【MatLab手记】 --从0到了解超超超详过程！！！

金融风控相关业务介绍

【了解】项目整体介绍

1.风控业务和风控报表</span>
零售金融产品
相关的指标
风控建模流程
​
#2.特征工程
特征构造
特征筛选
​
3.评分卡模型构建
逻辑回归
集成学习 XGBoost LightGBM
模型评估
​
#4.样本不均衡问题/异常点检测

【了解】今日内容介绍

• 知道常见信贷风险

• 知道机器学习风控模型的优势

• 知道信贷领域常用术语含义

• 了解风控业务报表（SQL）

【理解】信贷&风控介绍

• 信贷业务，就是贷款业务，是商业银行和互联网金融公司最重要的资产业务和主要赢利手段

  • 通过放款收回本金和利息，扣除成本后获得利润。

  • 贷款平台预测有信贷需求用户的还款情况，然后将本金借贷给还款概率大的用户

• 信贷业务中的风险控制

  • 信贷业务中，使用信用来预支金钱，在小额贷业务中往往没有抵押物，那么贷款方就会承担一定风险（用户不还钱）

  • 风控就是对用户的信用风险进行管理与规避，对于预测信用较差的人，不向其放款，即便放款，也会是较小的贷款额度和较高的利率

  • 信贷领域有两类风险

    • 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险

    • 欺诈风险：借款人压根没想还钱，以诈骗为目的

  • 风控业务主要针对这两类风险

    • 信用评分系统：针对信用风险

    • 反欺诈系统：针对欺诈风险

  • 基于机器学习的人工智能风控模型对比传统人工审批

    • 人工审批：效率低，对人员业务能力要求高，不适合金融零售业务场景

    • 机器学习模型：批量，迅速，准确，同时处理大量贷款请求（几万，几十万，上百万/天）

申请中信信用卡的经验：

A，信用好，有征信纪录，没有预期，违约等，没有太多的申请纪录和拒绝的纪录，结果秒批。

B，信用很差，征信记录上有逾期，有其他网贷纪录，没有安全还款，结果秒拒。

C，信用好，但是他有很多网贷纪录，同时网贷纪录也保持按期还款，纪录良好，结果是人工打电话过来，审核通过。

综上，目前银行/互金公司，一般如上两种情况都有。

【理解】常见信贷产品及常见风险介绍

• 信贷产品介绍

  个人信贷产品
  大额借贷	房贷车贷
  	小微企业贷
  小额借贷	消费贷	蚂蚁花呗，京东白条
  	现金贷	蚂蚁借呗，京东金条，微粒贷,各类网贷
  数据服务	信用分服务	芝麻信用分，京东小白分
  	信用数据服务	同盾数据，百融，集奥，大峰...

  • 现金贷

  申请借款->放款给客户->客户还款

  额度	500~3000
  利率	24%~36%
  期限	714，30天
  放款形式	借给现金，不限场景
  可选功能	订单展期

  现金贷产品	年化利率	现金贷产品	年化利率
  苏宁金融	24%	国美易卡	34%
  蚂蚁借呗	24%	马上消费	35%
  微粒贷	24%	招联金融	36%
  有钱花	24%	桔子分期	36%
  京东金条	24%	拍拍贷	36%
  360借条	24%	趣店	36%
  小米金融	24%	捷信	36%
  美团生活费	24%	宜人贷	44%
  分期乐	24%	玖富	50%

