引子：我们经常看到很多“信贷干货”，比如:
已婚的人比未婚的人违约成本高；然后有孩子比没孩子的违约成本高；家庭越和睦，违约成本越高；本地人一般比外地人违约成本高；有资产有住房的人，比没住房没资产的人违约成本高；社会声誉及评价越高的人违约成本越高；父母和配偶的社会声誉和评价越高的人，违约成本越高。经营期限越长，违约成本越高；变更经营场所越难的，违约成本越高；回头客越重要，违约成本越高；盈利状况越好，违约成本越高。
这些经验谈有没有数据基础呢？是否经得起验证呢？信贷圈里各种各样的“审贷规则”“天条铁律”，都是怎么来的？做风控嘛，还是要用数据来说话。本文将通过人人贷2010年成立至今近七年累积的100万条贷款数据来验证。
一、数据说明
人人贷散标总数，截止2017年11月
我们主要分析人人贷散标数据，总共成交55万笔，但是申请总数超过了100万笔，其余流标。
除了流标，其余的可以理解为申请贷款成功，这里面又有多种形态：
一是正常结清：
二是尚在偿还期，正常还款中：
三是逾期或者坏账了
各类型占比情况如下：
每一笔借款，都可以查看借款人的基本信息
年龄、学历、婚姻、借贷历史、收入、资产、负债、工作状态
这些信息与贷款申请成功与否有什么关系？与贷款是否坏账有什么关系？坏账客户又有哪些特征？这是我们关注的问题。
二、数据获取
采集技术参考本专栏前几篇文章。
例如：信贷风控基本功：自动查企业工商登记信息（企业信用信息公示系统、极验Geetest与Python爬虫）https://zhuanlan.zhihu.com/p/28693272
当然，这并不重要。
最终，数据量还是比较大的，从2010年10月13日，人人贷上线的第一笔借款申请：
到最近的一笔
违约分析，主流方法是通过逻辑回归来做模型，调整关键的特征，提升违约率预测的准确率。笔者这里的数据，有价值的特征太少，样本不均衡问题突出，下面主要做做描述统计、探索性分析，寻找一些有意思的现象。
用pandas读入数据，我们看到年龄特征中有一些异常值和缺失值：
import pandas as pd
df = pd.read_csv("data.csv",encoding="gbk")
print (df.shape)
print(df['年龄'].value_counts(ascending=True))
奇怪的是，年龄也能够录入负数，还成功申请贷款，并结清了：
删去年龄太大或太小的样本，保留【18岁-60岁】：
df.rename(columns=lambda x:x.replace('年龄','Age'), inplace=True)
df.rename(columns=lambda x:x.replace('借款状态','Status'), inplace=True)
df1=df[(df['Age']<=60) & (df['Age']>=18) ]
下面有两个分析思路：一是比较不同年龄的审批通过率，二是通过贷款中不同年龄的逾期率。
import numpy as np
import matplotlib.pyplot as plt
df2=df1.copy()
df2['Status']=df2['Status'].replace("FAILED",0).replace("REPAYING",1).replace("CLOSED",1).replace("BADDEBT",1).replace("OVERDUE",1)
print(df2['Status'].value_counts())
table2=pd.pivot_table(df2,index=["Age"],values=["Status"],aggfunc=[np.mean])
table2.plot(kind='line',title=u'Status')
plt.show()
用数据透视表，计算出每个年龄的审批通过率：
18岁的客户，申请了105笔，通过了98笔，通过率93.3333%（98/105）。
结论：25岁左右客户通过率最低。
再看，审批通过的客户，逾期率与年龄的关系：
df3=df1.copy()
df3=df3[(df3['Status'] != "FAILED")]
df3['Status']=df3['Status'].replace("REPAYING",0).replace("CLOSED",0).replace("BADDEBT",1).replace("OVERDUE",1)
table3=pd.pivot_table(df3,index=["Age"],values=["Status"],aggfunc=[len,np.sum,np.mean])
print (table3.shape)
print(table3)
30岁的客户，放款量25488笔，逾期量290笔，逾期率1.1378%（290/25488）
通过图片能看的更清楚一些：
的确，30岁左右的客户，逾期率最高。
25岁以下和48岁以上的样本量太少，有一些偶然因素。
看到一则其他样本得出的结论：
芝麻信用根据最高人民法院失信被执行人（老赖）数据，公布了国内首份老赖大数据画像，其中提到：
从年龄分布看，40～49岁的中年人最容易陷入信用危机成为老赖，占35%。
最容易陷入信用危机，到底是不是这个年龄段的人信用差？
有几点疑问：
能够进入最高法院失信平台的是什么样的放贷机构？这类机构代表全体放贷人？就算代表全体，那这些机构的客户总体年龄结构是什么样的？这有对比分析，才能够得出更准确的结论。
例如：40～49岁的正常还款的中年人有比例多少？当然，如果仅仅做一个描述性统计，可以说“占比最大”，但不要讲“最容易陷入”，这容易引起误导。
从多年金融从业经历来看，一个可能的原因是，这些法院公布的失信客户名单来自传统银行类放贷机构（金额较大的贷款，才值得通过诉讼清收，进而进去失信被执行人名单），而传统银行更偏好40多岁的客户，如40多岁的企业老板。在经济下行时，所有客户（无论年轻的还是年龄大的）都失信了。由于40多岁的客户基数大，所以导致了上述结论。
很可能，年龄是中性的，就好比学生时代，每个阶段都有优秀学生和差生。而信贷作业就是筛选每个年龄段中最优秀的那一批。
年龄是用来对比的，横向对比。20来岁的租房年轻人，只要有稳定的工作，月薪两三千，能自食其力，就不错了。而50岁还如此，哪怕四五千，没有房子，只能说明他本身就比较弱势，与同龄人相比。一个30岁的处长可能比50岁的局长还优质。
这些都是数据之外的遐想。
网友评论