DataScienceML：金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略
DataScience&ML：金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略
目录
金融科技领域之迁徙率(Flow Rate)表的简介
迁徙率(Flow Rate)表案例应用—定义逾期天数-利用迁徙率(Flow Rate)表
1、概念定义
T1、先设置观察期，再看表现
T2、只看每个月的的账户在下个月的表现
2、迁徙率—案例理解
2.1、迁徙情况百分比关注重点
2.2、迁徙情况百分比的意义
2.3、提前预测90天后是否逾期
金融科技领域之迁徙率(Flow Rate)表的简介
贷款迁徙率，经济学领域术语，计算方法为期初正常类贷款向下迁徙金额/(期初正常类贷款余额－期初正常类贷款期间减少金额)×100%。
迁徙率(Flow Rate)表案例应用—定义逾期天数-利用迁徙率(Flow Rate)表
通过下边的分析，可以确定目标里“逾期天数”—90天以上。过程如下：
1、概念定义
T1、先设置观察期，再看表现
推荐文章：https：//zhuanlan.zhihu.com/p/81027037
T2、只看每个月的的账户在下个月的表现
|
概念定义 |
|
|
时间窗口 |
每个时间窗口由一个月和下一个月的数据构成。例如我拿一年的数据，例如2019年，就有11个观察窗口(1-2月，2-3月....11-12月)。比如2019年11个时间窗口就是“11-12月” |
|
逾期期数 |
每个期数由30天组成(有的银行或者金融机构由自然月组成，会更加方便计算)。较多的金融机构会用Mn来形容逾期情况，例如 M0：当前未逾期 M1： 逾期1-30日 M2：逾期31-60日 M3：逾期61-90日 M4：逾期91-120日 以此类推...... |
此处的逾期和观察窗口(这个月、下个月)没有关系。观察窗口是相对关系；而逾期期数的大小，是从该客户逾期第一天开始计算，是一个绝对数值。
纵坐标是前月的逾期期数情况(时间窗口左边界)；横坐标是次月的逾期期数情况(时间窗口右边界)。计算方式，例如我们只有两个时间窗口。在时间窗口【1月-2月】里有50个客户保持未逾期，【2月-3月】有100个客户保持未逾期，那么坐标[1,1]的总数会是150。
2、迁徙率—案例理解
假设经过分析2019年11个时间窗口后，当前月(11月)、下个月(次月12月)，我们得到以下一个统计表。
所有时间窗口的迁徙情况总和
|
下个月 |
||||||||
|
未逾期 |
逾期[0,30) |
逾期[30,60) |
逾期[60,90) |
逾期[90,120) |
逾期[120,∞) |
总计 |
||
|
当前月 |
未逾期 |
8000 |
250 |
1 |
0 |
0 |
0 |
8251 |
|
逾期[0,30) |
700 |
500 |
80 |
0 |
0 |
0 |
1280 |
|
|
逾期[30,60) |
120 |
80 |
76 |
79 |
10 |
5 |
370 |
|
|
逾期[60,90) |
70 |
25 |
19 |
60 |
60 |
5 |
239 |
|
|
逾期[90,120) |
20 |
1 |
10 |
8 |
30 |
50 |
119 |
|
|
逾期[120,∞) |
2 |
2 |
6 |
4 |
1 |
20 |
35 |
|
|
总计 |
8912 |
858 |
192 |
151 |
101 |
80 |
10294 |
|
比如，
8000=11月未逾期客户数+12月未逾期客户数
700 =11月逾期M1客户数+12月未逾期客户数
转换成百分比，并根据值的大小，用颜色标出来
所有时间窗口的迁徙情况百分比
|
下个月 |
||||||||
|
未逾期 |
逾期[0,30) |
逾期[30,60) |
逾期[60,90) |
逾期[90,120) |
逾期[120,∞) |
总计 |
||
|
当前月 |
未逾期 |
96.96% |
3.03% |
0.01% |
0.00% |
0.00% |
0.00% |
100% |
|
逾期[0,30) |
54.69% |
39.06% |
6.25% |
0.00% |
0.00% |
0.00% |
100% |
|
|
逾期[30,60) |
32.43% |
21.62% |
20.54% |
21.35% |
2.70% |
1.35% |
100% |
|
|
逾期[60,90) |
28.29% |
10.46% |
7.95% |
25.10% |
25.10% |
2.09% |
100% |
|
|
逾期[90,120) |
16.81% |
0.84% |
8.40% |
6.72% |
25.21% |
42.02% |
100% |
|
|
逾期[120,∞) |
5.71% |
5.71% |
17.14% |
11.43% |
2.86% |
57.14% |
100% |
|
|
总计 |
||||||||
2.1、迁徙情况百分比关注重点
只需要关注黑色框框的部分，也就是彩色背景的部分
解释：因为那些已经好转了的账户我们不管了，因为不是我们的催收对象，我们需要看的是逾期情况没有好转甚至恶化的客户。一个时间窗口内你的逾期情况最多往前一格(遇到天数为31天的有可能小概率逾期两格，但较少发生，统计时可忽略)。用直白的语言说，就是你现在逾期10天，给你一个月，你怎么也不可能逾期超过60天吧？
2.2、迁徙情况百分比的意义
说明了某个逾期期数的风险情况。我们这里用“从良”这个不太恰当但好理解的词来形容账户逾期期数变少。例如在上表里，
这个月当逾期<30天时，54.69%的客户都会在下个月还上款(因为大概率是忘了还款日而不是没钱还)；
而这个月逾期在[90-119]天时：有42.02%的客户的逾期期数会继续增加(确实手头缺钱还不上)；25.21%的客户逾期期数会保持不变(手头紧，仅还得上一期的欠款以确保账户不会被清算)。
“从良”占比：也就说是，当逾期天数超过90天，客户“从良”的概率只有(100-25.21-42.02)% = 32.77%。也就说，很大概率这个客户的情况会一直恶化下去，所以我们需要在Ta恶化前，就挑出来催收，以减少损失。“从良”的占比行业经验：至于低于多少就不能接受，则需要和商业部门沟通。但从良的少于1/3确实挺少了。
2.3、提前预测90天后是否逾期
此处并非指逾期真的超过90天才催收，而是说，我预测这个人将来会逾期超过90天，所以我在他达到那个逾期时间前就去催收，避免严重逾期的发生。
DataScienceML：金融科技领域之迁徙率(Flow Rate)表的简介、案例应用之详细攻略相关推荐
- DataScienceML：金融科技领域之风控的简介、类别、应用流程(定义目标变量→特征构建思路等)、案例集锦之详细攻略
DataScience&ML:金融科技领域之风控的简介.类别.应用流程(定义目标变量→特征构建思路等).案例集锦之详细攻略 目录 金融科技领域之风控的简介 1.风控指标相关概念或口径逻辑 金融 ...
