政策與定價

一、不同應用場景下量化風控政策設定

市場主流產品

無定向用途貸款(信用貸款)；2.定向用途貸款(商品貸款)

無定向用途貸款申請流程：

進件

審核

審核結果/授信

貸后管理

政策制定關注點：

用戶準入設計，排除高危用戶后的目標客群；

數據準入設計，必填項的要求與考量；

個人信息驗證，包括人臉/活體/實名認證；

用于用戶信息驗證的外部數據，根據風險考慮，是否采用強授權信息

審核步驟設計，策略、模型及反欺詐的介入時機與介入窗框；

不同風險等級的審批流設計及操作指南；

用戶的拒絕死線及政策彈性通過的觸發條件

授信金額的確認，不同審批流中的授信金額幅度設計；

授信的激活時機及失效限制；

授信的定價及調整許可范圍

不同風險等級的的評級變化標準；

用戶級別變化的基本條件；

高危用戶的定義標準及條件應用；

針對不同產品形式的用戶升級條件

二、量化風險政策的業務應用流程

1.準入設計(硬規則及軟規則)

硬規則:

• 用戶基本準入：個人信息，生物識別，征信材料提供；
• 業務準入：渠道屬性，標的物屬性；
• 政策限制：特殊人群，特殊行業，特殊途徑；
• 征信限制：外部查詢，預期記錄，內部核驗

軟規則：

• 用戶資質調整：風險等級分層、資料缺陷調整
• 征信要求調整：額外提供材料要求、額外審批流程要求、額外數據調用要求
• 產品屬性調整：因可控風險變高而帶來的產品屬性調整
• 用戶外推：優質用戶外推、次級用戶同類產品外推
• 額度調整要求：升降額、額度禁用凍結等

審核環節設計

用戶基本準入→標的物核驗(如有)→審核操守及標準→用戶資質評級→審批授信→貸后跟蹤

數據外界及埋點要求，政策，反欺詐管制

3.額度控制及定價設計

產品設計→額度控制→產品定損、額度制定、定價設計→產品設計

你所應該知道的指標和計算：

• 通過率、轉化率、授信金額、違約率
• 風險損失
• 資金占用周期

量化風險管理應用

損失估算及授信應用

為什么要做風險授信管理及定價

這個產品風險高嗎？

• 人群分析
• 過往數據回顧
• 產品預期違約概率預估

這個產品的風險成本是多少？

• 貸款的還款方式(一次性還本付息、等額本息、等額等息)
• 貸款的違約情況(人群分布，產品形式分布-分期用戶)
• 貸款回收情況

定價多少才能賺錢？

如何定價？(收入=成本)

成本有哪些？

風險成本

人力成本

運營成本

資金成本

損失與定價如何匹配？

4)定價多少才合適

預估損失→基礎成本→邊際成本(數據成本，獲客成本)?→收益平衡點?→定價

授信管理與定價的關系

計算損失率

針對產品給予風險敞口閾值

根據敞口及風險損失制定價格

風險損失的組成要素

通過計算整體授信資產的指標來得出預期的風險損失：

計算公式：Expected Loss= Probability of Default * Exposure at Default* Loss Given Default

PD：逾期率 EaD：風險敞口 LGD：違約損失率

風險損失的計算流程：

設定風險偏好→計算各客群用戶數分布→計算客群違約概率→分配敞口→驗證

預估信用風險損失三大要素的獲取手段

貸前、中數據預估

貸后數據觀測

催收數據觀測

貸前、中、后數據觀測表介紹

評分卡跟蹤

評分卡穩定性回顧PSI

審核情況監控(TK流+拒絕+通過比列)

地區監控

資金監控 vintage資產質量

回款監控(本金+利息)

提款率監控

客群監控(地域/學歷/評分/性別/產品等)

還款方式監控

損失預測(分期、先息后本)

3.不同產品間的風險損失計算方式

為什么風險損失需要因產品而異？

還款方式的不一致，導致損失的計算方案不相同

利息損失與本金損失因產品的還款方式和收費標準會有所不同

主流產品介紹：

一次性還本(多次付息、一次付息)

分期還本(等額本息、等本等息)

一次性還本產品損失計算方式

本金損失估計：

• 估算人群比例分布
• 估算人群違約概率
• 估算人群違約敞口
• 估算人群違約回收率

利息損失估計：

• 利息還款方案
• 利息償還概率
• 利息計算方式

分期產品損失計算參數：

各期違約概率(連續違約概率及概率變化曲度)

各期違約敞口(本金/利息)