  • 消费贷

  信用卡，花呗，白条等产品，备用金(500)，有账单日，还款日

信用卡/花呗：假设账单日为每个月1号。出账单的日子。

还款日：15号是还款日。还款的日子。

13日还款，提前还款。

申请消费贷 -> 额度授信->客户使用消费贷消费

• 产品类型

  • 单期产品

  • 多期产品

  • 循环额度产品

• 还款方式

  • 砍头息：短期产品（服务费）

  • 等额本金

    • 10w，10个月，每个月1w，1w+10w的利息，1w+9w的利息

    • 每个月还款额度依次递减

  • 等额本息

    • 利息多，本金少

    • 每个月还款是一样的，整个贷款利息要比等额本金多一些

• 信贷领域风险类别

  • 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险

  • 欺诈风险：借款人压根没想还钱，以诈骗为目的

• 常见风险形式

  • 冒名顶替，黑产骗贷

  • 多头借贷，借新还旧

    • 客户：工行信用卡，招商信用卡... n张信用卡，网贷平台1，网贷平台2，网贷平台n

    • 用新借来的钱还已有的负债： 负债变多 -> 需新借更多 -> 设法提额 -> 信用资质不够 -> 出现流动性风险 -> 逾期

    • 特点：第三方数据：多头申请记录

      APP安装：大量借款类APP

      短信：大量申请短信，提醒还款，催收短信

  • POS机套现，以少换多

    • 购买有支付牌照机构的POS机进行套现，手续费0.6%

  • 针对风控模型，制作数据

    • 使用花呗在天猫购物，对花呗账单做分期

    • 买入存金宝，一个礼拜后追加存金宝资金

    • 购买***元基金

    • 保持余额宝XXX元不动，余额宝累计收益做到 XX元

    • 购买XXXX保险

【理解】风控相关术语介绍

【实现】风控业务案例

案例背景介绍

• 通过对业务数据分析了解信贷业务状况

• 数据集说明

  • 从开源数据改造而来，基本反映真实业务数据

  • 销售，客服可以忽略

  • 账单周期，放款日期

  • 账单金额-实收金额 = 未收金额

  • 应付日期为还款时间

  • 账期分成两种：60天和90天

  • 实际到账日为空白，说明没还钱

• 通过对贷后业务数据的分析要分析出如下内容

  • 每个季度账单金额和坏账率（逾期90天以上）

    • 所有未收金额/所有账单金额

    • 未收金额 = 账单金额-实收金额

  • 每个季度60天账期的入催率，90天账单的入催率

    • 入催率 = 入催金额/账单金额

  • 历史逾期天数的回款情况（回收账单数）

    • 历史逾期天数：历史有逾期，但是相对现在来说，钱已经还完了

    • 当前逾期天数：现在还欠着钱，也就是说钱没还完

代码实现

• 加载数据

import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
df1 = pd.read_excel('../data/业务数据.xlsx') 
#要使用原始数据构建新指标，所以保留原始数据，copy新的数据，在新的数据中创建新指标
df2 = df1.copy()
df2.head()

• 查看数据基本情况

df2.info()

df2.describe()

• 数据处理，填充缺失值，将日期时间类型转换成datetime类型

# 获取最大的日期，作为当前时间
today_time = pd.to_datetime(df2.实际到账日.fillna('0').max())

#给缺失值填充0
df2['实收金额'] = df2.实收金额.fillna(0)
df2['开票金额'] = df2.开票金额.fillna(0)
df2['未收金额'] = df2.未收金额.fillna(0)

#把时间类型转换为datetime类型
df2['账单周期'] = pd.to_datetime(df2.账单周期)
df2['应付日期'] = pd.to_datetime(df2.应付日期)

df2['实际到账日'] = pd.to_datetime(df2.实际到账日).fillna(today_time)

• 为了后续计算，在原始数据基础上构造新的字段：是否到期，是否到期90天，未收金额2（校验原始数据中的未收金额），历史逾期天数，当前逾期天数

df2['是否到期'] = df2.apply(lambda x : 0 if x.应付日期 > today_time else 1,axis=1)

#map可以看做是apply，效果类似
df2['是否到期90天'] =  ( today_time - df2.应付日期 ).map(lambda x : 1 if x.days >= 90 else 0)

df2['未收金额2'] =  (df2.账单金额 - df2.实收金额)

df2['历史逾期天数'] = df2.apply(lambda x : (x.实际到账日 -  x.应付日期).days if x.未收金额2 == 0  else  (today_time - x.应付日期).days,axis=1)

df2['当前逾期天数'] = df2.apply(lambda x : (x.历史逾期天数) if x.未收金额2 > 0  else 0 ,axis = 1)

• 查询实际到账日期字段得知当前最近的到账日为2019年5月17日，如果以2019年5月17日为观察点，有些贷款还没到还款日，没法统计DPD90的数据，所以，这里只统计2019年之前的情况，下面将对应时间段的数据取出

df3 =df2.copy()
#创建’账单季度‘字段，将日期转换成季度，to_period函数可以转换为季度信息
df3['账单季度'] = df3['账单周期'].map(lambda x : x.to_period('Q'))
#提取2017年3季度到2018年4季度数据
df3 = df3[(df3['账单季度']<='2018Q4') & (df3['账单季度']>='2017Q3')]
df3.shape

• 按照季度统计账单金额，到期金额，和逾期金额

#账单金额
fn1 = df3.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['账单金额']
fn1

