风险管理

互金风控

• 互金相对传统金融风控有更多挑战

  • 模型迭代速度要求高
    • 互金市场波动剧烈
    • 长尾劣质客群更不稳定，容易导致样本波动
  • 数据源采集种类更多
    • 弱相关数据更多，处理难度更大
    • 政策合规要求，数据采集和使用更规范

• 风控技术无关强弱，关键只在于“是否有效”

  • 时机选择
  • 制度安排及辅助
  • 背后所驱动的支撑逻辑

• 风控领域，大数据等技术的应用场景和方向

  • 自动化，尽量减少人工干预，减少主观臆断
  • 实现“差异化”，客制化产品设计
    • 补全客户画像
    • 挖掘客户需求
  • 精准度，需要模型驱动
    • 交易成本评估
    • 差异化定价
    • 反欺诈
  • 创新型评估
    • 底层数据共享

风控策略

• 风控策略本质是规则集的逻辑组合

  • 在贷前审批阶段减少风险事件发生
  • 挽回风险事件发生的造成的损失
  • 筛选用户：过滤高风险用户t保留低风险用户
  • 对客群分级实行个性化审批流程，提高审批效率

• 广义看，策略也是一种模型

  • 模型通过算法挖掘数据学习规律、构造特征；而策略则是 结合具体业务场景，依赖人工经验对客群细分，如决策树、 笛卡尔积分群
  • 模型往往经过长时间稳定性验证，只有出现明显衰减时才会 触发迭代；策略上线、下线灵活，可以根据近期样本灵活 调整
  • 模型需要在策略中应用才能发挥效果

风险控制

• 信用风险：侧重风险管理，在风险和收益之间寻求平衡，追求 利润最大化

  • 通过金融属性数据识别客户还款能力、意愿

• 欺诈风险：侧重严防拒绝，属于欺诈必然拒绝

  • 跟进欺诈风险事件，快速响应

• 反欺诈和信用顺序各有优劣，但是应该都做完之后得到综合授信 决策

  • 反欺诈在后：欺诈后需要人工核验，处于成本考虑后置
  • 信用在后：希望进入模型的数据更真实，否则会欺骗模型 造成错误决策

模型风险

• 模型：应用统计、经济、金融或数学理论、技术和假设将输入 数据处理为定量估计的量化方法、系统或途径

• 模型风险来源

  • 模型自身错误：模型设计、开发以及IT实施时发生的错误
    • 统计理论应用错误
    • 目标变量错误
    • 样本选择错误
    • 变量挑选、衍生错误
    • 算法错误
    • 在信息系统中执行与开发不一致
  • 模型被不恰当的使用
    • 模型套用
    • 市场环境、消费者行为习惯发生重大变化

• 美国监管部门围绕“有效挑战”指导原则，建立模型风险监管体系

  • 动力：挑战者必须在组织上相对独立于模型开发者，有正向 激励挑战
  • 胜任力：挑战者具备相关专业知识和技能
  • 影响力：挑战者必须具备权威、组织内地位，来自更管理层 的承诺和支持，保障被挑战方对其意见有足够重视

• https://mp.weixin.qq.com/s/95MVhXgyG9h5KqRphP14cA

风险监管体系框架

• 第一防线
  • 模型开发者：开发、上线、使用、监控和维护模型，配合 模型验证部门的独立验证工作
  • 管理维护者
  • 使用者
• 第二防线
  • 模型验证部门：独立验证模型
  • 模型风险监管部门：草拟、执行模型风险管理政策
• 第三防线
  • 内部审计：评估模型风险管理是否完整、严谨、有效
• 外部防线：政府监管
  • 美联储
  • 美国货币监理署

风险监管具体要求

Model Inventory模型清单

• 模型状态
• 模型目的、设计的目的产品、预期和实际使用的场景、使用限制
• 输入数据、组件的类型和来源
• 输出及其预期用途
• 模型运行状态、更新时间、政策例外
• 开发、验证负责人
• 已完成和计划当中的验证目的
• 有效期

Model Development模型开发

• 明确模型目的
  • 设计、理论、逻辑的研究支持
  • 模型组件、算法的优缺点
  • 与其他理论方法的比较
• 评估数据质量
  • 证明数据、信息适合模型
  • 替代数据需证明、记录
  • 对必要的数据跟踪分析，尤其是外部数据、新客群、 新产品
• 测试确保符合预期
  • 准确性
  • 鲁棒性
  • 稳定性

Model Implementatioin and Model Use

• 模型实施的需要有严谨的校验规范，保证上线模型与开发模型 一致
  • 结果（包括中间结果）一致
  • 底层数据一致
  • 计算逻辑一致
• 模型使用可以进一步评估模型性能
  • 模型使用者反馈模型使用情况、业务契合度
  • 业务经理评估模型背后的方法、假设
  • 其他利益不相关部门建议
• 模型的业务决策报表应清晰易懂
  • 决策者和建模者知识背景可能不同
  • 需要包含足够的输入、输出示例，充分展示模型各个维度

