手机使用行为预测贷款还款

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Behavior Revealed in Mobile Phone Usage Predicts Loan Repayment》
---
作者：
Daniel Bj\\\"orkegren and Darrell Grissen
---
最新提交年份：
2019
---
英文摘要：
  Many households in developing countries lack formal financial histories, making it difficult for firms to extend credit, and for potential borrowers to receive it. However, many of these households have mobile phones, which generate rich data about behavior. This article shows that behavioral signatures in mobile phone data predict default, using call records matched to repayment outcomes for credit extended by a South American telecom. On a sample of individuals with (thin) financial histories, our method actually outperforms models using credit bureau information, both within time and when tested on a different time period. But our method also attains similar performance on those without financial histories, who cannot be scored using traditional methods. Individuals in the highest quintile of risk by our measure are 2.8 times more likely to default than those in the lowest quintile. The method forms the basis for new forms of credit that reach the unbanked.
---
中文摘要：
发展中国家的许多家庭缺乏正式的财务记录，这使得企业难以发放信贷，潜在借款人也难以获得信贷。然而，其中许多家庭都有手机，手机可以生成丰富的行为数据。这篇文章表明，手机数据中的行为签名可以预测违约，使用的通话记录与南美电信公司发放的信贷的还款结果相匹配。在有（薄）财务历史的个人样本上，我们的方法实际上优于使用信贷局信息的模型，无论是在时间内还是在不同时间段测试时。但我们的方法在那些没有财务历史的人身上也取得了类似的效果，这些人无法使用传统方法进行评分。根据我们的衡量，风险最高五分之一的个人违约的可能性是最低五分之一个人的2.8倍。该方法为新的信贷形式奠定了基础，这些新形式的信贷可以惠及非银行客户。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computers and Society        计算机与社会
分类描述：Covers impact of computers on society, computer ethics, information technology and public policy, legal aspects of computing, computers and education. Roughly includes material in ACM Subject Classes K.0, K.2, K.3, K.4, K.5, and K.7.
涵盖计算机对社会的影响、计算机伦理、信息技术和公共政策、计算机的法律方面、计算机和教育。大致包括ACM学科类K.0、K.2、K.3、K.4、K.5和K.7中的材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Risk Management        风险管理
分类描述：Measurement and management of financial risks in trading, banking, insurance, corporate and other applications
衡量和管理贸易、银行、保险、企业和其他应用中的金融风险
--

---
PDF下载：
-->

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：使用行为 Quantitative Applications Individuals information

《手机使用行为预测信用还款》丹尼尔·比约克伦和达雷尔·格里斯·纳斯特拉克发展中国家的许多家庭缺乏正式的财务记录，使得企业难以发放信贷，潜在借款人也难以获得信贷。然而，许多这样的家庭都有手机，手机可以生成丰富的行为数据。这篇文章显示，mobilephone数据中的行为特征可以预测违约，使用的通话记录与美国南方电信提供的信贷还款结果相匹配。在一个有（薄）财务历史的个人样本上，我们的方法实际上使用信用局信息执行模型，无论是在时间内还是在不同的时间段进行测试。但是，我们的方法在那些没有财务历史的人身上也取得了类似的效果，这些人无法使用传统方法进行评分。根据我们的衡量，风险最高五分之一的个人违约的可能性是最低五分之一个人的2.8倍。该方法为新形式的信贷奠定了基础，这些信贷可以惠及无银行账户的人。关键词：信用评分、机器学习、数字信贷、手机、金融包容性JEL代码：D14、O16、G23、O12、C58本草案日期：2019年1月28日。初稿：2015年1月6日。致谢Daniel Bj"orkegren（通讯作者）是美国罗得岛普罗维登斯布朗大学的教授；他的电子邮件地址是dan@bjorkegren.com.Darrell Grissen是Entrepreneurial Finance Lab的前雇员，在数据收集期间受雇；他的电子邮件地址isdgrissen@gmail.com.本文的研究得到了斯坦福大学经济政策研究所GeorgeShultzfellowship以及斯坦福大学W.GlennCampbell和RitaricardoCampbell国家奖学金的资助。

作者感谢EnterpreneurialFinance实验室和合作伙伴提供的数据。作者感谢Jeff Berens、Nathan Eagle、AlfredoEbentreich、Javier Frassetto和Seema Jayachandran进行了有益的讨论，并感谢美国经济协会年会、NEUDC、微软研究院、NBER IT和数字化以及AMID/BREAD发展经济学暑期学校的观众。1、导言移动电话已经迅速普及：发展中国家有超过45亿部移动电话（ITU，2011）。除了改善沟通之外，这些设备还可以提供新的信贷形式。电信公司通常通过发放信贷来帮助平滑手机消费：随着收入的增加，消费者预计将从预付费计划转向后付费计划，这实质上是滚动信用账户。电话网络也可用于调解耐用消费品的贷款，如按需付费的gosolar能源系统。通过移动货币，电话网络可以直接向消费者提供接近零交易成本的贷款。这可以实现不同于小额信贷或传统银行贷款的信贷形式（考虑肯尼亚的M-Shwari或独立的智能手机贷款应用程序）。然而，所有这些申请都面临一个根本问题：贷款人如何评估潜在借款人是否会还款？很少有发展中国家居民拥有传统的信用评分。很少有人与正规机构进行互动：20亿人缺乏银行账户（Demirguc Kunt、Klapper、Singer和VanOudheusden，2014）。对于小额贷款和偏远家庭来说，面对面方法（如小额信贷中的访谈或同龄人小组）成本高昂。本文提出了一种大规模预测贫困人口还款的方法。它的关键洞察是，大多数消费者确实至少有一个正式互动的丰富记录——他们与手机本身的互动。

