001_信用管理基础

最近在做信用评分项目，以前做的图像识别，对这方面不是很了解，朋友推荐梅子行的两本数据，看完一遍没掌握太多，所以打算做下许学习笔记。俗话说的好，万丈高楼平地起，想要学好金融风险管理，必须先大号基础。

一、信用与管理

信贷业务又称信贷资产或贷款业务，是商业银行和互联网金融公司最重要的资产业务和主要赢利手段，通过放款收回本金和利息，扣除成本后获得利润。对有贷款需求的用户，贷款平台首先要对其未来还款表现进行预测，然后将本金接待给还款概率大的用户。

信用管理主要包含两个概念----信用和管理。信用意味着先买后付，即是用信用值来预支现金以购买相应服务。管理即通过用户信息对用户的信用进行评估，并根据信用情况定制风险规避策略。所以风险控制，即对用户风险进行管理和规避的过程。

风险数据分析：即用于对用户的信用风险进行管理与规避。风险数据分析中最重要的技术手段就是风控建模。

数据分析：是对已发生现象的归纳和总结，其所有的预测能力皆源于对现有数据进行归纳、整理、抽取。对历史数据使用相应的数学公式进行组合学习，即可得到模型，只不过最终可以利用模型输出未来时间的期望轨迹。

建模：对历史数据使用统计方法提取信息组件模型的过程叫做建模。该模型又叫统计模型。在信贷风控领域，建立统计模型的过程被称为“风险建模”。风险建模属于风险数据分析领域的分支之一，此外还有归因分析、策略挖掘等分析方法。

传统的风险建模基于广义线性模型建立的，其理论主要围绕统计学开展，使用的工具主要包括SAS、R、Python等。

二、风控术语解读

2.1 信贷基础指标

• 年度百分率（Annual percentage rate, APR）:复利计息，通常是按一年一次来计算利率。

        例如：借款人借款1000元，借期一年，利率为8%。如果在一年期满后，该借款人支付了1000元再加上80元的利息，那么APR与利率是一样的，80/1000=8%。

但是，如果贷款人此前收取了25元的服务费，借款人实际只借到了975元，而不是1000元，支付105元而不是80元，那么APR计算如下：105/975=10.77%。

• 应收账款（Accounts Receivable,AR）:j截至观察时间点，用户当前所在账期的应收账款。
• 账龄（Month Of Book，MOB）：资产放款月份。MOB0表示放款日至当月月底，MOB1表示放款后第一个完整的月份，MOB2表示放款后第二个完整的月份。其最大值取决于当前产品周期，如12期产品最多存在MOB12.
• 逾期天数（Days Past Due,DPD）:已逾契约书约定缴款日期的延滞天数。贷方型产品自到期当天开始结算，如DPD0为到期当日，DPD1为逾期一日，DPD7为逾期一周。
• 逾期期数（Bucket）:逾期的月份数。逾期1个月记为M1，逾期两个月记为M2，逾期3个月以上可以记作M3+。
• 逾期阶段（Stage ）:分为前期、中期、后期和转呆账。一般将M1（1~29）列为前期，M2~M3（30~89）列为中期，M4（90+）以上列为后期，已转呆账者则列入转呆账。
• 即期指标（Conincidental）:计算延滞率时常用的两种方法之一，以当期各逾期期数对应的延滞金额/应收账款（AR）。
• 递延指标（Lagged）:计算延滞率是常用的两种方法之一，为延滞金额/上月应收账款。若单纯想了解各月资产质量结构，可使用即期指标，但若想准确追溯到逾放源头，建议采用递延指标。
• 留存率（Retained Rate）:实际分为人头留存率（用户复贷占比）和余留留存率（复贷金额占比）。
• 提现率（Withdrawal Rate）:使用提现功能客户的占比。
• 额度使用率（Credit Utilization Rate）:用户使用额度占总额度的百分比。
• 复借率（Reloan Rate）:用户还款后再次贷款的概率。

