贷款资料分析

① 美国网贷平台Prosper贷款数据分析

本文主要描述了如何用Python对数据集进行评估，整理，清洗。
完成这一过程后，再通过Tableau对问题 “Prosper违约客户具有哪些特点” 进行探索，分析和可视化。
最后，用随机森林算法对2009年7月后数据进行建模分析，并对仍在进行中的贷款进行违约与否的预测。

Prosper是美国第一家P2P借贷平台。此数据集来源于Udacity上的Prosper 2005~2014年的贷款数据。本文希望能通过对已完成贷款的分析，判断出什么类型的客户更容易违约，并预测还未完成的贷款是否会违约。

原始数据集共包含81个变量，113937条数据，下面拆闭对部分重要变量进行说明，其他变量含义可参考 变量词典 。

首先加载库和数据。

然后用df.describe()，df.info()观察数据。

此次主要分析1.什么类型的借款人更容易违约。 2.预测未完成的贷款是否会发生违约。所以去掉无关列。

从2009年7月开始，Prosper调整了对客户的评估方式，此次我们只对2009-07-01后的贷款进行分析。

去掉意义重复列：

Prosper对于新客户的评分和老客户有所区别，此次仅针对新客户数据进行分析。

首先查看下，各变量数据缺失情况。

平台把借款状态分为12种:Cancelled(取消)、Chargedoff(冲销，投资人有损失)、Completed(正常完成，投资人无损失)、Current(贷款还款中)、Defaulted(坏账，投资人有损失)、FinalPaymentInProgress(最后还款中，投资人无损失)、Past Due(逾期还款，投资人无损失)。

本文依据交易是仍在进行中还是已关闭,以及已关闭交易中投资人有无损失将所有数据分成以下三组：
Current(包含Current,Past Due)、
Defaulted(包含Defaulted,Chargedoff)、
Completed(包含Completed,FinalPaymentInProgress)。

为了便于后续分析计算，再将“Completed”改为1，“Defaulted”改为0。

已完成的贷款的违约率为defaulted_ratio_finished =26.07%

此数据集有多个特征体现了贷款用户的信用情况。其中，信用升御梁等级(ProsperRating)是Prosper根据自身模型建立，是用于确定贷款利率的主要依据，而信用评分(CreditScore)则是由官方信用评级机构提供。
由图5-1可以看到，随着信用等级(ProsperRating)的不断升高，违约率呈现明显的下降趋势。
而在信用评分（CreditScore）中，低分段(640-700)，违约率处于比较高的位置，且没有太大变化。大于720的部分，随着信用评分的升高，违约率明显下降。
说明整体而言，借款人的信用水平越高，违约可能性越低。

在不同年收入(IncomeRange)中，Not employed的借款人，违约率最高，随着收入增加，违约率不断降低。

在不同贷款状态下(Status)，违约用户的整体月收入(MonthlyIncome)明显低于未违约用户。

根据图5-4的左图，违约用户与未违约用户的整体负债收入比差异不大。

再根据负债收入比（DebtToIncome）的四分位点，将所有数据分成数据量接近的四组。从图5-4的右吵运图可以看到低比例（负债收入比0-0.12）与中等比例（0.12-0.19）的违约率都较低。较高比例（0.19-0.29）的违约率略高于前面二者。但高比例（大于0.29）的用户违约率显著升高。

根据银行卡额度透支率(BankcardUtilization)的四分位点，将数据分成 '未使用'，'较低透支(0,0.3]'，'中等透支(0.3,0.7]'， '较高透支(0.7,1]'，'严重透支（1,5]'五组。
可以看到，严重透支的借款人，违约率最高。
其次是未使用的用户，这也是为什么金融机构对于“白户”会格外关注的原因。

近半年征信查询次数（InquiriesLast6Months）可以反应出借款人近期向金融机构申请借款的频繁程度，间接体现了借款人近期的资金状况。
图5-6中，绿线表示不同查询次数下的借款笔数。可以看到，绝大部分在7次以下。
而在查询次数0-7区间内，违约率随着查询次数的增加而升高。

当前逾期(CurrentDelinquencies)可以很好的反应出借款人的信用情况。
由图5-7，可以看到大部分借款人的当前逾期在2次以内。而在0-6的区间内，违约率随当前逾期数的增加而升高。

为了避免某些数量极少的分类对违约率排序的影响，首先筛选出借款笔数在30以上的分类。
由图5-8可以看到，数量最多的是1- Debt Consolidation（债务整合）。
而违约率最高的依次是15- Medical/Dental(医疗),13-Household Expenses(家庭开支),3-Business（商业），均高于30%。

根据贷款金额（LoanAmount）的四分位点，将数据分为数量接近的四组。比较有意思的是，中等借款(3100,4750)的违约率最高，而高额借款（大于8500）的违约率反而最低。
这很可能是因为能申请到高额借款的用户，各方面条件都不错，从而降低了违约率。

由图5-11可以看到，在0-30区间内，随着持续时间的增长，违约率逐渐降低，而这一区间也包含了一半左右的数据。
当持续时间继续增长，违约率看不出有明显变化规律。

在不同地区之间，违约率也存在比较明显的差异。LA,SD等城市，违约率较高。UT,CO等城市，违约率较低。

整体而言，有房产的借款人，违约率要明显低于无房产的借款人。

导入相关库。

将数据中的字符串变量，均转换为数字。

按照测试集30%，训练集70%的比例划分数据集，并使用随机森林算法，建立模型。

该模型测试集预测准确率为：accuracy=73.99%

对于随机森林算法，可以查看在这个模型中，每个特征的重要程度。

如图6-2所示，StatedMonthlyIncome和EmploymentStatusDuration两个特征最为重要。

根据此模型，对目前仍在进行中的贷款进行违约与否的预测。

仍在进行中的贷款违约率为defaulted_ratio_predict =3.64%

本文详细描述了对于Prosper贷款数据，从数据探索到建立模型，并进行预测的完整过程。
发现月收入（StatedMonthlyIncome）以及受雇佣状态持续时间(EmploymentStatusDuration)对是否会违约的影响程度最大。主要是因为这二者是体现借款人稳定性的重要因素。
而在模型建立方面，还可以调整此模型的参数，来进行改进从而提高准确率，也可以尝试使用其他算法，如逻辑回归等，建立新的模型进行比较。

