风控建模1：样本定义和数据获取

模型老司机•彩峰

已于 2023-07-20 12:10:07 修改

阅读量407

点赞数 2

文章标签：数据分析机器学习 python 算法

于 2023-04-12 17:53:21 首次发布

本文链接：https://blog.csdn.net/weixin_60929208/article/details/130113212

版权

在信贷场景中，客户申请评分模型有些重要作用。其主要步骤分为样本定义和数据获取、数据清洗、特征工程、模型评估、部署上线、模型监控和模型衰退迭代等。未来老司机将分章节逐渐介绍以上步骤的关键节点和注意事项

首先是样本定义和数据获取

这个步骤能大致判断出项目能不能成

当接手一个新项目，或去到一家新公司，要做A卡，首先，看公司的历史和库存案件量、mob情况、申请客户的数据情况（如征信解析数据，三方信源的多头、近半年申请次数、逾期超M1次数、收入负债数据等等，不能只是同盾智信分fico分之类的评分数据），如以上都有且充足，那恭喜你，这个项目有很大的希望能成；如果只是部分满足，接下来咱们再仔细讨论；如果以上都没有，那也恭喜，从0开始见证奇迹…

1 数据样本充足
一般情况下是不会等到所有客户都到期且催收了很久才取数建模。样本获取和好坏客户定义的关键点有：
1.1 mob的逾期表现

如上图，某12期信贷产品的mob表现。从图中可知，mob8以后，逾期表现变得平滑，可将满足mob8表现期的客户作为样本入模，mob7及以前的样本暂不使用

1.2回收率表现

如上表，某产品的回收率表现。从上图可知，M3的月回收率已经是个位数，M4回收率低至1.2%，M5低于1%。由此可见，M4和M4+的客户，回收率已经足够低（经验法则可知），因此，可将M4及以上客户作为坏样本；正常还款和已结清客户作为好样本，M1M2客户情况不明，舍弃；M3客户视具体项目情况而定

2 客户量不足、客户表现期不足、信源数据不足
2.1首先是客户量不足问题

假如现在只有大几百或一两千个可用的样本，理论上来说，样本不足，可通过样本生成技术、过采样（坏样本太少）来缓解，但实际业务中是极少这样操作的（一般只在样本量充足的情况下缓解样本不均衡问题，但样本量不足的情况下一般不这样操作）。为什么会这样呢？原因有：

再精妙技术生成的样本，终究是建立在对现有样本特征学习基础上的，如样本不足，生成效果难于保证。而且生成样本和实际样本间的差距，是难以量化、预测的（都没放款，当然没办法量化对比）
从业务本身的角度讲，金融最担忧的，就是未知的风险。已知的、可预测的风险是收益，不可知的风险才是真正的风险。而通过技术手段生成的样本，增加了这种不确定性

所以，样本不足的情况下，该怎么操作呢？
处理方法：

模型选择方面。选择简单的模型，比如逻辑回归就不错，至于各种提升树则不适合（过拟合明显）；
特征选择方面。直接使用现有评分卡的特征变量进行建模，对现有评分卡刻度进行优化即可。至于其他特征变量，等样本丰富后再考虑特征工程
模型迭代方面。小步快跑，勤快迭代

2.2 客户表现期不足的问题
先讨论分期产品，比如12期的小额信贷产品。无论从理论还是实际业务的角度，客户表现期不足，都不适合建模。如前文的mob表现图，假设取mob4以后的客户作为样本进行建模，那么，mob4-mob8的逾期客户（坏样本），会被误认为是好样本进行入模（上帝视角：这部分样本占实际的总的坏样本数比例还不低），该操作会对模型产生干扰。此时建议继续使用原有的评分卡。如一定要使用表现期不足的样本建模，在模型校验阶段需对模型的坏账排序能力进行评估

另一种情况，不是分期产品（如期限只有30天的产品、类信用卡产品），则不用考虑mob表现期的问题，只需要考虑回收率表现即可。如前文回收率表现图，假设目前只知道m1的表现，m2及以后的回收情况未知，且现在公司急不可待的想要优化评分卡，该如何操作呢？根据行业经验可知，同类型产品或相似客群m2、m3、m3+的回收率是相对固定的（从业经验、问贷后策略人员、问同行都可以知道回收率水平）。因此，将下迁m2客户定义为坏样本后进行建模，模型刻度出来后，将每个评分区间的坏账率乘于m2+回收率水平即可（可以是每个区间都一样，也可以是梯度的）。此时依然建议选用简单的模型，慎用复杂模型或模型融合技术

2.3 新源数据不足问题
选用简单模型即可，比如逻辑回归，少则十几个特征，多则二三十个特征即可达到不错的效果。

3，没有历史数据，项目冷启动
如果您来到了这一关，恭喜恭喜～
巧妇难为无米之炊，此时只能使用基于经验法则的评分卡，或套用其他业（公）务（司）的评分卡。您目前的主要工作：