信贷业务 信贷业务风控策略简介

大家好，今天分享的主题是信贷业务的风险控制策略。风险控制业务主要经历了几个阶段:

规则:直接通过或失败。

数据:可以通过客户的资产和流量来判断客户的资质。

模型:通过数据分析和数据挖掘，找到相应的规则，识别一些人工难以找到的人。

但数据有限，成本高，会限制风险控制的上限；同时，如何有效地结合数据、规则和模型来实现业务目标，需要风险控制策略。

本次分享将介绍如何利用信贷业务中的数据、规则和模型来改进风险控制策略，包括原始风险控制流程和规则优化、定价策略和配额策略。

背景。

1.1消费信贷行业背景

首先，我们来普及一下消费信贷行业的情况。现在的消费信贷市场和两年前不一样了。两三年前是一个蓬勃发展的阶段，现在出现了一个情况，就是消费降级，社会消费品和汽车零售总额放缓，狭义的居民负债率上升，银行不良贷款率上升。与往年市场相比，信贷市场发生了变化。前些年是资产分红。风险控制的价值本质上是资产的利润；目前，风险控制的价值在于有效降低风险和损失。因此，对于成本控制和风力控制的效果，有必要进行更精细的应用和实践。

1.2消费者对消费信贷行业的渗透

客户渗透率

横轴代表渗透率，横轴越长，渗透率越高；单色越长，用户群重合度越高。一个产品被监管，会导致客户流失，带来财务风险。以P2P和超盈利贷款为例，正常情况下P2P客户应该比超盈利贷款好，但是由于市场监管的变化，他们的客户质量也差不多。因此，当市场规则发生变化时，原有的规则和模型就失效了，风险控制策略就成了最后一道坎。

1.3传统记分卡的发展过程

记分卡开发流程

①目标定义定义风险控制业务的目标，需要熟悉业务逻辑和好客户与坏客户的定义。

②数据的综合处理

数据:包括用户名、身份证号、手机号、银行卡号、购物记录等。

清理:错误值、缺失值、异常值

衍生变量的处理:从其他维度引入数据并组合特征

③特征选择、优化和效果评价

特征选择:利用统计显著性、变量重要性、IV指数、变量聚类等算法选择重要变量，通常需要对连续值进行逐盒离散化，增加了变量的鲁棒性和变量的整体稳定性。

模型优化:在训练集上调整模型参数，比较KS值的变化，选择KS最大的模型。

效果评价:比较训练集、测试集和样本外数据集的KS值，看模型是否稳定。

共线性:另外还要检查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，表示存在共线性问题，该变量不可用。

模型稳定性:计算PSI值，如果PSI<0.1，模型稳定性好，如果PSI>0.2，模型稳定性差，不可用。

(4)模型的评分、部署和监控。对每一箱变量进行评分，形成记分卡，最终在线部署。

1.4机器学习模型开发流程

机器学习开发过程

与记分卡开发流程相比，差异如下:

①机器学习中人工干预少；

②可解释性差；

③重点是调整参数，避免模型过拟合。

贷款前▌风险控制流程和策略

2.1风控制流程设计

目标是找到风险点，降低风险；同时降低成本，提高效率。

银行风险控制流程，以四大银行信用卡业务为例。

案例1:

①身份验证:验证身份的真实性，是我自己的还是有欺诈行为。

②排除其他点的影响:银行黑名单、负面信息验证。

③将低成本贷款意向核实放在高成本团伙诈骗认定之前，节约成本。

(4)结合PBOC拒绝规则、PBOC数据和第三方数据进行建模，优势在于结合双方的数据优势会使模型更好的工作。但是，当数据不稳定时，模型第二次迭代的工作量很大。

案例2:

与案例1相比，案例2更加保守，没有将行人数据和三方数据结合起来做模型。被拒绝的用户将被再次手动审查，符合条件的用户将被再次淘汰。数据成本低，但部分银行的客户模型效果下降，误杀率上升。

案例3:

与案例1的区别:每个数据都被构建成一个子模型，然后集成到一个综合模型中，如收入数据和支出数据建模。区别在于客户群建模的不同，不同的客户分别建模。这样在第二次迭代打分时，模型变量调整较少，主要调整变量的权重。然而，在极端情况下，某个分数变量并不重要。

基于以上三种情况，风险控制策略并不完全取决于成本，还取决于实际业务情况和业务目标。在许多情况下，风险控制过程是根据业务情况进行的。

2.2利率策略和配额策略

建立模型后，对每个客户进行评分，统计每个细分市场的坏账率，以控制收入和成本。怎么给合适的利率和额度？

①利率策略:

风险和利率的计算公式

a代表额度，R代表预期收益率，P代表坏账率，预期收益率ri针对每个评分段单独计算。但是，通常利率是固定的，当分数在某个门槛时，会直接被拒绝。

②配额策略:

风险情况和每件的平均金额

配额策略本身受到产品设计、客户需求和竞争产品的限制。结合自身成本和风险偏好，可以初步确定产品额度区间和单位A0。由于右图中两个梯形的面积应该相等，所以我们可以得到A0的计算表达式。由于A0、A1、A2都是已知的，我们可以计算出A0对应的常数K0，这样就可以拟合出右图中的蓝色折线，也就是一个相对最优的解。可以实现根据不同的分位数给出不同的额度。那么，这样合理吗？它需要满足某些假设:

当额度在借款范围内发生变化时，同一细分市场的不良客户比例无明显差异；

评分具有良好的排序能力，各细分市场对应的不良客户比例差异显著。

③配额策略优化:

配额策略优化

用Sigmoid代替分段函数确定基本风险限额。对于大额贷款，要考虑用户的偿付能力，即收益、资产、流水等指标，先计算基本风险限额，再结合收益等指标对基本限额进行差异化调整。

2.3风险控制规则有效性的诊断

被每个规则拒绝的人的分数分布

如何确认规则的有效性和调整？

首先对被拒绝的客户进行评分，然后通过比较“通过客户评分分布”和“拒绝客户评分分布”找到异常规则，再通过分组评分分布对规则进行比较，最后对规则进行调整。

如上所示，对被拒绝的客户重新评分，并将其与整个样本中被拒绝用户的评分进行比较:

规则1，效果最好，最低段用户拒绝率高，高段用户拒绝率高。

规则二，效果不明显，与整体数据分布差异不明显。

规则3太不稳定，不稳定。

2.4信用评估模型构建与优化——模型优化

风控制建模流程图

基本的风控建模过程如上。模型迭代时，模型主要由样本构建，迭代模型的拒绝率高；如果不考虑模型的拒绝人群而进行拒绝推理，新模型的应用效果会明显下降，经过多次迭代后，新模型的效果提升率会越来越小。所以重点是如何做拒绝推理，找到之前被规则淹没的特征。

样本淹没问题的三种解决方案