② 国考行测：资料分析

2020国考即将到来，掌握一些资料分析常考知识点的小技巧是必须的。增长率可以说是资料分析必考的考点之一，除了常规考法之外，也会有不一样的考法即考察混合增长率。今天中公教育专家就给大家介绍求解混合增长率的技巧，希望给大家一些启发。

一、知识铺垫

整体增长率介于部分增长率之间，且靠近基期值较大的那一个。

【例题1】2013年二季度，我国税收月收入同比增速逐步提高，分别为7.9%、8.3%和12.9%。截至2013年6月，全国税收总收入完成59260.61亿元，同比增长7.9%，较上年同期回落1.9个百分点。

问题：2013年第一季度我国税收总收入同比增速低于7.9%。(判断正误)

【中公解析】正确。考查混合增速，第二季度中每月增速均不低于7.9%，可知第二季度增速高于7.9%，而上半年整体增速为7.9%，整体增速介于一二季度增速之间，可知第一季度增速低于7.9%，该说法正确。

二、具体应用

【例题2】2017年1～2月，全国造船完工936万载重吨，同比增长123%;承接新船订单221万载重吨，同比增长133%。2月末，手持船舶订单9207万载重吨，同比下降22.6%，比2016年末下降7.6%。

2017年1～2月，全国完工出口船907万载重吨，同比增长127%;承接出口船订单191万载重吨，同比增长122%。2月末，手持出口船订单8406万载重吨，同比下降25.9%。

2017年1～2月，下列说法正确的是( )

A. 全国完工进口船同比增长大于123%

B. 全国承接出口船订单同比增长大于133%

C. 全国手持出口船订单同比下降大于22.6%

D. 全国承接出口船订单同比增长小于133%

【中公解析】答案B。题干出现的三个统计指标，全国的值都分成出口与进口这两个部分，根据整体增长率介于部分增长率之间。可以得出：2017年1～2月，全国完工进口船同比增长应该小于123%，全国承接出口船订单同比增长大于133%，全国手持出口船订单同比下降小于22.6%，故答案B正确。

【例题3】2013年3月末，主要金融机构及小型农村金融机构、外资银行人民币房地产贷款余额12.98万亿元，同比增长16.4%。地产开发贷款余额1.04万亿元，同比增长21.4%。房产开发贷款余额3.2万亿元，同比增长12.3%。个人购房贷款余额8.57万亿元，同比增长17.4%。保障性住房开发贷款余额6140亿元，同比增长42.4%。

问：2013年3月末，房地产开发余额同比增速为：

A.14.4% B.12.3% C.19.3% D.21.4%

【中公解析】答案A。由题意可知，2013年3月末，地产开发贷款余额同比增长21.4%，房产开发贷款余额同比增长12.3%，因此可知房地产开发余额同比增速一定介于12.3%和21.4%之间，可以排除B和D。进一步分析其基期值，2012年3月末，地产开发贷款余额为万亿，因此整体增长率即房地产开发余额同比增速应当更偏向12.3%，故选项A正确。

混合增长率在资料分析中考的还是比较多的，但是这种考点并不难，通过以上的讲解大家就能掌握一些技巧。希望大家勤加练习做题总结类似答题技巧，加油!

③ Lending Club贷款数据分析——数据分析(一)

接上篇
针对 数据集的各个方面进行简单数据分析。
主要有

先说结论：

将逾期15天以上的贷款视为坏账，简化贷款质量

可以看出，坏账仅有不到8%，但是实际上的金额也是比较惊人的。
2011年后，贷款总额每年都在飙升

可以看出2012年后Lending Club飞速发展，客户飞速增加，虽然有波动，但总体再增加

各行各业的人都有，居然是老师最多，管理者次之。

工作年限越长巧者兆越容易贷款吗，看来是了

这里将年收入大致分为三个区间
20000以下的视为低年收入，20000-60000视为中等，高于60000的就是高收入人群

大部分客户年收入都在20000以上

中等人群坏账数量最多

可以看出人们贷款主要是为了债务整合和信用卡偿还，债务整合就是借信用卡还其他信用卡，和信用卡偿还貌似没区别

一半客户按揭，四成客户租房。有孝租房子的不足10%

看来有不良记录的嫌斗人很难申请贷款

LC在2012-2015飞速发展，能发的钱越来越多

信用等级越低，贷款利率越高

DTI:每月还款占月收入的比例

大部分的贷款客户的DTI在35%以下，说明还款压力不是很大
一小部分客户DIT达到45%，存在风险
后续特征工程中将以35%为分界 分为两类
在右侧看不见的地方还存在极小一部分，，基本属于风险很大的贷款

LC平台以短期贷款为主，但长期贷款比例也不低

④ 拍拍贷用户及还款数据分析案例

首先我们来分析一下LC.csv数据集，LC (Loan Characteristics) 表为标的特征表，每支标一条记录。共有21个字段，包括一个主键（listingid）、7个标的特征和13个成交当时的借款人信息，全部为成交当时可以获得的信息。信息的维度比较广，大致可以分为基本信息，认证信息，信用信息，借款信息。

基本信息：年龄、性别；

认证信息：手机认证、户口认证、视频认证、征信认证、淘宝认证；

信用信息：初始评级、历史正常还款期数、历史逾期还款期数；

借款信息：历史成功借款金额、历史成功借款次数、借款金额、借款期限、借款成功日期

对于LC数据集我们提出以下四个问题：

1. 用户画像 ，包含使用平台贷款业务的用户的性别比例，学历水平，是否为旧有用户，年龄分布等信息。

2. 资金储备 ，每日借款金额大概多少？波动有多大？从而公司每日需准备多少资金可以保证不会出现资金短缺？

3. 用户逾期率 ，借款人的初始评级、借款类型、性别、年龄等特征对于逾期还款的概率有无显著影响？哪些群体逾期还款率明显较高？

4. 借款利率 ，哪些群体更愿意接受较高的借款利率？

对数据进行清洗

依次检查重复值、缺失值的处理，一致化以及异常值，数据集很干净。

1.分析用户画像（性别、学历、年龄、是否首标）

按‘性别’、‘年龄’、‘是否首标’、‘学历认证’字段对‘借款金额’进行加总，用饼图或柱状图将结果可视化

结论：

1.男性客户的贡献的贷款金额占到了69%，可能的原因是男性更倾向于提前消费且贷款金额较大。

2.非首标的金额占比达到66%，说明用户倾向于多次使用，产品粘性较高。

3.大专以下学历的贷款金额更多，但是由于可能有很多用户并未认证学历，所以数据存在出入。

4.年龄段在25-30岁之间的借款金额最多，而20-35岁的人群占比超过75%，是该产品的主力消费人群。

2.分析资金储备

每日的借款金额大概多少？波动有多大？公司每日需要准备多少资金可以保证不会出现资金短缺？

结论：

1.每日贷款金额呈现的是一个往上的趋势,但是每天的波动较大。

2.每月贷款分析结论：从2015年1月到2017年1月，月度贷款金额呈现上升趋势，上升速度随着时间增快。

3.2017年1月每日的借款金额达到5204664元，标准差为2203394，根据3σ原则，想使每日借款金额充足的概率达到99.9%，则每日公式账上需准备5204664+2203394×3=11814846元。

