金融科技机构的贷款风险英

由guest于2023年12月23日从https://academic.oup.com/rfs/article/34/10/4565/6054822下载 金融科技借款人：宽松的筛选还是撇脂 ？ 马可·迪马吉奥 哈佛商学院和NBER VincentYao J.MackRobinson商学院，佐治亚州立大学 我们使用涵盖金融科技和传统贷款人的独特个人层面数据来研究个人信贷市场。我们表明，金融科技贷款人首先向风险较高的借款人贷款，然后向更安全的借款人贷款，并主要依靠硬信息来做出信贷决策，从而获得市场份额。与从传统金融机构借款的具有相同特征的邻居个人相比 ，金融科技借款人违约的可能性要高得多。此外，他们往往会经历短期的信贷成本下降，因为他们的债务在贷款发放后比非金融科技借款人增加得更多。然而，金融科技贷款人的定价策略可能会考虑到这一点。（JELG21，G23，G51）。 收到2019年2月13日;编辑决定2020年10月20日由ItayGoldstein编辑。 金融市场最近见证了一股颠覆性力量：在线中介机构的崛起，更广泛地说，是金融科技公司，即应用技术改善金融活动的公司。金融科技公司已经瞄准了消费信贷市场，这是最大的信贷市场之一，2018年的未偿还信贷为3.8万亿美元（纽约联邦储备银行2018年），其市场份额预计到2020年将增加到20％（Trasio2017年） 。因此，重要的是要了解这些新的中介机构如何影响家庭的借贷和消费决策。鉴于它们越来越受欢迎，自然会有一些问题要问：谁向金融科技贷款人借款？金融科技贷款人是为传统银行体系服务不足的个人服务，还是能够吸引信誉最高的借款人 ？这些贷款是否有助于借款人建立更好的信用记录？ 第一个版本：2018年8月我们感谢编辑ItayGoldstei和两位匿名裁判的有益评论，极大地改善了论文。我们也感谢LareCohe,TheresaKchler,HolgerMeller,ScottNelso,EriStafford,JohaesStroebel,BorisVallee以及各种研讨会和会议参与者的反馈。将信件发送给马可·迪马吉奥，mdimaggio@hbs。ed和VicetYaowyao2@gs。ed. 金融研究综述34(2021)4565-4618 ©作者(s)2020。由牛津大学出版社代表金融研究学会出版。保留所有权利。有关权限,请发送电子邮件:journals.permissions@oup.com。 doi：10.1093/rfs/hhaa142AdvanceAccess出版物2020年12月29日 由guest于2023年12月23日从https://academic.oup.com/rfs/article/34/10/4565/6054822下载 一些观察家认为，金融科技贷款机构可能能够在银行发现利润不高的地方经营。1这可能是因为他们面临着显著较低的固定成本，例如，他们没有分支机构，或者因为他们的监管不那么严格，这可能允许他们采用宽松的贷款标准。2因此，金融科技贷款人的进入可能会减轻信贷摩擦，例如由于信息不对称而导致的信贷配给（Stiglitz和Weiss1981）或不完全竞争（Asbel1991；Parlor和Raja2001）。这可能会导致财务受限的家庭获得信贷，或降低从传统机构转向新在线贷方的家庭的融资成本。相反，使用不同的数据和工具可能使金融科技贷款人能够捕获最有信誉的借款人，这可能导致降低从银行贷款的家庭池的平均质量。因此，市场均衡看起来如何仍然是一个经验问题。 理想情况下，要调查这些问题，需要有关借款人特征的个人数据，包括有关其负债的信息，不仅在贷款申请时记录，而且随着时间的推移;此外，有一个基准来评估金融科技借款人的表现至关重要-例如，类似的个人从其他机构借款。本文使用来自该国三个主要信用局之一的新颖而独特的面板数据来研究这些问题，这使我们能够克服这些挑战。