【消费金融领域中信贷风险评估研究的国内外文献综述3600字】

消费金融领域中信贷风险评估研究的国内外文献综述目录 1 1 3 4以大致分为3个主要阶段81:(1)依赖于硬规则和主观判断的专家经验阶段；(2)以统计学为主要分析方法的信用评分阶段；(3)以数据挖掘分析和机器学习、深20世纪40年代末期，国外一些银行类金融机构开始着手信用评分一类的定营的影响。因此，在3C分析法的基础上加入资产担保(Collateral)要素和环境状形成了6C分析法。除了C要素系列的信贷评估方法以外，还存在其他使用较为广泛的专家经5P分析法[13主要关注信贷风险评估的完整性与实用性，其立足于信贷实践的需求，主要从以下5个角度进行评估：(1)个人因素(Personalfactor),分析借贷者的还款意愿与还款能力；(2)目的因素(Purp要用途及其中长期的经营计划；(3)偿还因素(Paymentfactor),分析借贷者以往贷款的还款记录与资产抵押状况；(4)保障因素(Protectionfactor),考察借贷者担保人的财力情况和信用状况，警惕互保联保现象；(5)前景因素(Perspectivefactor),以更大的格局观分析预测客户贷款后使用失败的概率。CAMPARI法14]关注的角度更加完善，主要从以下7个方面评估信贷风险：(1)个人品德(Character),分析借贷者是否信用良好且具备贷款资格；(2)偿还能力(Ability),考察借贷者在财务、技术等方面偿还贷款的能力；(3)获利能力(Margin),分析机构从借贷方能够获得的收益情况；(4)贷款用途(Purpose),验证借贷者的贷款用途是否真实且被机构认可；(5)贷款额度(Amount),分析借贷者的贷款金额是否符合贷款用途；(6)偿还方式(Repayment),分析借贷者贷后的获益资金流是否满足约定的偿还方式；(7)安全性(Insurance),考虑在借贷者无法偿还贷款后，机构应如何尽可能地降低自身损失。除了上述提及的方法之外，专家经验阶段还存在3F分析法、10M分析法、5W分析法和LAPP法等。在该阶段，信用贷款主要以传统金融为主，大部分机构需要担保人和资产抵押，消费金融初见萌芽。随着20世纪50年代信用卡在国外的出现和普及，消费金融开始蓬勃发展，包括信用卡发行机构在内的各类金融机构逐渐意识到信贷风险评估的重要性，70年代国外相关政策制度的发行实施使得个人信用评估完全被社会接受，而信贷风险评估的重心也由专家经验阶段逐渐过渡到信用评分阶段。在信用评分阶段，金融机构主要依据统计学相关知识对借贷者的信贷风险进行量化分析和评估。这一阶段的基本思想是，寻找可解释性特征变量与相应类别的最佳线性组合，其中判别分析法和回归分析法被广泛使用。Durand(1941)¹5首次在消费金融领域中利用Fisher判别分析方法构建用户信Isaacs(1956)¹6成立信用评分公司，利用判别分析方法构建信用类模型为各类贷款机构提供信贷评分服务。Mangasarian(1965)等[17首次将数学规划中的对偶理论等方法应用在个人信用评估上。Orgler(1970)18首次在消费金融领域使用线性回归方法，研究发现，对于贷款违约概率的预测，借贷者的行为数据比贷款申请数评估中。Wiginton(1980)²01对某石油公司的客户信贷数据进行风险评估时发现，逻辑回归模型的分类准确率优于线性判别分析。近年来，随着机器学习和深度学习领域的研究，许多学者将该领域的方法逐步应用到消费金融领域中，信贷风险评估的重心也由信用评分阶段逐渐过渡到人工智能阶段。Makowski(1985)21首次在个人信用评估领域中使用决策树算法，所构建的模和支持向量机进行违约概率预测，对比发现RandomForest性能表现最佳。到RandomForest中，并对P2P网贷数据进行信贷风险评估，研究发现Random石庆焱(2005)301利用神经网络与逻辑回归构建了混合两阶段个人信用评分使用bagging聚合算法集成了更加稳定的信用卡通过UCI数据库中相关信用数据集验证了构建的信用分类模型具有较高的分类黎(2017)等[341发现GBDT在处理混合数据类型的样本集具有值，并采用Adaboost算法集成神经网络基分类器，研究发现该信用风险评估模忠义(2019)等[37通过构建基于K-means聚类的动态集成模型对P2P网贷数据进行信贷风险评估，研究发现，该模型比单一模型和静态集成模型的准确率都高。王飞(2020)³81利用GBDT、Random深度森林模型，构建的违约风险评估模型相比于传统模型具有更好的预测性能。张婧祎(2020)³9基于注意力机制网络构建的DeepFM信贷模型，提高了区别组合特征重要性的能力。