1. 信贷与风险
1.1 信贷
1. 定义
- 信贷业务，就是贷款业务，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。
- 贷款平台预测有信贷需求用户的还款情况，然后将本金借贷给还款概率大的用户
2. 产品
2.1 现金贷
1. 贷款流程
- 申请贷款->放款给客户->客户还款
2. 特点
3. 常见现金贷
2.2 消费贷
1. 贷款流程
- 申请消费贷 -> 额度授信->客户使用消费贷消费
2. 特点
3. 常见消费贷
- 信用卡，花呗，白条等产品，有账单日，还款日
1.2 风险
1. 分类
- 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险
- 欺诈风险：借款人压根没想还钱，以诈骗为目的
2. 常见风险
- 冒名顶替，黑产骗贷
- 多头借贷，借新还旧
- 客户：工行信用卡，招商信用卡… n张信用卡，网贷平台1，网贷平台2，网贷平台n
- 用新借来的钱换已有的负债： 负债变多 -> 需新借更多 -> 设法提额 -> 信用资质不够 -> 出现流动性风险 -> 逾期
- 特点：第三方数据：多头申请记录
- APP安装：大量借款类APP
- 短信：大量申请短信，提醒还款，催收短信
- POS机套现，以少换多
- 购买有支付牌照机构的POS机进行套现，手续费0.6%
- 针对风控模型，制作数据
- 使用花呗在天猫购物，对花呗账单做分期
- 买入存金宝，一个礼拜后追加存金宝资金
- 购买***元基金
- 保持余额宝XXX元不动，余额宝累计收益做到 XX元
- 购买XXXX保险
2. 风控
2.1 定义
- 信贷业务中，使用信用来预支金钱，在小额贷业务中往往没有抵押物，那么贷款方就会承担一定风险（用户不还钱）
- 风控就是对用户的信用风险进行管理与规避，对于预测信用较差的人，不向其放款，即便放款，也会是较小的贷款额度和较高的利率
2.2 分类
- 信用评分系统：针对信用风险
- 反欺诈系统：针对欺诈风险
2.3 措施
- 人工审批
- 基于机器学习模型的人工智能风控模型
2.4 对比
- 人工审批：效率低，对人员业务能力要求高，不适合金融零售业务场景
- 机器学习模型：批量，迅速，准确，同时处理大量贷款请求（几万，几十万，上百万/天）、
2.5 术语
2.6 应用
1. 数据集说明
- 从开源数据改造而来，基本反映真实业务数据
- 销售，客服可以忽略
- 账单周期，放款日期
- 账单金额-实收金额 = 未收金额
- 应付日期为还款时间
- 账期分成两种 60天和90天
- 实际到账日为空白 说明没还钱
2. 实现
2.1 加载数据
import pandas as pd
import datetime
from pyecharts.charts import *
from pyecharts import options as opts
df1 = pd.read_excel('data/业务数据.xls')
# 要使用原始数据构建新指标，所以保留原始数据，copy新的数据，在新的数据中创建新指标
df2 = df1.copy()
df2.head()
2.2 查看数据基本情况
df2.info()
df2.describe()
2.3 数据预处理
- 填充缺失值
df2['实收金额'] = df2.实收金额.fillna(0)
df2['开票金额'] = df2.开票金额.fillna(0)
df2['未收金额'] = df2.未收金额.fillna(0)
- 将日期时间类型转换成datetime类型
# 获取最大的日期，作为当前时间
today_time = pd.to_datetime(df2.实际到账日.fillna('0').max())
df2['账单周期'] = pd.to_datetime(df2.账单周期)
df2['应付日期'] = pd.to_datetime(df2.应付日期)
df2['实际到账日'] = pd.to_datetime(df2.实际到账日).fillna(today_time)
- 添加新字段：是否逾期，是否需逾期90天，未收金额2（校验原始数据中的未收金额），当前逾期天数，历史逾期天数
df2['是否到期'] = df2.apply(lambda x : 0 if x.应付日期 > today_time else 1,axis=1)
df2['是否到期90天'] = ( today_time - df2.应付日期 ).map(lambda x : 1 if x.days >= 90 else 0)
df2['未收金额2'] = (df2.账单金额 - df2.实收金额)
df2['历史逾期天数'] = df2.apply(lambda x : (x.实际到账日 - x.应付日期).days if x.未收金额2 == 0 else (today_time
- x.应付日期).days,axis=1)
df2['当前逾期天数'] = df2.apply(lambda x : (x.历史逾期天数) if x.未收金额2 > 0 else 0 ,axis = 1)
- 每个季度账单金额和坏账率（逾期90天以上）
- 所有未收金额/所有账单金额
- 未收金额 = 账单金额-实收金额
- 查询实际到账日期字段得知最近到账日为2019年5月17日,如果以2019年5月17日为观察点，有些贷款还没到还款日，没法统计DPD90的数据，所以只统计2019年之前的情况
df3 =df2.copy()
# 创建’账单季度‘字段，将日期转换成季度
df3['账单季度'] = df3['账单周期'].map(lambda x : x.to_period('Q'))
# 提取2017年3季度到2018年4季度数据
df3 = df3[(df3['账单季度']<='2018Q4') & (df3['账单季度']>='2017Q3')]
df3.shape
- 按季度统计账单金额，到期金额和逾期金额
#账单金额
fn1 = df3.groupby('账单季度')[['账单金额']].sum()
fn1.co
#90天到期金额
df4 = df3[(df3.是否到期90天 == 1)]
fn2 = df4.groupby('账单季度')[['账单金额']].sum()
fn2.co
df4 = df3[(df3.是否到期90天 == 1)]
fn3 = df4.groupby('账单季度')[['未收金额2']].sum()
fn3.columns = ['当前逾期90+金额']
fn3
- 合并数据计算逾期率
dfs = [fn1,fn2,fn3]
final1 = pd.concat(dfs,axis=1)
final1
final1['90+净坏账率'] = round(final1['当前逾期90+金额'] / final1.到期金额,3)
