基于机器学习的多头借贷预测模型Multiplatform Loan model

原创于 2025-11-11 08:30:36 发布 · 764 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #人工智能

python风控模型同时被 2 个专栏收录

229 篇文章

订阅专栏

论文复现

95 篇文章

订阅专栏

作者Toby，来源公众号：Python风控模型，基于机器学习的多头借贷预测模型

引言

在中国的金融行业中，多头借贷是一个备受关注的话题。多头借贷是指一个借款人同时从多个金融机构借款，这种行为可能会增加借款人的还款压力，也会增加金融机构的风险。因此，对多头借贷的风险进行有效的监控和分析对于金融机构和监管部门来说至关重要。本文将对中国金融风控多头借贷数据进行分析，探讨多头借贷的特点、影响因素以及风险控制策略。

定义

多头借贷（Multiplatform Loan/multiple borrowing/multiple loaning），是指借款人在两家或两家以上申请借款的行为。通常，多头借贷客户大多是因为出现资金困难，失去还款能力，被迫只能依赖于“以贷养贷”维持，即多头负债。诈骗黑中介也有多头借贷情况，向多家平台骗取贷款。

特点

多头借贷的特点：多头借贷在中国金融市场中具有一定的普遍性。借款人可能因为资金需求较大或者信用状况不佳而选择从多个金融机构借款。多头借贷的特点包括借款人信用风险叠加、还款压力增大、信息不对称等。此外，多头借贷也给金融机构带来了风险，可能导致资金散失、不良资产增加等问题。

作为风控部高管，特别是CRO要特别关注多头借贷指标，如下图显示多头借贷用户信贷逾期风险是普通用户的3-4倍。

风险

多头借贷盛行下，根据中国国家统计局的数据，中国居民负债率在过去十年中呈现出增长的趋势。以下是中国近十年的居民负债率数据（单位：%）：

2011年：33.3%

2012年：35.7%

2013年：38.7%

2014年：41.8%

2015年：45.7%

2016年：49.7%

2017年：53.2%

2018年：56.2%

2019年：59.8%

2020年：63.4%

2021年：62.2%

2022年：61.9%

2025（第一季度）：61.1%

（央行统计数据会更高，统计接口有差异，上述数据与真实数据可能存在偏差，仅供参考）

这些数据表明，中国居民负债率在过去十年中持续上升，这可能反映了居民借贷行为的增加，以及金融市场的发展和消费升级的趋势。这也意味着需要更加关注居民的债务风险和金融风险管理。

风险控制策略和多头借贷模型

基于多头借贷数据分析的结果，金融机构可以制定有效的风险控制策略和多头借贷预测模型。一方面，可以加强对借款人的信用审查和评估，建立完善的风险管理体系。另一方面，可以通过数据分析和监控，及时发现多头借贷行为，并采取相应的风险防范措施，如限制借款额度、提高借款利率等。此外，监管部门也可以依托多头借贷数据分析，加强对金融机构的监管和风险防范。

我方重庆未来之智有限公司有银行个人信贷近1一个月，4个月，半年，一年多头借贷数据集，包括几十个用户变量，覆盖用户各种贷款的维度，可用于政府调研，企业建模，论文期刊科研实证分析。

基于数万真实银行样本数据分析，用户一年内贷款审批查询次数平均数为3，中位数为2。查询次数为2的占比为12%左右，查询次数为3的占比为8%左右，查询次数为 4 的占比为 6%左右，查询次数为 7-20 的占比为 15%左右，查询次数为 21 - 80 的占比为 1%左右。如果设定一年内多于7次为多头，那么多头借贷占比为16%左右。

下图为一年内贷款审批查询次数的箱型图。图中可见整体数据的平均数和中位数较低，但异常值较高。