年后复工，逾期升高，策略应该怎么调优

这次疫情对中国各行各业都有不同程度的影响，一些金融机构的信贷业务在2月开始逐渐有逾期、入催抬头的表现。保守估计疫情对金融信贷业务影响持续到年中6月份的话，金融机构应该如何应对逾期上升的风险？

对于信用风险管理从业者，如何在逾期升高的期间，通过科学的量化策略分析将未来逾期降下来？

本文将通过案例分享：当逾期升高时，如何进行策略调优。

真实案例背景（数据已脱敏）：

通过PQR监控报表发现，某XX贷产品的MOB报表自2019年5月开始，后续放款月资产逾期呈上升趋势，既DPD30+逐月上升，且上升速度逐步增快（MOB期数逐渐缩短）。在2019年11月放款的客户里，MOB=4的DPD30+等于2.49%。如下图1所示。

通过将MOB制作成Vintage报表，可以观测到某XX贷产品的风险自2019年5月到11月的DPD30+平均值位于6%的水平，如下图2所示。

往期DPD30+表现出的风险水平逐月快速上升现象，意味着如果不做相应的策略调整，之后的放款月风险将会更快的暴露。

针对此时逾期快速上升的背景下，如何分析策略，进行策略调整呢？

策略分析方法

第一步：确定存量还是新增客户导致逾期上升

信贷业务每个月发生授信和放款的客户可以分成新增客户和存量客户。从上图示例2中Vintage报表展现的数据，反映出资产逾期呈上升趋势。那我们首先需要将2019年5月到2019年11月（可观测到DPD30+）的Vintage分成新增客户的Vintage1和存量客户的Vintage2，如下图3。

从上图3的Vintage1（新客户）和Vintage2（存量客户）标注的红色椭圆框可以观测到，新客户的DPD30+平均处于6%，存量客户的DPD30+平均处于5%。与图示1对比可以分析出，导致资产逾期上升的主要原因是新增客户资产变差的影响。

至此阶段的分析结论：我们可以确定出需要调整的策略规则是贷前规则。

解释如下：往期放款月中，新客户是由贷前规则通过后，给予授信并放款的，存量客户的复借是由贷中规则决定。通过Vintage1和2的分析比对，引起资产逾期上升的主要原因是新客户的逾期上升。

第二步：多维度分析，找出最主要影响规则

通过第一步的分析确定出核心要调整的是贷前策略后，我们接下来要通过分析不同的规则变量，找出对目标变量（DPD30+）影响最大的维度变量。

这里提供分析主要影响变量的两个思路，具体实践过程就不在这里多讲，文末推荐阅读有链接。

思路一：自上而下地按照A类策略调优方法，从贷前策略节点到节点里的规则集，再细分到具体规则，逐步分析出影响较大的规则变量（文末推荐阅读给出具体分析的往期文链接）

思路二：自下而上地将所有规则变量与目标变量拟合分析，通过IV的降序排序，找出影响较大的规则变量。

分析得出，城市等级是影响逾期目标上升的主要变量。通过分析2019年5月至11月的城市等级Vintage曲线，可以发现“其他城市”较“一线城市”、“二线城市”、“三线城市“对逾期的影响较大，如下图。

第三步：制定策略调整方案

通过上述数据分析，发现贷前风控规则里的“城市等级”规则”其他城市“是导致逾期升高的主要原因。此时容易出现的一个错误决策是拒绝“其他城市”的进件。

原因很简单：这种决策会导致大量的申请被拒绝，对通过率的影响比较大。

最优的策略调整方案思路是：从“坏客户”中挑选出“最坏”的一批客户，且这批客户的占比较少，然后加以拒绝。

按照上述思路，我们可以制定出如下的策略优化方案：

1、进一步分析“其他城市”里，哪一些的城市逾期较高；
2、挑选部分逾期较高的城市做贷前准入规则。

以上，就是逾期升高情况下，策略调优的分析方法。对于存量客户引起逾期上升的策略分析方法，以及更多的策略设定、客群豁免等策略分析方法和案例，可关注公众号{金科应用研院}。