机器学习之金融信贷风控（一）互联网金融业申请评分卡的介绍

金融信贷风控中的机器学习

在信贷风控领域，随着大数据、计算机集群技术、网络技术和人工智能的发展，越来越多的金融机构将传统的策略风控手段转向依赖机器学习模型等量化手段。信贷环节中的审批、预警、催收以及营销等诸多场景也适合机器学习模型的应用。机器学习模型的发展离不开数学、统计、概率、计算机理论等基础知识。本课程将从较为基础的统计和概率入手，展现如何从从基础知识入门进而掌握较为先进的机器学习模型，从而构建简单但实用的风控模型。 此外，编程能力也是风控模型搭建中必不可少的能力。本系列课程将实用功能强大、入门简单的Python语言。在Python中既有丰富的开源包可以使用，也可以定制化地开发有针对性的模块来构建风控模型。

在金融贷款机构中，风控部门是核心部门之一。风控体系的好坏直接决定机构盈利能力和存活能力。本课程将介绍数据分析技术如何应用在互联网金融行业风控部门涉及到的信贷违约预测和催收还款预测。课程中将使用贴近真实业务场景的数据，并且给出切实可行的解决方法。

在文中，我们将实用真实的业务数据介绍信贷机构在信用风控领域常用的三种风险预测模型，从而帮助学员了解贷前审核、贷中预警、逾期催收的风控量化途径。同时学员也能掌握目前评分卡模型最前沿的技术。

互联网金融业申请评分卡的介绍

信用违约风险的基本概念

1.什么是信用违约风险？

信用风险又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性。银行存在的主要风险是信用风险，即交易对手不能完全履行合同的风险。这种风险不只出现在贷款中，也发生在担保、承兑和证券投资等表内、表外业务中。如果银行不能及时识别损失的资产，增加核销呆账的准备金，并在适当条件下停止利息收入确认，银行就会面临严重的风险问题。

信用违约风险(CreditDefaultRisk)是指在商业交易中由于交易一方的违约，使交易另一方得到的预期现金流量现值减少而遭受的风险。

交易对手未能履行约定契约中的义务而造成经济损失的风险，即受信人不能履行还本付息的责任而使授信人的逾期收益与实际收益发生偏离的可能性，它是金融风险的主要类型。

2.组成部分：

PD		违约概率（表现期）
LGD		违约条件下的损失率
EAD		违约风险下的敞口暴露
RWA		风险权重资产
EL		期望损失

违约概率（probability of default, PD），是指借款人在未来一定时期内发生违约的可能性。违约概率是实施内部评级法的商业银行需要准确估计的重要风险要素，无论商业银行是采用内部评级法初级法还是内部评级高级法，都必须按照监管要求估计违约概率。违约概率的估计包括两个层面：一是单一借款人的违约概率；二是某一信用等级所有借款人的违约概率。
违约损失率（LGD，loss given default)，违约损失率是指债务人一旦违约将给债权人造成的损失数额，即损失的严重程度。违约损失率也是国际银行业监管体系中的一个重要参数。违约损失率LGD是指债务人一旦违约将给债权人造成的损失数额，即损失的严重程度。从贷款回收的角度看，LGD决定了贷款回收的程度，因为，LGD=1－回收率，回收率之定义为回收金额除以放款金额。此处的回收金额，定义为该帐户违约，宣告无法偿债后，因拍卖担保品，强制执行借款人存款或其他催收方式所得回之金额。因此，通常除非有担保品，回收比率大部份非常低。也就是说违约损失率之大小，会取决于担保品的特性。

构成一个完整风险概念的两个基本要素是损失的可能性和一旦损失发生后