两家大型网贷平台竟在借款人审核问题上“偷懒”?

 

python信用评分卡(附代码,博主录制)

 

https://study.163.com/course/introduction.htm?courseId=1005214003&utm_campaign=commission&utm_source=cp-400000000398149&utm_medium=share

 

 

放贷流量增加,逾期率也会随之增加,是否盈利取决于赚的利息钱-逾期损失

 

 金融之家6月15日讯,如果你以为一家网贷平台规模够大,名声够响亮就可以放心投入自己的资金的话,那你就太天真了。即使是世界上最大的网贷平台依然可能存在审核借款人信息“不较真”的情况。关键时刻,分辨标的的好坏还得靠自己的火眼金睛。

  根据彭博社的Matt Scully的一份报告,Prosper Marketplace和lending club这两家全球最大的在线个人贷款平台,在核实借款人收入和就业等关键信息时并不总是“十分认真”。

  彭博社发现,这两家公司经常在关键贷款信息上接受客户的说法,即使有错误,例如夸大收入,他们也不会拒绝贷款。

  根据 Scully的说法,

  “根据与上个月 Prosper销售的债券挂钩的文件显示,Prosper Marketplace inc.为借款人提供贷款时没有核实收入和就业等关键信息,这些信息约占其贷款总额的四分之一。而另一家知名网贷平台LendingClub corp,根据与该公司债券销售相关的披露信息,包括LendingClub目前提供的证券文件显示,在该公司2016年最受欢迎贷款中,只有三分之一的贷款人收入是经过验证的。如果两家银行在借款人的申请中发现了错误,比如夸大了收入,他们可能仍会继续贷款。”

  两家公司为自己的做法进行了辩护,理由是先进的风险控制程序有助于杜绝欺诈行为。

  Prosper向彭博社表示,它将核实其所有贷款的身份和银行账户,并表示它已经“开发出了一些行业领先的风险缓解控制措施”。

  Lending Club的一名代表告诉彭博社,该公司使用“机器学习和其他技术来构建可靠的模型,这些模型可以细分哪些借款人需要验证,哪些不需要。”

  与传统银行不同,网贷平台可以通过邮件、在线广告和节目赞助等方式迅速招揽客户。作为贷款审批流程的一部分,大多数平台采用自动化的方式检查借款人的信用指标和历史信用数据,在这些平台看来,这样既可以避免操作工资和税单审查等劳动量较密集的工作,又能降低借款人的坏账率。

  然而,尽管机器学习技术、大数据管理和先进的欺诈检测方法等手段能帮助网贷平台比传统贷款机构在贷款选择方面做出更好的决定。但这仍阻止不了在线消费贷款的逾期率和坏账率的飙升。

  在过去的一年里,Lending Club和Prosper Marketplace这两家最大的美国在线消费者贷款机构在2016年累计亏损近2.65亿美元。

  以Prosper Marketplace来说,根据市场机构Insikt的数据显示,其净坏账率从2015年12月的0.41%上升至2016年底的0.97%。而同期30天以上的逾期率则从1.66%上升至3.33%。 Lending Club表现稍微好一些,其净坏账率在2016年12月达到0.75%,高于2015年底的0.43%,而逾期率相对稳定,2016年底为2.52%,而2015年为2.43%。

  彭博社援引摩根士丹利的数据称,尽管经济指标相对强劲,但在线贷款机构的贷款速度却比预期的要快。在这一方面,lending club 和Prosper Marketplace并不是个例。

  根据穆迪上月透露,作为美国最大的次级抵押贷款机构之一的桑坦德银行在10亿美元的债券发行中,仅对8%的借款人进行了收入检查。与此同时,信用卡公司的客户违约率上升,表明他们也开始放松自己的标准,更加积极地发放信贷。

  降低对借款人的审核标准有助于网贷平台追逐更高的利润,但投资者往往会伴随着更大的风险。

  因此,尽管网贷平台在赶在投资者之前对借款人先行进行审核,但投资者还要进一步擦亮双眼。在进行投资时,除了先看平台本身的资质以外,还要学会筛选优质借款人,从多个方面,例如还款意愿、还款能力以及是否进行实物抵押等角度仔细审核。即便平台大如lending club都免不了会有“漏网之鱼”,你还有什么理由不谨慎呢?

 

https://study.163.com/course/courseMain.htm?courseId=1005988013&share=2&shareId=400000000398149(博主录制,2K超清分辨率)

 

 

 

转载于:https://www.cnblogs.com/webRobot/p/9099852.html

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/389547.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

解决 Alfred 每次开机都提示请求通讯录权限的问题

安装完 Alfred 以后,每次开机都会提示请求通讯录权限,把设置里的通讯录关掉也没用,每次都提示又非常烦人,这里把解决方法记录一下。 依次打开 应用程序 - Alfred 3.app - 右键显示包内容 - Contents - Frameworks - Alfred Framew…

【转】DCOM远程调用权限设置

原文:https://blog.csdn.net/ervinsas/article/details/36424127 最近几天被搞得焦头烂额,由于DCOM客户端程序是在32位系统下开发的,调试时DCOM服务端也是安装在同一台机器上,所有过程一直还算顺利。可这次项目实施的时候&#xf…

opencv:边缘检测之Laplacian算子思想及实现

Laplacian算子边缘检测的来源 在边缘部分求取一阶导数,你会看到极值的出现: 如果在边缘部分求二阶导数会出现什么情况? 从上例中我们可以推论检测边缘可以通过定位梯度值大于邻域的相素的方法找到(或者推广到大 于一个阀值). 从以上分析中&#xff0c…

