信贷业务风控策略简介

image.png
DataFunTalk
DataFun：大数据、人工智能领域的知识分享平台。
关注他
、等 113 人赞同了该文章
风控猎人
求是汪在路上
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

image.png

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
image.png
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
image.png
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
image.png
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：

image.png

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：

image.png

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：

image.png

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

image.png

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：
image.png
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 ri，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：
image.png
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 [A1，A2] 和件均 A0。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 A0 的计算表达式，由于 A0、A1、A2 都是已知的，因此我们能计算出 A0 对应的常数 K0，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：
image.png
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
image.png
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
image.png
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。
image.png
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。
image.png
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。

image.png

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。