消费贷款风险模型管理及优化_黎明.pdf

现代营销下旬刊2023.06XDYX金 融一、背景金融科技（信贷领域）的作用是用数字化的手段去预防风险，而以大数据为支撑的智能化风险决策中，模型是关键，但模型本身也是一种风险源。随着模型数量越来越多、算法越来越复杂、应用越来越广泛，隐藏在全流程模型构建和全生命周期管理中的风险也被逐步放大，给银行机构的模型风险管理带来了严峻挑战。基于有缺陷或误用的模型输出进行决策，将给银行带来不可估量的损失。建立模型风险管理体系是满足监管要求的自然应对。自2020年以来，监管对模型风险的防控和管理重视程度持续加强。2022年1月，银保监会发布 关于银行业保险业数字化转型的指导意见，鲜明地指出加快建设与数字化转型相匹配的风险控制体系，防范模型和算法风险。监管对于我国商业银行建立模型风险管理体系的要求越来越明确，范围也从互联网贷款、信用卡等零售业务开始逐渐向全业务扩展。本文分析银行消费贷款风险模型，按照监管的要求，做好风险数据和风险模型的日常监控，并根据监测结果开展风险模型的优化和管理。二、建立风险模型日常监控指标银行消费贷款风险模型监控体系的搭建，对于任何一家银行机构都尤为重要。风控模型上线部署后会因内外部各种因素引起模型分数偏移，甚至出现错误。为了能在第一时间发现问题，银行需要对模型进行动态监控。一套相对完整的监控指标体系，能对模型的有效性、稳定性做到及时掌控，以确保模型如期运行。风险模型监控指标如下。（一）技术类监控指标1.模型开发技术类指标：该类指标主要用于模型开发及测试阶段，此阶段的输入样本应是具有“好/坏”标识的。在模型开发阶段跟踪此类监测指标，可实现对模型持续调整迭代，保证最终投产模型为当前条件下最优模型。2.模型运维技术类指标：该类指标用于衡量在运营过程中需监控的技术类指标，确保线上运行的模型稳定有效。3.模型验证技术类指标：该类指标用于在模型持续验证阶段评估模型总体和各组件的性能，确保模型表现符合预期，且稳定有效，通常包括准确性、鲁棒性和稳定性等。（二）业务类监控指标1.业务需求类监测指标：该类指标主要关注业务需求提出方提出的特定业务目标（如业务量、业务质量）。在模型开发阶段，该类指标作为模型开发的基本要求，帮助明确开发过程中模型的调整方向，指导模型的优化迭代。2.业务测试类监控指标：主要用于模型在具体业务场景下的可用性、业务准确性等。3.业务验证类监控指标：该类指标用于模型独立验证，团队在业务验证过程中衡量模型的有效性和稳定性。4.业务投产类监控指标：该指标主要确保模型投产后输出与模型设计的一致性，确保模型有效；同时，随着业务环境影响（如客群变化、产品设计、业务目标等）使业务投产指标监控模型保持稳定性。（三）运营类监控指标1.持续验证性指标：该类指标为衡量模型在投产后，由独立验证部门持续对模型进行验证所采用的指标。2.差异性监控指标：该类指标主要关注模型在生产数据上的结果（含技术、业务、运营）与基准的差异。优秀的监控指标能提供良好的洞察力，风控模型监控报表设计是一个需兼顾宏观与微观、业务与技术、数据可视化UI交互等多方面的工作。主要包括两方面：在宏观层面，要熟悉信贷产品设计、风控业务流程、政策监管影响；在微观层面，要熟悉各个评估指标的计算逻辑、局限性、模块设计，综合将技术和业务指标相结合，给出数据分析报告及解决方案。后续在监控中发现资产质量有下迁趋势，根据这一线索往下探索风险模型优化方案。消费贷款风险模型管理及优化黎明1唐婷2许俊2（1.四川省农村信用社联合社四川成都610096；2.四川职业技术学院计算机工程学院四川遂宁629000）摘要：近年来，大数据技术逐渐成熟，人工智能和机器学习风险模型被应用到银行管理的方方面面，特别是银行消费贷款领域，几乎在全流程管理方面都有风险模型管理覆盖。做好风险模型的管理和优化，是业务稳定发展的重要一环。