使用机器学习预测天气_如何使用机器学习预测着陆

使用机器学习预测天气Based on every NFL play from 2009–2017根据2009-2017年每场NFL比赛 Ah, yes. The times, they are changin’. The leaves are beginning to fall, the weather is slowly starting to cool down (unless you’re where I’m at in LA, where it’s on…

laravel 导出插件

转发:https://blog.csdn.net/gu_wen_jie/article/details/79296470 版本:laravel5 php 5.6 安装步骤: 一、安装插件 ①、首先在Laravel项目根目录下使用Composer安装依赖: composer require "maatwebsite/excel:~2.1.0"…

国外 广告牌_广告牌下一首流行歌曲的分析和预测,第1部分

国外 广告牌Using Spotify and Billboard’s data to understand what makes a song a hit.使用Spotify和Billboard的数据来了解歌曲的流行。 Thousands of songs are released every year around the world. Some are very successful in the music industry; others less so…

Jmeter测试普通java类说明

概述 Apache JMeter是Apache组织开发的基于Java的压力测试工具。本文档主要描述用Jmeter工具对基于Dubbo、Zookeeper框架的Cassandra接口、区块链接口进行压力测试的一些说明,为以后类似接口的测试提供参考。 环境部署 1、 下载Jmeter工具apache-jmeter-3.3.zip&am…

opencv:Canny边缘检测算法思想及实现

Canny边缘检测算法背景 求边缘幅度的算法: 一阶导数:sobel、Roberts、prewitt等算子 二阶导数:Laplacian、Canny算子 Canny算子效果比其他的都要好,但是实现起来有点麻烦 Canny边缘检测算法的优势: Canny是目前最优…

关于outlook签名图片大小的说明

96 dpiwidth576 height114转载于:https://blog.51cto.com/lch54734/2298115

opencv:畸变矫正:透视变换算法的思想与实现

畸变矫正 注意:虽然能够成功矫正但是也会损失了部分图像! 透视变换(Perspective Transformation) 概念: 透视变换是将图片投影到一个新的视平面(Viewing Plane),也称作投影映射(Projective Mapping)。 我们常说的仿射变换是透视…

数据多重共线性_多重共线性对您的数据科学项目的影响比您所知道的要多

数据多重共线性Multicollinearity is likely far down on a mental list of things to check for, if it is on a list at all. This does, however, appear almost always in real-life datasets, and it’s important to be aware of how to address it.多重共线性可能根本不…

PHP工厂模式计算面积与周长

<?phpinterface InterfaceShape{ function getArea(); function getCircumference();}/** * 矩形 */class Rectangle implements InterfaceShape{ private $width; private $height; public function __construct($width,$height){ $this->width$…

K-Means聚类算法思想及实现

K-Means聚类概念&#xff1a; K-Means聚类是最常用的聚类算法&#xff0c;最初起源于信号处理&#xff0c;其目标是将数据点划分为K个类簇&#xff0c; 找到每个簇的中心并使其度量最小化。 该算法的最大优点是简单、便于理解&#xff0c;运算速度较快&#xff0c;缺点是只能应…

(2.1)DDL增强功能-数据类型、同义词、分区表

1.数据类型 &#xff08;1&#xff09;常用数据类型  1.整数类型 int 存储范围是-2,147,483,648到2,147,483,647之间的整数&#xff0c;主键列常设置此类型。 &#xff08;每个数值占用 4字节&#xff09; smallint 存储范围是-32,768 到 32,767 之间的整数&#xff0c;用…

充分利用昂贵的分析

By Noor Malik努尔马利克(Noor Malik) Let’s say you write a query in Deephaven which performs a lengthy and expensive analysis, resulting in a live table. For example, in a previous project, I wrote a query which pulled data from an RSS feed to create a li…

【java并发编程艺术学习】(一)初衷、感想与笔记目录

不忘初心&#xff0c;方得始终。 学习java编程这么长时间&#xff0c;自认为在项目功能需求开发中没啥问题&#xff0c;但是之前的几次面试和跟一些勤奋的或者小牛、大牛级别的人的接触中&#xff0c;才发现自己的无知与浅薄。 学习总得有个方向吧&#xff0c;现阶段就想把并发…

层次聚类和密度聚类思想及实现

层次聚类 层次聚类的概念&#xff1a; 层次聚类是一种很直观的算法。顾名思义就是要一层一层地进行聚类。 层次法&#xff08;Hierarchicalmethods&#xff09;先计算样本之间的距离。每次将距离最近的点合并到同一个类。然后&#xff0c;再 计算类与类之间的距离&#xff0…

通配符 或 怎么浓_浓咖啡的咖啡渣新鲜度

通配符 或 怎么浓How long could you wait to brew espresso after grinding? Ask a barista, any barista, and I suspect their answer is immediately or within a few minutes. The common knowledge on coffee grounds freshness is that after 30 minutes or so, coffee…

保留

看见 你在我眼前 不去猜想我们隔多远 当我 夜幕中准备 只想让沉默的能开解 在不同的遭遇里 我发现你的瞬间 有种不可言说的温柔直觉 在有限的深夜消失之前 触摸你的脸 我情愿这是幻觉 也不愿是种告别 已经忘了 你的名字 就在这座 寂静星石 怎么还有 你的样子 被保留 给我 一整个…

《netty入门与实战》笔记-02:服务端启动流程

为什么80%的码农都做不了架构师&#xff1f;>>> 1.服务端启动流程 这一小节&#xff0c;我们来学习一下如何使用 Netty 来启动一个服务端应用程序&#xff0c;以下是服务端启动的一个非常精简的 Demo: NettyServer.java public class NettyServer {public static v…