风控策略调优讲解及案例分析

目录

1: 策略调优简介

1.1: 什么是策略调优

1.2: 策略调优应用场景

1.3: 策略调优的分类

1.4: 策略调优的主要步骤

2: A类调优讲解

2.1: 传统型调优

2.2: 临时型调优

2.3: A类调优案例

3: D类调优讲解

3.1: D类调优案例

---

现将原知乎文章同步至本博客中：风控策略调优讲解及案例分析https://zhuanlan.zhihu.com/p/504188902

1: 策略调优简介

1.1: 什么是策略调优

客户有生命周期，与客户风险对应的风控策略，也存在着生命周期。而策略调优，就是为了限制风控的上限，有效地结合数据、规则、模型来实现业务目标。

1.2: 策略调优应用场景

• 资产质量朝变坏的方向发展

• 逾期率升高，风险升高

• 通过率下降，收益下降

1.3: 策略调优的分类

策略调优主要A类和D类调优

	D类调优	A类调优
样本选取方式	在通过的客户中寻找差客户拒绝	在拒绝的客户中寻找好客户通过
通过率影响	将会降低通过率，且降低逾期指标	将提升通过率，逾期指标可能增加
分析方式	离线即可完成量化分析	需要决策引擎标记豁免样本分析

1.4: 策略调优的主要步骤

1. 分析需求，确定策略调整环节

2. 是A类调优还是D类调优

3. 量化分析调优阈值

4. 预测按照方案调整后的效果

5. 调整后验证结果与预计效果是否一致

6. 重复修正

---

2: A类调优讲解

A类调优主要用于回捞，分为两种： 传统型 、临时型

2.1: 传统型调优

在传统型指的是策略搭建的时候分为两个阶段，即第一阶段和第二阶段。

假设第一阶段采取的是保守型策略，比如会将客户氛围ABC三类（A表示好的客群，C表示坏的客群，B表示中间客群）

​保守型策略首先会做A类客户，后续会逐渐下沉，开始做B类客户：

​针对上述，A类传统型调优步骤大致可以分为：

1. 将B类部分客户准入

2. 需要准入B类的客户具有行还款表现，如等待30天，60天后得到还款行为表现

3. 重点分析核心指标，逾期天数与B类准入客户的关系（既有X，又有Y标签，到这一过程就属于D类调优）

4. 分析B类准入的客户通过率会有多大的提升

注意的问题：

1. 新准入的客群可能导致可群分布发生变化，如原先某个条件下的客户占比5%，B类客户准入后，数据量增加，导致原先的占比变为3%

2. 注意逾期率是否超过B类客户之前准入前的逾期率，评估资产变化情况

A类传统型调优的难点：

1. 样本量的控制，样本量太大，会导致风险难控制；样本太小，则难以得出结论

2. 迁移分析，B类可入准入后，需要做迁移分析

2.2: 临时型调优

有批量策略分析和逐条策略分析两种方法，适用于需要快速提升通过率的场景。

(1) 针对批量策略分析：

主要方式是找好客户，挖掘一些好客户中明显的变量，然后进一步挖掘这些好客户中的明显变量有没有将其他客户拒绝的，查看这些被拒绝的比例，如果太小，选择忽略，如果比例合适，可以选择回捞，该方法对通过率的提升会大一些。该方法不需要做逾期预测，因为有一批同样条件的客户有逾期表现做支撑的。该场景和D类调优类似，区别在该场景是找好客户，而D类调优是找坏客户。

(2) 针对逐条策略分析：

通过单变量分析，但一般情况下，对策略提升影响较小。

2.3: A类调优案例

针对临时型调单变量分析案例，假设场景为拒绝率上升，我们已经通过单变量分析客户多平台数，得到下面两个分析结果（作为对比，查看哪个更适合做回捞）。

​

答案是第一种，因为多头借贷数量往往与逾期成正比，但是结果2中的平台数为6的逾期率已经发生跳档，如果直接放开平台数为6的，风险会更高。相反，结果1中的平台数为6的逾期率没有陡增(跳档)，可以有理由相信平台7中的也具有相似性，可以进行回捞。

