The use of profit scoring as an alternative to credit scoring systems in peer-to-peer (P2P) lending
作者:Serrano-Cinca, C (Serrano-Cinca, Carlos)[ 1 ] ; Gutierrez-Nieto, B (Gutierrez-Nieto, Begona)[ 1 ]
期刊名：《DECISION SUPPORT SYSTEMS》
卷: 89 页: 113-122
DOI: 10.1016/j.dss.2016.06.014
出版年: SEP 2016
Abstract
This study goes beyond peer-to-peer (P2P) lending credit scoring systems by proposing a profit scoring. Credit scoring systems estimate loan default probability. Although failed borrowers do not reimburse the entire loan, certain amounts may be recovered. Moreover, the riskiest types of loans possess a high probability of default, but they also pay high interest rates that can compensate for delinquent loans. Unlike prior studies, which generally seek to determine the probability of default, we focus on predicting the expected profitability of investing in P2P loans, measured by the internal rate of return. Overall, 40,901 P2P loans are examined in this study. Factors that determine loan profitability are analyzed, finding that these factors differ from factors that determine the probability of default. The results show that P2P lending is not currently a fully efficient market. This means that data mining techniques are able to identify the most profitable loans, or in financial jargon, “beat the market.” In the analyzed sample, it is found that a lender selecting loans by applying a profit scoring system using multivariate regression outperforms the results obtained by using a traditional credit scoring system, based on logistic regression.
Keywords
P2P lending; Microcredit; Crowdfunding; Banking; Credit scoring; Profit scoring; Internal rate of return
1. Introduction
Credit scoring poses a classification problem in that the dependent variable is dichotomous and assigns “0” to failed loans and “1” to non-failed loans. Subsequently, techniques such as logistic regression or neural networks try to estimate the borrowers probability of default (PD). For lenders, not only does the PD matter but also the profit gain which the loan is likely to produce. This profit gain also depends on the loss given default (the share of a loan that is lost when a borrower defaults) and on the interest rate charged [1]. Factors explaining the PD may differ from those factors explaining profits. For example, the PD of startup business loans may be higher than the PD of wedding loans; however, if a startup business loans interest rate is high enough, the profits from lending to entrepreneurs may be even greater than the profits from lending for weddings. Factors explaining the PD are well known: Abdou and Pointon [2] and Lessmann et al. [3] review recent studies. However, few studies analyze the factors explaining loan profitability. This is caused by the difficulty of calculating customer profitability and the lack of necessary data [4]. The goal of this study is to develop a profit scoring Decision Support System (DSS) for investing in P2P lending.
The P2P lending market is made up of individual lenders that provide loans to individual borrowers using an electronic platform. This platform puts lenders in contact with borrowers by charging a fee. Lenders bear the full risk of this operation. Recent studies develop P2P credit scoring [5]; [6] ; [7], although none propose profit scoring. A profit scoring DSS allows for selection of the most profitable borrowers, which is related to customer lifetime value [8]. The calculation of customer profitability for a store selling products on credit requires data from the management accounting system, such as the margin of each product sold to each customer. For financial institutions, each customer may own different products, ranging from mortgages to credit cards, and may use different channels, ranging from bank branches to online banking. All of these combined factors make it difficult to obtain precise data on customer profitability, and researchers complain about the lack of enough data to investigate profit scoring [3]. However, P2P lending platforms provide sufficient data; this is because P2P lending suffers from a severe problem of information asymmetry—lenders know little of borrowers and normally would not lend to them [9], and P2P platforms try to cope with this lack of data by disclosing as much information on borrowers as they can provide, including loan payments. Furthermore, the P2P business model is considerably leaner than the bank business model. Hence, it is feasible to calculate relevant borrower profitability measures.
