多头借贷数据在风控中如何分析及应用

金融风险管理中，对于一个借款人还款能力的评估十分重视。如果一个人的资产负债比过大，一旦发生资不抵债的现象，金融机构继续对其发放贷款发生违约的风险是极大的。

在体现借款人甚至借款企业还款能力的众多指标中，多头借贷是一项核心指标。

1.什么是多头借贷

多头借贷是指单个借款人向2家或2家以上的金融机构提出借贷需求的行为。多头借贷数据一般至少会粗分成银行类多头借贷、非银类多头借贷。按时间跨度可以分为近7天、近15天、近1个月、近3个月、近6个月、近12个月。

多头借贷除了会统计申请次数，还会统计申请机构数、申请最大间隔天数、申请最小间隔天数、申请记录月份、平均每月申请次数(有申请月份平均)、最大月申请次数、最小月申请次数等。

由于单个用户的偿还能力是有限的，向多方借贷必然蕴含着较高的风险。一般来说，当借贷人出现了多头借贷的情况，说明该借贷人资金出现了较大困难，有理由怀疑其还款能力。

2.多头借贷数据的分析方法

由于多头借贷可以比较有效的反应借款人的还款能力，所以在对借款人信用风险、欺诈风险评估上，基本都有使用多头借贷数据。

多头借贷作为一个衡量借款人的维度特征，可以结合一些逾期指标进行分析。

上图示例1中，对近7天非银机构申请机构平台数进行分析，对申请不同平台数的客户，分别统计客群的分布占比、FPD30%、FPD30-DPD90+%、通过单量、FPD30单量、DPD90+单量以及DPD90+%。通过统计后的数据，分析近7天申请N平台数的客户，其不同逾期指标的变化趋势，如上图示例1中FPD30%的增幅，进一步用于寻找策略切点或者豁免客群的回顾分析。

3.多头借贷数据为何少用于模型

多头借贷少出现在模型变量中，主要有两个方面原因。

第一，多头借贷数据往往被策略同事应用于规则中。

数据建模的目的是从金融弱变量中通过特征工程方法，提炼出有效区分变量，构建评分模型。所以对于多头借贷数据，既然已经运用在策略规则中，实在没必要加入到模型变量。如果读者朋友们看到提交的评分模型报告中有多头借贷变量，那么建模的同事要么没有事先了解已上线运行的策略规则集，要么就是为了模型表现指标（如KS、AR、AUC）好看强行使用。

第二，多头借贷数据往往覆盖度不全。

多头借贷虽然是一个与风险强关联的维度，但其查得率一直被人所诟病。

举一个例子，借款人一个月内在多家机构贷款，作为一个特征，很有可能出现某个人虽然频繁贷款，但并没有被多头供应商捕捉到。一旦这个特征作为模型变量，那么这个变量的噪声就很大了。反而如果做成反欺诈策略，就不需要担心噪声问题，直接选取拒绝线进行截断，最大的影响，也就是没有拒绝掉足够多的用户，而这个影响我们还可以用噪声较小的模型进行弥补。

4.多头借贷数据在策略规则上的应用

多头借贷在策略上一般作为一条策略规则，一个拒绝维度参与到整个风控流程中。不同机构，不同信贷产品，不同场景，对于多头借贷的拒绝线划分都是不一样的。如何找到当下最适合的多头借贷拒绝线，对于风控策略分析人员，是风控工作的核心任务。

仍以上图示例1为例，假设当前对于7天多平台数规则的拒绝线划分在6，即如果7天多平台数>=7则拒绝。如果我们现在希望通过7天多平台数规则豁免一部分客群提升整体通过率，此时的拒绝线cutoff应该划分在哪里呢？

如果不是应对紧急调整通过率的情况，我们可以事先豁免7天多平台数7-10的客户，作为测试样本，用以产生7-10客群通过单量的分布，之后将拒绝线调回6。既可以生成如下统计分析表：

上图示例2中的桔色部分都是通过分析预测出来，比如通过上图示例1中不同多平台数FPD30%的平均增幅0.7%，预测出7-10的FPD30%。

预估计算公式8FPD30%=7FPD30%+0.7%。进一步计算出FPD30量、DPD90量等其他指标。

**提醒读者朋友们，**因为我们对于资产风险管控最关心的逾期指标还是不良率，所以我们通过FPD30-DPD90+%的迁徙率预测出不同7天多平台数的DPD90+%。对于7-10的FPD30-DPD90+%预估，可以采用MAX(0-6的FPD30-DPD90+%)的预估方法。

