美国 P2P 行业坏账飙升，是机器学习模型出问题了吗？

【1】坏账飙升，吓坏了投资人和监管者

机器学习技术，大数据管理，先进的欺诈检测方法等等，线上贷款机构有很多赖以为生的先进手段，使得他们能够比传统贷款机构（银行等）在贷款选择方面做出更好的决定。但是近期美国在线消费贷款的逾期和坏账的飙升，正在引发对这些信用风险模型有效性的质疑。

2016年的12个月里，一些线上贷款人的日子并不太好过。Lending Club和Prosper Marketplace，这两家最大的美国在线消费者贷款机构，在2016年累计亏损近2.65亿美元。以Prosper Marketplace来说，根据市场机构Insikt的数据显示，其净坏账率（Net Charge-off，即贷款损失减去坏账回收），从2015年12月的0.41％上升至2016年底的0.97％。而同期30天以上的逾期率则从1.66％上升至3.33％。 Lending Club表现稍微好一些，其净坏账率在2016年12月达到0.75％，高于2015年底的0.43％，而逾期率相对稳定，2016年底为2.52％，而2015年为2.43％。

相比较之下，传统银行机构的贷款损失却要小的很多。根据美联储的数据，2016年第四季度，银行的平均坏账率为0.95％，相比2015年同期为0.80％。贷款逾期率从2.07％上升至2.17％。

贷款损失率突然飙升似乎吓到了投资者。Prosper在2016年的贷款发行额下降了42％，这主要归因于其最大的一些投资者撤资。

对这些线上的贷款机构来说，经过最初几年的快速增长之后，目前行业规模趋于稳定，行业的细分也逐渐更成熟，因此为了扩大规模保持增长，这些贷款人必须开始走向那些具有更稳定的资本和不同风险/回报偏好的大型机构寻求投资。这样一来，要满足不同投资者对于回报和风险甚至经营的要求就变得更难了。

于此同时，监管机构也在加紧关注坏账率的上升。美国货币计量局（OCC）已经建议向某些Fintech公司（包括在线贷款机构）发放银行牌照，这将使他们需要应对监管者对其模型，管理和业务的现场检查。

【2】是模型出问题了吗？

尽管如此，P2P在线贷款机构对自己的信用风险模型仍然是非常自信的。许多人声称他们的方法在许多方面都比传统贷款机构更为先进。其中最重要的方面就是他们愿意接受新兴技术提供的新方法，以及他们能够在很短的时间内实施这些新方法。

传统的信用卡公司都有一个数据科学和统计建模的大型开发团队，但对新兴的线上贷款机构来说，如果公司推崇的是创新型文化，那么公司可以吸引到那些具备最新的机器学习技术的人才。这带来的优势不仅仅是因为使用这些技术可以建立更好的预测模型，更重要的是因为这些公司可以快速和灵活的运用新的技术。

一位Google的前高管，旧金山的在线贷款机构Upstart的创始人Dave Girouard指出，在线贷款机构的信贷模型在三个领域可以超越传统贷款人：数据来源，数学技术和学习速度。

大多数银行的信贷模型主要依靠评级机构的数据（如FICO），以及借款人对其收入和债务水平的申报，以作出信贷决策。Dave Girouard指出，这对很多人来说并不适用，我们的模型看他们上什么大学，他们学什么，以及他们的行业是什么。

除了地域和个人资料外，模型依赖的其他大部分数据来自社交媒体和其他互联网来源。线上贷款机构可以通过分析申请者在其网站上的互动方式来对申请人行为特征进行建模。

例如，线上的推荐渠道或对某些具体问题的回答可能包含了申请人对自己的信用评分的认知。 而一个申请人如果了解自己的信用评分，那么意味着他更有可能想要提高或者保持这个高分。

【3】机器学习模型在P2P领域的应用

线上贷款机构对于很多借款人的数据也有着有趣的处理方法。例如，Lending Club就会去分析借款人在网站上申请贷款时作出的选择：比如说他们是选择三年还是五年的贷款。通过这些行为，结合历史的贷款经验给这些借款人进行风险评分。

Lending Club的首席投资官Sid Jajodia表示：“我们有长达10年的历史数据，有助于我们了解借款人的行为和选择，并更加准确的校准我们的模型。我们充分利用这些历史经验来更好的评估信用风险。这些信息是没有办法从信用评级机构获得的，而是来自于抓取数据的经验。”

