p2p小額網路貸款信用評分模型

A. 申請小額貸款總是信用評分不足怎麼辦

若通過招行辦理貸款，一般會審核年齡、工作穩定性、收入情況、個人負債、個人信用等各方面的情況，您可先查詢是否符合此類貸款的申請條件，徵信是否有不利於您申請的記錄。

B. 信用評分模型的信用評分模型

信用評分公司與信用管理局
● 在信用評分領域有兩個非常重要的方面：
客戶信用資料的收集：是指在信用消費中，通過調查了解申請授信的消費者個人的信用信息。
利用信用評分模型進行評分: 是指輸入客戶信用資料，通過信用評分模型得到客戶的信用分數，確定客戶的信用等級。
● 基於上述兩個重要方面，在信用評分發展過程中，逐漸產生了提供不同專業服務的公司：
信用評分專業公司: 它們主要根據業務需要開發各種不同的信用評分模型，將模型提供給商業銀行、貸款機構、電信公司、保險公司以及信用管理局等需要信用評分的公司。之所以有這 樣的專業公司存在，主要是因為每一家商業銀行、貸款機構的經營是不同的，從目標客戶的選擇到客戶服務的水平，即使在同一個城市裡，也會有差別，所以開發模 型所依賴的數據是不同的，信用評分模型也因此而各異。
信用管理局: 它們提供客戶的信用資料以及客戶的信用報告。信用管理局通過常年收集、積累數據，建立個人或企業信用資料資料庫，並向金融機構提供消費者個人信用有償調查 報告服務。信用管理局收集的客戶資料主要包括4個方面：身份信息，公共記錄，支付歷史和查詢記錄。信用局的基本工作就是收集個人或企業的信用記錄，建立完 善的數據管理中心，合法地向金融機構提供有償個人信用報告服務。

C. 什麼是信用評分模型

信用評分模型是近年來興起的一種為了保障銀行和其他金融部門的金融安全而設立的一種關於人身金融許可權的劃定模型。該模型指根據客戶的信用歷史資料，利用一定的信用評分模型，得到不同等級的信用分數，根據客戶的信用分數，來決定客戶所可以持有的金額許可權，從而保證還款等業務的安全性。而隨著在現代社會和公司中，貸款，信用卡的作用日漸突出，信用評分模型的發展前景不可估量。

D. 能夠用於P2P的風險評估模型有哪些呀

1、陽光寶利推出的實用個人P2P理財風險評估模型」
2、Kernel-Based Model
3、R2BTM模型（reputation and risk evaluation based trust model）
我知道的有這三種。

E. 信用評分模型的信用評分的方法

利用數據挖掘技術構建信用評分模型一般可以分為10個步驟，它們分別是：業務目的確定、數據源識別、數據收集、數據選擇、數據質量審核、數據轉換、數據挖掘、結果解釋、應用建議和結果應用。這些可以形象地表示為（圖一）：
1) 商業目標確定: 明確數據挖掘的目的或目標是成功完成任何數據挖掘項目的關鍵。例如，確定項目的目的是構建個人住房貸款的信用評分模型。
2) 確認數據源識別: 在給定數據挖掘商業目標的情況下，下一個步驟是尋找可以解決和回答商業問題的數據。構建信用評分模型所需要的是關於客戶的大量信息，應該盡量收集全面的信 息。所需要的數據可能是業務數據，可能是資料庫/數據倉庫中存儲的數據，也可能是外部數據。如果沒有所需的數據，那麼數據收集就是下一個必需的步驟。
3) 數據收集: 如果銀行內部不能滿足構建模型所需的數據，就需要從外部收集，主要是從專門收集人口統計數據、消費者信用歷史數據、地理變數、商業特徵和人口普查數據的企業購買得到。
4) 數據篩選: 對收集的數據進行篩選，為挖掘准備數據。在實際項目中，由於受到計算處理能力和項目期限的限制，在挖掘項目中想用到所有數據是不可能實現的。因此數據篩選是必不可少的。數據篩選考慮的因素包括數據樣本的大小和質量。
5) 數據質量檢測: 一旦數據被篩選出來，成功的數據挖掘的下一步是數據質量檢測和數據整合。目的就是提高篩選出來數據的質量。如果質量太低，就需要重新進行數據篩選。
6) 數據轉換: 在選擇並檢測了挖掘需要的數據、格式或變數後，在許多情況下數據轉換非常必要。數據挖掘項目中的特殊轉換方法取決於數據挖掘類型和數據挖掘工具。一旦數據轉換完成，即可開始挖掘工作。
7) 數據挖掘: 挖掘數據是所有數據挖掘項目中最核心的部分。在時間或其它相關條件（諸如軟體等）允許的情況下，最好能夠嘗試多種不同的挖掘技巧。因為使用越多的數據挖掘 技巧，可能就會解決越多的商業問題。而且使用多種不同的挖掘技巧可以對挖掘結果的質量進行檢測。例如：在構建信用評分模型時，分類可以通過三種方法來實 現：決策樹，神經分類和邏輯回歸，每一種方法都可能產生出不同的結果。如果多個不同方法生成的結果都相近或相同，那麼挖掘結果是很穩定、可用度非常高的。 如果得到的結果不同，在使用結果制定決策前必須查證問題所在。
8) 結果解釋: 數據挖掘之後，應該根據零售貸款業務情況、數據挖掘目標和商業目的來評估和解釋挖掘的結果。
9) 應用建議：數據挖掘關鍵問題，是如何把分析結果即信用評分模型轉化為商業利潤。
10) 結果應用：通過數據挖掘技術構建的信用評分模型，有助於銀行決策層了解整體風險分布情況，為風險管理提供基礎。當然，其最直接的應用就是將信用評分模型反饋到銀行的業務操作系統，指導零售信貸業務操作。 數 據挖掘方法可以依據其功能被分成4組：預估模型、分類、鏈接分析和時間序列預測。每一項功能都可以被開發和修改成為適應不同業務的應用。比如: 分類模型可以被運用到建立信用風險評分模型、信用風險評級模型、流失模型、欺詐預測模型和破產模型等。為實現數據挖掘的每一項功能，有許多不同的方法或算 法可以使用。
本文所討論的信用風險評分模型主要是屬於分類模型，所以用到的方法主要有分類分析和分割分析。分類分析主要方法包括：決策樹、神經網路、區別分析、邏輯回歸、概率回歸；分割分析主要方法包括：K-平均值、人口統計分割、神經網路分割。