互联网金融：风控评分卡知识要点整理

风控评分卡知识要点

建立评分卡之前需要确定的要素

1）项目目标
2）项目范围
3）时程规划
4）成本效益分析
5）配套措施
6) 运营计划

评分卡模型开发七步骤

1）确定评分目的
2）基本参数的定义
  1、分观察期和表现期。
  2、违约和不确定的定义，使用滚动率来确定
  3、确定评分范围
  4、样本分组
3）资料准备
  1、来源：申请资料、内部黑名单、第三方数据
  2、数据质量：正确性，实时信，合法性，可用性
4）变量分析
5）建立模型
6）拒绝推论，推测拒绝用户的还款表现，从而增大样本数量
  1、单纯扩充法，用核准的用户训练模型，然后计算出拒绝用户的理论违约率。将违约率高于threadhold的用户定义为bad user（前提是初步模型要有比较高的正确率）
  2、计算初拒绝用户的理论违约率之后，根据初步模型的分数将用户分组。再按该组的正常和违约比例随机分配拒绝用户的好坏属性（前提是初步模型要有比较高的稳定性）
6）评分卡验证，ROC，AUC（模型有效性），KS值，卡方检验（统计学效果），PSI（稳定性）

评分卡应用

用户分级

将风险相近的用户分成同一组，然后进行根据业务需求设定分割点
  单点分割：不是拒绝就是接受
  双点分割：中间的一段不太能确定的采用人工审核
##双评分卡混合使用
  1）同时采用银行内部信用和外部信用评分，做交叉验证。如果差别比较大的化就需要人工介入。

  2）结合风险维度和贡献维度进行评分

评分卡的规格和设计

数据质量的检验

  1）是否有足够的坏客户
  2）模型训练的客户是否和用来预测的客户属于同一个群体
  3）数据的准确性，比如说收入是年收入还是9个月的收入，比如说是否有过空值插入

排除样本

  1）政策性通过或者拒绝的人
  1）不予以评分的人，比如收入过高或信用极好的人

好用户、坏用户定义

  1）采用滚动率法来定义，首先对用户的好坏进行程度上的划分
然后根据滚动率计算用户从一个状态下滑到另外一个状态的概率

评分卡预测能力评价

Vintage模型，一般观察时间是12个月

分组分析

  1）业务需求
  2）统计预测力，1、好坏比值在各分组间有明显差异，2、利用决策树确定有基本预测能力的变量，再看这些按这些变量分组是否满足业务需求 3、每个分组间要有一定数量的样本
如上图所示，我们利用决策树模型将用户客群大致分成了网银用户、公积金用户以及按照6个月平均消费额度计算出来的工资卡用户

细致分析与自变量分析

细致分类

  一般是吧变量按照样本数量均分，观察目标的变化趋势是否和业务经验相匹配
##单因子分析
PSI表示稳定性，小于0.1说明比较稳定
IV值大于0.3时说明有比较强的预测能力，0.1-0.3表示有部分的预测能力

粗略分类

用户好坏对比的趋势应该与业务经验保持一致
最多8个区间
将空白的数值分配到Null区间，如果Null区间的好坏比比整体要低，那么就把Null区间作为一个独立的区间经行WOE的分析，否则的化建议去除该变量或者在Null值比较少的情况下删除这些样本

模型建立方法论

线性回归

变量选择

  1）顺向选择法，看自变量是否有最小的F值（一般大于0.5）
2）反向淘汰法
3）逐步分析法

回归系数的显著信检验

t检验，F检验
https://www.cnblogs.com/nxld/p/6123239.html
R检验
R2=SSR/SST

逻辑回归

WOE检验
模型表现，卡方检验
单变量->Wald值检验
整体模型的检验->-2log（L）最大似然函数的检验

逻辑回归+线性回归组合建模过程

  步骤1、拆分训练集和测试集
  步骤2、WOE计算，要与经验相一致
  步骤3、相关性分析，如果相关性大于0.7，则取WOE值高的变量
  步骤4、重复步骤2到步骤3，寻找最佳模型变量
  步骤5，利用步骤4选择出来的变量拟合逻辑回归模型
  步骤6, 计算log（odd）值的残差，并利用线性回归拟合出残差和第三方变量的线性关系
  步骤7，结合线性回归和逻辑回归计算出odd_adjust值，
  步骤8，模型检验ROC，KS
  步骤9，将ODD值转化为分数