这种精神也扩展到应对操作风险。例如，Lending Club基于多年来在其网站上提交的1000多万个贷款申请中收集的数据，开发出了自己的贷款欺诈检测模型。当一个借款人申请贷款时，Lending Club会记录下这个用户使用的终端信息，例如智能手机，平板电脑或个人电脑的设备ID，并将其与其历史数据库进行比较。如果它在短时间内从某一个设备接收到大量的贷款申请，那么这将很有可能是潜在的贷款欺诈。同时，Lending Club还收集位置信息。如果申请人说他们住在旧金山，但是网络连接显示他们位于其他地方，则可以立即检测到欺诈。

Lending Club表示，这些先进的反欺诈技术使得他们能够将欺诈损失减少到1-2个基点（bps），而行业的平均水平为10-15个基点。Jajodia说：“我们识别身份欺诈和标记可疑申请的能力可以说是业内最强的。”

Upstart的创始人Dave Girouard指出，很多传统的贷款机构仅仅应用简单的线性回归模型来给信用风险定价。而Upstart用于评估信用风险的技术可以媲美那些计算非常复杂的领域，如语音识别。他指出，“我们在机器学习中发现的复杂技术往往能够带来很大的影响，这些技术正在迅速改变不同类型的市场。我们所使用的技术在本质上非常相似：理解数字特征，构建模型，拟合数据，并不断学习。模型并不是静态的，而是从经验中学习并变得越来越好。“

Dave Girouard表示，机器学习技术让在线贷款机构的学习速度方面也大幅度领先。通常来说，银行的信贷模型一个版本使用1-2年，同时开发下一个版本。在这1-2年的开发过程中，模型并不会发生变化。而机器学习技术只要有新的数据产生，模型就可以变得更好。他用导航仪作为示例。当第一代导航系统问世的时候，系统地图需要手动从磁盘上安装并且不能更新。而今天，地图可以做到随时更新，并能包含实时路况。

【4】如果模型没错，贷款为什么会出问题？

但是，如果在线贷款机构的信用风险模型确实像前面所说的那样先进和成熟，那么如何解释最近几个月的逾期和坏账的急剧上升（尤其是对2014-2015年发出去的贷款）？在线贷款机构对此不置可否。

Orchard的信用风险分析专家Michael Toth最近在2016年四季度分析在线贷款趋势的报告中写道：“我们没有证据证明这种恶化的原因。近几个月来，一些较大的平台已经重新设计了他们的信用模型，他们认为近期坏账的上升需要被包含在新的模型中。”

例如，2017年1月份，Prosper开始使用新一代的称为PM17的信用模型来审核贷款。 PM17利用贷款人历史时序信用数据，显着提高了模型的预测能力。同时，Lending Club在过去一年对其贷款审核模型进行了一系列调整，以停止向一部分债务水平积累较高的借款人放贷。其2017年1月份实施的模型调整使得公司停止向6％左右的现有借款人提供信贷。

其他线上贷款机构则表示，这些逾期和坏账的飙升主要集中在大型机构（像Prosper和Lending Club这种）。正是他们在2014年和2015年增加了次级贷款（subprime loans）的发放。“实际上我们的违约率根本没有增加。我们2016年发出的这批贷款是我们迄今为止最优质的一批。”Upstart的Girouard说。“把整个行业混为一谈是不合理的，各个线上贷款机构是非常不同的。”

【5】监管者又怎么说？

不管线上贷款机构怎么说，美国的监管者正在加强对这些机构的审查。

美国OCC负责人Thomas Curry在2017年3月的演讲中提到，呼吁在线贷款机构要追求“有责任的创新”，并要严格服从风险管理和公司治理的框架。

另外，对监管机构来说更大问题是在线贷款机构是否会对金融体系构成风险。虽然他们并不是所谓的资产负债表贷款机构（balance sheet lenders），即他们不涉及到储户的利益。但这些公司确实向银行出售了大量贷款，进而由这些银行继续提供证券化并向外发售。

在线贷款机构表示愿意接受更多的监管。而OCC计划向受监管的公司授予银行牌照，这一举动也受到在线贷款机构的好评。Dave Girouard表示，OCC这样做对行业的发展是有帮助的，因为这可以促进竞争。

在当前坏账飙升的环境下，监管发挥的作用将会非常关键。很多人担心这会不利于行业内创新的技术发展和使用，进而阻碍更好的信用模型被发明和应用。但在线贷款机构是有信心的。传统信贷机构的模型就是一般的信用分数模型，而在线信贷机构不论在数据或是模型技术上都将带来革命性的突破，这是大势所趋。

文章首发于公众号“量化风险研究”，公众号ID：RiskQuant。

关键字：产品经理, 贷款

版权声明

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处。如若内容有涉嫌抄袭侵权/违法违规/事实不符，请点击 举报 进行投诉反馈！