实施风险模型管理的首要环节是建立风险模型管理框架，在此架构下建立风险模型监控体系。本文分析在指标监控中发现资产质量变化后提出优化的例子，具有一定的参考意义。关键词：大数据技术；风险模型；模型管理；模型优化基金项目：四川职业技术学院资助项目：基于逻辑回归算法的消费贷款信用评分模型开发及优化（编号：2022YZB011）中图分类号：F830.5文献识别码：ADOI：10.19932/ki.22-1256/F.2023.06.028028现代营销下旬刊2023.06XDYX金 融三、消费贷款风险模型监测及管理情况（一）风险模型监测对比分析风险模型监测主要是看趋势、看对比、看细分，仅看监控数据是无意义的。趋势分析关注业务量、通过率、逾期率、KS 等指标逐月甚至是逐日的变化趋势。申请量增长显著的话，还得保证资金储备充足。对比分析分为纵向比较和横向比较，前者是自己和自己比，后者是自己和别人比。纵向对比还包括环比和同比，环比就是本期和上期比，例如这个月和上个月比，同比是本期和上一周期的同期比。很多数据指标是有周期性的。细分分析选取一些关键维度，如渠道、年龄、地域、收入等，去关注这些维度不同客群各指标的差异。贷前最主要的一个维度就是获客渠道，要密切关注各渠道的转化和风险。好渠道是用来拓展业务的，坏渠道只会增加损失。（二）分析数据及工作方向资产质量定期分析主要从不良客户入手，分析不良客户画像，并从分析线索中找到特征，并结合现在运行的风险模型情况，提出优化方案。风险模型中申请评分模型评级从高到低依次为A+、A、B+、B、C、D、F、F-，信用违约概率依次递增。同时，风险模型按照征信贷款丰富程度和逾期情况分为5组，以区分组别特征工程权重。本文案例是对某省农商银行正在上线的消费贷款产品进行分析，该产品属于互联网贷款产品，全线上24小服务。选择的数据分析样本，是把2020年1月到2021年12月发放的5万客户作为分析数据源。该贷款产品从2022年1月开始逾期与不良率有一定增长，贷款质量有下降趋势，按照工作计划和检测结果拟对风险模型实施优化。（三）逾期贷款趋势分析逾期数据主要从期限、数量和整体情况方面进行分析。目前的情况是：（1）账龄12期的时候，逾期率有一个明显的上升；（2）2022年7月开始，客户逾期率（客户数）上升；（3）2022年8月开始，金额逾期率（逾期金额）明显上升。整体看，金额逾期率的上升趋势是大于客户数逾期率的。本文针对上述三个逾期趋势特点，分别进行具体的风险分析，并进一步定位风险变化的原因。（四）12期的时候逾期率明显上升借据账龄12期的时候逾期率上升，符合风险自然暴露的顺序，跟目前借据的整体结构相关。“等额本息”借据占比超过一半，其中12期（1年期）的借据占比一半多一点。此种借据结构具有本金集中到期的特点。（五）金额逾期率与客户逾期率的关系客户逾期率与金额逾期率均有所上升，其中金额逾期率上升比客户逾期率上升更明显，约为客户逾期率的1.1倍；金额逾期率的绝对值低于客户逾期率，证明额度授信策略虽然有所变差，但整体有效。（六）风险模型与客群逾期关系对模型和客群分类查看逾期和不良情况，有利于掌握趋势走势，更好地找到优化方案。一般需要做评级年龄分箱、学历和性别等分析。有了客群和趋势的详细分析后，提出优表1评级年龄分箱2022 年 8 月逾期率_模型评级_支用_按年龄细分评级A+ABCDFF-Z支用男20-25岁0.00%2.76%4.18%11.42%7.33%7.93%9.43%5.56%8.14%25-30岁1.58%0.96%1.48%3.41%3.14%4.71%6.82%0.00%2.85%30-35岁0.17%0.59%1.66%2.68%2.70%3.43%4.42%0.00%2.09%35-40岁0.00%0.65%1.48%2.47%2.82%2.63%4.35%0.00%1.93%40-45岁0.24%0.29%0.91%1.98%2.37%3.56%5.