金融风险控制

    金融和风险挂钩,一般而言,风险越大,金融收益越高。对于抵押贷款公司来说,期望的就是在把控风险的前提下,获得最大的经济收益。贷款公司一般从两方面控制风险,一方面在信审阶段,通过家访以及风控模型,尽可能阻挡可能发生坏账的“坏人”;另一方面,在贷后阶段,根据逾期情况,尽可能的对抵押物进行保值。

    信审阶段的风险把控,主要通过采集人的信息,例如居住、收入、工作等,加上第三方平台信息,如央行的征信,同盾的不良信息查询等,进一步构建风控模型。一般一个人的工作、收入、居住地越稳定(FICO公司的风控指标),发生骗贷或者逾期的可能性越低(如教师、公务人员);对于有不良记录的人,有过处罚记录说明此人有发生冒险行为的可能,另一方面,如果发生过不良行为,极有可能再贷后资产回收的过程中产生暴力干扰;对于产生多头借贷行为的人来说(特别是近期),此人很有可能资产覆盖率不够,杠杆率高,骗贷和拆东墙补西墙的可能很大。

    风险把控做的好坏,取决于信息采集的覆盖度和准确度。目前来说,在前期的信息采集阶段,尽可能收集能够拿到的信息,通过整理观察贷后逾期违约人员的信息特点,找到共性因子,进而构建风控模型或者提升已有模型的效能。对于信息的准确度,一方面公司需要建立完善的管理制度,家访人员在现场采集信息时,需要有合理的激励和考核机制,另一方面,对于第三方平台提供的信息,要学会甄别验证,此过程很有可能产生模型的先视因子,比如之前建立模型,接入腾讯天御反欺诈接口时,接口中的失信信息,包含模型训练使用数据的信息,所以在模型训练中该因子重要度很明显。此外,对于平台提供的多头借贷信息,很有可能是污染数据,比如同一单借贷,渠道、资金方都可能去同一平台查询信息,该客户的借贷信息在该平台就会产生记录,处理不好,就会产生污染数据。

   风控模型是基于统计产生的,模型更在意的是因子和行为的相关性,并不能提供准确的因果关系,建立模型时,重要的是通过特征工程,筛选有效因子,通过模型定性的输出某人发生逾期坏账的可能性,后续通过分析结果,定量的分析某一因子的增益。比如对于某一单商用车车抵贷,客户因为腿伤导致无法跑车,发生逾期,我们不能将是否发生腿伤这个因子作为模型入参,但是可以做后续分析,该客户腿伤的原因,是车出事故导致,车为什么出事故,很有可能和该客户跑车的驾驶习惯和运输线路有关,驾驶习惯可以通过家访人员的调查给出一个结论,运输线路我们基于统计,可以对不同的线路进行打分。再举个例子,统计发现,某一地区发生逾期比例很大,此时我们只能定性的判断此地区发生逾期可能性很大,至于原因还需要我们深究,总不会是该地的风水不好吧?进一步通过调查发现,该地区有一伙诈骗人员,他们的骗贷提升了该地区的逾期率,此时我们就不能单纯的通过调整地区的因子,因为这批人员很有可能是流动作案,单纯的以地区作为筛选,无法有效隔离,还需要进一步分析这批人员的共有属性,提取有效特征。

    整个风控系统,一般由管理、制度和技术组成,单纯的技术或者说风控模型并不能有效保障公司的风险,风控模型往往也是随着时间的推移不断不断的优化,统计贷后的表现,可以进一步完善贷前的风控制度。公司的管理和制度,决定了信息采集的完整性和准确性,现在贷款公司普遍使用一套自己的系统,通过系统,可以对信息进行有效的把控和留痕。

    现有的风控模型,一般基于评分卡和机器学习。评分卡更多的是依赖专家意见和统计结果,因子之间往往是相互独立的;机器学习,近年来发展比较迅速,模型选择相对比较多,风控模型目的是区分“好人”和“坏人”,本人倾向于使用逻辑回归和lgbm模型,逻辑回归对训练数据量要求没那么高,但是前期的特征工程更复杂,lgbm模型的训练数据量一般在两万以上,但是对特征的要求没那么高。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章