信贷风险定价怎么做？

伴随利率市场化改革的不断推进，信贷行业中的贷款定价更富有弹性，可以通过合理的风险定价，在原有的运营环境下发掘新的盈利点，拓展信贷市场。灵活合理的差异化定价有利于企业覆盖更多的信贷客户，做到资金有效分配，利于资源优化配置、防范信贷风险和提高营利能力。但是，由于以往长期受到利率管制的影响，不管银行还是信贷公司，都存在贷款定价普遍经验不足，导致了其产品定价能力不足，产品价格难以对市场做出迅速准确的反应。

而另一方面，在目前互联网金融业务中，随着数据手段发展与数据量的支撑，风险定价越来越多的应用在信贷场景下。风险定价模型，涵盖了客户大量的数据变量，通过机器学习等建模实现，应用到实际的风险定价当中，实际应用则是质量好的客户可以享受比较优惠的价格，质量差的用户需要用风险溢价作为补充。

目前依托于互联网金融的定价体系发展阶段大概经三个阶段，分别为如下展示：

1.一口价模式，简单粗暴，劣币驱逐良币，针对所有的用户群体都按照统一的费率标准进行展示，不需要数据基础；
2.粗算型定价，可针对部分客户进行区别性定价，但定价偏差大，需要少量已有表现数据基础；
3.大数据定价，可针对不同客群数据进行区别定价，定价差异较小，但解释难度大，需要大量已有表现周期数据基础。

风险定价应该怎么做？
风险定价的核心思路，主要有以下几点：

第一 人群的划分
针对于客户特征给客群提供精准的风险定价。数据量包括不限于客户基本信息数据、征信数据、外部第三方数据、还款行为数据等等。
清晰准确的客群划分，是风险定价的核心基础。

第二 资金成本的考量
不同客群在不同场景下，逾期率、损失率是多少，会产生多少M3+的坏资产。

第三 风险预估
风险一直都是存在的，做风控的人都知道风控都永远都不可能消失的，除非不做业务。那么风控的职责不是说消灭风险，而是降低风险。风险定价的作用就是将用户的逾期风险与信贷产品的收益挂钩。
将获客成本，资金成本，催收成本等涉及到信贷环节的支出分摊到每个客群上，即使客户发生违约，但是产品收益能覆盖损失，并且稳定覆盖，那么这就是一个好产品。

如何确定风险定价？

根据以上三大核心思路，准备好以下不同数据：

1. 基础数据
   包括客户的个人信息（性别、年龄、学历、公司情况、收入情况、个人资产情况）等
   客户个人信用报告
   客户行为数据，如互金授信、设备信息、手机通讯录权限、手机内包含贷款app数量

2. 第三方征信数据，包括是否为其他公司黑名单客户、多头借贷数据、其他公司逾期情况、关联联系人信贷情况等

3. 交易数据（如近三个月、半年和一年内的订单数、授信金额、平均额度、增长幅度等）、资产数据（每个月资产授信本金、每月授信增长额等）

4. 逾期数据，包括：

逾期率分布情况：
DPD30+%、DPD60+%、DPD90+%

催收回收率：
C-M1、M1-M2、M2-M3、……M6-M0
坏账率：定义坏账天数，如180天为坏账，则DPD180+%为坏账率
坏账回收率…

风险定价模型
数据收集完毕，打好了基础，开始可以搭建风险定价模型了。

1. 政策决策规则。

一般针对有区别性较强的单一数据，可使用政策规则进行调整定价，如已从数据得知某信用分小于620的DPD30+%高于平均值的2倍，或者，某信用分高于660分的DPD30+是平均值的一半，可针对单一分值提高或降低定价。
规则为：

if 信用分<620then 定价=36%；

if 信用分>=660then 定价=18%。

2. 定价模型。

由定价模型根据逾期表现对客群进行分类，推算逾期概率较高的客群进行定价的提高，逾期概率较低的客群降低定价

 .3. 决策树模型/评分卡模型

针对不同客群可做客群细致切分，结合不同维度逾期数据、外部数据、客户信息等，对定价进一步细分。

4. SNA关联网络
   针对反欺诈关联网络数据，可进行细微针对性的定价调整；
   根据复杂网络关联情况，衍生出不同数据字段，针对字段严重程度进行定价的调整。
   如：

30天内是否存在相同证件号码但不同手机号申请

半年内同一下单设备关联不同借款人数

1天内同一设备关联不同借款人身份证数

7天内同一设备关联不同借款人身份证数

存在关联联系人逾期＞90天

存在关联联系人当前逾期

……

知道了怎么做风险定价模型，那么风险定价要怎么应用呢？

如果还想了解更多的实操和案例分享，有兴趣的童鞋可回顾课程《从业务角度谈风险定价》。

~原创文章

…

end