信貸業務風控策略簡介

• 2019 年 11 月 22 日
• 筆記

分享嘉賓：韓士淵 百融雲創 高級風控總監

編輯整理：張祥

內容來源：百融雲創 & DataFun Talk

出品社區：DataFun

註：歡迎轉載，轉載請註明出處

導讀：大家好，今天分享的主題是信貸業務風控策略。風控業務主要經歷了幾個階段：

• 規則：直接判斷通過，或不通過。
• 數據：可以通過客戶的資產，流水，來判斷客戶的資質優劣。
• 模型：通過數據分析、數據挖掘，找到相應的規律，識別出人工難以找到的部分人群。

但是，數據是有限的，成本很高，會限制風控的上限；同時，如何有效的結合數據、規則、模型，來實現業務目標，這就需要風控策略來完成。

本次分享，將介紹如何在信貸業務中利用數據、規則、模型等完善風控策略，包括原有風控流程及規則優化、定價策略、額度策略等內容。

▌背景

1.1 消費信貸行業背景

首先給大家普及下消費信貸行業的情況，目前的消費信貸市場和2年前的不太一樣。2年甚至3年以前，它是一個蓬勃發展的階段，但是現在出現了一個情況，就是消費降級，社會消費品零售總額、汽車零售總額增長放緩，居民狹義的負債率攀升，以及銀行不良貸款率增長態勢。信貸市場相較前幾年的市場發生了變化，前幾年屬於資產紅利，風控的價值本質上是資產獲利的多少；目前而言，風控的價值是有效降低風險，減少虧損。因此，對於成本的控制，對於風控的效果，需要有更精細化的應用和實踐。

1.2 消費信貸行業客戶滲透

客戶滲透率

橫軸表示滲透佔比，橫軸越長，滲透率越高；單個顏色越長，表明用戶群重合也越高。當某個產品受到監管，會導致其客戶流失，隨之帶來金融風險問題。以 P2P 和超利貸為例，正常情況下，P2P 的客戶應該比超利貸好，但是由於市場監管的變化，二者的客戶質量已經差不多了。所以，當市場規則發生變化的時候，原來的規則和模型都失效，因此，風控策略就成為了最後一道關卡。

1.3 傳統評分卡的開發流程

評分卡開發流程

① 目標定義

• 定義風控業務的目標，要求熟悉業務邏輯，好壞客戶的定義。

② 數據的整合加工

• 數據：包括用戶的姓名、身份證號、手機號、銀行卡號，購物記錄等
• 清洗：錯誤值、缺失值、離群值
• 衍生變量的處理：引入其它維度的數據，以及做特徵組合

③ 特徵選擇、調優、效果評估

• 特徵選擇：利用統計顯著性、變量重要度、IV 指標，變量聚類等算法來挑選重要的變量，通常還需要採用分箱的方式，將連續值離散化，增加變量的魯棒性，增加了變量的整體穩定性。
• 模型調優：在訓練集上調整模型參數，對比 KS 值的變化，選擇 KS 最大的模型。
• 效果評估：對比訓練集、測試集、樣本外數據集的 KS 值，查看模型是否穩定。
• 共線性：此外，還需要檢驗模型變量之間是否存在共線性問題，一般計算 VIF 值，如果 VIF＞5，表明存在共線性問題，該變量不可用。
• 模型穩定性：計算 PSI 值，如果 PSI＜0.1，則模型穩定性較好，如果 PSI>0.2，則模型穩定性較差，不可用。

④ 模型打分、部署、監控

• 對變量每個分箱都打一個分值，形成一張評分卡（相較於機器學習，優點是可解釋性強），最後上線部署。

1.4 機器學習模型開發流程

機器學習開發流程

相較於評分卡開發流程，差異如下：

① 機器學習中人工介入少；

② 可解釋性差；

③ 重點是調整參數，避免模型過擬合。

▌貸前風控流程與策略

2.1 風控流程設計

目標是發現風險點（包括：信用卡欺詐、團伙窩案、高危用戶等），降低風險；同時降低成本、提升效率。

銀行的風控流程，以某四大行信用卡業務為例。

案例1：

① 身份核查：驗證身份的真實性，是否為本人、是否有欺詐等行為。

② 剔除其它點影響：行內黑名單、負面信息驗證。

③ 將成本低的借貸意向驗證放在成本高的團伙欺詐識別前面，達到節省成本的作用。

④ 結合人行拒絕規則、人行數據以及第三方數據建模，其優點是結合雙方數據優勢，模型效果會較好。但數據不穩定時，模型二次迭代工作量較大。

案例2：

相較於案例1，案例2較為保守，沒有將人行數據和三方數據結合起來做來模型，對於拒絕的用戶再次做人工審核，將符合的用戶再次撈起來。這樣做數據成本低，但是有人行客戶模型效果下降，誤殺率增加。

