风控规则

风控规则

• 规则的类型
  • 条件判断：决策路径独立
  • 决策表：决策路径有交集、规律
  • 决策树：决策路径不规律、可能重复检查同一数据

• 规则引擎：接受数据输入，解释业务规则，根据业务规则、使用 预定义语义做出业务决策

制定原则

• 监管、公司政策类
  • 年龄准入
  • 行业准入
    • 有金融属性行业
    • 政策敏感娱乐行业
  • 地域准入
  • 场景准入
• 风控层面
  • 黑名单类
  • 多头类：申请次数
  • 共债类：申请量
  • 反欺诈类
  • 评分拒绝类

规则发现

规则评分

• 强弱规则

  • 强规则：可作为独立规则，直接指导决策
  • 弱规则：具有一定区分度，但不决定性

• 弱规则可组合使用，通过评分方式衡量弱规则

  • 使用规则评分衡量规则影响力
  • 规则影响力则可以通过命中坏占比、odds变动衡量
  • 设置阈值，命中规则的评分之和超过阈值才触发报警

笛卡尔积法

• 步骤
  • 获取变量：定义好坏，关联特征变量
  • 变量筛选：通过IV值等指标快速筛选变量
  • 指标统计：分组统计申请量、放款量、坏账量等指标
  • 透视呈现：分申请率、放款率、坏账率等指标制作交互，如列联表等
  • 规则提取：结合各维度选择满足要求的组别，提取规则逻辑
  • 规则评估：评估跨期稳定性
  • 策略上线

决策树法

• 决策树法优势
  • 可根据划分依据自动对人群细分
• 决策树法缺陷
  • 难以调整决策树划分结果
  • 划分结果可能缺乏业务意义
  • 可能出现过拟合现象

规则阈值设置

• 阈值设置指标

  • Lift 值
  • 收益/风险比

• 阈值设置依据

  • 对分类取值，根据 Lift 值、收益/风险比 确定是否作为规则
  • 对有序、数值取值，结合不同阈值点计算 Lift 值、收益/风险比，绘制曲线
    • 曲线平缓变化，则阈值切分收益变化稳定，阈值调整空间比较大
    • 曲线存在明显陡、缓变化，则阈值切分收益在拐点处收益较大，阈值调整空间有限

规则评价

• 案件调查
  • 用信前报警调查
  • 逾期后调查
  • 根据不同目标，可以对不同的案件区分重点调查

线下 / 离线（标签已知）效果评估

• 自身效果评估
  • 混淆矩阵
    • TPR/FPR
    • 准确率/误拒率
  • 提升度
    • 拒绝样本中坏样本Lift提升度
    • 通过样本中好样本Lift提升度
  • 通过率、拒绝率
  • 加权收益：好数量 好收益 + 坏数量 坏收益
• 对比/增量效果评估：和其他数据源比较
  • 有效差异率：查得命中 / 其他通过且为坏样本
  • 无效差异率：查得命中 / 其他拒绝

• 类似名单类数据评估

线上 / 在线（标签未知）效果评估

• 规则报警次数、报警率

  • 规则（触发）报警次数：命中规则后账户被拒绝次数
    • 对强规则，即为规则命中次数
    • 对弱规则，小于规则命中次数
  • 规则报警率 = 规则报警次数 / 规则命中次数
  • 规则报警率低、趋势走低表明规则需修正

• 规则调查次数、调查率

  • 规则调查次数 = 对案件调查分析时调查其次数 （短路调查）
  • 规则调查率 = 规则调查次数 / 规则报警次数
  • 调查率低则因考虑其他规则替代该规则，或or合并规则
  • 规则可以为调查提供提示，而过多不能给调查提供提示的 规则反而浪费时间

• 规则命中次数、命中率

  • 规则命中次数 = 命中触发报警之后被认定为坏样本数
  • 规则命中率 = 规则命中次数 / 规则报警次数

• 综合命中次数

  • 综合命中次数 = 规则命中次数 + 逾期调查认定坏样本数
  • 综合命中率 = 综合命中次数 / 规则报警次数

• 在线效果效果是无法在体系内自评估的，必须引入外部信息，包括：人工审核、额外数据源、扩招回机制等

规则稳定性

通过率波动应对

• 寻找通过率变动的时点
• 计算各维度通过率波动程度PSI
  • 定位各策略节点主次影响
  • 分析主要影响策略节点规则、阈值
• 指导决策

逾期率波动应对

• 定位逾期率波动客群：存量客户、新增客户
  • MOD

旁路规则

Swap Set Analysis

• 新、旧模型可用离线指标比较优劣，但最终要在业务中比较通过率、坏账率，二者正相关，swap set 则是反应模型的通过的变化

• Swap Set Analysis 用于分析新、旧模型更替

  • 根据订单在新、旧模型的通过情况，可以分为三类
    • Swap-in Population：旧模型拒绝但新模型接受
    • Swap-out Population：旧模型接受但新模型拒绝
    • No Change：新、旧模型同时接受、拒绝
  • 从 swap set 角度评价 “新模型优于旧模型”
    • Swap-in Population >= Swap-out Population 且坏账率不升
    • Swap-in Population = Swap-out Population 、坏账率不变，但用户响应率提升

