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:
-
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 -
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
-
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)
-
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。
- 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%。
- 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。
- 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