继续，假设以结果1进行回捞，现有多平台数分布&逾期分布如下：

​

步骤：

第一步：预测逾期概率；已经有了各个多头（1-6）数量及对应的逾期概率关系，可以做一个预测（预测第7,8）方式可以用模型预测。

第二步：预测逾期人数；因为原始数据中已有7-10多头数据的占比，第一步中已经预测了违约概率，那么就可以得到预测的违约人数。

第三步：假设将多头平台数为7的准入，那么可以计算准入7后的总体逾期率（因为已有1-7的人数，并且1-6的逾期人数已有，7 的逾期人数已经预测出来），最后将准入7 的逾期率与准入前的进行对比

第四部：做优化， 前面几步不够精细，原因在于通过率和逾期率，因为放进来的7并不一定能够全部通过。通过率优化：如1-6中，该条规则最终通过的数量为A，该条规则通过但是被其他规则拒绝的数量为B，那么该条规则的影响系数为C=A/(A+B) ,根据得到的系数C，在计算7的通过人数时，可以乘以该系数，得到类似真实场景的通过人数。逾期率优化：因为原来是根据1-6的逾期率进行预测7的逾期率，但实际上很可能在7-10发生跳档，真实逾期率会比预测逾期率高很多，这时候等上线之后，需要及时观测(如果已用相关经验，可以直接敲定多头数量设置多少合理）

最终，我们得到现有多平台数分布&逾期图和预测值分布：

​备注：

1：理论上，多平台借贷数和逾期呈正相关关系，我们可以采用线性或非线性模型，对1-6的多平台数进行拟合，预测7-10的FPD30的值，为了简单案例简单计算，我们假设多平台借贷数每增加1个，FPD增加0.7%。但上图中左子图的多平台数为6时，FPD增幅为负值-0.7%，可以视为异常。（在对1-6拟合的时候，可以忽略-0.7%)

2：假设多平台借贷数每增加1个，FPD增加0.7%，得到7-10的FPD30的数值（作为预测值）

3：假设将多头平台数为7的准入，那么可以计算准入7后的总体逾期率（因为已有1-7的人数，并且1-6的逾期人数已有，7 的逾期人数已经预测出来），最后将准入7 的逾期率与准入前的进行对比

最后确定方案，豁免部分客群，确定规则阈值：

​

---

3: D类调优讲解

D类调优主要分为两种：

1：规则类调优，基于业务经验，比如原来的哪天规则比较宽松，可以适当进行收紧

2：利用Vintage 逾期指标去分析调整

3.1: D类调优案例

以下通过Vintage 逾期指标讲解D类调优案例：

​分析：各月的逾期率均上升，说明资产变坏，这时候需要做策略收紧。

分析思路：

1：由于贷前和贷中都是资产入口，因此进行指标拆解，分析到底是哪个部分造成逾期率上升

2：再进一步进行指标拆解，贷前和贷中均有新客户和老客户，因此vintage拆分为新客户和老客户

上图的逾期最高点在6%附近，进一步查看新老用户的逾期率最高点

确认调整贷前策略还是贷后策略：

​可以看到新客户影响更大(超过6%)，并且新客户的每个月逾期率都高于老客户。

换一个维度，进一步分析，查看不同地域的vintage，或者不同年龄段的：

​

调整方案：

• 进一步分析其他城市里，哪些逾期率比较高

• 挑选部分逾期率较高的城市做准入限制

相关参考

本文是FAL量化风控全线条训练营的听课笔记，对此感兴趣的可以去关注FAL金科应用研究院的公众号、知乎、官网去了解相关内容。现将核心内容进行整理，补充一些自己的理解和总结，便于结合自己当前工作内容，提升认知。

若对风控领域感兴趣，风控相关行业分析报告、论文、竞赛数据及代码可以私我，共同交流。

本文主要讲解贷前风控产品流程& 策略审批架构搭建& 数据源及其相关注意事项。