《智能风控实践指南》笔记(二)

        本文是对《智能风控实践指南》中模型策略分析方法这一小节中交换集分析(又叫换入换出分析)中的拒绝推断部分展开谈谈。这个方法正好之前一位做模型的朋友详细和我说过,这次在书中看到确实有产生一些共鸣。

       交换集分析,是指利用新旧模型通过和拒绝的客户不一致的情况,通过分析这些不一致客户的坏账率和通过率以评价模型策略的效果。换出是新模型拒绝而旧模型通过的客群,换入是新模型通过而旧模型拒绝的客群。通常,我们希望新模型能换出更多的不良用户,换入更多的好客户,从而用好客户代替不良客户,以降低整体坏账率。

       换入客群是新模型通过而旧模型拒绝的客群,这部分是之前被拒绝的客户,其好坏标签未知,需要采用拒绝推断的方式进行预估。其实不止模型策略分析时会采用换入换出分析,在做策略替换的时候也会用到。这里的拒绝推断不等同于模型部分的拒绝推断。因为模型部分的拒绝推断,是对模型拒绝的样本作推断,而这里是需要对旧模型拒绝、新模型通过的样本作推断,是从拒绝的客户中再挑一部分出来推断。

        书中介绍的一种方法,是利用新模型各分数段在有表现样本上的坏账率来估算旧模型拒绝样本上的坏账率。

       如上图,左侧是新模型在有表现样本上的坏账率排序,右边是旧模型拒绝的样本,用新模型打分之后的分布情况。黄色线以下B-C就是旧模型拒绝、新模型通过的样本,也就是要估算这部分客群的坏账。这里假设新旧模型在同分数段的坏账率是一样的,因此估出来的坏账就是:

(20*8.63%+1

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 拍贷“魔镜风控系统”从平均 400 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 个数据维度评估用户当前的信状态,给每借款 人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前 状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个人打出当前状态的 信用分,在此基础上再结合新发标息对于每个6个月内逾 个月内逾 期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来期率的预测 ,为投资人提供关键决策依据。本次竞赛目标是根用户历史行数来用户在未来 用户在未来 用户在未来 6个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 个月内是否会逾期还款的概率。 问题转换成 问题转换成 问题转换成 2分类问题,评估指标为 分类问题,评估指标为 分类问题,评估指标为 分类问题,评估指标为 分类问题,评估指标为 分类问题,评估指标为 分类问题,评估指标为 AUC ,从 Master Master Master,LogInfoLogInfo LogInfo ,UpdateInfo UpdateInfo UpdateInfo 表中构建 表中构建 特征,考虑评估指标为 特征,考虑评估指标为 特征,考虑评估指标为 特征,考虑评估指标为 特征,考虑评估指标为 AUC AUC,其本质是排序优化问题,所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 ,其本质是排序优化问题所以我们在模型顶层融合也使用基于 排序优化的 排序优化的 排序优化的 RANK_AVG RANK_AVG RANK_AVG融合方法。 融合方法。 融
1. 营销获客 2. 贷前风控 2.1 贷前审查 2.2 反欺诈 2.3 风控策略 2.4 风控建模 2.5 数据管理 风控总监训练营 ......................................................................................................792 4 节课玩转信用评分卡模型....................................................................................792 如何搭建虚拟信用卡风控体系 ...............................................................................792 风控大牛手把手教你搭建企业级信用评分模型.....................................................792 2 大维度全面ᨀ升催收效率....................................................................................792 3 堂课,从 0-1 掌握基于数据驱动的风险定价核心...............................................792 如何打造现金贷产品的风控体系?........................................................................792 解密 P2P 网贷备案——专家教你如何正确应对备案..............................................793 区块链的前世今生及其应用 ...................................................................................793 区块链热潮下不可不知的法律风险:法律专家权威解读区块链、代币等案例与法律 分析 .........................................................................................................................793 牌照决定生死,现金贷及 P2P 如何拿牌?............................................................793
智能风控是指利用大数据、人工智能等技术手段对金融交易中的风险进行识别、评估和控制的过程。在智能风控实践中,模型、特征和决策是三个非常重要的环节。下面将从这三个方面介绍智能风控实践指南。 一、模型 在智能风控中,模型是非常重要的一环。模型的选择和优化直接影响着风控效果的好坏。以下是一些建议: 1.选择合适的模型 在选择模型时,需要考虑数据的特征、样本量、算法的复杂度、计算时间等因素。常用的模型有逻辑回归、决策树、随机森林、神经网络等。不同的模型有不同的特点和适用场景,需要根据实际情况进行选择。 2.特征工程 特征工程是指对原始数据进行处理,提取出有用的特征,用于模型的训练和预测。特征工程的好坏直接影响着模型的性能。特征工程需要根据实际情况进行选择和优化,一般包括特征选择、特征变换等。 3.模型优化 模型优化是指对模型进行参数调优,从而提高模型的预测能力。模型优化需要根据实际情况进行选择和优化,一般包括正则化、交叉验证等。 、特征 特征是指用于模型训练和预测的数据。在智能风控实践中,选择合适的特征可以提高模型的预测能力。以下是一些建议: 1.数据清洗 数据清洗是指对原始数据进行处理,去除无用的特征和异常值,保证数据的准确性和完整性。 2.数据预处理 数据预处理是指对原始数据进行处理,包括归一化、标准化等,使数据更适合于模型的训练和预测。 3.特征选择 特征选择是指从原始数据中选择出最有用的特征,用于模型的训练和预测。特征选择需要根据实际情况进行选择,一般包括方差分析、卡方检验等。 三、决策 决策是指根据模型的预测结果进行判断和决策,从而控制风险。以下是一些建议: 1.风控策略 风控策略是指对不同风险进行分类和评估,制定相应的控制策略。风控策略需要根据实际情况进行选择和优化,一般包括分类模型、评分模型等。 2.风险控制 风险控制是指根据风控策略对风险进行控制,包括风险预警、持仓限制、交易限制等。 3.风险回溯 风险回溯是指对风险控制的效果进行回溯和评估,从而优化风控策略和控制措施。 综上所述,智能风控实践涉及到模型、特征和决策等多个方面,需要根据实际情况进行选择和优化。在实际应用中,需要不断调整和优化,不断提高风控的效果和精度。

“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