大数据个人信用体系模型及案例综述
大数据个人信用体系模型是近年来金融科技发展的热点之一，它解决了传统信用评级覆盖不足的痛点，能有效辅助识别真实贷款需求及贷后风险。本文对近年大数据个人信融体系及个人信用体系模型进行了综述，并对实用案例进行分析。
一、大数据个人信用体系的构建
大数据不同于传统数据主要体现在三个方面：一是体量大，体现在规模和传输量;二是流动速度大，数据实时或接近实时获取和传输;三是种类多，数据结构形式多样。构建个人信用体系的大数据来源有：一是个人产生的数据，如社交网络信息、产品评价、搜索记录、购物喜好等;二是商业过程数据，如物流数据、支付数据等;三是来自 GPS 定位、车辆轨迹和个人穿戴设备的数据。
大数据的发展为传统信用评级机构提供了更为先进的数据采集和数据分析手段，有效地克服了传统征信单值测度的局限性，不仅大幅度提高了评估结果的准确性，还将非传统信用指标纳入了评级体系，从而推动了普惠金融实践。
二、大数据个人信用评估模型及方法
研究者们提出了多种基于大数据的个人信用评估模型和方法，例如袁章帅等（2019）将 IGSO-BP 协同集成学习算法应用于社交网络信用评价中，建立基于 IGSO-BP 协同集成学习算法的社交网络信用评价模型。梁心怡（2019）通过统计分析，结合大学生网络消费信贷的个人信用数据，通过定性和定量分析建立适合大学生的个人信用评分模型。
此外，还有谢陈昕（2019）对比分析了基于 Logistic 回归、决策树、随机森林、支持向量机和神经网络的个人信用风险评估模型，并在此基础上提出了采用 4 种机器学习算法综合筛选重要变量再建立 Logistic 回归模型的两阶段组合模型。
陆健健等（2019）针对银行客户信用评估模型不健全不完善等问题，在对比随机森林（RF）、GBDT 和 XGBoost 三种集成算法基础上，提出基于 XGBoost 算法的金融客户信用评估模型。
大数据个人信用体系模型及案例综述为我们提供了一个更为全面的个人信用评估方法，能够更好地评估个人信用风险，提高金融机构的贷款决策准确性和风险管理能力。
