前言

Lending Club是美国，同时也是世界最大的P2P互联网金融平台，于2014年12月31号在美国纳斯达克上市，从2007年6月成立截止至2018年6月底，在该平台共发生了200.41万人次的P2P借贷业务，借贷总金额为299.02亿美元，业务范围是美国的51个州，不良贷款率为10.99%。

本文以Kaggle平台的Lending Club公司2007年6月-2018年Q2季度的2004091条贷款数据（151个特征）为研究对象，首先利用Python实现对数据的清洗整理，其次利用Tableau对数据进行快速探索分析，总结了Lending Club（正文简称LC）平台上的贷款客户特征、贷款业务特征，贷款违约影响因素。最后回到Python建立贷款违约预测模型，预测贷款违约率。

整篇报告的结构如下：

一、客户画像分析

(1)、客户基本信息分析

在客户基本信息分析方面，我们将从客户地域分布，客户职业分布，客户工作时间长度分布，客户收入占比变化及客户房产情况等5个角度进行切入。

1、客户地域分布

图1、2007-2018年Lending Club公司贷款客户地域分布

从图中可以看出，客户占比最多的5个州分别是：加利福尼亚州（13.94%），纽约州（8.28%），德克萨斯州（8.24%），佛罗里达州（7.11%）和伊利诺斯州（4.38%）。而客户占比最小的两个州分别是：爱荷华州（0.001%，实际只有16个客户），北达科他州（0.15%）。基本可以发现，一般东西部沿海，经济比较发达的地区，人的贷款需求比较高，主要原因可能是，金融意识比较前卫，商业化水平高，消费水平高，资金需求比较大。也不难发现，这些州的坏账率也是比较高的，可能原因是，商业竞争比较激烈，导致收入的不稳定造成的。

2、客户职业分布

图2、2007-2018年LC平台Top10职业分布情况

根据数据可以看出，经理在申请贷款的人数中，占有最高的比例，12.9%。因为这是客户自己填写的信息，经理是比较容易想到，而且比较泛化的名词，所以客户比较倾向于写经理，也是隐藏自己身份的一种方式。第二高的是政府官员，占比3.68%，其次技术员占比2.91%。护士和教师也位居前列。

3、客户工龄分布

图3、2007-2018年LC平台工龄分布情况

从图中可以发现，LC三成以上的客户，都是工作年龄10年及以上的，说明LC为了防范信贷风险，对于客户的工龄筛选是很严格的。工龄在一年以下的客户，只占到8.11%，而工龄在3年以下的客户，占全部客户总数的24%不到。LC客户工龄中位数大概在6年。

4、客户收入占比变化

图4、2007-2018年LC平台客户收入占比变化

从图4中可以发现：

1、年收入在3万到6万美元的中低收入客户占比最高，超过六成以上的客户，收入都在3万到9万美元之间；

2、收入在6万美元以下的客户占比越来越低，尤其是3万美元收入以下的客户，而收入在6万美元的客户占比越来越高，可以看出LC为了控制借贷的风险，对于收入的要求也在逐年增加；

3、从2016年开始，中低收入的人群占比出现了反弹，可能是因为LC上市后，一直处于亏损状态，迫于股东压力，扩大业务量，而放低了对于客户的审核要求。

5、客户住房类型分布

图5、2007-2018年LC平台客户住房类型分布

从数据可以看出，有将近一般的客户，都是有住房的，不过同时也有着还房贷的经济压力，比例在49.19%。将近四成的客户（39.6%），是处于租房的状态，经济实力比较弱。只有11.17的客户，是有住房，且没有贷款压力的，相对比例较小。

总结：结合上面5个角度的分析，可以发现，LC的客户，大部分都在东西沿海地区，且多为工作十年以上的经理和公务员职业，收入水平大部分集中在收入3-9万美元之间，并且大部分客户有偿还按揭贷款的压力。

(2)、用户信用信息分析

在客户信用分析方面，将按照Grade等级和FICO值的关系，客户开户时长，贬损类公共记录和信用卡循环账户四个角度进行分析。

1、LC平台信用等级和FICO值关系

图6、LC平台信用等级分布及与FICO值的关系

从比较中可以看出，

1、LC自己的信用评分体系Grade/Sub-Grade与FICO值具有很强的相关性，Grade值越高，对应的FICO也是越高的；

2、LC平台的客户，大部分在信用B和C中，即FICO值在690-720之间；

3、信用级别最低的FICO值也在680左右，说明LC平台对于客户的信用程度是把关很严格的，而且也是必要的。

2、客户开户时长分布

图7、LC平台客户信用账户开户时长分布

从数据中可以看出，大部分的客户的开户时长都在10-31年，其中开户时长在10-17年的客户占比最高，比例达到40.16%，最短时长的客户，开户时间也有3年。时长超过38年以上的客户，总体数量很少，说明老年人对于P2P贷款的需求不高。一般来说，信用账户的开户时间，是银行评估客户信用度的重要指标。