数据的关键新颖性是区分传统和金融科技贷款机构的能力，有关贷款条款的信息，以及数据的丰富性，其中包括有关所有借款人负债的信息，以及有关借款人的一些人口统计信息。与现有的金融科技贷款机构的研究相比，我们能够在我们的分析中包括多个贷款机构，而不是关注贷款俱乐部，我们的数据是每月借款人级别的面板，而不是贷款申请的横截面。此外，与以前的研究相比，我们观察到一个自然基准：个人同时从传统贷款机构借款。 虽然这些数据涵盖了多种类型的贷款，但我们关注无担保个人贷款有两个关键原因。首先，个人信贷是消费者信贷市场增长最快的部分之一，它一直是金融科技贷款人特别感兴趣的主题。其次，这些贷款是无担保贷款，这使得它们更容易在贷款人之间进行比较，因为 1例如，杰米·戴蒙（JamieDimo）在2014年对投资者说：“有数百家拥有大量头脑和资金的初创公司正在研究传统银行业务的各种替代方案。你读到的最多的是贷款业务，通过这些业务，公司可以非常迅速地向个人和小企业提供贷款，而且-这些实体认为-通过使用大数据来有效地加强信贷承销。他们非常擅长减少痛点，因为他们可以在几分钟内发放贷款，这可能需要银行数周的时间”(摩根大通公司。2014年年度报告）。 2Fintech贷方通常由消费者金融保护局和州监管机构监管，而不是由美联储或货币监理署(OCC)监管。 由guest于2023年12月23日从https://academic.oup.com/rfs/article/34/10/4565/6054822下载 合同是标准的，唯一的条款是贷款规模、期限和利率(我们观察每一个)。 由于对消费信贷市场知之甚少，我们首先调查了它的主要特征以及这个市场在过去几年中是如何演变的。一个关键问题是，金融科技贷款人如何成功地增加他们的足迹，同时也面临着更成熟的金融机构的竞争。有两种可能成功的市场渗透策略。新的贷款机构可能会瞄准信贷受限的借款人，这样做的好处是为他们提供更多的数据来改善他们的信贷模型，并有时间提高他们的品牌认知度，以吸引更好的借款人 ，但这很可能是以更高的违约率为代价的。相比之下，新的贷方可能会尝试将重点放在信誉最高的借款人上，通过向他们提供比传统银行更好的条件来赢得他们的青睐；这可能会导致数量增长放缓和盈利能力下降，但它可以向市场证明在识别高质量借款人方面的更好技术。 我们通过根据贷方在州一级定义的特定市场中运营的时间来区分贷方来检验这一假设。我们发现，金融科技贷款人倾向于从信誉较低的个人开始，然后通过将信贷扩展到更好的借款人来增加他们的市场份额。3大多数金融科技借款人的信用评分 在640到720之间。他们往往拥有更多的账户，表现出更高的信贷利用率，这表明他们已经有了充足的信贷渠道，申请金融科技贷款的潜在原因之一是为了合并更高利率的信用卡债务。在所有规范中，为了吸收地方一级的任何随时间变化的信贷需求冲击，例如房价或就业机会的变化，或这些新贷方的异质扩散，我们按月固定效应控制邮政编码。 我们可以进一步利用数据的粒度来探索主要的贷款特征。特别是，我们测试金融科技和传统机构提供的贷款功能是否存在显著差异。我们发现，金融科技贷款人对得分较低的借款人收取平均较高的利率，约高3％。4我们调查了这种定价差异是否取决于金融科技贷款人的市场份额，并发现对于金融科技贷款人的地区，定价差异较低。也就是说，金融科技贷款机构在仍有增长空间的地区收取更高的利率时更加谨慎。相反，我们发现金融科技贷款人比非金融科技贷款人为得分较高的个人提供了更好的交易，利率较低1.5％。最后，如果数据处理是金融科技和传统贷款人之间的关键区别之一，人们可能会认为利率会有所不同，具体取决于信用报告的信息量。 3或者，这一结果可能是需求驱动的，因为在开始时，金融科技贷款人可能只吸引无法从其他贷款机构获得信贷的借款人。然而，一旦他们的声誉建立起来，金融科技贷款人可能能够吸引更高质量的借款人。 4该费率不包括我们没有观察到的潜在额外费用。 