学习分享|量化风控从入门到放弃

番茄风控第二期《风控数字化全流程训练营》学员课后分享:
大家好_{我是L，刚刚从事量化风控的时间不久，很高兴参与了番茄风控前两期的训练营，特别是策略跟模型方面，颇有收获，今天借这个机会跟大家分享下相关的风控知识，如文中有不妥的请大家指教}

一.滚动率分析
滚动率分析–找出坏客户的定义。
1.1 实现详细过程
滚动率：表示客户从A时间点到B时间点，还款状态从a到还款状态b的转化比率；是两个快照数据之间还款状态的变化情况。
滚动率有两个方向，向前滚和向后滚；
向后滚是指客户逾期等级更高了（即客户继续逾期），
向前滚是指客户逾期等级变低了或者变成正常客户了（即逾期客户有还款行为）。
计算步骤：（比如计算月底_{下月月底的滚动率）3月31日}4月30日滚动率。

Step1 :在3月31日，判断所以资产<记做资产集A>的还款状态；（C/M1/M2……）
Step2: 在4月30日，判断所以资产<记做资产集A>的还款状态；（C/M1/M2……）
Step3: 计算各个迁徙率的值；

计算公式：
（例如c~m1）：3月31日C的客户且在4月30日处于M1状态的客户数/3月31日C的客户数。其他指标以此类推。
在3月31日C状态的客户有5个；这5个客户中，4月31日M1状态客户有2个，因此C~M1滚动率为40%；
（例如m2~m1）：3月31日m2的客户且在4月30日处于M1状态的客户数/3月31日m2的客户数。其他指标以此类推。
Ø 在3月31日M1状态的客户有2个；这2个客户中，4月31日M1状态客户有1个，M2状态客户有1个，因此M1_{M2滚动率为50%，M1}M1滚动率为50%；
Ø 在3月31日M2状态的客户有2个；这2个客户中，4月31日M1状态客户有1个，M3状态客户有1个，因此M2_{M1滚动率为50%，M2}M3滚动率为50%；

平均滚动率:
在实际应用中，经常使用滚动率来判断在哪个逾期阶段的客户是“坏客户”，以确定建模时，怎么定义y=1的目标变量。这里就需要求出一段时间内各个还款状态之间的平均转化率。
步骤如下：
首选，需要定义客户范围，比如2018年1月~2018年6月放款的A产品用户；
其次，定义一个统计周期范围，比如2018年6月~2018年12月；（统计这半年内，上述客户范围各个状态之间的平均滚动率）；
再次，计算每个月月底至下一个月月底的各个状态之间转化的客户数量；（有6个如下的表）
然后，将客户数据叠加起来，也就是将6张表格里面对应位置的数据求和。意味着所有客户被重复利用计算6次（平均化）。
最后，利用最后生成的交叉表格，计算各个迁徙率的值；

1.2 结果解读：

滚动率结果分析：上一期滚动到下一期更坏的比例

横轴：本期逾期情况，分别为逾期0期、逾期1期、一直到逾期8期
纵轴：上月逾期情况，分别为逾期0期、逾期1期、一直到逾期8期
红线：上月逾期0期，滚动至下月逾期0期的比例99.52%，但是有0.41%的人群下一期还不上钱了。
上月逾期1期，滚动至下月逾期2期的比例51.54%
上月逾期2期，滚动至下月逾期3期的比例79.16%
上月逾期6期，滚动至下月逾期7期的比例32.12%

建模的目的:
1.样本量充足：选择M3+作为标准，确定Y=1占比10%左右
2.找到足够坏的客群
选择M3+的客群作为坏定义，有90.12%的人不会变的更好。如果选择M2作为定义，有20%还会变好。

2.账龄分析

账龄分析作用：根据滚动率分析已经确定坏客户定义为M3+。那么选择多久时间作为坏客户的风险暴露期呢？这个问题大家可以思考下，老师在课程中也有回答~
建立模型目的：
1.样本要足够充足

2.要有足够的风险暴露期。让坏的彻底的客户充分暴露出来纳入建模样本中，因此做滚动率分析和账龄分析。
选择多长时间做为判断M3的风险暴露期，如果有100万客户，有50万客户作为建模样本，不知道风险情况怎么样。有的3个月达到M3，有的12个月达到M3。
折线图横纵坐标含义：
横坐标：账期，MOB：我们把放款的月份叫做基准月，之后追踪的每个月称为Month on Book (MOB)
纵坐标：M3+客群在各个账期的占比。
结果分析:
选择两个时间段2014年、2015年的客群的表现情况。