案例3：

同案例1的區別：將各個數據構建子模型，然後整合為一個綜合模型，如收入數據、支出數據建模。差異在於客群建模的差異，將不同的客群用戶分開做模型。這樣在評分二次迭代時，模型變量調整較少，主要調整各變量權重即可。但是在極端情況下，會出現某個評分變量不顯著的情況。

綜合上述三個案例，風控策略並不是完全依賴於成本，還要依賴於實際業務情況和業務目標。很多時候，風控流程是根據業務情況來進行的。

2.2 利率策略和額度策略

完成模型構建後，對每位客戶打分，統計每個分段內的壞賬率，以控制收益與成本。怎麼給合適的利率和額度呢？

① 利率策略：

風險與利率計算公式

A 表示額度，r 表示預期收益率，p 表示壞賬率，對每個評分段分別計算預期收益 ri，但通常情況下，利率是固定的，當分數在某個閾值時，就直接拒絕掉。

② 額度策略：

風險情況與平均每件額度

額度策略本身受限於產品設計、客戶需求及競品情況，結合自身成本和風險偏好，可初步確定產品的額度區間 [A1，A2] 和件均 A0。由於右圖中倆個梯形的面積應該是相等的，因此，可以得到關於 A0 的計算表達式，由於 A0、A1、A2 都是已知的，因此我們能計算出 A0 對應的常數 K0，這樣就可以把右圖中藍色的折線擬合出來，即相對最優的一個解。可以實現，根據不同的分位數，給不同的額度。那麼，這麼做合理嗎？它是需要滿足一定的假設條件的：

• 額度在借款區間中變化時，同一分段的壞客戶佔比沒有明顯差異；
• 評分有較好的排序能力，每一分段對應的壞客戶佔比有顯著差異。

③ 額度策略優化：

額度策略優化

採用 sigmoid 來替代分段函數，確定基礎風險額度。對於大額借貸，還是考慮用戶的償債能力，即收入，資產，流水等指標，先算出基礎風險額度，再結合收入等指標，差異化調整基礎額度。

2.3 風控規則有效性診斷

各規則拒絕人群評分分佈

怎麼確認規則的有效性和調整？

首先對拒絕客戶進行打分，然後對比『通過客戶評分分佈』和『拒絕客戶評分分佈』，找出異常規則，再把各規則進行分組評分分佈對比，最後進行規則調整。

如上圖，對拒絕的客戶重新打分，與整體樣本中拒絕用戶評分對比：

• 規則1，效果最好，最低分段的用戶拒絕率高，高分段的用戶拒絕率。
• 規則2，效果不明顯，與整體數據的分佈差異不大，效果不明顯。
• 規則3，太過於波動，不穩定。

2.4 信用評估模型的構建與優化——模型優化

風控建模流程圖

基礎的風控建模流程如上。在進行模型迭代時，主要利用通過樣本進行模型構建，被迭代的模型拒絕率較高；如不考慮模型拒絕人群，進行拒絕推斷，則新模型的應用效果會有明顯下滑，且多次迭代後，新模型的效果提升比例會越來越小。因此重要的一點在於，如何做拒絕推斷，找到之前被規則淹沒的特徵。

解決樣本淹沒問題的三種方案

為了解決樣本淹沒問題，將規則拒絕的樣本加入模型訓練階段，有三種方案：

① 比例分配：將拒絕對象隨機劃分為「好」和「差」的賬戶，再次帶入評分流程中，構建一個模型；

② 簡單增強法：對拒絕客戶打分，並選取某個 cutoff 點進行區分，cutoff 點的兩邊分別為「好」和「壞」客戶，代入模型中迭代；

③ Parcelling：是結合比例分配和簡單增強法，對拒絕客戶打分，對每個分段按照比例進行好壞客戶劃分，再次代入模型進行迭代。

模型優化

我們的做法是使用通過的樣本和通過的壞客戶構建模型1，拿當前時間點跑客戶評分，分為高分段和低分段，把原來拒絕客戶跑完模型後高分段的樣本剔除掉，對低分段特徵做 parcelling，然後推斷好客戶和壞客戶，合在一起再做模型2，然後不斷的迭代這個模型，這時跑出來的模型，要比剛剛介紹的模型1方法要好。但是這種拒絕推斷是沒辦法從樣本上解決樣本有偏的問題，只能從某種程度上解決。

以上就是今天要分享的內容，謝謝大家。

嘉賓介紹

韓士淵，百融雲創金融科技部高級風控總監。負責百融雲創非銀風控業務，帶領團隊完成了眾多金融機構的風控體系構建，包括金融產品設計、整體審批流程設計、風控模型建設、審批決策建議等，在貸前審批、貸中監控及貸後管理等不同業務階段有豐富經驗。

——END——