一个人使用手机的方式可以预测他们是否会偿还贷款。该项目开发并评估了一种低成本方法，使用手机元数据预测信用还款，手机已经在收集这些元数据。SIT从原始电话交易记录中提取与还款相关的信号，并使用机器学习方法将这些信号组合到还款预测中。只需对现成的机器学习方法进行一些小的调整，通常情况下，如果家庭太阳能贷款获得批准，消费者就可以通过移动货币接收设备并分期付款。如果消费者错过付款，他们的设备将通过移动电话网络远程关闭。在发展中社会，拖欠问题尤其严重，因为如果借款人违约，债权人几乎没有追索权：借款人几乎没有抵押品，法律执行制度也很有限。它展示了与传统信贷局模型相当的绩效，包括无法用传统方法评分的无银行个人。自在线发布本文提案（Bj"orkegren，2010）和工作文件（2015年）以来，我们的方法受到了广泛关注（NPR，2015年），并已得到广泛实施。与移动货币相结合，它构成了数字金融服务新生态系统的重要组成部分。第一款数字信贷产品（M-Shwari）于2012年在肯尼亚推出，使用基于移动货币使用情况的简单评分规则评估风险。在短短几年内，68多种其他数字信贷产品相继推出，这些产品使用了与我们类似的风险评分方法。数字借贷智能手机appshave吸引了超过1.9亿美元的风险投资资金。

到目前为止，这些贷款大多规模较小，但已经非常普遍：仅在肯尼亚，就已经发放了20亿美元，27%的人口已经获得了数字贷款（Totolo，2018）。通过这些新的数字平台获得贷款的肯尼亚人多于通过传统银行或小额信贷获得贷款的肯尼亚人（FSD，2016）。我们的方法使用手机使用的原始元数据，这些元数据已经以接近零的成本收集。这些记录可以产生关于个人的丰富信息，包括流动性、消费和社交网络（Blumenstock、Cadamuro和On，2015；Gonzalez、Hidalgo和Barabasi，2008；Lu、Wetter、Bharti、Tatem和Bengtsson，2013；Onnela等人，2007；Palla、Barabasi和Vicsek，2007；Soto、Frias Martinez、Virseda和Frias Martinez，2011）。本文展示了从该数据得出的指标如何预测信贷还款。有许多直接的行为指标似乎和偿还贷款有关。例如，一个负责任的借款人可能会随着时间的推移仔细管理其余额，以便使用更加顺畅。每月重复使用的个人可能更有可能获得工资收入。或者，一个给别人打电话的人可能有更强大的社会关系，使他们能够更好地把握创业机会。从原始交易记录中，我们提取了大约5500个行为指标。确定如何从非结构化事务记录中提取相关行为是标准机器学习的关键步骤（“应用机器学习基本上是特征工程”（Ng，2011））。布鲁门斯托克（Blumenstock et al.（2015）等强力数据挖掘方法将在算法上提取指标，同时对结果变量不可知。

然而，这种方法可能会发现虚假的相关性，使其在实践中不可靠（Lazer、Kennedy、King和Vespignani，2014）。有了无限的数据和变化，机器学习方法会自动丢弃虚假变量；但当数据和变化有限时，关注与兴趣结果有直观或理论联系的特征可以提高稳定性。直觉还可以提出更细微的指标，而暴力方法会忽略这些指标。我们的方法生成了与还款直接相关的指标，这些指标可以反映消费者如何管理随时间推移的使用情况、社会关系以及消费者的潜在还款能力。具有直观链接的指标也更受实施合作伙伴的欢迎，他们可以抵制“黑箱”方法。本文表明，这些行为指标可以减少一个人类型的不确定性。他们可以嘲笑大公司和穷人之间的大规模互动。这些新技术的最大承诺不是复制在物理交互约束下发展起来的熟悉贷款产品，而是实现在历史约束下不可行的新型正式贷款。本文用南美一个中等收入国家的电信数据演示了该方法，该国家正在将用户从预付费计划转变为延迟付费计划。在这个国家，只有34%的成年人有银行账户，但89%的家庭有手机。由于“标签缺失”问题，在成熟的应用程序中，往往很难量化评分规则的性能：人们只会观察那些首先获得信贷的人的还款情况。因此，如果一个贷款人已经使用了一个完全包含所有可用信息的复杂的选择规则，那么对于不同规则的执行情况了解甚少。

