Press "Enter" to skip to content

信贷业务风控策略简介

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

 

分享嘉宾:韩士渊 百融云创 高级风控总监

 

编辑整理:张祥

 

内容来源:百融云创 & DataFun Talk

 

出品社区:DataFun

 

注:欢迎转载,转载请注明出处

 

导读: 大家好,今天分享的主题是信贷业务风控策略。风控业务主要经历了几个阶段:

 

规则:直接判断通过,或不通过。

 

数据:可以通过客户的资产,流水,来判断客户的资质优劣。

 

模型:通过数据分析、数据挖掘,找到相应的规律,识别出人工难以找到的部分人群。

 

但是,数据是有限的,成本很高,会限制风控的上限;同时,如何有效的结合数据、规则、模型,来实现业务目标,这就需要风控策略来完成。

 

本次分享,将介绍如何在信贷业务中利用数据、规则、模型等完善风控策略,包括原有风控流程及规则优化、定价策略、额度策略等内容。

 

▌背景

 

1.1 消费信贷行业背景

 

 

首先给大家普及下消费信贷行业的情况,目前的消费信贷市场和2年前的不太一样。2年甚至3年以前,它是一个蓬勃发展的阶段,但是现在出现了一个情况,就是消费降级,社会消费品零售总额、汽车零售总额增长放缓,居民狭义的负债率攀升,以及银行不良贷款率增长态势。信贷市场相较前几年的市场发生了变化,前几年属于资产红利,风控的价值本质上是资产获利的多少;目前而言,风控的价值是有效降低风险,减少亏损。因此,对于成本的控制,对于风控的效果,需要有更精细化的应用和实践。

 

1.2 消费信贷行业客户渗透

 

 

客户渗透率

 

横轴表示渗透占比,横轴越长,渗透率越高;单个颜色越长,表明用户群重合也越高。当某个产品 受到监管,会导致其客户流失,随之带来金融风险问题。以 P2P 和超利贷为例,正常情况下,P2P 的客户应该比超利贷好,但是由于市场监管的变化,二者的客户质量已经差不多了。所以,当市场规则发生变化的时候,原来的规则和模型都失效,因此,风控策略就成为了最后一道关卡。

 

1.3 传统评分卡的开发流程

 

 

评分卡开发流程

 

① 目标定义

 

定义风控业务的目标,要求熟悉业务逻辑,好坏客户的定义。

 

② 数据的整合加工

 

数据:包括用户的姓名、身份证号、手机号、银行卡号,购物记录等

 

清洗:错误值、缺失值、离群值

 

衍生变量的处理:引入其它维度的数据,以及做特征组合

 

③ 特征选择、调优、效果评估

 

特征选择:利用统计显着性、变量重要度、IV 指标,变量聚类等算法来挑选重要的变量,通常还需要采用分箱的方式,将连续值离散化,增加变量的鲁棒性,增加了变量的整体稳定性。

 

模型调优:在训练集上调整模型参数,对比 KS 值的变化,选择 KS 最大的模型。

 

效果评估:对比训练集、测试集、样本外数据集的 KS 值,查看模型是否稳定。

 

共线性:此外,还需要检验模型变量之间是否存在共线性问题,一般计算 VIF 值,如果 VIF>5,表明存在共线性问题,该变量不可用。

 

模型稳定性:计算 PSI 值,如果 PSI<0.1,则模型稳定性较好,如果 PSI>0.2,则模型稳定性较差,不可用。

 

④ 模型打分、部署、监控

 

对变量每个分箱都打一个分值,形成一张评分卡(相较于机器学习,优点是可解释性强),最后上线部署。

 

1.4 机器学习模型开发流程

 

 

机器学习开发流程

 

相较于评分卡开发流程,差异如下:

 

① 机器学习中人工介入少;

 

② 可解释性差;

 

③ 重点是调整参数,避免模型过拟合。

 

▌ 贷前风控流程与策略

 

2.1 风控流程设计

 

目标是发现风险点(包括:信用卡欺诈、团伙窝案、高危用户等),降低风险;同时降低成本、提升效率。

 

银行的风控流程,以某四大行信用卡业务为例。

 

案例1:

 

 

① 身份核查:验证身份的真实性,是否为本人、是否有欺诈等行为。

 

② 剔除其它点影响:行内黑名单、负面信息验证。

 

③ 将成本低的借贷意向验证放在成本高的团伙欺诈识别前面,达到节省成本的作用。

 

④ 结合人行拒绝规则、人行数据以及第三方数据建模,其优点是结合双方数据优势,模型效果会较好。但数据不稳定时,模型二次迭代工作量较大。

 

案例2:

 

 

相较于案例1,案例2较为保守,没有将人行数据和三方数据结合起来做来模型,对于拒绝的用户再次做人工审核,将符合的用户再次捞起来。 这样做数据成本低,但是有人行客户模型效果下降,误杀率增加。

