风控分析常用指标介绍

  在信贷风控中,指标时反应业务变化最直观的手段,通过对指标的分析及时发现和定位业务开展过程中的问题,并及时采取相应的手段进行防控。本文列出工作中常关注的风险指标,介绍指标的定义及分析的方法,旨在精而不在全,希望能对各位读者有一点点启发。

目录

  1. FPD/SPD/FSTQ
  2. 逾期率Vintage
  3. 迁徙率
  4. 回收率

FPD/SPD/TPD

(First/Second/Third Payment Deliquency)

FPD1:首次逾期1天发生在第一期。还款表现都为1开头。
FPD7:首次逾期7天发生在第一期。
FPD30:首次逾期30天发生在第一期。
SPD30:首次逾期30天发生在第二期。对应的还款表现有F12,112。
TPD30:首次逾期30天发生在第三期。对应的还款表现有1112,FF12,F112,1F12。
FSTPD30:上面三个相加。表示首次逾期30天发生在第一期或者第二期或者第三期。

  首逾指标常常和欺诈关联,是风险管理中常为关注的指标,其中需要注意的点有以下几个:

  1. FPD1、SPD1、TPD1是互斥的。因为首次逾期1天发生的期数只会有一个,同理FPD3、SPD3、TPD3也是互斥的。
  2. 如果FPD30为1,表示首次逾期30天发生在第一期,那么其FPD1、FPD7等指标也一定为1。

  一般首逾发生在前3期的回收率会较低,因为其中有很多欺诈的因素&#

  • 8
    点赞
  • 70
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
IV(Information Value)是指标筛选中常用的评价指标,用于衡量自变量对于因变量的影响程度。在风险控制中,IV指标常用于评估某个特征对于坏客户的区分度,以及评估特征对于建立预测模型的贡献度。 IV值的计算公式如下: $$IV=\sum_{i=1}^{k}(\frac{good\%_i-bad\%_i}{100}\times WOE_i)$$ 其中,$k$ 表示特征取值的个数,$good\%_i$ 表示第 $i$ 个取值下好客户的占比,$bad\%_i$ 表示第 $i$ 个取值下坏客户的占比,$WOE_i$ 表示第 $i$ 个取值下的WOE值,可以通过下面的公式计算: $$WOE_i=ln(\frac{good\%_i}{bad\%_i})$$ 在 Python 中可以通过以下代码实现 IV 值的计算: ``` python def calc_iv(df, feature, target): lst = [] cols = ['Variable', 'Value', 'All', 'Good', 'Bad'] for i in range(df[feature].nunique()): val = list(df[feature].unique())[i] lst.append([feature, val, len(df[df[feature] == val]), len(df[(df[feature] == val) & (df[target] == 0)]), len(df[(df[feature] == val) & (df[target] == 1)])]) data = pd.DataFrame(lst, columns=cols) data = data[data['Bad'] > 0] data['All_Distr'] = data['All'] / data['All'].sum() data['Good_Distr'] = data['Good'] / data['Good'].sum() data['Bad_Distr'] = data['Bad'] / data['Bad'].sum() data['WoE'] = np.log(data['Good_Distr'] / data['Bad_Distr']) data['IV'] = (data['Good_Distr'] - data['Bad_Distr']) * data['WoE'] data['Variable'] = feature return data['IV'].sum() ``` 其中,`df` 表示数据集,`feature` 表示特征列名,`target` 表示目标列名。函数返回计算得到的 IV 值。需要注意的是,在计算 IV 值时,需要对特征的取值进行分组,每个组内至少包含一定数量的坏客户,避免计算时分母为零的情况。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值