final1
- pyecharts绘图
bar = (
Bar()
.add_xaxis(list(final1.index.values.astype(str)))
.add_yaxis(
"账单金额",
list(final1.账单金额),
yaxis_index=0,
color="#5793f3",
)
.set_global_opts(
title_opts=opts.TitleOpts(title="90+净坏账率"),
)
.extend_axis(
yaxis=opts.AxisOpts(
name="90+净坏账率",
type_="value",
min_=0,
max_=0.014,
position="right",
axisline_opts=opts.AxisLineOpts(
linestyle_opts=opts.LineStyleOpts(color="#d14a61")
),
axislabel_opts=opts.LabelOpts(formatter="{value}"),
)
)
)
line = (
Line()
.add_xaxis(list(final1.index.values.astype(str)))
.add_yaxis(
"90+净坏账率",
list(final1['90+净坏账率']),
yaxis_index=1,
color="#675bba",
label_opts=opts.LabelOpts(is_show=False),
)
)
bar.overlap(line).render_notebook()
- 每个季度60天账期入催率，90天账单入催率
- 计算每个季度的60天账单入催金额，90天账单入催金额
#60天账期的账单金额
df4 = df3[(df3.账期 == 60)&(df3.是否到期 == 1)]
fn1 = df4.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['60天账期的账单金额']
#60天账期的入催金额
df4 = df3[(df3.账期 == 60)&(df3.是否到期 == 1)&(df3.历史逾期天数>0)]
fn2 = df4.groupby('账单季度')[['未收金额2']].sum()
fn2.columns = ['60天账期的入催金额']
#90天账期的账单金额
df4 = df3[(df3.账期 == 90)&(df3.是否到期 == 1)]
fn3 = df4.groupby('账单季度')[['账单金额']].sum()
fn3.columns = ['90天账期的账单金额']
#90天账期的入催金额
df4 = df3[(df3.账期 == 90)&(df3.是否到期 == 1)&(df3.历史逾期天数>0)]
fn4 = df4.groupby('账单季度')[['未收金额2']].sum()
fn4.columns = ['90天账期的入催金额']
- 计算入催率
dfs = [fn1,fn2,fn3,fn4]
final2 = pd.concat(dfs,axis=1)
# final2 = fn1.merge(fn2,on='账单季度').merge(fn3,on='账单季度',how='left').merge(fn4,on='账单季度')
final2['60天账期入催率'] = round(final2['60天账期的入催金额'] / final2['60天账期的账单金额'],3)
final2['90天账期入催率'] = round(final2['90天账期的入催金额']/final2['90天账期的账单金额'],3)
final2
- pyecharts绘图
line = (
Line()
.add_xaxis(list(final1.index.values.astype(str)))
.add_yaxis(
"60天账期入催率",
list(final2['60天账期入催率']),
yaxis_index=0,
color="#675bba",
label_opts=opts.LabelOpts(is_show=False),
)
.set_global_opts(
title_opts=opts.TitleOpts(title="不同账期入催率"),
)
.add_xaxis(list(final1.index.values.astype(str)))
.add_yaxis(
"90天账期入催率",
list(final2['90天账期入催率']),
yaxis_index=0,
color="#d14a61",
label_opts=opts.LabelOpts(is_show=False),
)
)
line.render_notebook()
- 不同逾期天数的回款情况
- 历史逾期天数 有逾期 已经还完了
- 当前逾期天数 现在还欠着钱，没还完
df6 = df3[(df3.未收金额2 == 0)&(df3.是否到期 == 1)].copy()
#使用cut，讲数据按照逾期天数分箱，然后添加分箱之后结果标签
df6['历史逾期天数'] = pd.cut(df6['历史逾期天数'],bins=[-999,0,5,10,15,20,30,60,90,999],right=True,
labels=['0','1-5','6-10','11-15','16-20','21-30','31-60','61-90','91+'])
final3 = df6.groupby('历史逾期天数')[['账期']].count()
final3.columns = ['回收账单数']
final3
- pyecharts绘图
ydata = final3['回收账单数'].values.tolist()
bar = (
Bar()
.add_xaxis(list(final3.index.values.tolist()))
.add_yaxis("收回账单数",ydata,yaxis_index=0,color="#675bba")
.set_global_opts(
title_opts=opts.TitleOpts(title="不同逾期天数的已收回账单数"),
)
)
bar.render_notebook()
结论：
- 从数据中看出，在2018年Q2季度之前，运营策略比较保守，坏账金额和入催率都比较低，
- 2018年Q2之后，有可能是由于运营策略调整，给更多的人放贷，但坏账率和入催率均在3%一下，在合理范围内
- 不同逾期天数收回账单的数据看，30天内能收回绝大部分账单
扫一扫
7980
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