3.分析逾期还款率（借款人的初始评级、借款类型、性别、年龄、借款金额等特征）

逾期还款率 = 历史逾期还款期数/（历史逾期还款期数+历史正常还款期数）

结论：

1.初始评级对于贷款者的还款能力有比较好的预测作用，EF两级反转可能是因为样本数量较少，ABCD四个等级的平均逾期还款率都比较小，而EF两级明显增大，故公司对于这两类贷款者要谨慎对待。

2.年龄对于逾期率的分布较为平均，25-30岁的年轻人可以重点关注。

3.APP闪电的逾期还款率明显低于其他三种，故公司可以多考虑与“APP闪电”借款类型的合作。

4.女性的逾期率高于男性，可能是由于生活中男性收入较女性高造成的。

5.借款金额在2000以下的逾期还款率最低，2000-3000之间的最高。可以多考虑小额贷款降低逾期风险。

4.分析借款利率（借款人的初始评级、借款类型、性别、年龄、借款金额等特征）

哪些客户群体更愿意接受较高的借款利率？

结论：

1.年龄对于借款利率的分布较为平均，差异性很小。

2.初始评级的平均借款利率由小到大排列为ABCDFDE。

3.电商的借款利率明显低于其他三种。

4.女性所能接受的借款利率低于男性。

5.借款金额对于借款利率的分布较为平均，差异性很小。

对于以上四个问题综合分析LC数据集：

1、“男性”、“回头客”、“中青年”是拍拍贷用户群体的主要特征。

2、每日公司账上需准备7,283,728元，方可保证出现当日出借金额不足的可能性小于0.1%。

3、“初始评级”为D的群体，借款利率与E，F大致相当，但其逾期还款率却只有E，F群体的三分之一，相同的收益水平下风险大大降低，应多发展评级为D的客户或提高其贷款额度。

4、通过“app闪电”贷款的逾期还款率远低于其他项，约为其他借款类型的三分之一至四分之一，而平均借款利率却和其他项相差不大，证明“app闪电”是该公司优质的合作方，其所引流来得客户质量很高，“拍拍贷”应与“app闪电”继续加深合作。

5、“电商”中的贷款客户，收益率水平明显较低，逾期率却不低，在该群体中的贷款收益小，风险大。

6、从性别上看，男性群体贷款利率较高，逾期风险较小，相较女性一定程度上是更为优质的客户，但并不明显。

基于LCLP.csv 数据，分析用户的还款习惯（提前一次性全部还款 、部分提前还款以及逾期还款）的金额占比。

将数据集按借款金额分组，并按还款状态和还款日期分成四种还款情况并进行统计：

（1）一次性全部还款：其还款状态标记为‘已提前还清该标全部欠款’；

（2）部分提前还款：其还款状态标记为’已正常还款’，并且当期的还款日期早于到期日期；

（3）正常还款：其还款状态标记为’已正常还款’，并且当期的还款日期即为到期日期；

（4）逾期还款：还款状态标记为‘未还款’，‘已逾期还款’或者‘已部分还款’。

用百分堆积柱状图展示在不同年龄段（15 -20 ，20 -25 ，25 -30 ， 30-35 ，35 -40 ，40+ ）,不同性别（ 男、女），不同初始评级（A-F），不同借款类型、不同借款金额（1-1000，1000 -2000，2000-3000，3000+）、不同期数（1-24）的走势。

在根据借款金额分组中，得到结果如下：

A组（0-2000）：总金额2.85千万。（1）一次性全部还款：占比 10.20%；（2）部分提前还款：占比60.95%；（3）正常还款：占比 16.23%； （4）逾期还款：占比 12.61%。

B组（2000-3000）：总金额 7千万。（1）一次性全部还款：占比 10.21%；（2）部分提前还款：占比54.96%；（3）正常还款：占比 20.40%； （4）逾期还款：占比 14.43%。

C组（3000-4000）：总金额 10千万。（1）一次性全部还款：占比 14.87%；（2）部分提前还款：占比50.96%；（3）正常还款：占比 21.90%； （4）逾期还款：占比 12.26%。

D组（4000-5000）：总金额 7.22千万。（1）一次性全部还：占比 14.68%；（2）部分提前还款：占比50.70%；（3）正常还款：占比 22.78%； （4）逾期还款：占比 11.85%。

E组（5000-6000）：总金额 5.11千万。（1）一次性全部还款：占比 15.70%；（2）部分提前还款：占比50.30%；（3）正常还款：占比 23.24%； （4）逾期还款：占比 10.76%。

F组（6000+）：总金额 26.92千万。（1）一次性全部还款：占比 11.69%；（2）部分提前还款：占比39.38%；（3）正常还款：占比 39.79%； （4）逾期还款：占比 9.15%。

从对借款金额分组的统计结果以及上图结果中可以看出：

（1）借款总额6000元以上最多，3000-4000其次，说明3000-4000元的借款金额是最多的。

（2）逾期风险在各金额组表现比较平均，其中2000-3000最大，6000+最小。

（3）随着标的金额增加，部分提前还款的总金额比例在减少，正常还款的总金额比例在增加。

在年龄分组中，得到结果如下：

A组（15-20岁）：总金额0.13千万。（1）一次性全部还款：占比 10.44%；（2）部分提前还款：占比62.90%；（3）正常还款：占比 13.11%； （4）逾期还款：占比 13.55%。

B组（20-25岁）：总金额 8.60千万。（1）一次性全部还款：占比 13.43%；（2）部分提前还款：占比53.2%；（3）正常还款：占比 20.05%； （4）逾期还款：占比 13.32%。

C组（25-30岁）：总金额 20.34千万。（1）一次性全部还款：占比 14.00%；（2）部分提前还款：占比47.67%；（3）正常还款：占比 26.69%； （4）逾期还款：占比 11.64%。