从2014年1月开始，M3+客群占比逐渐增高。达到一定时间点后逐渐平稳。在MOB12已经放缓了增速，到MOB18逐渐平缓。
2015年时间点的样本也是在MOB12已经放缓了增速。到MOB18逐渐平缓。
观察不同时间点客群在未来风险暴露情况作为预测周期。政策和人群是在不断变化的，要选择不同时间点的人群观察。

不完全收敛情况：每个月都有风险暴露出来，参考巴赛尔协议。

建模，观察点
问题：一般几万到十几万的建模样本中，Y=1占比需要达到多少合适？
答：最理想情况10%-13%。占比<1%,KS值跳动会很大，会影响整体模型评估的。
不建议建模型，不稳定：
Y=1的人群占比很少，可以用不平衡处理方法。达到1%-2%。

三.课堂问题
另外，老师也对以下问题做了解答，不知道大家对以下问题都是否熟悉掌握？
A. 不同还款方式计算逾期天数的方法？
B. 截止到月末的逾期天数和某一期的逾期天数是一个概念吗？比如分析时点是4.30号，3.20和4.20的还款计划都没还，3.20账期逾期天数是4.30-3.20=41天，那么，4.20账期逾期天数是4.30-4.20=10天，还是41天？计算滚动率用借据的逾期天数还是账期的逾期天数？
C. 为什么会有上月M1下月M3的情况呢？上一期逾期30天内下一期经过30天，为什么会出现逾期60天以上呢？
D. 上月逾期6期本月逾期7期比例32.12%，向下滚动突然降低，可能是什么原因？
E. 红线：2014年1月份的客群是指什么？是2014年1月份发放贷款的客群吗？跟踪这部分客群未来几年的表现。

~原创文章
…
end

学习分享|量化风控从入门到放弃相关推荐

量化风控从入门到放弃
风控策略连载系列 @lbhfox 互联网金融风控体系及政策设计 1.风控体系介绍 2.风控政策的制定逻辑与关注点 3.场景下量化风险政策设定 4.量化风险政策的业务基本流程风控体系依据巴塞尔协议3 ...
gtk学习总结：GTK从入门到放弃，三天包教包会
今天花了一些时间复习之前学习过的gtk,感觉东西光学不用忘得好快啊,在这做个之前学过的内容的备份,希望对大家有用,也希望大家不要从入门到放弃.文中有些代码例子可能来自<GTK从入门到精通> ...
学习channel设计：从入门到放弃
前言哈喽,大家好,我是asong. 今天给大家带来的是Go语言中的channel.Go语言从出世以来就以高并发著称,得益于其Goroutine的设计,Goroutine也就是一个可执行的轻量级协程, ...
c#量化交易_量化交易从入门到放弃（1）
准备写些文章介绍下量化交易,这东西其实有点复杂,主要问题是市场的变数太多了.用模型来描述也会遇到很多问题.先从比较简单的技术说起好了. 中国的期货市场比较主流的交易接口是ctp.先简单的说明下ctp. ...
量化交易从入门到放弃——体验简单策略熟悉API（次新股倒金字塔加仓）
本文仅为学习笔记,无法保证正确性,不可作为交易参考. 在市场上有一个被奉为真理的加仓方法--倒金字塔加仓,传说只要按照倒金字塔加仓,一定不会亏损;今天就对这一方法利用宽客平台实现一下. 1.算法逻辑 ...
大鱼风控笔记 1：量化风控体系的风险板块
关于风控市场上比较关注的几种风险类型,可以参照「巴塞尔协议」.「巴塞尔协议III」主要涉及以下几种风险类型: 信用风险:信用风险是指由于信用活动中存在的不确定性而导致银行遭受损失的可能性,确切地说,是 ...
如何学习一门编程语言，从入门到不放弃！
在学习前,如果能把以下几个方面的问题弄清楚,就能够比较顺利和高效的学习,拿到你所想要的目标.而不是从入门到放弃. 一.方向和目标首先要确定为什么要学习计算机编程语言,为考试?为工作?为兴趣? 如果是 ...
专业放心的python入门视频_手把手教你掌握学习Python方法，让你不再从入门到放弃...
随着数据科学概念的普及,Python 这门并不算新的语言火得一塌糊涂.因为写了几篇用 Python 做数据分析的文章,经常有读者和学生私信问我,想学习 Python,该如何入手?我经常需要根据学习, ...
从入门到放弃——VO小白学习VIO系列（1）VINS环境搭建
从入门到放弃--VO小白学习VIO系列(1)VINS环境搭建前言入门知识 VINS环境的搭建安装Ubuntu16.06 安装ROS Kinetic 添加ROS源(国内源) 设置秘钥刷新源安装 ...

学习分享|量化风控从入门到放弃

学习分享|量化风控从入门到放弃相关推荐

最新文章

热门文章