在这之后，我们对于不同7天多平台数测算出拒绝线Cutoff的FPD%和DPD%，如下图所示：

对比示例图1和图3的Cutoff_DPD%可以发现，规则拒绝线设定在>=7时DPD%=3.0%，设定在>=8时DPD%=3.0%，设定在>=9时DPD%=3.3%。规则拒绝线设定在>=8的DPD%并没有增加。此时可以尝试建议将7天多平台数的拒绝线调整到7。

当然，这种策略分析方法仍有一些纰漏，比如此方法需要有测试样本进行观测，无法满足快速调整通过率的需求；7天多平台数的FPD30%的增幅实际情况并非线性增长，有经验的策略分析师知道，FPD30%一定会在某一个节点指数级增长。

但正是因为策略分析师通过不断地按照上述方法进行样本测试对照，根据实际情况回顾分析结果，才能不断的积累策略调整经验，才会对规则分布具有一定敏感性。这就是策略分析专家与普通策略分析师之间的差距。

风险管理之路，一直在不断的试错中找到最优解，与大家共勉之。

多头借贷数据在风控中如何分析及应用相关推荐

如何将问卷结果转化成相应的数据放在spss中进行分析
首先,将问卷的原始数据导出,如果问卷中有很多矩阵题,需要根据题目分别导出. 对问卷中的答案进行赋值,因为spss不能分析文本类内容,所以需要将所选的选项用数字赋值以这样的方式制作excel表格此时 ...
风控中的大数据和机器学习
本篇文章只关注个人信用借款的风控.抵押贷,企业贷不在讨论范围中. ◆ ◆ ◆ 1. 风控的意义何为风控?字面含义就是对于风险的控制从而使财务不受到损失.对于任何一家金融机构(包括银行,小贷,P2P等 ...
中yeti不能加载_将 PQ 查询加载到 Excel 中进行分析的三种常用的方式
点击上方蓝字关注星标★不迷路岁月本长,忙者自促虽然大部分时候经过PQ清洗的数据都是加载到Excel工作表中,但是PQ中还有另外两种将数据返回Excel中进行分析的方法. 三种不同的数据加载方式: ...
10.Excel数据特征分析-帕累托分析法
文章目录 1.什么是帕累托分析 2.帕累托分析法案例 3.数据透视表与帕累托分析结合具体步骤 3.1数据透视表建立 3.2 帕累托图的建立 3.3 调整帕累托图 3.3.1调整坐标轴 3.3.2 调整 ...
仁润云丨网络小贷风控数据接口分析（多头借贷，芝麻信用）
对于网络小贷平台而言,征信和风控是业务发展过程中的重要环节.网络小贷业务主要防范的是欺诈风险和信用风险,诸如借款人通过套现.伪造.冒领冒用.恶意透支等手段进行骗贷.此外,平台与平台之间信息不透明,用户 ...
风控中的企业与个人数据有哪些核验维度
当前,数据行业进入全面整顿,特别是涉及到个人隐私查询的项目全部下线.在断直连以及个人信息保护法相继出台后,对金融科技.现金贷等行业造成极大影响.目前,只有验证类或没有涉及个人信息隐私的可以查询,如银行 ...
电商支付数据在信贷风控中的应用
笔者在之前的工作经历中,曾做过针对电商/支付数据开发信用资质分的一个项目,下面我会介绍这两类数据是如何应用在信贷风控中的,内容包括电商支付数据的使用场景,做风险特征衍生的思路,以及在策略及模型上的应用 ...
互联网金融风控中的数据科学
内容来源:2016年12月16日,宜人贷数据部数据科学家王婷在"GIAC全球互联网架构大会"进行<互联网金融风控中的数据科学>演讲分享.IT大咖说作为独家视频合作方,经 ...
基础篇|信贷风控中的外部数据(百行)
序言: 外部数据源作为金融机构判客群风险最重要的征信维度,其作用不需多言,在信贷行业最风控的时候,某家机构公司数据成本占比居高不下,甚至是成本中较重的支出,比如在某集团公司里就会接入以下这些数据源: ...

多头借贷数据在风控中如何分析及应用

多头借贷数据在风控中如何分析及应用

多头借贷数据在风控中如何分析及应用相关推荐

最新文章

热门文章