拒绝推论的原因和方法

拒绝推论的使用原因和场景

使用原因：1）增加建模样本数量
2）光靠核准的用户集只能知道接受了多少坏用户，但是无法知道有多少好用户被拒绝
2）可以帮助找出被拒绝的好用户，从而改善内部的流程
3）高核准率且判断信心很强的时候不适合做拒绝推论
4）拒绝推论的流程

拒绝推论的方法

1）依照现行的好坏比进行判断，缺点是容易低估坏用户的比例
2）在特定时间内核准所有申请件
3）核准所有阈值以上的申请件，但是随机核准阈值以下的申请件，给临界点以下的用户较低的授信额度
4）两张评分卡交互使用
5）利用行外数据判断用户的好坏
6）分配法

7）硬性截断法，设定一个坏用户比例p，低于p的视为坏用户
8）迭代再分类，反复使用分配法模型，直到模型的log（odd）与score的分布收敛为止

最终模型的选择和风险校准

最终模型的产出

最终模型的产出

设定风险校准

不同评分卡的分数调教

  1）计算出各个样本分组的最终模型得分
  2）各分组样本由低到高排序
  3）将排好序的样本切成n等分，再计算每一等分的log（odd）值，建立每种切等的平均分数及log（odd）的回归式，观察哪种回归式有最强的解释能力

风险等级区隔

模型验证
  1）基尼系数
  2）KS值
  3）ROC曲线

决策点（cut-off）设定

  1）好坏件比率，规定评分卡通过的用户好坏件比率必须在一定水平以上
  2）核准率，规定一定的通过比率
  3）好用户数量，开发样本中核准用户中的好用户数量要在一定的比例以上
  4）坏用户数量，开发样本中核准用户中的坏用户数量要在一定的比例以下

信用评分监控报告

  1）观察期间的稳定度PSI
  2）表现期间鉴别度

前端监控报告

评分分布表
PSI：用来衡量客群的稳定度，小于0.1说明没有太大的变化，0.1到0.25说明有少许变化，超过0.25说明变化很大，需要调整评分卡
变量稳定度分析：
此变量绝对值越大，说明变量越不稳定。如果为正，就说明用户在向好的方向增加，为负就说明坏用户的比例增加
人工否决分析：高分否决的比例需要监控，如果高分否决的比例太高就需要和运营人员及时沟通
好坏比例表：对观察期的用户实施log(odd)-score图，越陡峭就说明模型的区分能力越强，否则就说明模型的区分能力越弱

信用评分模型运用

申请评分卡：风险定价，初始额度给与，反欺诈
行为评分卡:风险定价，复审依据，提额管理
催收评分卡：制定催收策略

额度增加策略举例
违约用户定义：账龄分析可以帮助了解违约成熟期是多少，滚动率可以帮助我了解到违约的什么样的标准可以定义为坏用户

催收策略

逾期情况的报表：迁移率报表或称逾期的矩阵，比如对于M3的用户
1）任然没有还款，恶化进入M4
2）还了一期款，维持在M3
4）还了多期贷款，从M3到M2，甚至M1

不同等级的用户催收策略不同：
1、早期逾期用户分成3类：1）加强巩固类 2）介入干预类 2）治疗恢复类
2. 中晚期客群：适度催收有还款能力但还款意愿弱的用户，对有意愿还款但还款能力差的用户提供解决方案
3. 核销用户：适当催收还有可能还款的客户（未失联的）
催收排期
催收排期实质上是一个多限制条件下的规划优化问题，可以将用户按照不同的风险维度划分成不同的客群（轻度，重度逾期，是否有还款意愿，还款能力如何），然后再制定相应的催收策略