3、贬损类公共记录

图8、LC平台贬损类记录分布情况

从图中可以看出，有83.70%的客户，都是没有不良的贬损类记录的，说明LC平台上大部分客户的信用还是很好的。13.70%的客户有过一次的不良记录，总共有2.6%的客户，其贬损记录是超过2次的。

4、信用卡循环账户分布

图9、LC平台信用卡循环额度分布

同图9中可以看出，

1、循环额度在5000-10000美元的客户占比最大，占到24.61%。超过60%以上的客户，额度都在15000美元以下；

2、随着额度增大，用户的占比数呈递减的趋势，到30000-35000美元区间时，只有1.58的客户；

3、还是有相当一部分的客户（10.95%）的额度是大于35000美元的，这一批客户需要特别观察。

总结：

1、LC的信用系统和FICO的信用系统是高度匹配的；

2、LC的客户，FICO分值大部分在（690-720之间），开户时长在10年以上，大部分的客户都没有贬损类记录，超过60%信用卡循环额度大部分在15000美元以下，说明LC的客户信用水平处于偏高的；

3、需要注意的是，有将近11%的客户，其信用卡循环额度在35000美元以上，是超支使用的，很可能导致P2P贷款偿还不上的情况。

二、平台借贷业务分析

在平台借贷业务分析上，主要从平均贷款额度变化，贷款目的分布，各信用等级贷款利率变化，各信用等级不良贷款率变化和DTI（月偿还额/月收入）的变化五个方面进行剖析LC的业务情况。

1、贷款额度明细

图10、LC平台贷款明细表

从图10可以看出：

1、在2015年之前，LC不论在年贷款金额，贷款人数，以及人均贷款金额上，都是快速发展的，在2015年，LC的累计贷款总额达到了130.9亿美元；

2、从2015年开始，LC开始处于平稳发展期，每年的贷款金额，人数以及人均贷款额度都变化不大。

2、贷款目的分布

图11、LC平台借款目的分布表

从分布中可以看出，有56.76%的客户借款是用来债务整合，22.29%的客户是用来偿还信用卡欠款，也就是说，有79%的借款行为，都是用来新债填旧债的。另外还有6.26%的客户是处于其他原因，这一块也很有可能是新债还旧债。处于家庭改善的原因，也有不少家庭选择P2P贷款的模式。

