信贷业务风控策略简介

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：利用统计显著性、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著的情况。

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。怎么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。那么，这么做合理吗？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著差异。

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

怎么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。

作者介绍：

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。

本文来自 DataFun 社区

原文链接：

https://mp.weixin.qq.com/s?__biz=MzU1NTMyOTI4Mw==&mid=2247493441&idx=1&sn=40954ed91cc92053558253314211380c&chksm=fbd7552dcca0dc3b811db5d2f8ff680857f413ff76d9c1ab04b9721990906f85636189d7acce&scene=27#wechat_redirect