D组（30-35岁）：总金额 14.94千万。（1）一次性全部还款：占比 12.36%；（2）部分提前还款：占比43.92%；（3）正常还款：占比 33.82%； （4）逾期还款：占比 9.88%。

E组（35-40岁）：总金额 8.00千万。（1）一次性全部还款：占比 10.81%；（2）部分提前还款：占比44.39%；（3）正常还款：占比 34.67%； （4）逾期还款：占比 10.13%。

F组（40岁+）：总金额 7.03千万。（1）一次性全部还款：占比 10.88%；（2）部分提前还款：占比42.85%；（3）正常还款：占比 37.21%； （4）逾期还款：占比 9.06%。

从对年龄分组的统计结果以及上图结果中可以看出：

（1）拍拍贷的客户群体中25-30岁年龄组的贷款金额最高，15-20岁最低；

（2）各年龄组的还款习惯大体一致，从金额上来说，部分提前还款和正常还款是最常用的方式；

（3）逾期还款风险最高的年龄组为15-20岁组；

（4）25-30岁年龄组一次性提前还款的金额占比最高。

在男女性别组中，得到结果如下：

男性：总还款金额 43.19千万。（1）一次性全部还款占比 13.16%；（2）部分提前还款占比45.78%；（3）正常还款占比 30.09%； （4）逾期还款占比10.97%。

女性：总还款金额 15.85千万。（1）一次性全部还款占比 11.42%；（2）部分提前还款占比48.64%；（3）正常还款占比29.11%； （4）逾期还款占比10.83%。

从对男女性别组的统计结果以及上图结果中可以看出：

（1）拍拍贷男性客户的贷款金额约为女性客户的2.7倍；

（2）男性及女性的还款习惯大体上比较一致，从金额上来说，部分提前还款>正常还款>一次性提前还款>逾期还款；

（3）男性客户一次性提前还款的金额占比较女性为高；

（4）女性逾期还款的风险略低于男性；

（5）女性部分提前还款的金额占比略大于男性。

在初始评级分组中，得到结果如下：

A级：总金额2.43千万。（1）一次性全部还款：占比 10.95%；（2）部分提前还款：占比42.54%；（3）正常还款：占比 39.73%； （4）逾期还款：占比 6.78%。

B级：总金额 12.98千万。（1）一次性全部还款：占比 7.68%；（2）部分提前还款：占比37.45%；（3）正常还款：占比 47.65%； （4）逾期还款：占比 7.22%。

C级：总金额 29.27千万。（1）一次性全部还款：占比 14.19%；（2）部分提前还款：占比49.92%；（3）正常还款：占比 25.00%； （4）逾期还款：占比 10.89%。

D级：总金额 13.14千万。（1）一次性全部还款：占比 14.59%；（2）部分提前还款：占比49.27%；（3）正常还款：占比 21.85%； （4）逾期还款：占比 14.29%。

E级：总金额 1.08千万。（1）一次性全部还款：占比 13.21%；（2）部分提前还款：占比40.97%；（3）正常还款：占比 22.91%； （4）逾期还款：占比 22.91%。

F级：总金额 0.15千万。（1）一次性全部还款：占比 10.75%；（2）部分提前还款：占比41.24%；（3）正常还款：占比 20.68%； （4）逾期还款：占比 27.33%。

从对初始评级分组的统计结果可以看出：

（1）B级客户借款总额最多，占到了大约50%的金额。B、C、D级客户是借款的主力军。

（2）提前一次性还款的占比相对比较平均，其中D级最大为14.59%。

（3）逾期风险随着级别而呈总体增加趋势，F级客户的逾期占比达到了27.33%。

（4）部分提前和正常还款还是占到了大多数。

（5）总的来说，初始评级具有重要的参考意义。

在借款类型分组中，得到结果如下：

电商：总金额8.57千万。（1）一次性全部还款：占比 4.22%；（2）部分提前还款：占比26.93%；（3）正常还款：占比 62.07%； （4）逾期还款：占比 6.78%。

APP闪电：总金额 7.45千万。（1）一次性全部还款：占比 8.96%；（2）部分提前还款：占比61.13%；（3）正常还款：占比 18.68%； （4）逾期还款：占比11.24%。

普通：总金额 23.47千万。（1）一次性全部还款：占比 17.16%；（2）部分提前还款：占比45.09%；（3）正常还款：占比 26.10%； （4）逾期还款：占比 11.65%。

其他：总金额 19.56千万。（1）一次性全部还款：占比 12.46%；（2）部分提前还款：占比51.33%；（3）正常还款：占比 24.43%； （4）逾期还款：占比 11.78%。

从对借款类型分组的统计结果可以看出：

（1）普通借款类型的借款金额总数最大，其次是其他，电商和APP闪电差不多。

（2）逾期风险电商最低，为6.78%。其他三种类型差不多。

（3）部分提前和正常还款还是占到了大多数。值得注意的是除了电商，其他三种类型的部分提前还款都占比很大。

从对期数分组的统计结果可以看出：

（1）借款金额是随着期数增加呈现出下降的趋势。

（2）不同的还款行为在不同的借款期限下的表现差异比较大，部分提前还款和正常还款是最常用的方式；

（3）逾期风险随着借款期限变长而呈总体增加趋势，期限为20个月的逾期金额占比为最高，达到了57.30%；

（4）期限为13个月的提前一次性还款占比最高，达到了16.77%。

（5）借款期限太长的样本数量太少，不能排除偶然性。

在不同等级（A-F）、不同借款期数（1-24）和不同借款金额（0-2000，2000-3000，3000-4000，4000-5000，5000-6000，6000+）等，随逾期天数增加而呈现的走势。

1）x轴为逾期天数，y轴为金额催收回款率，不同参数对应不同曲线；

2）催收回款的定义为逾期90天之内的逾期还款。

不同等级（A-F）随逾期天数催收还款率的走势大致相同，也就是大部分人都在逾期十天之内还款，说明他们有可能忘记还款；特别是在4、5天的还款的人数和金额最多。

不同借款期数（1-24）的金额收回款率随逾期天数的趋势没有明显的规律。在12期及之前大部分人都在逾期十天之内还款，特别是在4、5天的还款的人数和金额最多。 但是13之后呈现出10天之后回款率的依然很大。也有可能是因为数据量导致异常值凸显，但是也说明了借款期数长的回款率不够稳定。

