金融风控信用卡评分建模金融风控信用卡评分建模
一、引言一、引言
如何利用机器学习以及大数据技术来降低风险呢？如何建立信用评分的模型呢？本文将针对这些问题简单介绍互金行业中授信产品的风控建模过程，内容主要如下：
·信用风险定义
·信用风险评分卡类型
·信用评分模型建立的基本流程
1.信用风险定义
①风险管理的概念
风险管理最早起源于美国。1930年由美国管理协会保险部最先倡导风险管理，后面在全球流行开来，随着互联网的迅猛发展，大数据、数据挖掘和机器学习等新兴技术开始出现，让风险管理更为精准。
他们通过收集银行系统本身的征信数据以及用户在互联网上的的各种数据，包括人际关系、历史消费行为、身份特征等，通过大数据“画像”技术，对用户进行全面的定位，由此来预测用户的履约能力、降
低信贷风险。
②什么是信用风险？
信用风险又称违约风险，是指借款人、证券发行人或交易对方因种种原因，不愿或无力履行合同条件而构成违约，致使银行、投资者或交易对方遭受损失的可能性。即受信人不能履行还本付息的责任而
使授信人的预期收益与实际收益发生偏离的可能性，它是金融风险的主要类型。
万事都有风险，但对于金融行业来讲，风险控制尤为重要。对于海量的用户数据处理，传统的人工授信方式显然是很乏力的，因此现在大多互联网金融P2P公司都采用机器学习、大数据等技术对风险进
行自动化评估，来最大程度的降低风险。当然，这些技术的应用并不能百分百的保证零风险，因为有很多人为因素是不可控的，但是信用风控技术在很大程度上帮助金融企业进行了很好的风险管控，通
过降低风险减少损失来间接增加利润。
2.信用风险评分卡类型
①信用评级
用过信用卡的朋友都知道，开卡需要申请（筛选好坏用户），消费了就需要定期进行债务偿还，如果不偿还就有人发短信催你。因此，信用评级可根据用户的整个使用周期分为以下四种类型：
1）申请者评级（Application）：个人客户申请相应金融产品，对用户进行筛选分类，判断时好时坏，是否通过申请（A卡）
2）行为评级（Behavier）：个人客户通过申请后在使用期间的历史行为数据进行评级，对客户可能出现的逾期、延期等行为进行预测（B卡）
3）催收评级（Collection）：对业务中存量客户是否需要催收的预测（C卡）
4）欺诈评级（Fraud）：业务中新客户可能存在的欺诈行为的预测（F卡）
每个评级阶段的模型都是不一样的，因为每个阶段的用户显现的特征都不一样，因此需要针对各个阶段进行单独的模型开发。
②信用评分卡
尽管有了评级分类，但是信用对于我们来说仍然是一个比较抽象的概念，因此可以通过量化的方式来更直观的使用信用，而分数是一种不错的量化方式，通过分数的高低来衡量风险概率，分数越高代表
信用越好。信用评分卡就是通过大数据的统计分析，根据用户的各种资料信息，对用户信用进行评估（打分）。根据以上信用评级，相应的可以分为四种评分卡：
1）申请评分卡（A卡）
2）行为评分卡（B卡）
3）催收评分卡（C卡）
4）欺诈评分卡（F卡）
是一种以分数的形式来衡量风险几率的一种手段，也是对未来一段时间内违约、逾期、失联概率的预测。一般来说，分数越高，风险越小。
A卡一般可做贷款0-1年的信用分析，B卡则是在申请人有了一定行为后，有了较大数据进行的分析，一般为3-5年，C卡则对数据要求更大，需加入催收后客户反应等属性数据。每种评分卡的模型会不一
样。在A卡中常用的有逻辑回归，AHP等，而在后面两种卡中，常使用多因素逻辑回归，精度等方面更好。 基于个人借贷的场景，确定“违约”的定义： 根据新的Basel II Capital Accord（巴塞尔二资本协
议），一般逾期90天算作违约
3.信用评分建模的基本流程
通过对消费者的人口特征、信用历史记录、交易记录等大量数据进行系统的分析、挖掘数据蕴含的行为模式、信用特征，发展出预测行的模式，结合信用卡评分的构建原理，完成数据的清洗，主要包括