48%7.14%1.68%45-50岁0.00%0.45%0.79%2.42%1.87%3.32%4.90%3.70%1.69%50-55岁0.00%0.66%0.86%2.24%2.55%1.55%3.41%5.00%1.67%55-60岁0.70%0.46%0.98%1.75%1.85%3.11%3.60%0.00%1.53%女20-25岁0.00%1.01%1.18%1.99%1.54%2.72%3.31%0.00%1.75%25-30岁0.00%0.08%0.82%0.57%1.20%4.13%3.98%0.00%0.83%30-35岁0.00%0.49%0.76%1.06%0.81%1.36%2.58%0.00%0.78%35-40岁0.00%0.16%0.43%1.17%0.61%0.66%3.23%0.00%0.58%40-45岁0.00%0.20%0.13%0.87%1.04%0.78%3.33%0.00%0.55%45-50岁0.00%0.21%0.51%0.99%1.08%1.66%9.09%0.00%0.77%50-55岁0.00%0.29%1.08%1.78%1.09%1.33%0.00%0.00%1.01%55-60岁0.00%0.59%1.13%1.28%1.45%2.80%7.69%0.00%1.26%逾期率/评级0.14%0.47%1.06%2.31%2.26%3.22%5.37%1.40%-表2模型分组年龄分箱2022年8月31日逾期率_模型分组_支用_按年龄细分分组12345支用男20-25岁2.74%4.74%2.88%15.39%13.45%8.14%25-30岁1.14%1.62%1.03%5.52%5.98%2.85%30-35岁3.09%1.22%0.55%4.16%3.94%2.09%35-40岁1.47%1.10%0.86%3.57%3.13%1.93%40-45岁2.86%1.24%0.47%2.88%3.01%1.68%45-50岁0.84%1.23%0.44%3.23%2.33%1.69%50-55岁1.45%1.27%0.35%3.30%1.38%1.67%55-60岁0.00%1.42%0.77%2.37%1.56%1.53%女20-25岁0.00%0.62%1.37%5.95%2.86%1.75%25-30岁0.00%0.63%0.50%1.70%1.42%0.83%30-35岁0.00%0.45%0.19%1.98%1.38%0.78%35-40岁0.00%0.33%0.18%1.23%1.53%0.58%40-45岁0.00%0.49%0.13%0.95%1.00%0.55%45-50岁0.00%0.44%0.40%1.61%2.33%0.77%50-55岁0.00%0.77%0.15%2.29%1.20%1.01%55-60岁0.00%0.87%0.45%3.06%1.20%1.26%逾期率/分组0.72%1.07%0.60%3.61%3.11%-029现代营销下旬刊2023.06XDYX金 融化措施。1.模型评级分布情况从表1可以看到，模型评级为中级（C级）的客群在逾期客群中整体占比为38.08%，且在多个年龄段中的逾期率都大于平均逾期率。2.模型分组模型分组为4的客群在逾期客群中整体占比为59.19%，且在多个年龄段中的逾期率都大于平均逾期率。（七）逾期客群画像1.年龄：年龄是目前最显著的逾期特征。2030岁的男性逾期最显著，其中2025岁的逾期率为8.14%，2035岁的男性逾期人数占总逾期人数的45.46%。这部分客户在支用中的占比为25.79%，2025岁和5560岁的女性客群的逾期率高于整体。2.学历：学历为初中与小学的客群逾期的可能性更高，所有逾期客户中初中学历客群占比31.47%，这一比例在支用客群中占比是22.14%。3.