摘要金融科技在塑造金融和银行景观方面发挥了越来越多的作用。人们担心金融科技贷方使用替代数据来源以及对金融包容性的影响。我们比较了由传统银行渠道起源的大型金融科技贷方和类似贷款的贷款。具体来说,我们使用LendingClub的帐户级数据以及银行控股公司的Y-14M报告,总资产为500亿美元或更多。我们发现与利率价差,LendingClub评级等级和贷款绩效有很高的相关性。有趣的是,评级等级与FICO分数之间的相关性已从约80%(起源于2007年的贷款)下降至最近的年份(起源于2014- 2015年),这表明非正式替代数据已被金融科技贷方越来越多。此外,我们发现评级等级(基于替代数据分配)在起源后两年内预测贷款绩效方面表现良好。替代数据的使用使一些借款人可以按照传统标准将其归类为次级贷款,从而将其定为“更好”的贷款等级,这使他们获得了低价的信用。此外,对于违约的风险,消费者在贷款库中支付的贷款价差要比信用卡借贷的贷款较小。Keywords: fintech, LendingClub, marketplace lending, alternative data, shadow banking, P2P lending, peer-to-peer lending JEL Classification: G21, G28, G18, L21 __________________________________________ * julapa.jagtiani@phil.frb.org or 215-574-7284.作者感谢Erik Dolson,Raman Quinn Maingi,John Nguyen,尤其是Leigh-Ann Wilkins的研究帮助。他们还感谢Oneime Epouhe对压力测试数据的帮助。Tracy Basinger,Robin Prager,Joe Hughes,Bob Hunt,Robert Wardrop,Raghu Rau,Paul Calem,Chris Cumming,Kathleen Hanley以及参加年度FDIC会议,美国经济协会会议以及NYU Fintech年度会议的参与者。本文是“金融科技贷款中的替代数据和机器学习的作用:来自LendingClub消费者平台的证据” Julapa Jagtiani和Catharine Lemieux,费城联邦储备银行工作文件,2018年4月18日至15日,费城工作文件。免责声明:本工作论文代表了出于讨论目的而散发的初步研究。本文所表达的意见是作者自己的观点,不一定代表费城联邦储备银行,芝加哥联邦储备银行或美联储系统的观点。任何错误或遗漏都是作者的责任。这里不应将任何陈述视为法律建议。费城美联储工作论文可以在https://philadelphiafed.org/research-and-data/publication/working-papers上免费下载。
主要关键词