- AI黑科技：目前最流行的人工智能换脸软件(FakeAPP/Faceswap/Openfaceswap/Deepfacelab)的简介、对比之详细攻略
AI黑科技:目前最流行的人工智能换脸软件(FakeAPP/Faceswap/Openfaceswap/Deepfacelab)的简介.对比之详细攻略 目录 目前最流行的人工智能换脸软件的简介 Fake ...
- DL之Transformer：Transformer的简介(优缺点/架构详解，基于Transformer的系列架构对比分析)、使用方法(NLP领域/CV领域)、案例应用之详细攻略
DL之Transformer:Transformer的简介(优缺点/架构详解,基于Transformer的系列架构对比分析).使用方法(NLP领域/CV领域).案例应用之详细攻略 目录 Transfo ...
- Algorithm：网络广告营销领域之归因分析/归因模型的简介、算法、案例应用之详细攻略
Algorithm:网络广告营销领域之归因分析/归因模型的简介.算法.案例应用之详细攻略 目录 归因分析/归因模型的简介 1.常见几种归因分析模型 2.单触点归因分析VS多触点归因分析 3.归因模型的 ...
- AI：人工智能领域有影响力的开源社区/科技巨头研究机构/全球顶尖学府实验室的简介、课程学习(正确姿势薅羊毛)之详细攻略
AI:人工智能领域有影响力的开源社区/科技巨头研究机构/全球顶尖学府实验室的简介.课程学习(正确姿势薅羊毛)之详细攻略 目录 全球顶尖学府的人工智能实验室 国外篇 CSAIL(MIT计算科学与人工智能 ...
- IRC/ML：金融智能风控领域相关术语解释(黑灰产群控、风控指标/字段、口径逻辑)、金融智能风控领域九大场景之详细攻略
IRC/ML:金融智能风控领域相关术语解释(黑灰产群控.风控指标/字段.口径逻辑).金融智能风控领域九大场景之详细攻略 目录 金融智能风控领域的相关术语 1.如何判断黑灰产群控 风控指标/字段相关概念 ...
- NLP之PTM：自然语言处理领域—预训练大模型时代的各种吊炸天大模型算法概述(Word2Vec→ELMO→Attention→Transfo→GPT系列/BERT系列等)、关系梳理、模型对比之详细攻略
NLP之PTM:自然语言处理领域-预训练大模型时代的各种吊炸天大模型算法概述(Word2Vec→ELMO→Attention→Transformer→GPT系列/BERT系列等).关系梳理.模型对比之 ...
- Interview之DS：人工智能领域求职岗位—数据科学家/数据科学工程师的职位简介、薪资介绍、知识结构之详细攻略
Interview之DS:人工智能领域求职岗位-数据科学家/数据科学工程师的职位简介.薪资介绍.知识结构之详细攻略 目录 数据科学家/数据科学工程师的职位简介 资讯指数 1.各大互联网巨头的薪资介绍 ...
- AI 助力金融后，中美金融科技领域最大的差距是什么？
[ AI 科技大本营按]2018年,AI 进入落地应用阶段,智能硬件相继上市,无人驾驶上路规范出台.在金融领域,AI 是如何助攻的呢?在 O'Reilly 和 Intel 人工智能 2018 北京大会 ...
最新文章
- VTK：图表之DepthFirstSearchAnimation
- python语言三大基本控制结构_Python基础知识之4——三大控制结构
- CentOS 7本地镜像部署NFS服务
- java空白页,[求教]JSP页面显示为空白页，请高手赐教！
- 述职答辩提问环节一般可以问些什么_内部资料，仅供阿里在职同事传阅：晋升答辩成功要诀...
- oracle对象类型_如何创建Oracle类型对象
- javascript 字符串和json的互转
- mac上好看的时钟屏保
- MultiDesk 是一个选项卡(TAB标签)方式的远程桌面连接 (Terminal Services Client)。
- 怎样添加图片到黑莓7290手机里？
- 八爪鱼采集器增值API接口 memo
- RPG游戏制作-03-人物行走及A*寻路算法
- 产品经理学习笔记(13)-用户反馈的意义
- JVM - 垃圾回收(垃圾标记阶段算法,内存泄漏与溢出)(2)
- 网络安全篇 使用IPSec实现数据的机密性传输-29
- 法拉克机器人自动怎么调_发那科机器人的正确操作方法及步骤
- Windows故障恢复控制台教程
- python教程99--控制鼠标键盘模块 pyautogui
- 华为服务器查看阵列信息,查看服务器磁盘阵列
- 解决微信公众账号申请认证方面的问题