性别：男性的整体逾期率和分年龄段逾期率，都远远高于女性。4.婚姻情况：整体看，已婚客群的逾期概率最低，但婚姻随年龄的分布是不均匀的，年龄对婚姻与逾期的相关性影响较大。四、风险模型优化银行消费贷款风险模型的构建，一般是以策略为主，以评分卡为辅。银行数据量较大，场景内不断挖掘用户数据，并接入各种有效的三方数据，大数据评分卡效果较好。评分卡的重要性很高，就如同“工欲善其事，必先利其器”的“器”很重要一样。本次上线的消费贷款风险模型以评分卡为辅，以策略为主，策略保持决策的可解释性。决策要有可解释性，是因为未来不一定会像现在一样，银行风险偏好无法承担极端情况的伤害，一般的决策一定是尽量简单的。整体来看，风险模型中的评分卡对客群好坏区分是有效的，本次风险模型优化的整体思路是完成对表现较差客群的贷前拒绝与授信额度调减，也就是额度策略的优化，实现客户逾期率与金额逾期率的降低。调整方法方面，考虑到目前整体拒绝率已经较高，本次调整不做大面积的准入审核修改，在规则运行效果上高逾期客群的拒绝率也较为明显，尽量只对单点的客群画像逾期表现做针对性的局部调整。综上，通过对逾期率与客户逾期金额的整体分析，需要调整的内容如下。（一）通过率调整客群通过率调整主要为：男性客户（2040 岁）、女性客户（2025 岁）。因为产品整体不良率要求不超过 1%，以产品截至 8 月末的逾期率为最终的参考值，倒推计算。按照目前金额逾期率与客户逾期率，如果额度策略不变，客户数逾期率应该控制在1.5%到2%之间。因此需要对客户逾期率明显较高的客群进行调整，限制准入。（二）收入调整客群结合数据前后变化及分箱数据与逾期的相关性，收入数据调整的客群为外部收入流水核定为25005000元、50007500元的客群，限制准入。（三）规则调整信用评级CF的客群，客户实际逾期率高于2%的客户逾期管控目标。按照重点区域客群针对性拒绝的原则，需要加大对通过率调整客群的评分卡为第4组、第5组，拒绝评级为C和D的客户，限制准入。（四）组合规则调整新增规则一：高逾期率客群_征信多头拒绝。主要有：1.男性客户（2040岁），女性客户（2025岁）；2.信用模型评级为第4组、第5组，评级为C和D；3.上述客户近3个月客户征信以“审批”为由查询次数10次。新增规则二：高逾期率客群_三方多头拒绝。1.男性客户（2040岁），女性客户（2025岁）；2.信用模型评级为第4组、第5组，评级为C和D；3.对三方风险数据产品中，“最近12个月在非银行机构的申请机构数”属性取值为7的客户，做拒绝处理。五、结语据权威报告统计，全球金融机构使用的风险模型数量正以每年20%左右的速度增加。这些模型在金融机构经营管理中的广泛应用，给银行机构带来显著效率和成本优势的同时，也增加了金融机构对于模型风险管理的难度，使得模型风险逐渐暴露。风险模型“三分建设、七分管理”，管理的本质就是兼顾成本、效率和效果，达到最优平衡。本文从银行消费贷款风险模型管理和优化资产质量分析入手，提出通过详细的画像分析、账龄分析、期限分析，准确找到风险模型和策略的优化点，并且实施了最优效率的单点优化，而不是进行大规模的调整，遏制了资产质量的进一步下滑，提升了管理效率，具备一定的实操性。参考文献：1白建蓉.基于三种典型机器学习算法的安全研究J.中国石油大学(北京),2020(05).2王诗懿.基于集成学习的A农村商业银行个人消费贷款违约风险评价研究J.西南财经大学,2021(10).3王瀚.基于信用风险模型的银行消费信贷准入边界研究J.贵州大学,2020(06).作者简介：黎明（1982），男，四川省宜宾市人，硕士研究生，经济师，研究方向：数字金融、互联网贷款；唐婷（1983），女，四川省遂宁市人，本科，讲师，研究方向：办公自动化应用、C语言编程、Python编程、数据库技术；许俊（1969），男，四川省蓬溪市人，本科，副教授，研究方向：软件工程、数据库技术。030