3、各信用等级贷款利率变化

图12、贷款利率和信用等级的关系

图13、利息率的变化情况

从上面两张图可以看出：

1、贷款利率在5-32%之间，主要依据是客户的信用等级，信用度越好，贷款的利率越低；

2、这些年的平均贷款利率稍微有些波动，但是保持在11-13%之间。

3、从2014年开始，LC平台的高利率贷款项目明显增多，这一情况在2016年达到了最严重的情况，但是在之后的两年，高利率贷款情况有明显得到控制。

4、贷款状态的分布

图14、贷款状态分布

从上面分布可以看出：

1、有55.32%的贷款正在进行中，所以无法判断其中最后会有多少笔贷款拿不回来；

2、目前有33.59%的贷款顺利完成了交易；

3、有8.52%的客户，并没有还款，注销了账户，另外有1.38%的客户已经延迟了30天以上，并未偿还贷款。

5、DTI（月偿还额/月收入）的变化

图15、LC平台客户DTI分布情况

从图中可以看出，大部分的贷款客户的DTI在35%以下，说明还款压力不是很大，另外有0.67%的客户，DTI大于45%，对其偿还贷款形成了比较大的压力。

总结：

1、平台的规模一直处于比较快速的发展，在2015年之后，发展速度趋缓；

2、超过79%的借贷目的，是为了偿还旧的债务，这对于平台来说不是一件很好的事；

3、贷款的利率是和客户信用呈正相关的，贷款利率在5-32%，这些年总体的利率稳定在11-13%之间，是远高于国债和企业债的收入的；

4、不良贷款率的水平在10.99%，而且还有55.32%的贷款还在进行中；

5、96%以上的客户，DTI值都在35%以下，59%以上的客户，DTI值都在20%以下，贷款客户的整体还贷压力不是很大。

三、不良贷款率相关性分析

从数据集中的151个特征中，选择了17个作者自认为重要的特征，通过清洗，补缺，分箱，转换后，进行了相关性分析，结果如下图：

图16、客户特征相关性热图

从相关性热图中可以看出，

1、信用等级和不良贷款率的相关性最大（0.21），而利率是与信用等级直接相关的，所以它和不良贷款率之间也有着很大的相关性（0.19）；

2、令人吃惊的是，信用开户时间和不良贷款率之间完全不相关，相关性为0，地域和不良贷款率之间也没有显而易见的相关性，也是0；

3、申请贷款的期限和不良贷款率之间是负相关（-0.08），可以理解为，申请贷款的时间越长，不确定性越大，贷款人拖欠贷款的可能性也越大；

4、DTI值（0.06）和收入（-0.05）也与不良贷款率存在一定关系，说明，月还款压力越小，收入越多，最后还款的意愿也是越强的；

5、房屋持有情况和不良贷款率存在一定的相关性（0.05），显然，有自有住房的客户，更愿意偿还贷款。

下面先从信用等级，利率，申请贷款期限，DTI值，收入和房屋持有情况五个方面进行二元分析。

（1）、二元相关性分析

1、信用等级和不良贷款率的关系

图17、LC平台不良贷款率和信用等级的分布关系

从上图中可以看出，

1、随着信用等级的降低，不良贷款率是明显提升的，信用等级从F开始，不良贷款率高达31.54%，而信用等级G的不良贷款率更是高达32.14%；

2、信用等级为A时，不良贷款率明显很低，但是还是存在，说明信用借贷的情况，确实存在很多不可抗的因素。

2、贷款利率与不良贷款率的关系

图18、贷款利率与不良贷款率的关系

从图中可以发现，不良贷款率的利率水平，高于良性的贷款，但是并没有想象的高，差值在3%以内，可能的原因是，低贷款利率的贷款基数大，而高贷款利率的贷款基数小，平均下来，拉低了不良贷款利率的均值。

3、申请贷款期限与不良贷款率的关系

图19、贷款期限和不良贷款率的关系

从数据中可以看出，贷款期限长的贷款，不良贷款率越高，说明，时间越长，贷款的不确定性就越高，所以最后导致不良贷款的可能性也越大。

4、DTI值与不良贷款率的关系

图20、DTI分布与不良贷款率关系

从数据中可以看出，随着DTI的增大，不良贷款率也在增大，但是这一趋势在DTI大于40%时，呈现出了反向的趋势，甚至在DTI大于45%的区间，不良贷款率只有6.09%，比DTI小于5%的区间还低，进一步的原因，可能需要多方的相关性发挖掘出来。

5、房屋持有情况与不良贷款率的关系

图21、房屋持有情况与不良贷款率的关系

从以上数据可以看出，不同的房屋持有情况对于不良贷款率是有一定影响的。令人惊讶的是，自己拥有住房的贷款客户，不良贷款率居然比按揭还款用户高1.12%。租房客户的还款情况不容乐观，高达12.74%。最严重的是填写了other的客户，不良还款率高达20.88%。出人预料的是，填写了any的贷款客户，不良贷款率是最低的，只有6.08%，不过因为数量太少，可参考的价值不是很高。

（2）、多元相关性分析

图22、信用等级、贷款期限与DTI与不良贷款率的关系

从多元分析中可以发现，

1、一般情况下，短期的贷款违约率要比长期的低，但是在高信用客户中会发现，短期贷款的违约率是比长期的要高的；

2、随着DTI的增大，长期贷款的违约率，是逐渐比短期贷款的违约率要低的，而且仔细发现，在DTI在30-40区间，A类客户的不良贷款率下降特别明显；

3、大部分的贷款客户，都集中在DTI在30%以下，信用等级高于D级的范围；

总结：

1、从相关性分析来看，与不良贷款率相关性最大的是客户的信用等级和贷款利率；

2、贷款期限越长的贷款，不良贷款率也相对更高；

3、DTI是一个比收入更能反应与不良贷款率相关性的指标，但是当DTI超过30%时，不良贷款率猛降，主要贡献来自此区间的A类贷款客户，可以进行进一步研究；

4、相对于自有住房者，按揭住房的客户，按时还贷的可能性更高。

四、不良贷款预测模型

1、明确问题及评估体系的选择，

这个预测模型是为了筛选出存量客户中，有较强申请贷款业务的客户，所以这类预测为二分类的监督机器学习问题；

从已知的情况来看，不良贷款率是10.99%，属于不均衡的二分类问题，所以评估的标准不能单单以准确率为主，这里选择AUC值来评估模型的好坏，再通过调节评估的阈值，来微调预测结果；

2、模型特征选择，

通过前面的客户画像，平台业务特征，二元及多元特征分析，我们将客户的信用等级，贷款利率，贷款期限，DTI值，房屋持有情况，客户收入等6个特征作为贷款营销预测模型的特征值。

3、建立训练数据集和测试数据集，

我们将截止至2018年Q2季度，通过清洗后的2004033个客户信息作为数据集，拆分出75%训练数据集和25%测试数据集。

4、利用机器学习算法训练模型，通过选择模型及调节超参数，优化结果，

本文先用Logistics回归，随机数森林树，高斯等二分类模型进行初次预测。根据结果，选择最佳模型进行调参优化。

5、评估模型的准确率，

最后通过比较，Logistics回归模型结果最好，准确率为88.73%，AUC值为0.6837，最后方案可以根据业务需要，调节评估的阈值，来达到最优的业务目的。