各期產品違約回收率

周期損失計算

4.資金占用、產品周期與年華損失的定價應用

風控審批策略

為了達到目標，從而采取的一系列舉措

審批策略目標：低成本+低壞賬率

低成本：搭建合理審批流程、自動化審批，減少人工、控制征信成本

低壞賬率：防止欺詐風險、控制信用風險、加強貸后管理

審批策略架構搭建

制定策略的目標是什么？

從需求客戶中，篩選出風險較小的全體，并給出對應的額度

目標分解后為一下幾點：

審批對象為個人

需排除高風險群體

出具額度

熟悉產品類型，了解進件流程

熟悉產品類型：

明確核查審批的對象

了解市場行業審批流程

評估在客群層面是否存在明顯風險

明確產品目標客群的范圍

了解進件流程：

收集進件流程中可獲得的進件要素

尋找流程中的風險點，制定對應的風險排查方法

根據明確的審批對象，制定主體策略模塊

常規審批策略模塊

個人信息驗證

準入模塊

欺詐判斷

黑名單判斷

信用風險評估

人工

授信

交易風險

注：

• 策略模塊要根據產品流程來制定
• 每一個對應解決一個或者多個風險點
• 找不到解決方案的風險點需要預留位置

對應主體策略模塊尋找風險解決方法

第三方數據源

增加進件要素獲取

爬蟲獲取額外信息

注：數據源的選擇

• 數據體量(查得率)
• 區分度(覆蓋率等)
• 是否穩定
• 數據來源

根據確定的策略模塊，設計審批流程

• 無費用在前，有費用在后
• 強高風險在前，弱風險在后
• 盡可能存留信息

注：考慮真實費用，而不是賬面費用；可根據實際情況靈活調整

確認審批流程落地方案

• 決策引擎
• 審批系統
• 征信平臺

注：征信平臺

• 作為第三方數據源回傳數據統一存儲平臺
• 記錄每次查詢結果
• 將原始數據處理為決策引擎可使用的字段
• 可管理多個同質數據源

?

?

解決方案：準入人群，確認風險點，尋找對應的排除方法，合理組合解決方法

成本類：推廣費用，審批征信費用，放款成本，征信成本

數據源內容介紹

基本驗證

公安核查，人臉識別，活體檢驗，銀行卡三/四要素驗證，手機要素驗證

黑名單(身份證，手機號，聯系人手機號)

• 法院執行人/失信被執行人
• 司法訴訟、行政違法、民間欠款等
• 高危行為、欺詐名單
• 金融信貸逾期、不良
• 金融信貸資信不佳、拒絕
• 關注名單

信用

• 多頭借貸
• 信用分
• 互聯網標簽
• 銀行卡信息

決策引擎

概念：是只吃變量，且只吐變量的系統

作用：將風控策略落地

與傳統代碼實現策略有什么區別？

• 風控業務人員可自行配置或更改
• 風控策略保密性更高
• 調整更快

決策引擎簡介：

• 只能處理單變量，且只能輸出單變量
• 內部可建立多個規則包，一個規則對應一個產品
• 可對每個使用用戶進行規則包權限控制(只讀，刪改)
• 也可對沒個使用用戶進行內部組件權限控制
• 可對組件進行凍結，避免操作風險

決策引擎內部組件介紹：

• 數據模型
• 規則&規則集
• 決策樹
• 評分模型
• 一維表索引
• 代碼塊
• 規則流
• 規則流測試

策略調優

什么時候需要策略調優？

• 資產質量朝壞的方向變化
• 逾期指標偏高
• 通過率下降
• 預測的壞賬比率超過逾期

調優步驟：

• 確認是調整貸前策略還是貸后策略
• 是D類調優還是A類調優
• 量化分析調優閾值
• 預測按照方案調整后的效果
• 調整后驗證結果與預計效果是否一致
• 重復修正

D類調優

在通過的客群中尋找差客戶拒絕

將會降低通過率，且降低逾期指標

離線即可完成量化分析

A類調優

在拒絕的客群中找好客戶通過

將提高通過率，逾期指標可能增加

需要決策引擎標記豁免部分樣本分析

風控審批策略(續)

常用量化指標

• 逾期
• 賬單逾期&訂單逾期
• 逾期時段(M1,M2,)
• 資產質量
• Vintage
• 首期逾期率
• PSI=(A-B)*ln(A/B) 用于衡量指標的波動程度

注：PSI<0.1穩定性很好

0.1<=PSI<=0.25關注

PSI>0.25異常

探索性規則分析

• 確定探索性規則的目標
• 將于目標相關的變量與目標整理成寬表
• 使用SAS進行探索性分析
• 尋找與目標強相關的規則

評分卡使用策略

原理：

1)用歷史數據預測新客戶的違約概率

2)當前存在即合理

3)二分類結果

什么時候需要評分卡

進件量較大，規則無法滿足更細的切分需要

有許多無法判斷風險類別的灰色客群

使用場景：

人工分流

客群豁免

評分卡cuttoff

調額步驟：

• 篩選可調額客戶
• 分為調額組與對照組
• 調額后調額組與對照組資產趨勢分析
• 根據結果回調最初篩選可調額客戶的規則

最初調額客戶的篩選方案：

歷史未逾期

賬齡達到6個月

活躍月份占比超過80%

額度使用率超過85%

未辦理過再分期業務

總結

以上是生活随笔為你收集整理的政策定价风控审批策略的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。