LendingClub信用评估体系探索

1.借款人信用评估流程及信用等级分布

为降低借贷风险，LendingClub希望通过有效的信用评估体系筛选优质借款人、保留一般借款人、拒绝风险较高借款人，并根据不同信用等级划分，实现借款利率差异化定价。因此，LendingClub制定了严格、严谨、有效的信用评估系统，结合外部评分和内部评级，在最大程度上规避坏账风险。

1.1信用评估流程

图1：信贷评估流程，数尊信息

（1）借款人向LendingClub申请贷款后，LendingClub会对借款人进行初步筛选，筛选条件包括：1）FICO得分大于660分；2）债务-收入比小于35%；3）最少两个循环信用账户（即信用卡账户）；4）提供36个月内的信用记录。

（2）通过初步筛选后，LendingClub利用Proprietary Scoring Models对借款人进行深度评估进而确定借款人信用等级和相应借款利率。

首先，结合借款人的FICO得分和其他相关特征，通过原始评估模型（Initial Scoring Model）将得到一个Model Rank，分为25个层级，每个层级分别对应A1-E5的基础风险子级（Base Risk Sub-Grade）（图2）。

图2：Initial Scoring Model得到的借款人基础风险子级

来源：LendingClub

接下来LendingClub将利用风险调节器（Loan Grades and Risk Modifiers）确定借款人的最终信用子级。调节指标包括借款人的借款金额和借款期限（图3、图4）。

图3：借款金额对信用等级的影响

来源：LendingClub

图4：借款期限对信用等级的影响

来源：LendingClub

借款人的借款利率由信用子级决定，每个等级的利率计算如下：

借款利率=基准利率（5.05%）+风险波动调整（0.88%~21.01%）

不同的信用子级对应了不同的风险波动调整率，信用等级越高，风险波动调整率越低，对应的借款利率越低（图5）。

图5：利率示例

来源：LendingClub

2. 成功借款人相关特征发展趋势

LendingClub在其官方网站提供历年借贷数据下载，数尊信息利用这些数据对借款人特征和对信用评级有重要影响的特征进行了初步探索。数据口径如下：

时间口径：2007年-2014年9月30日；

客户口径：均为成功申请贷款客户，即不包含拒贷客户。

原始数据中共有57个字段，主要包含三大类：1）申请贷款信息，例如：申请日期，申请额度，申请原因等；2）财务信息，例如年收入、房产状况、每月还款金额等；3）公共记录，例如：最近一次不良公共记录距离申请日期的月份数等。下面分别针对重要特征进行重点分析。

2.1借款人年收入

借款人整体年收入呈上升趋势。2014年LendingClub借款人的平均年收入达到75259美元，中位数达到65000美元（2014年美国家庭收入的中位数为51939美元），较2007年提升了30%，平均每年提升4%。产生上升趋势的原因可能有两点：1）LendingClub通过风控策略，提升了高收入群体的放贷比例；2）LendingClub平台在高收入群体中的份额增加。

图6：借款人年收入发展趋势，数尊信息

2.2借款人工作年限

工作年限在2年以下及10年以上的借款人占比变化较为显著。2007年2年以下工作年限借款人占比达50.7%，2014年为13.6%，降幅37.1PP。2007年10年以上工作年限借款人占比9.5%，2014年为33.6%，涨幅达24.1PP。 从数字的明显变化中，可以推测LendingClub控制了低工作年限借款人的通过率，同时提高了10年以上工作年限借款人的通过率，因此工作年限可能是决定还款能力的重要指标。

图7：借款人工作年限发展趋势，数尊信息

2.3每月债务-收入比（DTI，Debt-to-Income Ratio）

债务-收入比反映了借款人除去抵押贷款（mortgage loan）和LendingClub借款的负债水平，即（月还款额/月收入额）*100。DTI呈上升趋势，2007年DTI中位数10，2008年-2011年保持在13-14，2012年-2013年超过16，2014年达到了17.36。这一变化趋势说明，随着LendingClub风控能力的增强，对DTI的控制也逐渐放松，使越来越多DTI略高的借款人通过申请。

图8：借款人DTI发展趋势，数尊信息

2.4循环贷款利用率（Revolving Line Utilization Rate）

循环贷款利用率是指借款人正在使用的信用额度/所有可获得的信用额度。循环贷款利用率整体上变化较为平稳，2007年-2011年为50%左右，2012年-2013年提升至60%，2014年则降回至56%。25分位数变化较为明显，2007年-2011年不到30%，2012年-2014年则达到了40%左右，推测LendingClub对循环贷款利用率过低的借款人进行了控制。

图9：借款人Revolving line utilization发展趋势，数尊信息

2.5借款利率

借款利率的趋势变化主要呈现三个特点：1）整体呈上升趋势；2）利率分布范围更宽；3）具有一定波动性。2007年利率分布中位数11.5%，2014年则达到14%。2007年75分位数与25分位数利率差为4.4%，2013年达到6.4%，2014年则落回5.6%。通过利率分布的变化能够从侧面观察出LendingClub风控能力的提升，在早期发展阶段，风控能力有限的情况下，尚未充分实现差异化利率定价，因此利率的分布更为集中；发展到后期阶段，随着风控能力的增强以及大量客户数据的积累，能够针对不同风险客户进行差异化定价，因此借款利率的分布呈更加分散的趋势。

图10：贷款利率发展趋势，数尊信息

3.信用评级重要特征分析

从LendingClub的信用评估体系可以看出，LendingClub除了参考权威信用评分FICO外，还会加入其他变量评估借款人信用等级和违约风险。数尊信息利用LendingClub公布的借款人数据，对其信用体系进行了初步探索，以寻找影响信用评级的重要特征。

时间口径：2012年1月-2014年5月之间申请；

客户口径：将贷款状态为“Charged Off”的客户作为坏客户（Bad），即低信用等级客户；将贷款状态为“Current”和“Fully Paid”的客户作为好客户（Good），即高信用等级客户。

经过初步数据清洗，共有327472条Good观测，10509条Bad观测。Bad占比3.1%。

特征处理：1）基于决策树技术的最优特征分段；2）计算特征各分段WOE值（Weight of Evidence）；3）计算各特征IV值（Information Value）。4）以IV值作为衡量各特征区分能力的最终指标。

表1：影响信用等级的特征列表，数尊信息

PPV课其他精彩文章：

1、回复“干货”查看干货 数据分析师完整知识结构

2、回复“答案”查看大数据Hadoop面试笔试题及答案

3、回复“设计”查看这是我见过最逆天的设计，令人惊叹叫绝

4、回复“可视化”查看数据可视化专题-数据可视化案例与工具

5、回复“禅师”查看当禅师遇到一位理科生，后来禅师疯了！！知识无极限

6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布

7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载

8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募

9、回复“每日一课”查看【每日一课】手机在线视频集锦

PPV课大数据ID: ppvke123 （长按可复制）

大数据人才的摇篮！专注大数据行业人才的培养。每日一课，大数据（EXCEL、SAS、SPSS、Hadoop、CDA）视频课程。大数据资讯，每日分享！数据咖—PPV课数据爱好者俱乐部！

原文始发于微信公众号（PPV课数据科学社区）：LendingClub信用评估体系探索