Model Validation

• 模型验证须由专业、独立的模型验证团队执行
  • 有动力
  • 有胜任力
  • 有影响力
• 验证范围须包括模型所有组件
  • 输入
  • 处理
  • 报告
• 验证的严格性、复杂性应与以下相适应
  • 模型使用量
  • 模型复杂性
  • 模型重要性
  • 业务规模和复杂性

模型验证分类

• Initial Validation初始验证：首次使用前的验证

  • 根据模型的缺陷选择是否接受
  • 由于其他原因无法验证，应该记录在案，并通过其他补偿性 控制减轻模型不确定性

• On-going Validation持续验证：模型投入使用后持续进行的 验证

  • 跟踪已知问题并识别任何新的问题
  • 确保市场、产品、风险敞口、活动、客户、业务实践不会 造成新的模型问题

• Model Review定期复查

  • 确定模型是否正常工作且现有的验证活动是否足够

验证框架要素

• 概念健全性评估：模型设计、构造的质量

  • 审查相关文件与实践证据，确保模型设计、建造中使用的 方法、判断、变量选择有充分信息、经过仔细考虑，且与 已发表的研究和成功行业实践一致

• 结果分析，比较模型输出与实际结果，分析模型性能

  • 各种量化、非量化的测试分析技术都有弱点，应根据模型 选择适当、一系列结果分析
  • 量化结果有助于评估判断专家判断的质量、新旧模型性能 差距
  • 结果分析应持续进行
  • 除用保留样本（训练样本时间段内）分析模型性能外，还 需要使用训练样本时间段外样本进行back-testing

• 敏感性分析，检查模型的稳定性、鲁棒性

Model Monitoring

• 模型监控频率应与模型性质、新数据或建模方法的可用性，涉及 的风险程度相匹配

• 开发阶段发现的模型局限应在持续监控中定期评估

• Processing Verification过程检验，检查所有模型组件是否 按设计运行

• Benchmarking基准检验，与外部数据、模型进行比较

贷后管理

• 入催：当前逾期

  • 忘记还款日逾期：轻微提醒即还款
  • 习惯性逾期：轻微提醒、人工催收提醒即还款
  • 资金困难，还款能力低：普遍回款率低
    • 多头借贷高负债：还款意愿低，需要较强催收策略
    • 暂时失去收入能力：还款意愿不差，但出催时间较久
  • 有还款能力但不还：需较强催收策略提高还款意愿
  • 欺诈：首逾，贷后没有解决办法

• 出催：结清逾期账单

AB-Test划分客户

• 步骤
  • 为各类客户设置有针对性的特别催收策略
  • 结合模型、规则初步初步设置筛选条件
    • 筛选出该类型客户
    • 将该类型客户分群A、B组
  • 在A组应用一般催收策略、在B组应用针对性策略，比较策略 出催效果
    • 针对性策略确定情况下，评估客户筛选条件
    • 客户筛选条件给定的条件下，评估针对性策略

M1客户

• 对大部分公司的客群而言，M1阶段出催概率最大

  • 此阶段较为重要，可设置多个模型重点学习不同客群规律
  • 对不同客群施行不同催收策略，提高出催成功率

• 缓催响应人群：出于遗忘造成的逾期

  • 在较短的缓催期内，简单的催收动作、或不催收即出催， 降低人力成本
    • 不催
    • 短信提醒
    • 邮件提醒
    • 机器人催收
  • 对缓冲人群内部，可以通过不断AB-Test细分缓催人群
    • 在不同时间段设置不同缓催方式
    • 为不同人群设置不同缓催方式

• 非缓催人群

  • 按出催难易程度，区分为普通案件、专家案件（难催用户）
    • 难催客户入催早期还款概率远高于后期，在入催初期 即交由经验丰富
  • 对还款能力、还款意愿分析，应用不同话术和催收策略
    • 还款能力、还款意愿分析主要是根据特征变量设置
    • 对还款能力差而还款意愿强的客户，可通过延期等方式 提升用户体验
    • 对还款意愿弱的客户，通过催收动作提高还款意愿
  • 对催收敏感程度分析
    • 对催收动作敏感的人群，即催收动作越强，还款概率 越高，可以加强催收频率

M2+客户

• M2+客户催出概率较低
  • 若无特殊原因影响，发生过M2+用户需要重点关注
    • 委外处理会损失资金
    • 通过模型预测更易出催的客户，精细化人力管理
  • 为精细化催收可以构建多个阶段模型
    • 样本充足的情况下可以分别构建M2、M3模型
    • 样本不够时，则可以构建M2+模型，不断积累决策、 建模样本
  • 分析出催难易程度、催出敏感程度不同的客群，施行不同 催收策略