缺失数据的填充、异常的删除和数据的分箱；调用Logistic回归模型建立信用卡评分的基础模型，借助自变量的证据权重转换（WOE）创建信用卡评分卡，并开发一个简单的信用评分系统。
在开发信用风险模型之前，首先要明确我们需要解决的问题，确定评分卡模型的类别。下面将对申请评分卡建模（主要目的是区分好坏客户）流程进行简单的介绍。
①数据获取
除了企业内部自有的数据外，还有第三方机构数据支持，比如芝麻信用，征信局等。通过大数据分析用户的各种数据来达到最终目的，数据维度很广，可以包括：用户基础属性，用户行为，用户网购，
用户APP行为等。在数据质量不差的情况下，数量越多越好，能留的一个不落下，后续再进行甄别筛选。
这部分的技术栈主要有：Mysql，Hive，Hbase，Spark，Python等。
②EDA数据探索
数据探索也是很重要的一步，主要考察数据的质量，包括：数据缺失值，数据异常值，数据一致性，数据分布特征，以及数据之间的关联性等。通常可以使用描述性统计指标，如均值，中位数，众数，
方差/标准差等进行宏观上的度量，也可以使用可视化方法辅助进行数据分布，以及关联性等的初步分析工作。
1）缺失值处理
根据缺失情况（是否随机，以及缺失量等）可选择使用均值，众数，中位数等填充，也可以用机器学习模型来填充缺失值（常见算法有随机森林，决策树，kNN等）。
2）异常值处理
可根据异常的情况考虑使用3∂原则，箱线图，散点图，基于距离，基于密度，基于聚类等一系列的方法进行离群点检测。对于异常值的处理可以采用移除，平均值修正，视为缺失值，或者不处理等。
3）数据分布以及关联性
可以考虑结合可视化的方法进一步的观察：数据分布是否均衡，数据特征之间的联系，以及数据特征与目标变量之间的联系等进行了解
③数据预处理
数据预处理主要包括特征转换，特征编码，特征选择，特征共线性处理，以及创建衍生变量等一系列的处理方法。
1）特征转换和编码
在信用评分模型的变量选择中，如果使用逻辑回归模型，那么就需对所有特征进行分箱离散化（一般是先细分再粗分），这样可以增加模型对非线性的表达，让模型更稳定。然后再进行woe编码，因为
woe的转换公式与逻辑回归模型上非常相似，便于生成评分系统。
2）特征选择
特征选择，在数据中是非常中重要，目的在于帮助我们挑选出最有意义的特征。选择特征最终目的是挑选能区分好用户或坏用户的强相关特征。
根据所使用的模型可以通过基尼系数或信息价值IV找到显著特征项，也可以通过LASSO、LR、RF模型等对特征做重要性的筛选。当然，还有很多其它的方法，这里仅介绍这几种。
a)IV：基于woe编码，可以衡量特征信息重要程序；
b)LASSO：主要适合基于L1的正则惩罚过滤对区分好坏用户不重要的特征；
c)LR：通过拟合的参数排序得到特征的重要性程度；
d)RF：集成学习（bagging），依据算法的附加功能进行特征的重要性排序；
最后要说的是，特征选择要结合业务，根据业务的理解挑选解释型强且权重较大的特征变量。
④模型建立
模型建立会根据实际情况进行选择，比如是否要使用单模型，或者在单模型中各种模型好坏的比较而最终确认。
在信用评分卡建模中，用到最常用的方法就是逻辑回归（LR）。虽然是传统的模型，但是由于其自身特点，加上自变量进行了证据权重转换（WOE），Logistic回归的结果可以直接转换为一个汇总表，
即所谓的标准评分卡格式，这对于区分好坏用户以及评分卡的建立非常适用。目前对于它的使用和部署上线等已经非常成熟，是很多企业的不二选择。
除了LR外，神经网络，Xgboost等高级模型也会被使用，不过综合考虑LR目前能够满足大部分的需求且部署上线容易。
⑤模型评估（对于离散型因变量）
针对信用评分卡应用的评估模型有很多，包括：ROC/AUC，KS，PSI，LIFT等一些评估方法，下面着重介绍两个ROC和KS值。