• 实务中，已上线的旧模型拒绝订单无法获取表现期，只能通过拒绝推断近似得到坏账率

  • 同时间窗 A/B-Test：切分流量让旧模型只打分不拒绝
  • 跨时间窗 A/B-Test：用旧模型在灰度期坏账率替代

扩召回

扩召回：独立召回之外，利用额外模型扩召回部分样本

• 此处召回一般指通过 成熟 的规则、模型从全体中获取部分样本

  • 召回一般为历史沉淀、专家经验规则
  • 召回的理由充足，但泛化性较差

• 扩召回和二次排序训练用的样本是相同的，但

  • 二次排序是在召回的样本基础上再次排序
    • 目标：（全局）排序能力
    • 评价标准：AUC、头部准召
  • 扩召回一般是独立于召回建立的模型
    • 目标：学习召回样本的规律，完善召回机制、补充召回样本
      • 因此，扩招回也可以用召回样本作为正样本
      • 扩召回也可用于在线验证新、旧规则的有效性
    • 评价标准：额外召回准确率（对召回样本的学习能力）
      • 事实上，若采用召回样本作为正样本，则 AUC 为 1 的扩召回是无价值的，只是复现了召回
    • 特征：可能包含一些专供于扩召回使用的特征
    • 扩召回的正样本可能还包括人工举报、隐案等

准入规则

• 风控准入规则应为强拒绝规则
  • 不满足任何规则均会被拒绝
  • 规则无需经过复杂的规则衍生
  • 策略理念：验证借款人依法合规未被政策限制
  • 风控流程中首道防线
    • 准入策略已经趋同
    • 但对不同信贷场景仍应采取更适应业务的准入规则

基础认证模块

• 风控基础认证模块：验证申请人真实性
  • 身份证信息验证
  • 人脸信息验证
  • 银行卡四要素验证
  • 运营商三要素验证

按数据来源分类

• 个人信用类
  • 个人基本信息
    • 年龄准入
    • 地区准入
    • 行业准入
  • 经济能力信息
    • 月收入
    • 流水
  • 社交信息
• 设备信息
  • 短信
  • APP安装信息
• 外部数据源
  • 征信报告
  • 外部黑名单
• 行为数据
  • 活动轨迹
  • 登录、注册时间
• 评分卡规则

黑、白名单

白名单

• 白名单：风险相对可知可控的客户构成的内部名单

  • 业务初期：通过白名单控制入口
    • 控制放量节奏
    • 降低风险
    • 通过宽松风控规则提高审批通过率
    • 通过贷前策略规则筛选白名单，协助调整贷前策略
  • 业务中期：部分客户走特殊的贷前审批流程，满足特殊审批 要求

• 白名单筛选方式：有部分存量数据情况下

  • 联合建模：缺乏特定业务场景预测变量，与外部机构建模 补充预测变量
  • 内部数据探索：寻找与违约表现相关性较强的特征规则
    • 类似场景、产品
    • 纯粹凭借专家经验规则
  • 引入外部数据匹配

黑名单

• 黑名单：还款能力、还款意愿不能满足正常客户标准

  • 通常多个好客户才能覆盖坏客户的本金损失
  • 通过黑名单客户全部拒绝，但是对于导流助贷机构，业务 核心是流量和客户质量，拒绝全部黑名单客群成本巨大， 可能会随机、结合评分放过部分

• 黑名单建立

  • 建立黑名单参考维度
    • 还款表现
    • 渠道
    • 利率
    • 失信名单
  • 黑名单主体
    • 身份证
    • 手机号
    • 邮箱
    • 银行卡
    • IP

三方黑名单

• 自建黑名单命中率不高（二次申请概率低），且需要长期 积累

• 不同三方黑名单往往会有其侧重点

  • 团伙欺诈名单
  • 公安、司法名单
  • 被执行人名单

• 三方黑名单效果也有好有坏，对效果较差、但通过率影响 不大黑名单也可以考虑保留

  • 黑名单一般是查得收费，外挂较多黑名单不会提升成本
  • 黑名单可视为容错机制，黑名单不一定能所有样本上 表现优秀，保留其可防止欺诈团伙等集中攻击

• 同样值得注意的是，黑名单的质量需要考核

  • 非公信黑名单定义各家不同
  • 名单没有明确的退出机制
  • 黑名单按查得收费，有些黑名单会掺沙子
  • 有些名单提供商同时作为信贷放贷方，有动力将优质客户 截留，将其添加进名单