 

案例3:

 

 

同案例1的区别:将各个数据构建子模型,然后整合为一个综合模型,如收入数据、支出数据建模。差异在于客群建模的差异,将不同的客群用户分开做模型。 这样在评分二次迭代时,模型变量调整较少,主要调整各变量权重即可。 但是在极端情况下,会出现某个 评 分变量不显着的情况。

 

综合上述三个案例,风控策略并不是完全依赖于成本,还要依赖于实际业务情况和业务目标。很多时候,风控流程是根据业务情况来进行的。

 

2.2 利率策略和额度策略

 

 

完成模型构建后,对每位客户打分,统计每个分段内的坏账率,以控制收益与成本。怎幺给合适的利率和额度呢?

 

① 利率策略:

 

 

风险与利率计算公式

 

A 表示额度,r 表示预期收益率,p 表示坏账率,对每个评分段分别计算预期收益 r i ,但通常情况下,利率是固定的,当分数在某个阈值时,就直接拒绝掉。

 

② 额度策略:

 

 

风险情况与平均每件额度

 

额度策略本身受限于产品设计、客户需求及竞品情况,结合自身成本和风险偏好,可初步确定产品的额度区间 [A 1 ,A 2 ] 和件均 A 0 。由于右图中俩个梯形的面积应该是相等的,因此,可以得到关于 A 0  的计算表达式,由于 A 0 、A 1 、A 2  都是已知的,因此我们能计算出 A 0  对应的常数 K 0 ,这样就可以把右图中蓝色的折线拟合出来,即相对最优的一个解。可以实现,根据不同的分位数,给不同的额度。那幺,这幺做合理吗?它是需要满足一定的假设条件的:

 

额度在借款区间中变化时,同一分段的坏客户占比没有明显差异;

 

评分有较好的排序能力,每一分段对应的坏客户占比有显着差异。

 

③ 额度策略优化:

 

 

额度策略优化

 

采用 sigmoid 来替代分段函数,确定基础 风 险额度。 对于大额借贷,还是考虑用户的偿债能力,即收入,资产,流水等指标,先算出基础风险额度,再结合收入等指标,差异化调整基础额度。

 

2.3 风控规则有效性诊断

 

 

各规则拒绝人群评分分布

 

怎幺确认规则的有效性和调整?

 

首先对拒绝客户进行打分,然后对比‘通过客户评分分布’和‘拒绝客户评分分布’,找出异常规则,再把各规则进行分组评分分布对比,最后进行规则调整。

 

如上图,对拒绝的客户重新打分,与整体样本中拒绝用户评分对比:

 

规则1,效果最好,最低分段的用户拒绝率高,高分段的用户拒绝率。

 

规则2,效果不明显,与整体数据的分布差异不大,效果不明显。

 

规则3,太过于波动,不稳定。

 

2.4 信用评估模型的构建与优化——模型优化

 

 

风控建模流程图

 

基础的风控建模流程如上。在进行模型迭代时,主要利用通过样本进行模型构建,被迭代的模型拒绝率较高;如不考虑模型拒绝人群,进行拒绝推断,则新模型的应用效果会有明显下滑,且多次迭代后,新模型的效果提升比例会越来越小。因此重要的一点在于,如何做拒绝推断,找到之前被规则淹没的特征。

 

 

解决样本淹没问题的三种方案

 

为了解决样本淹没问题,将规则拒绝的样本加入模型训练阶段,有三种方案:

 

① 比例分配:将拒绝对象随机划分为“好”和“差”的账户,再次带入评分流程中,构建一个模型;

 

② 简单增强法:对拒绝客户打分,并选取某个 cutoff 点进行区分,cutoff 点的两边分别为“好”和“坏”客户,代入模型中迭代;

 

③ Parcelling:是结合比例分配和简单增强法,对拒绝客户打分,对每个分段按照比例进行好坏客户划分,再次代入模型进行迭代。

 

 

模型优化

 

我们的做法是使用通过的样本和通过的坏客户构建模型1,拿当前时间点跑客户评分,分为高分段和低分段,把原来拒绝客户跑完模型后高分段的样本剔除掉,对低分段特征做 parcelling,然后推断好客户和坏客户,合在一起再做模型2,然后不断的迭代这个模型,这时跑出来的模型,要比刚刚介绍的模型1方法要好。但是这种拒绝推断是没办法从样本上解决样本有偏的问题,只能从某种程度上解决。

 

以上就是今天要分享的内容,谢谢大家。

 

 

嘉宾介绍

 

韩士渊,百融云创金融科技部高级风控总监。负责百融云创非银风控业务,带领团队完成了众多金融机构的风控体系构建,包括金融产品设计、整体审批流程设计、风控模型建设、审批决策建议等,在贷前审批、贷中监控及贷后管理等不同业务阶段有丰富经验。

 

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注