很多人都有需要借钱的时候，比如买房、买车、装修，差个三五万乃至几十万，向金融机构申请贷款是一个不错的选择。

金融机构收到贷款申请后，通常会对申请人进行信用风险评估：根据申请人提供的收入和资产证明以及人行征信报告等信息，来推测申请人的还款意愿和还款能力，预测贷款逾期的可能性，最后再决定是否发放贷款。

这个过程和相亲见家长很类似：一个单身男士去相亲，女方家长通常会根据男方的外貌、性格和物质条件，来判断是否适合自己的女儿。差别在于，金融机构评估的是贷款逾期的风险，家长评估的是婚姻不幸福的风险。

就连金融机构做信用风险评估时所使用的数据，也和相亲时所考虑的因素类似，无非是候选人的年龄、工作、收入、房子、车子、是否有贷款等。

无论是金融机构还是女方家长，肯定更欢迎年龄合适、工作稳定、月入10万、别墅280平、出门驾豪车的优秀人士。至于名下是否有贷款则可能有些特殊，小贷公司可能会更偏好名下有房贷的用户，毕竟是经过大银行审核的优质客户，有供房压力通常会努力工作；而准丈母娘们当然不希望自己的女儿嫁人后还要省吃俭用一起还房贷。

稍微较真一点的家长，还会打听对方有没有什么不良的婚恋历史，或者现在是不是有正在交往的相亲对象。与之相类似，金融机构通常需要查询申请人的人行征信报告，看看申请人是否曾有贷款或信用卡逾期记录以及其他未结清贷款的状况。有逾期记录，说明申请人的信用意识可能相对较弱；有未结清贷款的，每月还款金额较多，则会影响申请人的还款能力。

而在互联网时代，金融机构每天都要面对海量的贷款、信用卡申请者，全靠人工来审批是要累死人的，因此有了用信用风险模型辅助风险控制的做法。比如苏宁金融的任性贷产品背后就运行着多个信用风险模型。这就好比一个女孩子很优秀，许多单身男士慕名而来，女方家长可没有耐心面试每一个候选人，便设立了一些规则和模型来帮助筛选心仪的未来女婿。

下面，我们继续以相亲为例，给大家介绍在信用风险评估中几个常用的模型和方法。

1、逻辑回归模型

家长根据自己的偏好，给女儿的相亲对象的各方面因素赋予不同的权重，权重越高说明家长越看重对应的因素，加权求和得到的分数越高表明条件越好、家长越满意，这是逻辑回归模型。

例如，标准化之后的身高、月收入、住房面积的权重分别是0.1、0.5和0.8，那么说明家长更关心物质条件，而不太在意外表。

2、决策树模型

家长根据女儿相亲对象的若干特定条件，依次判断是否拒绝或同意见面，这是决策树（如下图）。

3、随机森林模型

有时候一个家长做不了主，于是全家出动去相亲，最后几个人投票表决是否同意，这是随机森林。

4、深度学习模型

一个阅人无数的老人凭借感觉判断相亲对象是否合适，但是又很难解释接受或拒绝的原因，这个是深度学习模型。

5、去共线

构建逻辑回归等模型时需要解决共线问题,对于存在着高度相关性的变量，彼此携带的信息相似，使得信息冗余，我们会去掉相关系数较高的变量。比如在相亲的时候，一个现实的家长过多在意房子、车子、收入等物质条件，这种筛选逻辑肯定是存在偏颇的，一个英明的家长还需要考虑精神层面的交流，比如爱好、学历等。

然而，风险控制并不是靠信用风险模型就足够了，也需要和反欺诈技术配合。毕竟知人知面不知心，房产证可能是假的、车子可能是租的。这就好比《大话西游》里，紫霞仙子说：“我的如意郎君是一个盖世英雄，他有一天会踏着七彩祥云来娶我”。然而，最后来的不是至尊宝，而是孙悟空。

来源：苏宁财富资讯；作者：苏宁金融研究院数据风控实验室首席研究员 倪伟渊

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。