风控建模一：好坏标签定义

引言

风控模型能够准确判别好坏的基本前提是我们精准定义了好坏样本。 如何定义好坏通常被认为是风控建模中最难的环节。
在风控中，当定义风险模型标签时，我们一般会使用类似3T ever 15（该客户在3期应还之中是否有至少一笔超过15天以上的逾期表现）这样的标签来界定好坏样本，在实际工作中，我们到底应该选几期来看，应该用多少天逾期作为标准，又如何证明我们定义的坏真的足够坏，本篇文章就来探讨一下这三个问题。

一、界定天数——收回率曲线

首先，风控中基本不会用大于等于1天逾期作为好坏样本的界定，因为仅有几天逾期的人很可能真是忘了还了，并非真的坏；另一方面，风控体系中都会有催收系统，逾期几天的人大部分是能够催回来的，所以风控中常常把15天、30天甚至60，90天作为是否逾期的判别，具体应该用多少天，我们可以通过收回率曲线帮我们界定：

如图是一张收回率曲线，横坐标代表入催天数，可以理解为这个人逾期的第n天，纵坐标为收回比例，这张图标呈现的信息是，在应还款日后的第1天，有40%入催的人可以被催回还款，到第4天，有70%能够催回，越往后曲线变得愈发平缓，每天能催回的人数越来越少。
假设我们以逾期天数是否超过4天作为好坏判别的临界点，那有30%的人都会被我们界定为坏。假如最终85%的人都可以被催回，即最后真正坏的只有15%的人，那说明有一半能够还款的人都被我们误判为了坏；如果我们以15天作为临界点，我们能够界定出20%的坏人，其中误判的人就只占1/4。
当然，天数越长，我们对坏的定位就越精准，但同时，有足够表现期并可用来建模的样本也会越少；所以，我们必须在精准度和样本量之间做一个权衡；另一方面，入催天数越长，新增可催回的人数也就越少，意味着对好坏定义精准度的提升也就越有限。

二、界定期数——vintage曲线

如上图描绘的是vintage表格及曲线，表格第一行代表：把所有一月份借款的人作为分析样本，在他们还款日后的1,2,3……个月后，有多少比例的人发生了逾期。当我们把数字描绘成曲线后，可以看到，随期数增多，逾期率也会跟着上升，前期快速增长，10个月后逐渐趋于稳定。
最理想的状态下，我们会把坏账率趋于稳定的那个时点作为好坏的界定点，比如10期。选择的期数越少，我们遗漏的坏人也就越多，假如我们以7期作为坏样本的界定，可以捕捉到约4.5%的坏人，但当全账龄走完后，逾期率大概能达到6%，所以7期为标准大概会漏掉约1.5%的坏人。
同样，我们考察的期数越长，越能够精确定位到坏人，但样本也会随之大大减少。所以vintage曲线也只是帮我们做一个权衡，评估在每一期我们牺牲了多少精准度。

三、好坏定义的验证——滚动率分析

当我们敲定了一个好坏样本的定义方式后，我们可以通过滚动率分析来证明我们定义的坏确实足够坏。
滚动率分析的核心思想就是把时间段分为两部分，考察在前半时段我们定义的坏到后半时段时，有多少比例依然为坏。以循环额度的信用卡产品为例，下图呈现的是一个完整24个月的周期被拆分为“前”、“后”两个时段，在前12个月中逾期30、60、90天以上的人在后12个月中是如何转换的。

可以看到，如果以30天逾期作为坏的界定，在后12个月中，只有40%的人仍然出现了30+的逾期，而如果以90天作为界定，在后12个月中有60%的人仍然为我们定义的坏。滚动率的分析可以证明以90天为界定定义出的坏人在时间上是稳定的，即大部分前期逾期90天的人后期都不会再变好，以此证明了这种定义方法的合理性。

四、实际情况

以上的分析都只能帮我们从数据上去评估我们定义好坏的精准度，但实际业务中往往没有足够的余地让我们去找到那个最优解，一是受限于样本量，越严苛的定义越会导致样本过少而无法建模，尤其对于新开的业务来讲。二是受限于样本时效性，在市场环境快速变化的背景下，客户群体也在不断变化，意味着只有用最新的数据建模，才会对未来的客户群体有预测性，而这也直接限制了我们定义好坏时的期数选择。所以实际业务中，常用2-4期来定义好坏，某些情况下甚至只用1期。当然，最终模型建好，还是要在不同期数的好坏定义下进行验证的。

*参考书目：《Credit Risk Scorecards》Naeem Siddiqi