风控技术人员的头疼事——额度授予模型

金大师笔下的江湖暂告一段，但金融风险控制的修行始终在路上。俗话说：产品有三宝：弹窗、浮层加引导。设计有三宝：透明，阴影加圆角。操作有三宝：短信，push加红包。技术有一宝，这是做不到的。在信贷行业，风险控制技术人员TOP5头痛排行榜上，额度授予模型必须在榜单上名列前茅。今日我借此机会，抖动额度授予模型宝。配额授予模型的难度主要来自于模型的验证过程：1。验证配额模型需要大量的数据风险预测模型，模型输出可以与客户的实际违约进行比较；但对于配额模型，每个客户都是独一无二的，只有一次授予配额的机会，因此无法监督哪个配额模型表现更好。2.验证配额模型需要很长时间。最常用的尺子是客户带来的利润。为了观察客户带来的利润，我们经常需要跟踪客户1到2年。在国内瞬息万变的信贷市场，黄花菜这个时候可能会凉。虽然验证并不容易，但在没有足够的数据和验证时间的情况下，仍有一些基本原则可以帮助我们逆风翻转：首先，初始阶段的配额矩阵很容易理解，即选择合适的指标来区分客户群体来授予配额。以风险为唯一决策因素的例子：确定配额范围：通过分析产品想要针对的客户群，找到合适的配额范围。例如，蓝领贷款金额在3000至10000之间；白领贷款金额在5000至30000之间；确定风险因素：选择评估客户风险水平的指标，如使用荣慧提供的多头分数；通过以上两个步骤，您可以快速确定授予的金额（以蓝领为例）：在单一因素的基础上添加更多的考虑因素，如收入，可以形成更多样化的额度矩阵。这种配额矩阵非常适合刚刚开始贷款业务的机构，如以下矩阵：由于客户填写的收入往往难以验证，也可以考虑使用其他指标，如住宅价格、职业、生活习惯等肖像指标。引入这些维度可以使额度矩阵更加复杂和准确。但是，在哪里可以找到这些变量呢？上述风险和客户肖像是融汇金科最好的领域；欢迎在后台留言。二、中级阶段，当机构积累一定数据时，可以通过建模更科学地授予额度。具体的指导思想是以利润为衡量标尺，找到利润最大化的点。现金贷款利润=收入–损失=贷款金额x利率–当信用额度相对较低时，违约金额增加，客户可以增加贷款，收入增长迅速。但是，当授予金额超过好人可以偿还的范围时，好人的金额利用率会下降，导致贷款增长缓慢，收入放缓。与此同时，坏人的额度利用率仍将保持在100%左右，因此损失迅速增加。模型的目标是模拟每个客户的收入和损失，找到利润最大化的金额；这是我们的最佳金额。举个简单的例子:我们假设今天是Mate20手机(价值5000元)销售的日子。所有好人的贷款目的都是购买Mate20。当信用额度低于5000元时，好人一定会完成信用额度。但当信用额度超过5000元时，好人就不会多拿了。与此同时，坏人肯定会提取所有的信用额度。假设客户群的利息是18%，逾期概率是10%，那么客户群的最佳授予额度应该是5000，每个客户的最大利润应该是5000x(0.18-0.1)=400元。这个例子看起来特别简单吗？然而，数百个变量和数十个模型可能涉及到实际应用。因此，我们将介绍下一个机器学习模型。为什么我们在高级阶段需要机器学习模型？原因是中间阶段预测利润的模型有两个缺点：逻辑回归模型无法把握非线性关系；在实际应用中，预测利润往往涉及数十个模型叠加，因此更新模型非常耗时。在机器学习模型中，KNN模型适用于额度模型，可以解决逻辑回归模型的上述两个缺点。KNN模型，也被称为最近的邻居法，其想法如下：随机授予大量客户（客户组A），跟踪他们的表现；使用最近的邻居法在组A中找到类似于申请人B的客户组子集（子集C）；由于子集C中的客户群随机分配了不同的额度，同时不同的额度带来了不同的客户表现，我们可以直接将子集C授予申请人，使客户利润最大化。看到这里，我们必须尊重（云）佩（里面）不是（雾）已经（里面），所以我们做了一个特别的图片：从上面的介绍可以看出：KNN模型最大的困难是积累足够的随机样本进行建模。看到这里，我们必须尊重（云）佩（里面）不是（雾）已经（里面），所以我们做了一个特别的图片：从上面的介绍可以看出：KNN模型最大的困难是积累足够的随机样本进行建模。这也呼应了我们最初提出的授予模型的问题。但基于以上分享，相信每个阶段的公司都能找到适合自己现阶段发展的额度方法，授予额度。以上是今天的五分钟。上面的例子看起来很简单，但配额模型的构建实际上是复杂和困难的，但狮子座虎女明星曾经给我们端了一碗*汤。