This study proposes utilizing the internal rate of return (IRR) of each loan as a profitability measure. IRR is a well-known financial formula that may be easily computed for investments that have an initial cash outflow (the loan amount) followed by several cash inflows (the payments), and may contain irregular repayment schedules [10]. In the loans market, the IRR is the lenders effective interest rate, which may differ from the borrowers effective interest rate, due to delinquent loans and fees. The use of IRR has two advantages. First, IRR is a continuous variable that allows more precise information when compared to a di
剩余内容已隐藏，支付完成后下载完整资料
利用利润评分作为对等（P2P）贷款中的信用评分系统的替代品
作者:Serrano-Cinca, C (Serrano-Cinca, Carlos)[ 1 ] ; Gutierrez-Nieto, B (Gutierrez-Nieto, Begona)[ 1 ]
期刊名：《DECISION SUPPORT SYSTEMS》（《决策支持系统》）
卷: 89 页: 113-122
DOI: 10.1016/j.dss.2016.06.014
出版年: SEP 2016
摘要
本研究通过提出利润评分系统来超越点对点（P2P）借贷信用评分系统。信用评分系统用以估计贷款违约概率。虽然破产的借款人不偿还整个贷款，但部分金额可能会被收回。而且，风险最高的贷款类型的违约概率很高，但是当他们拖欠贷款时，也需要支付很高的利息。以前的研究通常试图确定违约概率，我们与他们不同的是我们着重于利用内部收益率来预测P2P贷款投资的预期盈利能力。总的来看，本研究共调查了40901个P2P贷款。分析确定贷款利润率的相关因素，发现这些因素与确定违约概率的因素不同。结果表明，P2P借贷目前不是一个完全有效的市场。这意味着，数据挖掘技术能够识别最有利可图的贷款，或用经济行话来说，就是“战胜市场”。在分析的样本中，基于逻辑回归理论研究发现贷款人通过使用多元回归应用利润评分系统选择贷款优于通过使用传统的信用评分系统。
关键词
P2P借贷 微额信贷 众筹 银行业; 信用评分; 利润评分; 内部收益率
一、介绍
由于信用评分的因变量有两个，因此其提出一个分类问题，即将失败贷款称为“0”，将未兑现贷款分配给“1”。随后，诸如逻辑回归或神经网络的技术试图估计借款人的违约概率（PD）。 对于贷款人来说，贷款不仅可能产生PD，而且还可能产生利润。 利润收益还取决于违约损失（借款人违约时损失的贷款份额）和收取的利息 [1]。解释PD的因素可能与解释利润的因素不同。 例如，启动企业贷款的PD可能高于婚礼贷款的PD; 然而，如果初创企业贷款的利息足够高，则从贷款到企业家的利润可能甚至超过从事婚礼贷款的利润。 Abdou和Pointon [2]和Lessmann等人 [3] 最近的研究表明，PD的研究因素是众所周知的。然而，很少有研究分析了解释贷款利润的因素。 这是由于计算客户盈利能力和缺乏必要数据的难度所。 [4] 本研究的目的是开发一个利润评分决策支持系统（DSS）来投资P2P借贷。
