信贷--------

定义

信贷：一切以实现承诺为条件的价值运动方式，如贷款、担保、承诺、赊欠等

信贷业务：本外币贷款、贴现、透支、押汇（表内信贷）；票据承兑、信用证、保函、贷款承诺、信贷证明等（表外信贷）

信贷风险管理：

通过风险识别、计量、检测和控制等程序，对风险进行评级、分类、报告和管理的过程，减少金融机构的信贷风险

贷前：管理授信获取

贷中：授信批准后的用信阶段

贷后：贷款发放或其他信贷业务发生后，直到本息收回或信用结束的全过程，包含风险管理和业务管理

• 风险管理：贷后检查、风险预警、催收
• 业务管理：合同管理、资本管理和客户管理等

信贷风控的三种模型策略：

1、规则为主、模型为辅：样本少（黑白名单、年龄地域、公安司法信息），简单通用、基于经验

2、模型为主、策略为辅：样本数较多、特征分类：逾期模型、多头模型、交易模型等保持AUC和KS高位

3、策略为主、模型为辅：样本量丰富；策略的精髓在于分群：年龄分群、收入分群、多头分群、模型分群、风险分群，决策体系中有很多重要的分群，代表决策分支

信贷业务风控

模型设计、样本&数据采集：

• 贷前（授信）
• 贷中（行为）
• 贷后（预警和催收）
• 反欺诈拦截
• 客户画像（有效标签）

数据处理&特征工程：

• 统计维度：金额、次数、天数、类别
• 时间维度：近1天、近3天、近7天、30、60、90、180
• 行为维度：登录、注册、借款、还款
• 数据处理：去除冗余信息、防止过拟合、便于生产验证、节约数据成本

模型算法选择、参数调优

• 100个以下小样本：逻辑回归：WOE分箱调整
• 大样本：机器学习：XGBoost，lightGBM，减少树棵树、降低深度、增加正则项

模型效果评估：区分效果和稳定性

• 技术指标：AUC、KS、头部抓黑能力、bump point等评估指标，分为20个分箱，观察每个分箱坏账率的单调性，当坏样本较少时，建议用AUC作为统计检验量，方差更低，更接近真实值，KS容易波动；对风险定价或定额时，更关注整体的排序能力，要求AUC、KS都足够高，且单调性好。
• 业务指标：根据业务效果的反应，制定个性化的适用于业务的指标，eg,对风险评分头部较坏的人群，予以拒绝，对尾部较好的人群予以回捞

部署上线及监控

• 监控模型效果、分数稳定性
• 迭代优化

数据分析：

• 数据获取：公共数据库（知网等）、私有数据库（公司资源，更新快，粒度细，访问权限）、网络爬虫、问卷调查、设备采集、日志记录
• 数据清洗：剔除脏数据、补全确实数据、按主键唯一去重，或合并，权威高的渠道获取数据优先级高，单位统一，指标维度统一，特殊字符等处理、日期格式统一等
• 统计分析：
• 可视化：发觉数据能力，eg：交通数据（航旅纵横）、占比，变化趋势等、不同地理位置占比、方便产生结论。正态信息：QQ-plot，相关性验证，时间序列：ACF；专业工具：tableau，DataV，excel，r，python
• 形成结论
• 验证结论
• 应用结论

数据分析常用模型：

1、描述性统计量

a. 单变量统计

均值：数据平均的值

方差、标准差：样本距离均值的差值的平均

分位点，中位数：数据从小到大排序后，第I个点为I分位点 

b.多变量统计

协方差：X的观测值X1,X2,X3...Y的观测值Y1,Y2...

多变量之间的影响关系，协方差正的：两个一起变大，负的，相反方向变化

2、有监督模型：

有监督模型：存在一个或多个目标变量，我们研究的是其他变量是怎么影响这个目标值的

回归和分类：回归，这个学生成绩是80还是90还是50？分类，这个学生是好学生，不是坏学生

• 回归：线性回归，部分广义线性回归，神经网络、深度学习
• 分类：SVM，分类树，朴素贝叶斯、逻辑回归，KNN
• 排序：page rank，对手机品牌的偏爱度
• 集成模型：bagging的随机森林，给予boosting的AdaBoost，GBDT,xgBoost等都可以用来分类和回归

有监督模型的损失函数：

        f = 预测误差损失+模型复杂度的损失（为了处理过拟合）

3、无监督模型

对特征：主成分分析（PCA：原来的分子进行线性表达）、因子分析（是否用主要的因子区代表）

对样本：关联细分，聚类分析，复杂网络，生成模型等（自动编码机，GAN）

4、半监督模型

5、增强学习模型：反欺诈模型