对不同借款金额对于进入催收回款率影响较大，借款金额越多，逾期的可能性就越大。

LCIS数据提供了该客户投资的从2015年1月1日起成交的所有标。包括投标记录和还款状况。请计算并画出该投资人从2016年9月开始到2017年2月，每月月底的累计收益曲线。

调用draw()函数，可以对任一用户的数据画出累积收益曲线。

⑤ Lending Club贷款数据分析

可视化报告见： 报告全文

Lending Club是美国的一家P2P金融机构，主要是通过连接投资人和借款人来达成双方的投资及融资需求，收入主要来源于交易手续费、服务费和管理费。自2007年起，Lending Club已经为上百万客户提供了贷款。2015年，平台全年新设的贷款金额就已经达到了83.6亿美元，远远超越行业第二的37亿美元，优势十分明显。

Lending Club会对提交申请的借款人进行 资格审查 ，只有符合标准才能拿到借款：（1）FICO分数（根据Experian、TransUnion、Equifax三大征信局信用报告）要在660分以上（2） 债务收入比例 要低于40%（3） 征信报告 ：正在使用的循环账户不少于2户、6个月内征信查询次数小于5次、至少36个月的信用记录。借款人通过初始信用审查后，Lending Club会再次通过评分模型对申请人进行评估，两次的结果将会一起输入Model Rank中，最终得到一个基础风险子级。Lending Club会根据这个风险子级结合客户贷款的金额和贷款期限得出最终子级。最终子级共有35个级别，分为A、B、C、D、E、F、G这7 个等级，每个等级又包含1、2、3、4、5 五个子级。最终子级的不同对应了不同的贷款利率， 子级等级越高，贷款利率则越低 。

根据Lending Club的分级流程，借款申请人越符合平台资格审查的标准，最终的风险等级越高，借款所需的利率也越低。所以本文通过以下几个问题，借助SQL对Lending Club 2018年第二季度的贷款数据进行分析，探究 平台的审查条件是否合理 ：

1.哪个信用等级的还款意愿最高？坏账主要集中在哪个风险等级？

2.资产负债比率越低，还款能力是否越高？

3.6个月内征信查询次数越少，还款意愿是否越高？

4.过去2年内逾期30天以上的次数越少，还款意愿是否越高？

5.还款能力是否与客户贷款目的有关？

数据集来自： Lending Club

将数据导入SQLyong后，观察数据特征：数据包括2018年Q2的贷款数据记录，共130770多行，多达145个字段，本文只选取一些 关键字段 作为分析：

loan_status ：贷款状态（Fully paid-全额还款  Charged off-已指谈衡注销的坏账  Current-当前  Default-违约不还  Late 31-120 days-逾期31-120天  In grace period-宽限期内  Late 16-30 days-逾期16-30天  Issued-已放款）

grade ：信用评级

dti ：资产负债比（负债总额/资产总额）*100%

inq_last 6mths ：近6个月查询次数

delinq_2yrs ：近2年逾期30天以上次数

annual_inc ：年收入

emp_length ：工作年限

purpose ：贷款目的

1.修改表名

将表名修改为Lending Club贷款情况

2.选择子集

由于原数据字段太多，所以只挑选了以上8个关键字段作为分析

3..列名重命名

为了方便分析，把字段名重命名为中文名：

方法一：可通过SQL语句实现字段重命名

方法二：也可以直接在客户端内双击字段名进行修改，因为字段较多，本文采用这种方法修改名字

4.删除重复值

由于每行数据都是一个客户id，所以不存侍雀在重复值

5.处理缺失值

通过语句查询发现资产负债比存在空值，本文不进行删除，直接将null值作为一类。依次查询其他列没有发现其他缺失值

1.哪个信唯做用等级的还款意愿最高？坏账主要集中在哪个风险等级？

将还款情况分为还款正常和逾期还款，还款正常包括Fully Paid 、Current、In Grace Period，逾期还款包括Late (16-30 days)、Late (31-120 days）、Charged Off、Default

输出结果：

由此可知信用等级A-C的放款人数最多，还款意愿也最强，随着信用等级变低，正常还款数量开始降低，坏账率逐渐上升。

2.资产负债比率越低，还款能力是否越高？

观察数据发现，资产负债比的区间为【0,999】，按照步长为10分为[0,10）、[10,20）、[20,30)、[30,40)、(≥40)五个区间，另外加上null值，共6个区间。

输出结果：

由图可知资产负债比与还款意愿总体呈现反比趋势。客户的资产负债比越低，还款意愿越强，在20%-30%区间内，还款占比最高，之后逐渐开始下降，逾期比例上升，还款能力降低。资产负债比为空值的客户逾期还款率高达1.23%，需要对未填写资产负债比的客户进行放款控制。

3.6个月内征信查询次数越少，还款意愿是否越高？

输出结果：

近6个月查询次数与还款意愿有一定的联系，普遍来说查询次数越高，逾期还款的占比越大。但是查询次数为4次时比较特殊，这一次数下的逾期还款为0，可能为该季度的特例导致。总体来看，还款意愿与查询次数还是存在反比的关系。

4.过去2年内逾期30天以上的次数越少，还款意愿是否越高？

输出结果：

由图可知当逾期次数在0-5次时，次数与逾期占比呈现正比关系，过去2年内逾期的次数越多，造成坏账的比率就越大。但当次数超过5次时，正常还款占比都远高于逾期还款占比。仔细分析逾期次数超过5次的具体数据可知，除了逾期超过7次的客户有1次逾期还款，其他次数的逾期还款人数都为0，从而使得正常还款占比反而较高。也可能是Lending Club对于逾期次数太多的客户控制了放款通过率。总体来说，当逾期次数在0-5次这个区间时，次数越小，还款意愿会越高。

5.还款能力是否与客户贷款目的有关？

输出结果：

由图可知，因为搬家、旅游、医疗等情况下，逾期还款的占比远远高于其他情况，而因为自身债务或信用卡等问题造成的逾期比例反而不高，所以对于不同的情况需要采取不同的风险监控措施。

通过本文的分析，Lending Club制定的审查条件基本合理：

1. 信用等级越高，还款比率越高 。A-C信用等级区间内的放款人数最多，正常还款的数量也最多，随着等级的降低，坏账率开始上升。证明平台的等级区间划分的基本合理。

2.整体来看，客户的 资产负债比越高，还款意愿越低 ，特别是对于 未提供资产负债比 的客户，逾期还款比例最大，所以需要 加强对这一部分客户的监管 ，督促客户尽快提供相关信息，降低未来的贷款坏账。