刘俊杰(2020)⁴0]基于RandomForest、Pearson相关系数构建的Pdc-RF信贷模型，相比于传统模型性能获得较好的提升。孔菲菲(2021)⁴1采用混合扰动方式和超参数自适应优化框架构建了多阶段信用评估模型，该模型可以有效地处理高维不平衡数据。[1]WangY,WangQW,TaoYY,etal.EmpiricalStudyofConsumptionBehaviorofCollegeStudentsundertheInfluenceProcediaComputerScience,2021,187(6):152-157.[2]中国人民银行中关村国家自主创新示范区中心支行课题组，李玉秀.互联网InternetConsumerFinance[J].JournalofVirtualRe2020,1(1):1-4.Evidencefromthesubprimemortgagemarket[J].JournaloBanking,2012,44(2-3):367-384.[5]黄颖.利率市场化下商业银行贷款定价方法研究[J].当代县域经济，2021,[6]伊明，纪勇.优化项目贷款审批流程提高贷款审批效率[J].农业发展与金融，2011,1(12):2.[7]BiggsSF,Bedarddecisionbehaviorofbankloanofficers[J].ManagementScience,1985,31(8):[8]ThomasLC.Asurveyofcreditandbehaviouralscoring:forecastoflendingtoconsumers[J].Internationaljournalofforecasting,2000,16(2):years[J].Journalofbanking&finance,1997,21(11-12):1721-1742.[10]NadlerPS.DowngradingCollateralintheFourCsofCredit[J].Com.LendingRev.,1992,8(1):66.gofSMEsandcreditrisk-theinevitable5Cs[fCommerceandTrade,2012,[12]KimeuTK.AsurveyofcreditriskmanagementtechniquesofloansofcommercialbanksinKenya[D].Nairobi:UniversityofNairobi,2008.banksinPalestine[J].InternationalResearchJournalofF2013,111(1):146-159.Reasoning[C].//2008InternationaTechnologyApplicationWorkshops.IEEE,2008:511-514.NationalBureauofEconomicResearch,1941:60-129.credit[J].IntelligentSystemsinAccounting23(3):240-254.[17]MangasarianOL,PJournalofMathematicalAnalysisandApplications,1965,11(1):504-518.[18]OrglerYE.AcreditscoringmodelforcommercialCreditandBanking,1970,2(4):4oftheAmericanstatisticalAssociation,1970,65(329):150-154.noteonthecomparisonoflogitfconsumercreditbehavior[J].JournalofFinancialandQuanti[21]MakowskiP.Creditscoringbranchesout[J].CreditWorld,1985,75(1):30-linearscoringmodelsinthecreditunionenvironment[J].Europeanjournaloperationalresearch,1996,95(1):24-37.[23]MandalaIGNN,NawangpalupiCB,Prakapplicationofdatamining2012,4(2):406-412.[24]MalekipirbazariM,AksakalliV.Riskassessmentinforests[J].ExpertSystemswithApplications,2015,42(10):4621-4631.[25]TranK,DuongT,HoQ.Creditscoringmo(FTC).IEEE,2016:145-149.[26]MaldonadoS,Pé