关注“金科应用研院”，回复“礼包”
领取“风控资料合集”
文末还有惊喜小福利，记得看到底呦
在信贷风险管理领域，如何有效地评估和控制客户的违约风险始终是行业关注的焦点。随着金融科技的发展，风险评估模型在信贷决策中扮演着越来越重要的角色。本文将结合FAL知识星球的实际案例（文末“阅读原文”放🔗），深入探讨贷中支用评分卡模型的开发过程和应用策略，帮助读者全面理解这一重要的风险控制工具。
贷前：反欺诈模型（F卡）、准入评分卡（A卡）
贷中：行为评分卡、支用评分卡（B卡）、预催收模型
贷后：催收评分卡（C卡）
应用场景：客户在贷中申请新增用信时进行实时打分。
针对客群：授信3个月以上的老客户。
评分含义：分数越低，表示客户未来违约的可能性越高。
使用方法：根据评分结果，直接拒绝高风险客户，或结合其他策略进行综合评估。
1. 样本选择与Y值定义
在模型开发中，样本的选择和目标变量（Y值）的定义至关重要。为了准确评估客户的违约风险，需要明确“好客户”和“坏客户”的标准。
观察点：客户的用信日期，即每个月内客户最早的用信日期。
表现期：用信日期后6个月内的还款表现。
好坏样本定义：
坏客户：在表现期内，出现过一次或以上的逾期超过30天（即dpd30+）。
好客户：在表现期内，无任何逾期记录。
灰色客户：在表现期内，有逾期但未超过30天。
2. 滚动率分析
滚动率分析用于观察客户从当前状态向未来状态的迁移概率。
通过分析，可以发现：
正常客户：未来6个月内有96%的概率保持正常状态。
逾期1期客户：81%可能回归正常，但有7%可能恶化。
逾期4期以上客户：仅有4%可能好转，82%会继续维持逾期状态。
分析结论：逾期程度越高，客户未来恶化的可能性越大。因此，将dpd30+的客户定义为坏客户，具有合理性。
3. Vintage曲线分析
Vintage曲线用于观察不同时间段放款的客户在各个月份的累计违约率。通过对比不同月份的曲线，可以确定风险的稳定时期。在本案例中，我们发现违约率在第9个月后趋于稳定，因此选取用信后6个月作为表现期（考虑到客户已是老客，已授信3个月以上）。
（知识星球-第18期大咖课）
4. 样本统计
根据选取标准，我们得到以下样本分布：
总样本量：26485
坏样本量：1373
坏样本占比：5.18%
从时间上看，2021年1月至2022年6月的每个月样本量和坏样本占比变化如下：
月份 | 样本量 | 坏样本量 | 坏样本占比 |
2021年1月 | 128 | 13 | 10.16% |
2021年7月 | 1246 | 108 | 8.67% |
2022年6月 | 2320 | 49 | 2.11% |
分析结论：随着时间推移，坏样本占比呈下降趋势，可能与宏观经济环境、政策变化或客户质量提升有关。
简单来说过特征的选择与降维就是在特定条件下，为了除去那些对模型用处不大的特征，从而得到一组最优“不相关”主变量的过程。计算成本最小的方式就是通过变量WOE趋势、IV值等标准进行筛选和过滤，也是过滤法。
1. 特征工程
数据源
征信特征：从人行征信报告中提取，如账户信息、负债信息、信用历史等。
行为特征：基于客户在贷中的表现衍生，如额度使用率、还款频率、逾期历史等。
外部数据：包括第三方征信机构的数据，如多头借贷信息、消费行为等。
特征处理
缺失值处理：对于缺失较多的变量，考虑剔除或进行填充。
异常值处理：对极端值进行上下限截断，防止对模型造成干扰。
分箱处理：采用卡方分箱、最优分箱等方法，将连续变量离散化，便于计算WOE值。
2. 模型训练
数据集划分
训练集：2021年7月至2022年1月的数据。
测试集（OOT）：2022年2月至2022年6月的数据。
模型思路
由于不同数据源的特性，分别建立子模型，再进行融合：
子模型1：基于征信特征的模型。
子模型2：基于行为特征的模型。
子模型3：基于外部数据特征的模型。
模型融合
将各子模型的输出评分作为新的特征，结合外部数据特征，进行逻辑回归模型（LR）的训练。
最终模型引入了11个变量，包括征信特征、行为特征和外部特征。
3. 模型评估
KS值和AUC
子模型：在OOT上的KS值为0.44，AUC为0.77，说明模型有较好的区分度和排序性。
融合模型：在OOT上的KS值提升到0.45，AUC为0.78，模型性能有所提升。
评分分布和排序性
通过KS分布图和KS表，可以看到模型在不同分数段的坏样本占比呈现良好的区分。
等分分段：按分数将样本划分为10段，发现坏样本率随着分数的降低而升高，排序性良好。
稳定性分析
变量的PSI值：在OOT上的PSI为0.017，说明模型在不同时间段的表现稳定。
变量分布：入模变量在不同月份的分布较为稳定，没有极端波动。
1. 变量和评分验证
变量验证：对入模变量的衍生和异常值处理进行核查，确保加工逻辑正确，变量值与预期一致。
评分验证：通过再现模型计算过程，验证评分是否正确。
2. 交叉验证与模型对比
新老模型对比：将新模型与老B卡模型进行相关性分析，发现相关系数为0.6，说明新模型引入了新的风险识别能力。
交叉分析：在OOT样本上，老B卡模型的KS值为0.35，通过交叉验证，可以进一步提高风险识别的准确性。
（知识星球-第18期大咖课）
1. 风险分级与决策
高风险客户（低分段）：建议直接拒绝放款，避免损失。
中风险客户：结合其他风险策略，如提高利率、降低授信额度等。
低风险客户（高分段）：优先放款，可考虑提供更优惠的政策。
2. 模型的组合应用
多模型融合：将贷中支用评分卡与其他风险模型结合，如反欺诈模型、准入评分卡等，提高整体风险控制能力。
规则引擎：结合业务规则，如客户的职业、收入水平、地区等，进行综合决策。
3. 持续监控与调整
模型监控：定期监控模型的表现，关注KS值、AUC等指标的变化。
数据更新：随着时间推移和宏观环境变化，及时更新数据，重新训练模型。
通过本次贷中支用评分卡模型的开发，我们可以得到以下启示：
数据是核心：高质量、多维度的数据是模型性能的基础。充分利用征信数据、行为数据和外部数据，可以提升模型的风险识别能力。
模型设计要灵活：根据不同的数据源和业务需求，灵活地设计模型框架，如采用子模型融合的方法，可以充分发挥各类特征的优势。
模型评估要全面：不仅要关注模型的区分度（KS值、AUC），还要关注模型的稳定性、变量的合理性和可解释性。
策略应用要结合业务：模型的评分结果需要与业务实际结合，制定合理的风险策略，达到风险控制和业务发展的平衡。
贷中支用评分卡模型是风险控制的重要工具，通过科学的模型开发和合理的策略应用，可以有效降低违约风险，提升业务质量。在实际工作中，我们需要不断地积累数据，优化模型，适应市场和政策的变化，才能在激烈的竞争中立于不败之地。
希望本文的分享，能让读者对贷中支用评分卡模型有更深入的理解，为实际工作提供有益的参考。
END
FAL长期对外征稿，邀请各大风控人士加入我们，在风控圈分享你的经验与知识👉征稿，快到碗里来，有稿费那种！
感谢您看到这里
微信公众号对话框回复“小福利”
领取粉丝专属优惠券