3.平台对于近6个月内征信查询次数需小于5次这一规定比较合理。根据分析得知， 次数为0-4次时客户的逾期比率很低 ；当次数为5次时，逾期占比大幅升高。

4.对于客户 近2年内的逾期次数，如果次数在0-5次区间内，次数与还款意愿成反比关系 ，平台需要对次数较多的客户加强管控，避免坏账率上升。而对于 次数超过5次 的客户，根据分析可知，这一部分的客户人数本身就较少，基本上都能够做到正常还款，所以对于这一区间的客户，只要延 续以往的风控措施 即可。

5.本文还对 贷款目的 进行了分析，结果显示对于未来有 旅游、搬家或者医疗需要 的客户，平台需要多加关注，以降低未来坏账率。

⑥ 拍拍贷业务数据分析

所提供数据来自拍拍贷真实业务数据，从2015-01-01到2017-01-30的所有信用标的10%sample样本。数据集包含LC.csv（标的特征表数据）。

1.用户分析
2.借贷相关业务分析

1. 导入数据

2.数据清洗
2.1完整性处理
本数据无重复值，但是在gender/age/province/tags/comments KeyWords这几列中有部分缺失值，其中年龄的缺失值较多，数据不太具有代表性。

2.2全面性处理
在4个表中，actionTime、oerderTime都是以时间戳形式存储，先将时间戳改为日期格式。
2.3唯一性处理

1.用户分析
1.1用户性别分析

从借款用户群体看，男性居多，无论是用户数量还是借款金额都是是女性用户两倍，但在逾期数量上女性稍高于男性群体。

1.2用斗游户年龄分析
判断年龄区间值

对年龄进行细化分组，观察

25-32岁用户数量最多，高达50.24%，为主要用户，另外也表明25-32岁这个年龄段经济压力最大

1.3 用户借款区间维度分析
判断借款金额区间值

观察金额分布情况

拍拍贷借款人借款金额主要集中在100-10000元区间，超过10万元的大额借款不足1%。拍拍贷是小额贷款，针对的目标人群应该是一般白领以下人群。

进一步分析100-10000的借款区间各类分布情况

在100-10000借款区间内，49%是借款2000-5000，借款5000元及以下是72%，大部分人群借款在5000元及以下
1.4 用户初始信用等级分析

初始评级主要集中在C、D评级，初始评级不高，可能是由于渠道认证信息不完善导致。

1.5 用户借款期限分析

绝大多数用户借款期限在5-12月，可以看一看5-12月每个月的具体情唯如况：

借款期限为6个月和12个月较多，一方面这可能跟拍拍贷的借贷产品有关，另一方面也跟用户的习惯有关系

1.6 用户借款利率分析

96%用户借贷利率都在16%年利息上，50%的用户通过拍拍贷获得贷款的利息都在20%以上，小贷贷款只要还款金额能覆盖逾期坏账就是暴利

** 2 借贷相关业务分析 **
** 2.1 时间维度下的客户数量、放款金额、逾期率等 **

随着用户空山销量增长，总借款金额也随着上升，但是在16年11月后，借款金额增长放缓。
平均借贷金额从15年8000-10000到16年3月逐渐稳定在4000元上下，在16年11月平均借贷金额缓慢下降。
月度逾期率在15年12月后维持在15%，但在16年10月开始攀升，到17年1月份约为19%。

** 2.2 逾期率分析 **
** 2.2.1 逾期类型分析 **

电商借款类型逾期率相对较高，应引起足够重视，关注电商客户经营状况以及造成逾期的具体原因。
借款类型为APP闪电和普通，这两类占据逾期用户群体87%，应关注这两类客户使用资金的用途及资金去向。

其他类型是一个特殊的群体，该类客户逾期量跟逾期率都是较高的，应关注该类用户群体深挖原因

** 2.2.2 初始评级逾期率分析**

用户主要初始评级集中在CD两种类型，逾期率相对较高，应重点关注评级CD的客群，需要加以辅助手段，降低逾期率水平

（一）用户维度分析

1、贷款客户男性居多，维护并抓住好男性客户群体
2、平台客户贷款年龄主要集中在25-32岁，可以针对该群体特征，有选择性的进行渠道推广，与此同时，应关注该类群体逾期率较高问题
3、借款金额范围应该5000元以下为主要产品，5000-10000为次要产品推广
4、应该重点关注初始信用等级为C和D的用户群体，降低这类客户的逾期率
5、用户偏好的借款期限在6个月和12个月，但是逾期率较高，9个月的借款量较少，但是逾期率偏低，可以推广三个季度的借贷产品。
6、拍拍贷借款利率多说超过20%，利率超过16%在96%以上

（二）业务分析

1、随着用户量增长，总借款金额也随着上升，但是在16年11月后，借款金额增长放缓，逾期率却在上升，应加大了风控措施。

2、平均借贷金额从15年8000-10000到16年3月逐渐稳定在4000元上下，在16年11月平均借贷金额缓慢下降，应收缩借贷金额规模，提高甄别等级。
3、借款类型应可重点推广APP闪电和普通类型的借款，但是要提高风控水平。电商借款类型，要关注用户经营状况。
4、对初始信用评级在C、D的，应多拆出几个更新维度的信用评级，用于有针对性进行风控，降低逾期率。

