信用评分模型中的滚动率分析

信用风险模型的目标是识别出应被拒之门外的潜在坏客户，因此给出合理的客户好坏分类是建模的基础。比如，信用卡逾期的“坏客户”，究竟应该是所有逾期过的客户，还是逾了好几期的客户呢？前者是不是还能抢救一下，后者是不是风险太高？

本期就来讲讲如何用科学的方法，判断你的客户还能不能抢救一下。

信用风险模型，简单地说就是通过历史数据，抓取坏客户显著区别于正常客户的特征，并以此为标准去预测未来会有很大概率出现这种行为的人。所以在模型中“坏”的定义就显得尤为重要，也就是未来究竟想把哪些人拒之门外。我们曾经介绍过vintage分析（参见：《vintage分析，从酿酒到银行信用评分领域》），该方法主要用来判断客户展现好坏本性的时间因素，但是在判断客户的好坏程度方面，则需要引入另一种方法：滚动率分析。

在信用评分领域，一般用客户拖欠欠款的时间来刻画客户的行为，逾期时间越长，逾期等级越高，客户风险也就越高。但是由于收益与风险的正比关系，银行为了找到平衡，不会认为所有发生过逾期的客户都是坏客户，并且“适当”的逾期不仅不会带来损失，反而带来了可观的逾期利息收入，所以对于银行来说，他所关注的坏客户是坏到某一程度，也就是逾期等级较高且不还款的客户。

信用风险模型中的滚动率分析，简单地说就是以某一时间点为观察节点，观察客户在该点前一段时间内（比如一年）最坏逾期程度，并追踪其在观察点之后的一段时间向其他逾期程度发展的情况，特别是向更坏程度发展的情况。

听起来有点懵？那我们来举个栗子。

假设我们取2016年8月31日为观察点，向前推一年为观察期，向后推一年为表现期，分别观察X万客户。

对于某一位客户逾期记录如下：

首先我们解释一下表中逾期期数的意思，假设一个客户在本月还款日的时候没有及时还上钱，那么他的逾期期数就记为1，如果他在下个月仍然没能在还款日时还上这笔款，那么他的逾期期数就记为2，期数会持续累加，直到他把这笔款还上。

所以上表中的这个客户，他在观察期里11月有过1次逾期，3-5月连续逾期了3期，也就是说该客户在前1年里面最坏的逾期记录应该是3期。同理，在后1年里面最坏的逾期记录是2期。

然后我们把X万个客户，在观察期和表现期最坏逾期期数都统计出来，就做出了如下频数汇总图：（以下数据纯属虚构）

上图纵坐标为观察期（前1年）客户最坏逾期期数，一共有5档：正常、逾1期、逾2期、逾3期、逾3期以上。横坐标为表现期（后1年）的表现情况。我们分别来看看这几类客户的情况：

• 1. 正常档的客户在未来1年里，98%的客户还是会保持正常（无逾期）状态，也就是说此种程度下的客户比较倾向于保持自我属性；
• 1. 曾经逾1期的客户在未来80%会从良不再犯，但是还有20%会继续，甚至有5%的人往更坏的程度发展去了；
• 1. 曾经逾2期的客户在未来40%的人会继续恶化，22%左右的人会变正常（完全从良）；
• 1. 曾经逾3期的客户在未来60%的人会继续恶化，15%左右的人会变正常（完全从良）；
• 1. 逾期3期以上的客户在未来80%的客户会继续此状态（没救了）。

在风险里面我们对于坏的定义比较谨慎，所以需要找到一个不可逆的点，比如逾期3期以上的客户，就都是无力抢救的坏客户了。但是假如我们想把条件收紧一点，那么我们可能会选择逾3期或者2期。再假如我要给坏设定等级，那么我就可以把3期以上设为极度坏，逾3、2期的话可能设置为中度坏，那么1期的人我就觉得是不经意的坏。以此类推，这个道理也可以应用到其他行为的程度定义里。

当然，以上说的是最传统的滚动率分析，如果觉得计算过繁杂，可以考虑用另一种更容易操作的计算方法：当前与最坏情况的对比分析。这种方法与滚动率分析相近，简单地说，就是把表现期压缩成当前的观察点，当前观察点该客户的逾期表现即为表现期的最坏表现，而把观察期的时间跨度加长。这里就不展开详说了，有兴趣的你可以去搜搜资料。

所以在信用评分中对于定义客户好坏的两大利器：时间维度的vintage分析，和行为程度上的滚动率分析，但是万万不可忘记的是结合相应的业务策略，切记，切忌。

信用评分模型中的滚动率分析相关推荐

1. woe分析_信用评分模型中WOE、IV详解

   IV(informaiton Value) IV的概念 IV全程是informaiton Value,中文意思是信息价值,或者信息量. 在逻辑回归.决策树等模型方法构建分类模型时,经常需要对自变量进行 ...