在这方面，我们的环境有两个关键特征。首先，在观察到的探索阶段，电信公司试图了解不同类型申请人的风险，因此对信用进行了宽松的扩展。它从整个信用历史分布中选择使用率充足的订户（包括根本没有历史记录）。因此，我们的结果直接适用于手机使用率足够高的用户（性能与使用量较轻的用户相似）。在这一人群中，数据包括电信可能希望过渡到后付费计划的个人分配的结果。因此，我们可以评估任何筛选规则的性能，包括使用信贷局信息、电话指标等的规则。其次，我们的样本包括银行和非银行消费者，这使我们能够根据信贷局模型来衡量我们的绩效，并评估没有信贷局记录的个人的绩效是否可比。这些数据包括每个申请人在延长信贷之前的手机交易历史，以及信贷是否按时偿还。在一项回顾性分析中，我们根据这些人在切换之前使用手机的方式，预测这些人中有谁最终还款。我们的数据包括通话和短信元数据，但不包括移动货币或充值信息。随着数据的丰富和样本的增多，以及观测到的时间段过长，性能有望得到改善。在发展了我们的方法之后，本文给出了三个主要发现。首先，即使使用标准的机器学习模型，该方法也有可能实现有用的预测精度。绩效评估分两步进行。

首先，在一个正式银行（butthin文件）消费者样本中，该方法实际上优于表现相对较好的信贷局模型（我们考虑ROC曲线或AUC下的行业标准测量区域，我们的模型范围为0.61-0.76，而信贷局模型范围为0.51-0.57）。其次，该方法对无银行账户的消费者也有类似的效果，这些消费者无法用传统方法进行评分（AUC 0.63-0.77）。我们的模型在文献中公布的传统信用评分估计值（AUC0.50-0.79）范围内。按照我们最保守的衡量标准，风险最高五分之一的个人违约的可能性是最低五分之一的个人的2.8倍。在那些有信用记录的人中，根据信贷局的数据，如果信用扩展到50%的最低风险预期，违约率将为9.7%，而根据我们使用电话记录的评分，违约率仅为8.3%。此外，如果信用扩展到那些没有信用记录的人，而这些人的预测违约风险将使他们在有信用记录的人的风险预测中处于前50%，那么违约率将仅为6.6%。我们的方法可以从没有信用记录的客户中识别出一组良好的信用前景。其次，必须注意确保长期稳定。在实践中，债权人会利用过去的表现来训练分散未来信贷的模式。如果基础环境随时间变化，机器学习方法的性能可能会恶化（Butler，2013；Lazer等人，2014）。除了与还款相关的潜在因素外，建立预测任务最具前瞻性的方法可以同时发现冲击。

本文开发了一种技术，通过仅使用每个时间段内的变化来区分个体（类似于时间固定效应的形式），来最小化这种形式的跨时稳定性。这项技术提高了跨期稳定性；当在不同的时间段进行估计和测试时，我们的模型在我们的环境中继续优于局模型。第三，目前信贷局的信息与我们的指标中的信息只是略有补充。这表明，在局文件较薄的情况下，将这些新形式的信贷与传统信贷局中已有的信息集成可能会带来有限的收益。然而，一旦使用我们的方法授予了数字信贷，就可以向各局报告还款情况，这可以提高还款的意愿以及局中的信息量。与此最相似的论文是Pedro、Proserpio和Oliver（2015），他们发现，在拥有活跃信用卡的个人中，最近违约的人与成功还款的人在事后有着不同的通话行为，使用了58个行为指标。然而，一个人很可能会在违约后改变他们的通话模式。目前尚不清楚本文得出的基本指标是否能够预测违约，或者仅仅是拾取仅与事后违约相关的冲击。此外，该论文只观察已经通过传统信贷机构筛选的个人，因此无法评估相对于基准的绩效，也无法评估电话指标是否可以用于筛选未开户的人。一篇简短的配套论文使用了一个简单的模型来说明改进的筛查如何影响获得信贷，并分析了额外的异质性结果（Bj"orkegren&Grissen，2018）。我们的方法是几种非传统方法之一，可以识别可能偿还信贷的个人。

例如，心理测试也可以预测银行和非银行的还款情况（Arráiz、Bruhn和Stucchi，2017）。这些测试通常旨在直接捕获与还款有更紧密理论联系的行为，例如还款能力和意愿。然而，他们需要与申请人进行额外的互动，这会增加成本。背景与数据主要组织合作伙伴是EFL（创业金融实验室），该实验室致力于发展中和新兴市场的替代性信用评分方法，重点关注银行不足问题。EFL确定了一个合作伙伴，该合作伙伴有兴趣探索评估信用度的其他方法。随着新兴经济体的消费者越来越富有，许多电信公司开始将其用户从预付费计划转变为后付费订阅。根据后付费计划，用户不会面临加满账户的麻烦，因此往往会消费更多，也不太可能转向竞争对手。然而，后付费计划给电信带来了一个风险，即订户支付了一笔他们无法偿还的账单。在发达国家，许多电信公司在授予后付费账户之前，会检查用户的信用档案。然而，在低收入国家，这些档案往往很薄，或者根本不存在。