⑦ 我国商业银行不良贷款的特点有哪些

不良贷款即有问题的贷款，是指借款人不能够按照之前的贷款合同正常对商业银行偿还本金与利息。具体而言,不良贷款一般包括呆帐贷款、呆滞贷款和逾期贷款三类。呆账贷款是指是指借款人宣告破产，清偿之后，能无法还清的贷款。呆滞贷款一般是指逾期2年及2年以上仍无法偿还的贷款。逾期贷款是指超过规定期限无法偿还的贷款。
从国家权威机构公布的资料分析，我国目前银行业不良贷款有以下特点。
不良贷款总量巨大，并且呈现增长速度。我国商业银行截止2014第一季度末，不良贷款余额6461亿元、比年初增长541亿元，增长4%，不良贷款占1.04%，达到最近几年最高，五大银行中农行和交行均超过均值，建行第一季度增长金额高达55亿元。
金融企业不良贷款的形成原因是纷繁复杂的，一般认为，主要是由于银行自身经营管理不善造成的，而我国不良贷款产生的原因却不同，有以下几方面。
1.政府不合理干预。主政府不合理干涉导致信贷活动不能正常运行，经济金融市场混乱，存在潜在风险，主要表现在两个方面：一是国家或地方要求商业银行根据国家意愿进行贷款，一是有要求银行与企业提高经济效益，不断发展。
2.法律不健全，执法不严。
(1)法律法规不够完善。银行与企业之间的债权债务不够明确，且缺乏相关法律保障，监督机构没有充分发挥作用;对金融市场了解甚少，信贷管理水平落后，无法与国际金融接轨。
(2)执法不严。执法部门在执行过程中，有的地方实行地方保护主义，相关部门对执法过程进行干预，影响了公正;有的部门存在着不按照法律执行、不严格执法等情形，致使国有银行无法维权。
3.企业盲目投资。企业在经营活动中不顾自身经营状况和承受能力，盲目进行投资，从而造成了不断加大的负面效应。很多企业经常通过一些关系从商业银行里获取贷款，但是后面又没有资金了，再继续贷款，这样周而复始，恶性循环，一旦无法及时从商业银行获得贷款，这将危及到企业的正常运行，也使得银行可能无法收回贷款。另外，由于企业没有对项目进行科学合理的预测管理，使得无法达到预期的收益率，甚至发生亏损的现象，无法保证偿债能力，促使增加的贷款形成为不良资产，贷款有继续增加的趋势。
4.缺乏有效金融监管机构。目前，我国金融市场监管机构很少，且大部分只是规范化监管，基本不进行风险性管理。规范化监管对市场反应不敏感，实施措施常常滞后，不能有效防范风险;金融监管机构的监督力度不强，对相关商业银行内部管理不够重视，大多时候只是停留在外部监管，尤其是没有明确商业银行相关部门职责，以及对其职责实施情况没有进行有效监督;金融监管机构对商业银行监管的方式主要是现场检查，相关监管人员仅仅按照上级要求，进行检查工作和报表统计，走的是“流水线”“形式化”，缺乏有效性和防范性;金融监管机构队伍中，一些工作人员素质水平不高也导致很多问题。

⑧ 基于python的prosper借贷平台之数据分析

项目介绍：

p2p 借贷业兄租务具有门槛低，渠道成本低的特性，风险防控对于出借企业来说亩升非常重要。本项目需要

从大量借贷者的数据集中分析出容易违约和不容易违约的人群画像特征，以给业务做贷前决策使

用。同时使用机器学习算法，实现自动识别风险人群（精准率为 89.86%），加快人工审查效率。

项目具体内容：

1、使用 python pandas 工具进行数据清洗、缺失值、异常值处理以及特征指标筛选。

2、使用 python matplotlib 可视化工具进行探索式数据分析，展示用户关键特征如月收入、信用卡

透支情况对于违约率的影响情况。

3、使用机器学习随机森林进行建模分析，使用学习曲线、网格搜索、交叉验证，最终得到了一个评

分为 84.9%、精准率为 89.86%、召回率为 80.70%、auc 面积为 0.9337 数据预测模型。

    本次数据训练使用的模型是随机森林分类算法，通过对预处理过的数据集进行训练，使用学习曲线、网格搜索、交叉验证。最终得到了一个评分为84.9%、精准率为89.86%、召回率为80.70%、 auc面积为0.9337 数据预测模型。 

数据预处理的基本流程与思路：

1、首先要明确有多少特征，哪些是连续的，哪些是类别的。

2、检查有没有缺失值，对确实的特征选择恰当方式进行弥补，使数据完整。

3、对连续的数值型特征进行标准化，使得均值为0，方差为1。

4、对类别型的特征进行one-hot编码。

5、将需要转换成类别型数据的连续型数据进行二值化。

6、为防止过拟合或者其他原因，选择是否要将数据进行正则化。

7、在对数据进行初探之后发现效果不佳，可以尝试使用多项式方法，寻找非线性的关系。

8、根据实际问题分析是否需要对特征进行相应的函数转换。

导入数据集，并查看数据基本情况。可以看到prosper原始数据量比较庞大，一个有113937个样本，80个特征列，1个标签列。

1.1、特征较多，先共删减一部分无用的特征。

1.2 查看数据缺失情况，可以看到有40个特征是存在数据缺失的，缺失率从0.000219-0.882909不等。下面处理缺失数据。

1.2.1 删除缺失值比较多的特征

下面两个特征缺失率太高，且与迅尘老我们要分析的相关性不大，直接删除掉。

1.2.2 获取数据类型是分类变量的所有特征，并使用unknown进行填充

1.2.3 特殊变量使用计算公式进行填充

1.2.4 去掉意义重复列

1.2.5 删除缺失率比较少的特征的缺失数据行

处理完缺失数据后，样本量为106290，特征量为55

1.3 数据过滤

1.3.1 从2009年7月开始，Prosper调整了对客户的评估方式，此次我们只对2009-07-01后的贷款进行分析。

过滤完数据后，样本量变为82931，特征量为54

2.1单变量分析

0为未违约人数，1位违约人数，可以看到2009.07以后，违约率为22.90%

2.1.1不同地区贷款数量分布

从图中可以看到加利福尼亚州贷款数量远比其他州的数量高。由于prosper总部就位于加利福尼亚州，这与实际情况一致。其他排名靠前的分别是得克萨斯、纽约、佛罗里达、伊利诺伊，贷款数据均超过了5000条。根据2015年美国各州的GDP排名，这5个州刚好排名前五，而且顺序也是一致的。说明Prosper平台的用户主要分布在美国经济发达的地区。

2.1.2 贷款人收入情况分布

年薪在25000美金以上在美国属于技术性白领或者有一定学历的职员，50000美金已经是近金领阶层，比如：大学教授，医生等。从图中可以看出Prosper平台用户的收入水平都相对较高，有利于用户还款，利于平台和投资者的风险控制。

2.1.3贷款人职业分布

从图中可以看出，除了不愿意透露具体职业的人，大部分用户是教授、程序员、企业高管等具有一定社会地位的人，这部分人受过高等教育，信用有一定保障。另外，这与之前看到的收入情况相符。

2.1.4贷款人债务收入比分布

大部分用户的债务收入比在0.2左右，超过0.5的占很少部分。说明Prosper平台用户的还款能力还是比较乐观的

2.1.5 贷款者信用卡使用情况

BankcardUtilization代表的是信用卡使用金额和信用卡额度的比值，可以体现用户的资金需求。Prosper用户多是0.5~1之间，说明用户每个月还有信用卡要还，降低了其还款能力。