2. 一文彻底理解评分卡开发中——Y的确定（Vintage分析、滚动率分析等）

   评分卡已经在各大银行和公司都实际运用于业务,也有很多前辈对它进行了详细的阐述.本文将从支付和信贷评分卡建立的角度,对比分析不同行业在建立评分卡时因变量Y确定的差异.让想了解评分卡的小伙伴,有一个更深刻 ...

3. 信用卡评分模型(数据获取+数据预处理+探索分析+变量选择+模型开发+模型评估+信用评分+建立评分系统)

   最近两次遇到关于信用卡评分的题目,遂了解一波. Reference: 基于python的信用卡评分模型(超详细!!!) https://www.jianshu.com/p/f931a4df202c h ...

4. 评分建模之滚动率分析

   滚动率分析 近日,做了一次关于分期信贷产品的滚动率分析,写此文章,以作分享. 在信用评分领域,一般可以用客户延期还款周期来刻画客户的逾期程度,逾期时间越长,客户风险越高.但是,并不是客户一旦有逾期行为 ...

5. 互联网征信中的信用评分模型（转）

   摘要:面向小微商户以及个人消费的小微信贷是当前互联网金融的重要发展方向,并且正在经历爆发式增长.在这个增长过程中,如何在没有实物抵押的情况下,通过互联网大数据分析实现快速准确征信是一个非常重要的问题. ...

6. [机器学习] 信用评分卡中的应用 | 干货

   背景介绍与评分卡模型的基本概念 如今在银行.消费金融公司等各种贷款业务机构,普遍使用信用评分,对客户实行打分制,以期对客户有一个优质与否的评判.交易对手未能履行约定契约中的义务而造成经济损失的风险,即 ...

7. 天云大数据_【案例分享】天云大数据最佳实践系列之——信用评分模型

   本文为天云大数据原创 大数据能力特有的性质,使其正在成为大型银行真正的核心竞争力.银行大数据能力表现在多方面,但大数据思维和数据挖掘能力是最关键.也是最重要的.天云大数据自成立以来,一直深耕于金融领域 ...

8. 【综合案例】信用评分模型开发

   目录 一.案例背景 二.前置知识 2.1 数据分箱 2.2 属性选择 2.3 回归方程 三.数据处理 3.1 数据清洗 3.2 因素分析 四.模型训练 五.模型预测 六.结语 后记 一.案例背景 在上 ...

9. 基于 Python 的信用评分模型开发-附数据和代码

   来源 | 知乎  作者 | Carl 文章链接 | https://zhuanlan.zhihu.com/p/35284849 信用评分模型可用"四张卡"来表示,分别是 A卡(Ap ...

最新文章

1. log file sycn 概述
2. C++ Primer 5th笔记（chap 13 拷贝控制）析构函数
3. 2021亚太内容分发大会 阿里云荣获三项大奖
4. td 属性 noWrap 防止折行、撑开(及其它文字换行问题)
5. 信息竞赛进阶指南--单调队列模板
6. decode 大于比较 小于_关于Decode的用法，是不是里面的条件项不能超过10？
7. 2021-08-10基于人脸识别的学生签到系统
8. 集合（二）：Set : HashSet; LinkedHashSet; TreeSet
9. 项目上传图片报：Can't create output stream!
10. Sympy符号计算（使用python求导，解方程组）
11. Holy Grail【spfa签到题】
12. 【自动化测试】想了解Selenium吗？看这里！
13. 苹果开发者账号（公司级）和邓白氏编码（D-U-N-S）申请记录（2015.06）
14. jabber技术概况
15. Oracle数据库账号密码设置
16. Unity特效学习笔记——子弹
17. 梅科尔工作室-江凌宇-鸿蒙笔记4
18. 原生JS实现marquee 滚动字幕效果，完美解决频闪问题
19. java版湛蓝的回忆_湛蓝回忆 | 假情绪love | 橙光作品
20. 易语言 图片插入超级列表框_科技资讯:在PPT文档中如何将一张图片做成九宫格效果...

热门文章

1. 如何挑选无线路由器？
2. pycharm终端提示无法加载文件 F:\Users\Administrator\PycharmProjects\pythonProject\venv\Scripts\activate.ps1，因为在
3. 打造一流软文营销推广平台，看看媒体批发网是如何做的
4. unity Layer CullingMask
5. Shape对象和轮廓填充ShapeGeometry
6. Flutter杂症（couldn't find libflutter.so）
7. 6、Spring事务配置上篇
8. cropperjs裁剪后图片变大的问题
9. 大数据信息资料采集:淘宝飞猪旅游酒店客栈旅社公寓数据信息采集
10. Python笔记day04（基础）|列表、元组