由guest于2023年12月23日从https://academic.oup.com/rfs/article/34/10/4565/6054822下载 contains.Wefoundtheratedifferenceisthelargestforborrowerswiththinfiles,asfintechchargeapremiumofmorethan5%comparedwithnonfintechlenders. 这些证据表明，信用报告中包含的硬信息的使用方式可能是解释贷方定价决策差异的关键因素。然而，金融科技贷款人宣传使用信用报告中没有的替代数据，例如租金支付历史、水电费或教育，以更准确地评估消费者的财务行为。我们通过对借款人特征的利率进行回归，同时考虑线性和非线性影响，并通过按月固定影响包括邮政编码来控制随时间变化的冲击，从而对此问题有所了解。The.R来自这些回归的2衡量了利率变化的多少是由不同贷款人类型的可观察到的借款人特征解释的。有些令人惊讶的是，我们发现信用报告中的信息能够解 释金融科技贷款人的大部分利率变化，而传统贷款人的情况并非如此。据我们所知，这是第一项研究表明，金融科技贷款人比传统贷款人更关注信用报告中最突出的硬信息数字，这表明这些新贷款人存在软信息缺陷。 然后，我们转向我们的主要结果，并检查金融科技贷款在发起后的15个月内是否表现出与传统机构授予的贷款不同的表现。我们发现，金融科技贷款违约的可能性明显更大，即使我们包括了一整套借款人的信用特征，以及贷款特征和邮政编码按月固定效应。换句话说，这些结果不是由随时间变化的本地异质性驱动的，因为我们正在比较类似的借款人在同一个月从金融科技和非金融科技贷款人那里获得贷款，邮政编码也有类似的条款。结果也具有经济意义;事实上，我们发现金融科技贷款表现出1.1%的违约概率，与1.4%的样本均值相比，这是很大的。此外，从成立后的第5个月开始，我们的整个时间窗口都存在相对不佳的表现。 这种分析的一个潜在担忧是，有金融科技贷款的人和没有金融科技贷款的人之间的借款人异质性可能会影响我们的发现。我们以多种方式解决它。首先，我们提供了三个更受限制的样本的结果，我们使用倾向得分匹配，手动标准和熵平衡方法将金融科技借款人与非金融科技借款人进行匹配。我们匹配可能会影响贷款绩效的全套人口和信贷特征。所有规格都证实了我们的主要发现。此外，我们利用数据的面板性质，并表明结果对于包含借款人固定效应是稳健的，这使我们能够捕获借款人的时间不变的可观察和不可观察的特征。我们还提供了结果，强调了这种相对表现不佳的情况如何根据借款人的不同而有所不同。 由guest于2023年12月23日从https://academic.oup.com/rfs/article/34/10/4565/6054822下载 特点。我们发现，当金融科技借款人的信用评分较低且信用档案较薄时，他们的违约率高于匹配的非金融科技借款人，这表明被识别的个人表现不如从传统机构借款的人，而不是“隐形的主要”借款人。我们表明，这些结果不是由我们样本中的一个特定时间段驱动的，因为即使我们区分不同的借款人队列，它们也是如此。 接下来，我们分析这种较高的拖欠概率可能是什么原因。一种可能性是，金融科技借款人使用额外的资金不是为了巩固债务，而是为了支持额外的支出。我们发现一些证据证实了这一结果。具体来说，在贷款发放后，他们的总负债和循环余额的增加都大于他们从传统机构借款的匹配个人。此外，我们发现金融科技借款人更有可能在成立后的头几个月购买汽车。这过度扩展了它们，使它们更有可能违约。事实上，我们还发现，金融科技借款人的任何类型账户的不良率都较高。由于最初的部分债务合并，这种行为导致他们的信用评分首先增加，但在贷款发放后的第一季度后稳步下降。 我们还探索了这个结果的异质性，发现信用评分低、利率高、文件薄的借款人是结果最强的子群体。基于信用报告长度的软信息缺乏和这种异质性的证据进一步表明，金融科技贷款人面临逆向选择。例如，金融科