2.2 信贷风险指标

• 延滞率（Delinquent Rate）：计算可分为即期和递延两种方式，除了各种逾期期数，也会观察特定Bucket以上的延滞率。如M2+的Legged和M4+的Legged等指标。如M2+的Legged，分母为前两个月应收账款，分子为本月M2(含以上)尚未转呆账的逾期金额。M1落入M2以上可确认为无意还款或蓄意拖欠。
• 不良率（Bad Rate）:当月不良资产数/总资产数。用于描述平台。定义除了逾期户外，可能包含各式债务协议及高风险控管户等。
• 转呆账率（Write-Off ，WO）：当月转呆账金额/逾期开始月的应收账款。经过年华换算之后，月转呆账率转化为年损失率。
• 净损失率（Net Credit Loss,NCL）:当期转账金额-当期呆账回收即为净损。通常NCL与WO一并列示。NCL的计算方式为净损金额/逾期开始月的应收账款，通常也以年华形态为主。
• 累计转贷张率：主要目的是观察期满客户的累计损失率，计算样本为已届满总期数后的N期客户，计算公式为：分母案件第1~(K+N)期的转呆账总金额/已满（K+N）期案件的初贷总金额。K表示总期数，N表示转呆账所需期数。最后1期应缴金额若延滞，经过N个月后才会转为呆账。转化为年化后才较容易解读，可精确计算该产品整个生命周期结束后的实际损失率，但在长期贷放产品中较少使用。
• 负债比（Debit Burden Ratio,DBR）:测试客户还款压力的常用指标，计算公式为：总无担保债务归户后的总余额（包括行用卡、现金卡及信用贷款）/月收入。不易超过22倍。
• 月负比：另一种衡量还款压力的指标，计算公式为：（推估每月各项贷款月付额+最低生活费）/ 月收入。
• 平均额度：主要用于观察不同产品及群组间额度的差异。
• 风险等级（Risk Grade）:用来进行客户分群的方法。越来越多的银行采用信用评分来进行划分。
• 命中率（Hit Rate）：指控管后一定时间内客户发生延滞率的几率，用于信用卡的中途授信及早期预警报表。命中率过低可能表示风险判断方向有误。
• 可用余额（Open To Buy，OTB）：常与命中率指标一同出现，计算方式为先找出证实控管命中的客户，再汇总这些客户遭控管时的信用卡可用余额。该数字可视为银行因控管而减少的损失。
• 迁徙率（Flow Rate）:观察前期逾期金额经过催收后，仍未缴款而继续落入下一期的几率。
• 首次还款逾期（First Payment Deliquency）:其描述的是一种客户的占比。用户授信通过后，首笔需要还款的账单，在最后还款日后7天内未还款且未办理延期的客户比例即FPD7，分子为观察期里下单且已发生7日以上逾期的用户数，分母为当期所有首笔下单且满足还款日后7天，在观察周期里的用户数。常用的FPD指标还有FPD30.
• 预期损失（Expected Loss，EL）：根据历史数据，预估策略或模型变动后的损失。
• 收入负载（Debt To Income，DTI）：每月应偿还债务与每月税前收入的比例。

三、企业信贷风控架构

       风险的管控并非有一个模型或一条策略就能完成的，通常需要多方人员配合，通过多环节把控，才能有效控制风险并最大化收益。常见的准入模型、额度管理模型、营销模型、流失预警模型、催收模型等，仅仅作为相应板块的风险管控手段，嵌入在该板块的策略系统中使用。例如，流失预警模型分数处于不同阈值之间时，会使用不同的营销手段对用户进行挽留。又如，催收评分卡模型分数处于不同阈值之间时，会使用不同的催收手段，如简单的到期短信提醒或通过人工拨打电话来进一步提醒。

现阶段企业的信贷风控架构如图所示：

互联网金融的申请过程，通常由用户从移动端（如手机APP、网页等）发起，首次贷款用户会经历申请、四要素验证、授信与额度利率定价、多层审批、用户提款等多个环节。不符合申请资质要求的用户，在其中多个环节都有可能被拒绝。而对于贷款后再次贷款的客户，平台通常给予更好的信用评估结果，并根据历史还款表现对其进行额度管理。

用户四要素：身份证号、姓名、手机号、银行卡号。平台设置四要素验证，根据申请人填写的信息，同时联系相关机构校验用户是否为信息所有人。平台根据信用评分可以有效估计申请人的信用，并据此使用差异化定价手段为用户授信不同的额度。

首次贷款用户需要一次通过反欺诈引擎、信用评估引擎、人工审核的审批。信用评估引擎主要包括政策规则筛选、信用规则筛选、申请评分卡评分等步骤。政策则包含用户年龄、身份是否满足法定贷款要求；信用规则通常由风险分析方法得到相应的策略规则；申请评分卡是用户授信的主要依据，建模人员根据用户的征信数据以及统计模型，对用户未来的还款情况进行预估。

审批通过的客户中，部分客户由于为提款而导致流失，这部分客户是流失召回系统的主要客群之一。当用户提款成功后，如未在约定时间内还款，即产生逾期，通常会通过催收人员实施相应的处置手段。失联客户通常需要根据关系网络寻找多度联系人，但部分平台由于不具有相关的社交数据，因此会使用第三方提供的失联补全服务。逾期时间较长或拒绝还款的用户将被列入黑名单，无法再次借款。催收评分卡通过预测用户的催收处置难度，将用户划分为平台催收和外部第三方催收。通常，平台自由催收系统的催回率较高，而第三方催收的催回率较低，且需要支付相应的服务。

首次还款周期结束且未列入黑名单的客户，平台允许其再次贷款。由于用户历史还款行为较好，因此该类客户属于优质客户。如果用户未再次贷款，则属于优质客户流失。因此，在流失召回的过程中，需要对此类客户加以关注。当用户再次申请贷款时，通常使用信用评分卡对用户进行额度管理。如果历史表现较好，即使申请评分卡得分较低导致其额度较低，仍会通过行为评分卡进行额度调控，反之亦然。

外部征信数据是申请评分卡中用户的主要数据。由于复贷客户具有历史平台表现，因此行为评分卡通常不会再次查询客户的外部数据，而是只使用历史平台表现作为主要数据开发模型，以节约成本。而催收评分卡同样不会再次查询客户的外部征信数据，而是主要使用历史贷款过程中，催收人员记录的用户表现最为主要数据。