如何丝滑地,做风控策略收紧?

科技   2024-11-27 17:35   北京  

风控策略收紧既要考虑压降,也要考虑对通过率的影响,本篇分享一种丝滑的收紧方法,可以兼顾二者的影响。

历史策略文章

基于交叉表制定风控规则
CART决策树制定风控规则
决策树生成规则可视化(升级版)
风控“规则集”的性能测试(Python实操)
风控“规则集”的A类调优(Python实操)
风控规则的A类调优:拒绝客户坏账预测
一文读懂风控策略调优方法体系
信贷风控中是如何做拒量回捞的?
信贷风控中是如何做策略收紧的?

1. 什么是策略新增?

D类调优可分为宏观和微观两个层面的。

1)概念理解

策略新增就是,在不改变已有策略的基础上(保持不变)额外增加新的策略,来达到策略调优的目的,一般应用在D类的收紧策略中。

2)使用场景

使用策略新增,通常的需求是 “已有策略没有收紧的空间,即通过已有策略的调整无法满足业务要求,需要其他维度的信息补充”。比如贷前场景中发现近期的风险逐渐升高,需要做收紧的调优策略,但经过通过样本的量化分析后发现没有调整空间,此时可考虑接入新的三方数据源作为补充。基于新的数据维度制定规则策略,补充到决策流程中。因为已有策略不变,额外增加了新的审批策略,通过率会下降。

2. 分析步骤

1)调优需求:政策指导、市场变化导致资产质量变差、监控报表发现逾期率升高等

2)提取样本:挑选合适的历史样本(代表性、充分性、数据可回溯性、时效性),并且回溯数据(具体可参考模型篇“样本设计”内容)

3)策略开发:单变量规则、二维交叉规则、决策树生成多维规则组合(具体可参考策略开发篇内容)

4)制定策略:将新增策略融入旧策略中,执行策略

5)效果测试:在“历史样本、近期样本”上执行策略,对通过率、逾期率进行效果测算,与新增前对比。如效果未达预期需重新调整策略后再进行评估,直到满足要求为止,完成最终调整方案的确定。

6)策略上线:决策引擎配置策略后,进行灰度测试或者AB测试,最后再正式上线

3. 策略开发

1)规则策略的几种形态

策略新增的过程其实就是“策略开发”,即分析变量区分效果并制定规则的过程。

以规则为主的策略形式主要包含基于单变量的规则、二维交叉的规则、基于决策树生成的多维交叉规则这几种。如右侧所示,从上到下,其特点可以归纳为:“随着维度更多,复杂度增加,同时命中率更低,识别能力更加精准”。

最终需要综合考虑对“逾期率、通过率”这两者的影响来决定使用哪种形式。

2)二维交叉规则示例

下面是一个二维交叉的规则组合,评估交叉格子中的区间坏账率(Lift)和样本数量占比,反映对于逾期率、和通过率的影响。

4. 制定策略&效果测算

在策略调优的需求下,新策略开发只是其中一环,能否融入旧策略中,还需要测算整体策略的效果,主要的关注点是新策略能否带来增益,一是额外命中的比例有多少?二是评估新增后对“逾期率、通过率”的影响。

在进行效果测算时,需要注意以下几点:

1)要将已有策略和新策略的数据,用“同一批样本”进行分析。这样制定新策略后才能与旧策略融合,以进行综合效果评估。

2)新策略风险区分效果好不一定就可以对旧策略带来增益。可能二者的相关性较高,或者重叠度较大,大部分是重复命中的,那么新增后也不会有多大提升效果。因此,该部分的数据分析流程:可先进行相关性的分析,或者做二维交叉的决策矩阵,看分布下是否“互有单调性”,最后再通过命中率的测算来看最终效果。

以上来自原创课程中的节选,“Python代码实操视频讲解的完整内容(如下示例),在👉100天风控专家》中进行视频更新。

--end--

以上内容节选自👉100天风控专家
从0到1的信贷风控训练营

Python数据科学
以Python为核心语言,专攻于「数据科学」领域,文章涵盖数据分析,数据挖掘,机器学习等干货内容,分享大量数据挖掘实战项目分析和讲解,以及海量的学习资源。
 最新文章