P2P借贷市场由个体借贷人组成，借贷人使用电子平台向个人借款人提供贷款。 该平台通过收取费用向贷款人提供联系方式。 贷款人承担这一行动的全部风险。尽管没有任何人提出利润评分，最近的研究仍然使信用评分系统得到发展。 [5]； [6]； [7]； 利润得分DSS允许选择最有利可图的借款人，这与客户终身价值有关。 [8]销售信用商品的客户的盈利能力计算需要管理会计系统的数据，例如每个销售给每个客户的每个产品的保证金。对于金融机构，每个客户可能拥有不同的产品，从抵押贷款到信用卡，可能会使用不同的渠道，从银行分行到网上银行。 所有这些综合因素使得难以获得关于客户盈利能力的精确数据，因此研究人员抱怨说缺乏足够的数据来调查利润评分。 [3]然而，P2P借贷平台提供了足够的数据; 这是因为P2P借贷遭受信息不对称的严重问题 - 贷款人对借款人的了解很少，通常不会借给他们， [9]而P2P平台则试图通过披露借款人提供的信息来解决这一缺乏的数据， 包括贷款支付。此外，P2P商业模式比银行业务模式更为精简。 因此，计算相关借款人盈利能力措施是可行的。本研究建议利用每笔贷款的内部收益率（IRR）作为盈利能力。 内部收益率是一种众所周知的财务公式，可以很容易地计算出具有初始现金流出（贷款额），然后是几个现金流入（支付）的投资，并可能包含不规则的还款计划。在贷款市场中，内部收益率是贷方的实际利息，由于违约贷款和违约费用，可能与借款人的实际利息不同。 使用IRR有两个优点。 首先，IRR是一个连续变量，与二分变量相比，允许更准确的信息。 例如，三名借款人以10％的利息获得100美元贷款：第一个借款人支付110美元，第二个借款人支付102美元，第三个借款人支付5美元。第一笔贷款是全额支付的，而第二和第三笔贷款被视为被扣除，虽然第二个借款人支付了大部分的款项。 实际上，第一笔贷款的IRR是10％，第二笔贷款是2％，第三笔贷款是95％。第二个优点是，IRR不仅考虑到贷款支付，还考虑到贷款利息。 风险最高的贷款具有较高的贷款利息，但也为贷款人提供高利息以补偿这种高额贷款。 一个例子是微额贷款，贷款给经济排斥的人，由于利息很高，这可能是有风险但有利可图的。
本研究提出的第一个研究课题是针对P2P贷款利润评分DSS的设计的方法论，这是本研究的主要贡献。 [10] 其他研究开发信用卡和消费信贷的利润评分; 然而，缺乏数据导致使用客户利润代理。 据我们所知，以前没有使用IRR作为因变量的研究。 本研究提出的方法结合了探索性分析，多元回归和CHAID决策树技术。
传统的信用评分模型试图确定解释贷款偿还的因素，尽管这些因素可能与解释贷款利润率的因素不同。 以前的研究认为，商业贷款比汽车贷款风险更大; 借款人年收入对PD的影响是众所周知的，信用记录与PD之间的关系也是众所周知的。[3]； [12]； [13]； [14] ；[15]； [16] ； 然而，盈利能力的决定因素尚未得到系统的研究。 第二个研究问题研究了解决P2P借贷利润的因素。 [17]
P2P借贷是一个电子市场，市场中借款人需要钱，贷款人可以选择自己信任的借款人。 充分反映价格的市场总是能取得很大的成效。 如果P2P贷款市场成效显著，其价格（贷款利息）将反映所有可用信息。 因此，特定贷款人将无法通过选择借款人从而获得超额收益，因为这些项目已经包含在价格中。有效市场假说指出“打败市场”[21]是不可能的。 虽然这个概念最初适用于股票市场，但它可能也可以应用到如劳动力市场[22]或信贷市场[23]等其他市场中。 第三个研究问题测试了P2P贷款市场是否能取得好的效果。 如果这个市场确有好处，特定贷方的策略是无关紧要的，因为盈利能力将是相同的。
这项实证研究利用了美国最大的P2P借贷平台Lending Club的数据。 样本共有40,901笔贷款，其中4800笔失败。运用了跨期交叉验证的方法：之前的相关样本包含所有可用的贷款可达给定的日期，而测试样品含有该指定日期之后的所有可用的贷款。 我们的研究表明，借款人的利息，借款人的债务和贷款目的都是解释IRR的因素，尽管关系不是线性的。决策树的使用可以为投资者找出有用建议。 除了信用评分，本研究鼓励使用IRR作为因变量，并进一步研究开发利润评分系统的新方法。 从而这个市场的效用性将进一步提高。
本文的其余部分组织如下：第2节总结了以往有关利润评分和P2P借贷的相关研究。 第3节介绍了分析的实证结果。 第4节讨论了上一节的结果，分析实际的影响，学术贡献，研究的局限性和未来的发展方向。 第5节总结。
二、文献综述
信用评分系统试图根据如逻辑回归[24]，神经网络[25]或支持向量机[26]的统计模型来估计PD。 统计评分模式主要关注点在最小化违约率，而这只是Eisenbeis[27]提出的的授予信贷问题的一般方面之一。 信贷银行将工作重心从最小化借款人不偿还债务的风险转移到最大化借款人的利益。本文作者提出了开发利润评分制度的四种方法。 第一种方法是建立在现有的信用记分卡上，并试图根据分数来确定分组人群的利润。 另一种方法是建立马可夫链方法来开发更精确的模型。 第三种方法利用生存分析来估计从借款人身上所获得的利润。 最后一种方法是通过尝试将利润定义为自变量的线性函数来模拟信用评分的回归方法。这是最常用的方法，也是本研究中使用的方法，但使用非线性多变量回归和CHAID算法。 决策者需要有能够准确预测不偿还贷款的工具; 然而，他们还试图通过确定相关变量来重现贷款违约的模式。 多元回归虽然是被广泛用作基准的标准工具，而CHAID等决策树可以使一些规定更容易诠释和实施，这就是为什么选择这些理论进行分析的原因。