2.2 相关的关键因素对贷款违约率的影响

2.2.1借贷人收入IncomeRange对违约率的影响

从图中可以看出：

1.一般来说收入越高违约率越低

2.贷款的人员主要集中在中等收入群体

2.2.2 债务收入比DebtToIncomeRatio对违约率的影响

从上图可以看出：

1.债务收入比小于0.6时，违约数明显小于未违约数，

2.当债务收入比大于0.6时，两者的差距不是很明显甚至违约数大于未违约数，说明了债务收入比越大的人越容易违约

2.2.3 借款人BankcardUtilization对违约率的影响

1.总的来说，随着信用卡的透支比例越来越高，违约率也越来越高

2.SuperUse的违约率到了37.5%，这部分人群需要严格了监控，No Use人群也有31%的违约率，当初将信用卡透支比例为0和NA的数据都归类为No Use，显然没有这么简单，应该是大部分人群的NA值是为了隐藏自己的高透支比例而填写的

2.2.4 消费信用分CreditScoreRange对违约率的影响

从上图可以看出：

1.随着信用分数CreditScore的上升，它的违约率在下降

2.大部分贷款者的信用分为650-800，违约率在0.06-0.02

2.2.5 过去7年借款人违约次数DelinquenciesLast7Years对违约率的影响

过去七年违约次数(DelinquenciesLast7Years)能够衡量一个人在过去七年中征信情况，违约一次或以上的人在借款时违约概率更大。

 从上图可以看出：

1.总体来说过去7年违约次数越多，违约率越高

2.过去7年未违约的人数相对来说比其他违约的人数高很多，具体看下面的分析

3.1 数据转化

3.1.1类变量进行哑变量化

样本量变为82931，特征量为127

3.1.2 标签变量进行二分类

已完成贷款的样本量变为26365，特征量为127

未违约率为：0.7709084012895885；违约率为0.22909159871041151

3.2 至此，数据预处理的工作就告一段落，保存预处理好的数据。

 导入经过预处理的prosper借贷数据集

4.1 手工挑选特征查看一下建模效果

准确率为0.7695

4.2 使用模型自己选取特征

准确率为0.7780

4.3 使用学习曲线选取最优n_estimators

在0-200/20内学习，得到最优n_estimators=161,score = 0.8508

在151-171/20内学习，得到最优n_estimators=163,score = 0.8511

4.4 使用网格搜索调其他参数

在0-60/5内学习，得到最优max_depth=41

在0-60/5内学习，得到最优max_features=16

这里由于比较耗时，没有进一步细化选择更高的参数

4.4 最终模型效果

最终准确率 0.8490528905289052

混淆矩阵 :

[[5552  554]

[1175 4914]]

精准率 : [0.82533076 0.89868325]

召回率 : [0.90926957 0.80702907]

roc和auc面积为0.9337

4.5 查看各特征的重要性

4.6 数据预测

预测的违约率0.0427

⑨ Lending Club贷款数据分析

背景

Lending club之所以一度成为全球p2p行业老大的地位得益于其风控系统，不过中美信用体系，金融行业发展程度相差很大，lending club在交易中只充当交易平台，风险由投资者自己承担，lending club 利用其风控系统一度将坏账控制在很枣晌小的比例，我们当然好奇这套模式具体是怎样的？

* 如下图所示：lending club的风控体系分为三步：

* 初步筛选（决定是否准贷）

* 进一步评估

* 深度评估（决定利率）

以上我们看到初步准贷的条件有4点，第一点借款人的信用评分不少于660分，这个要求就很不低了。看来lendingclub的准贷门槛很高，不是什么人都能得到贷款，这也是对在lendingclub上投资客户的负责。

第二步进一步评估过程会整合借款人的条件，将他们分为从A1到E5的25个等级

1.了解lending club的2007-2015年经营信息 ，如：每年交易数变化、每年放款金额变化、每年交易客户数变化，每年人均贷款金额变化。

2.总坏账数，每年的坏账率怎么样？

3.客户贷款需求多集中在什么金额范围内？都选择多久还款期限？

4.利率在什么范围内？

5.Lenging club信用等级风控模型是否管用？坏账出现出现在哪个信用等级上了？

6.工作多少年对于贷款发放来说是好的，什么是不好的？

7.坏账与年收入是否有关系？

8.什么贷款目的是好的，什么贷款目的是坏的？

https://www.kaggle.com/wendykan/lending-club-loan-data/home

主要包括 6大块数据信息

* 基本贷款信息包括,贷款ID、会员ID、贷款金额、贷款期限，分期付款金额，贷款日期，贷款状态；

* 授信信息包括信用等级，利率；

* 个人政务信息包括房屋拥有情况，工作，工作年数，年收入，资产收入比值*100；

* 其他信息包括贷款目的；

* 地理信息：邮编，州；

* 公共记录信息包括过去两年内信用档案中凳纤锋逾期30天以上的次数；

* 过去6个月的查询数目（不包括房屋和汽车按揭）；自借款人最后一次拖欠债务以来的月数等等；

2007-2015年,lending club上交易的客户竖竖数直线攀升，由于贷款期限3年或者5年，没有重复贷款的客户，客户数量的攀升给lending club平台带来不断增长的交易量，这应该是平台信誉积累的结果。

2007-2015年坏账率控制在7.60%的范围，这应该说非常不错，但是我们要注意的是，平台这份数据集还有60万个订单处于‘current’状态，当中一定会出现坏账，我们不能知道到底会最终有多少坏账出现。

客户一般能从lending club贷到不超过3.5万美元，选择三年还的人比较多。

lending club贷款利率平均值是在13.2%，还是比较低的。总体范围在5.3%--29.0%之间。

1.很有意思的是坏账并没有随着评分等级而正相关，‘G’的贷款中坏账反而最少，要知道他们的利率是最高的！有可能是因为lending club的风控措施对‘G’的客户拒贷了，控制了这部分风险。

2.‘A’的坏账少得益于信用好，这个可以理解。这当中恐怕最不能理解的就是‘C’的坏账最多。中间等级的坏账都不怎么好。看来对于‘C’‘D’两级的风控评分政策得要重新调整下比较好了。

坏账竟然很多出现在工作10年以上的客户身上，不过我们看到对工作10年以上的客户发放基数是最大的。对工作10年以上客户的风控审查得更加严格比较好，推测可能是工作10年以上的用户负债压力的大的缘故。

⑩ 豆豆钱贷款靠谱吗

摘要 您好，应该是正规平台，但还是要小心，以下是该平台的资料分析：