风控模型策略-知识全整理(一)

做了大概5年风控,中间做过甲方,做过乙方,做过模型,做过策略,做过数据分析,但是始终觉着不得风控精华,做的事情太多,有的东西也就很难深入,目前就是将这么几年的积累写下来,给自己一个总结。

一、数据分析

1.1、主要目的

数据分析是通过分析数据指标得到一些业务结论,不能写个代码出个报表截图发下就行,要从中善于发现和总结。

1.2、年化损失率测算

1.2.1、年化坏账:

时点坏账率:统计时点的坏账金额/在贷余额,由于分母受业务调整的影响,如产品退出,或者业务收紧,时点逾期率就会偏高。如果业务出于业务爆发期,则时点坏账率就会偏低,两个业务阶段,时点坏账率都不能准确衡量当前风险情况。

Vintage坏账率:对某段时期的放款、风险全部表现完之后的坏账金额/放款金额,这个口径主要描述的是风险原因造成的最终损失的比例,这个口径会比时点坏账率更为合理和准确。但又有不合理之处:如

** 12期的产品。Vintage坏账率为2%,那么一年损失了2%的本金。

** 6期的产品。Vintage坏账率为2%,那么半年损失了2%的本金。

**3期的产品。Vintage坏账率为2%,那么三个月损失了2%的本金。

损失的本金都是2%,但是期限越短,风险越高。所以Vintage坏账率指标的不足之处在于,它不能反映资金占用这一时间因素。对于不同期限的产品,相同的坏账率,损失是不一样的。

那么怎么将不同期限的产品拉平来看坏账损失呢?我们不妨再来看几个例子:

一年期产品:1w元,到期还本付息,到期损失2%,即为Vintage坏账率为2%。

12期等额本金产品:1w元,一年过后,损失2%,即为Vintage坏账率为2%。

12期产品,每月归还的本金会继续进行放款,会产生收益也会产生损失。所以这1w的本金有一个实际资金占用时间,这个时间我们称之为"生息月份"。

1.2.2、生息月数(久期)

举例说明下:

3期的产品,放款本金为3000元,每期收回1000元,即为(3000*1+2000*1+1000*1)/3000 = 2,这个就是等额本金3期产品,实际生息月数为2月。

12期的产品,放款本金为12000元,每月收回1000元,即为(12000*1+11000*+…)/12 = 6.5,实际生息月数为6.5月。

由此我们可以得到等额本金产品生息月数=(期限+1)/2

1.2.3、年化生息资产

回到上面的例子,3期等额本金产品,生息月份为2个月,本金为3000元,则一年生息12个月的话,每月生息为3000*2/12 = 500元。12期等额本金产品,生息月份为6.5个月,本金为12000元,X=12000*6.5/12 =6500元。

这就说明了如果3个月等额本金产品,则3000元,相当于500元占用了一年,12期等额本金产品,本金为12000元,实际相当于6500元用了一年。

所以年化生息资产 = 初始本金 * 生息月数/12

1.2.4、年化坏账率

不同期限的产品,我们都可以通过公式将其转化为一年期的产品,所以就可以计算年化坏账率:最终坏账金额/年化生息资产 = 初始本金 * Vintage坏账率/年化生息资产 = Vintage坏账率*12/生息月数

对于等额本金的产品年化坏账率 = Vintage坏账率 * 24/(期限+1)

以等额本金为例,3期产品和12期产品的vintage坏账率为2%,3期的年化坏账率为2%*24/4 = 12%,12期产品的年化坏账率为2%*24/13=3.7%。所以在相同的Vintage坏账率一样的情况下,3期产品的坏账率更高。

1.3、年化收益率测算

1.3.1、名义收益率APR

APR,即年化利率,又称名义利率,是指一年内对贷款计息时,对外给出的年利率,年利率 = 息费之和 / 借款本金。

1.3.2、真实利率IRR(内部收益率)

IRR,即内部收益率,也称为真实利率,是指借款现值总金额与偿还本息现值总金额相等时,净现值(Net Present Value, NPV)等于0时的折现率。由于货币有时间价值,后期获得的回报需要用一定的利率折现,这样不同时间点的收益全部折现到当前时间点,再做一个总和,即“净现值”。

IRR 年化利率  =  利息总额 / 年化生息资产 = APR 年化利率 * 期限 / 生息月数

假设某笔借款本金24000元,还款期限12个月,每月归还本金2000元,利息480元,即借款人每月应归还本息共2480元。

按照APR方式计算为:

息费之和/借款本金=480*12/24000=0.24,即名义利率APR为24%。

按照IRR方式计算为:

(2480/(1+IRR)+2480/(1+IRR)2+…+2480/(1+IRR)12)=24000(此处公式计算所得为月化利率,实际年利率需乘以12),即最终内部收益率IRR为44.3%。

图片

  • 1
    点赞
  • 23
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对于风控模型性能优化的搜索策略,通常可以采取以下几个方向: 1. 特征工程优化:对于风险模型来说,特征选择和特征构建是非常重要的一环。可以通过领域知识数据分析来筛选出最相关的特征,并进行特征工程,例如特征变换、组合和衍生等,以提高模型性能。 2. 模型选择和调参:在风控模型中,常见的法包括逻辑回归、决策树、随机森林、支持向量机等。可以尝试不同的法,并进行模型选择和调参,以找到最适合问题的模型和参数组合。 3. 数据预处理和清洗:风险模型的性能很大程度上受到输入数据的质量影响。因此,在建模之前,需要对数据进行预处理和清洗,包括缺失值处理、异常值处理、重复值处理等,以提高数据的准确性和完整性。 4. 集成学习:集成学习是一种将多个模型组合起来进行预测的方法。可以尝试使用集成学习法,如随机森林和梯度提升树等,以提高模型的鲁棒性和泛化能力。 5. 模型评估和监控:风控模型的性能评估和监控是一个持续进行的过程。可以使用交叉验证、ROC曲线、KS统计量等指标对模型进行评估,并建立监控机制,及时发现模型性能下降或异常情况。 总之,风控模型性能优化的搜索策略需要综合考虑特征工程、模型选择和调参、数据预处理和清洗、集成学习以及模型评估和监控等方面,通过不断的迭代和优化,提升模型的性能和稳定性。
评论
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