四版）[M].北京：高等教育出版社，2011.
[3] 谢中华.MATLAB统计分析与应用[M].北京：北京航空航天大学出版社，2011.