1）混淆矩阵
以肿瘤为例，对于实际的数据集存在两种分类，即良性和恶性，基于Logistic回归模型会预测出样本所属的类别，得到两列数据：真实地；预测的，将两个序列得到一个汇总的列联表，即混淆矩阵。0表
示良性（负例），1表示恶性（正例，一般被理解为研究者所感兴趣或者关心的那个分类）
A:表示正确预测负例的样本个数，TN
A+B:表示预测负例的样本个数，PN
准确率：(A+D)/(A+B+C+D)，用来衡量模型对整体数据的预测效果，用Accuracy表示
正例覆盖率：D/(B+D)，反映模型能够在多大程度上覆盖所关心的类别，即TPR=TP/P，称为灵敏度（sensitivity）/召回率(recall)
负例覆盖率：A/(A+C)，即TNR=TN/N称为特指度（specicity）
正例命中率：D/(C+D)，即（TP+TN）/T ，表示分类器预测正确的比例称正确率（accuracy）
一般准确率、正例覆盖率、负例覆盖率越高，模型越理想
还有，FPR=FP/P称误警率（Fallout）,FNR=FP/N称为漏查率（miss）.
分类器预测错误的比例称错误率（error rate）:(FP+FN)/T
又可以定义下面两个比率： TPR又可称为查全率，表示正确分类的正例占实际正例（TP/（TP+FN））的比例，用于衡量分类器预测正例的可信程度。 相对应的概念有查准率（precision），表示正确分
类的正例占全部预测正例的比例(TP/(TP+FP))。
2）ROC/AUC
通常一个二值分类器可以通过ROC（Receiver Operating Characteristic）曲线和AUC值来评价优劣。
很多二元分类器会产生一个概率预测值，而非仅仅是0-1预测值。我们可以使用某个临界点/阈值（例如0.5），以划分哪些预测为1，哪些预测为0。得到二元预测值后，可以构建一个混淆矩阵来评价二元
分类器的预测效果。所有的训练数据都会落入这个矩阵中，而对角线上的数字代表了预测正确的数目，即true positive + true nagetive。同时可以相应算出TPR（正例覆盖率或称为真正率或称为灵敏度）
和TNR（负例覆盖率或称为真负率或称为特异度）。我们主观上希望这两个指标越大越好，但可惜二者是一个此消彼涨的关系。除了分类器的训练参数，临界点的选择，也会大大的影响TPR和TNR。有
时可以根据具体问题和需要，来选择具体的临界点。
如果我们选择一系列的临界点/阈值，就会得到一系列的TPR和TNR，将这些值对应的点连接起来，就构成了ROC曲线。ROC曲线可以帮助我们清楚的了解到这个分类器的性能表现，还能方便比较不同
分类器的性能。在绘制ROC曲线的时候，习惯上是使用1-TNR作为横坐标即FPR（false positive rate），TPR作为纵坐标。这是就形成了ROC曲线。
而AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y=x这条直线的上方，所以AUC的取值范围在0.5和1之间。使用AUC值作为评价
标准是因为很多时候ROC曲线并不能清晰的说明哪个分类器的效果更好，而作为一个数值，对应AUC更大的分类器效果更好。
ROC基于混淆矩阵，对于数据类别不均衡有很好的效果。ROC曲线使用两个指标值进行绘制，其中x轴为1-Specificity，即负例错判率；y轴为Sensitivity，即正例覆盖率。ROC值一般在0.5-1.0之间。值
weixin_38645208
- 粉丝: 6
- 资源: 929
我的内容管理
收起
- 我的资源
快来上传第一个资源
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论5