表1显示了关于利润评分的先前研究的修订。 据我们所知，在P2P环境中，以前没有使用IRR作为因变量的研究。 Lessmann等人[3]为信用和利润评分留下了最先进的算法。 这些学者声称，利润评分发展很困难，因为数据集缺乏与时间相关的具体信息以及与违约贷款损失的数据。Eisenbeis[27]之类的学者采用更简单的方法估计记分卡盈利能力，即通过检查分类误差成本。 这是最常见的过程; 至少它可以对经济收益进行粗略的估计。 Finlay[28]和Finlay[12]为了利润目标而提出信用评分理论。 这些学者将信用评分理论应用于一大部分提供循环信贷的零售商。 信贷是免息利息的，每个账户的利润计算为净收入减去坏账。 此措施可以是客户价值的代表，同时Andreeva等人也在使用这种方法。Barrios等人利用与未偿还债务有关的累计利息进行衡量。他们认识到使用此代理的局限性，因为标准会计报表需要更详细地分配每个客户使用的总资产。他们将模型应用于消费者循环信贷的情况，并确定在相关项目上有利可图的客户的具体部分.Verbraken等人为信用评分系统提出以利润为基础的分类工作指标。这项措施是有偿付能力的贷款的收益和未偿还贷款造成的逾期利息所产生的原因。他们提出使用这种模式选择措施可以获得更有利可图的信用评分模型。Stewart[13]提出了另一个以利润为基础的信用卡评分系统，并且认为最有可能花完钱的借款人也更有可能还信用卡，支付融资费用和支付消费。So[16]为信用卡用户提出了包括循环评估的盈利能力评分模型。该方法类似于预测违约的标准方法，但在估算潜在申请人的盈利能力方面更为准确。
Bachmann [30]和Bouncken等人[31]查看了近期关于P2P借贷的研究。 对P2P借贷的第一个实证研究之一是Berger和Gleisner[32]，他们使用P2P贷款平台的14,000笔贷款数据分析了电子市场中介机构的作用。 他们解释了电子信贷市场如何运作，并向我们展示了中介在这个市场中的作用。 Guo等[6]在Berger和Gleisner的基础上进一步研究，并提出了一个使用内核回归的信用评分模型。 Emekter等人 [33]基于生存分析，提出P2P贷款信用评分模型。 他们表明，信贷等级，债务收入比，FICO评分和循环利用率都在贷款违约中发挥重要作用。
三、实证研究
（一）样品和数据
这一实证研究利用Lenging Club的数据。Lending Club是美国最大的P2P贷款贷款平台，是纽约证券交易所市场上首个提供公开股票的P2P平台。Lending Club收集借款人包括年收入和贷款目的在内的信息。他们还提供从Fair Isaac公司获得的借款人信用记录和FICO分数的信息。从这些数据中，Lending Club为每笔贷款进行评分并确定利息。所有借款人信息可在任何时间段在Lending Club网页上付费查阅。Lending Club网站提供从2007年以来的所有信息。但是，2007年Lending Club的贷款被丢弃，因为它是根据公司的试点信用模式。最低贷款期限为36个月。因此，截至二零一二年六月止的后续贷款仍未偿还，不能计算其内部收益率。我们对 40,901笔贷款进行了分析。其中4800个失败（11.74％），36,101个未失败（88.26％）。
（二）变量
表2显示了研究变量。 每月本金和利息支付用于计算IRR（因变量）。 拖欠贷款有时候会被收回，如果诉讼发生，收回费用。 由于某些可能会延期还款，某些可能提前还款，因此这些付款既不是定期的也不是统一的。 然而，Lending Club提供实际付款的数据及其付款日期，可以通过使用任何XIRR功能轻松计算IRR电子制表软件。
因变量是借款人评估的变量，如等级，起始等级，FICO评分，以及借款人的利息。 贷款特征包括贷款额度和贷款目的; 存在
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[27954]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