#90天到期金额
df4 = df3[(df3.是否到期90天 == 1)]
fn2 = df4.groupby('账单季度')[['账单金额']].sum()
fn2.columns = ['到期金额']
fn2

#当前逾期90+金额
df4 = df3[(df3.是否到期90天 == 1)]
fn3 = df4.groupby('账单季度')[['未收金额2']].sum()
fn3.columns = ['当前逾期90+金额']
fn3

• 合并数据计算坏账率

dfs = [fn1,fn2,fn3]
final1 = pd.concat(dfs,axis=1)
final1

final1['90+净坏账率'] = round(final1['当前逾期90+金额'] / final1.到期金额,3)
final1

• pyecharts绘图

bar = (
    Bar()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "账单金额",
        list(final1.账单金额),
        yaxis_index=0,
        color="#5793f3",
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="90+净坏账率"),
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name="90+净坏账率",
            type_="value",
            min_=0,
            max_=0.014,
            position="right",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color="#d14a61")
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value}"),
        )
    )
)
line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90+净坏账率",
        list(final1['90+净坏账率']),
        yaxis_index=1,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
bar.overlap(line).render()

• 计算每个季度的60天账单金额、60天入催金额，90天账单金额、90天入催金额

#60天账期的账单金额
df4 = df3[(df3.账期 == 60)]
fn1 = df4.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['60天账期的账单金额']
#60天账期的入催金额
df4 = df3[(df3.账期 == 60)]
fn2 = df4.groupby('账单季度')[['未收金额2']].sum()
fn2.columns = ['60天账期的入催金额']
#90天账期的账单金额
df4 = df3[(df3.账期 == 90)]
fn3 = df4.groupby('账单季度')[['账单金额']].sum()
fn3.columns = ['90天账期的账单金额']
#90天账期的入催金额
df4 = df3[(df3.账期 == 90)]
fn4 = df4.groupby('账单季度')[['未收金额2']].sum()
fn4.columns = ['90天账期的入催金额']

• 计算入催率

dfs = [fn1,fn2,fn3,fn4]
final2 = pd.concat(dfs,axis=1)
# final2 = fn1.merge(fn2,on='账单季度').merge(fn3,on='账单季度',how='left').merge(fn4,on='账单季度')
final2['60天账期入催率'] = round(final2['60天账期的入催金额'] / final2['60天账期的账单金额'],3)
final2['90天账期入催率'] = round(final2['90天账期的入催金额']/final2['90天账期的账单金额'],3)
final2

• pyecharts绘图

line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "60天账期入催率",
        list(final2['60天账期入催率']),
        yaxis_index=0,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同账期入催率"),
    )
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90天账期入催率",
        list(final2['90天账期入催率']),
        yaxis_index=0,
        color="#d14a61",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render()

• 历史逾期天数的回收情况（回收账单数）

df5 = df3[(df3.未收金额2 == 0)&(df3.是否到期 == 1)].copy()
#使用cut，讲数据按照逾期天数分箱，然后添加分箱之后结果标签
df5['历史逾期天数'] = pd.cut(df5['历史逾期天数'],bins=[-999,0,5,10,15,20,30,60,90,999],right=True,
                       labels=['0','1-5','6-10','11-15','16-20','21-30','31-60','61-90','91+'])
final3 = df5.groupby('历史逾期天数')[['账期']].count()
final3.columns = ['回收账单数']
final3

• pyecharts绘图

ydata = final3['回收账单数'].values.tolist()
bar = (
    Bar()
    .add_xaxis(list(final3.index.values.tolist()))
    .add_yaxis("收回账单数",ydata,yaxis_index=0,color="#675bba")
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同逾期天数的已收回账单数"),
    )
)
bar.render()

业务解读

• 从数据中看出，在2018年Q2季度之前，运营策略比较保守，坏账金额和入催率都比较低，

• 2018年Q2之后，有可能是由于运营策略调整，给更多的人放贷，但坏账率和入催率均在3%一下，在合理范围内

• 不同逾期天数收回账单的数据看，30天内能收回绝大部分账单

【理解】信贷业务涉及部门

市场：获客 (新客, 老客)

风控：把逾期率控制在合理范围，尽可能提高通过率

催收：回款(内催 , 外催)

小结

• 知道常见信贷风险

  • 信用风险

  • 欺诈风险

• 知道机器学习风控模型的优势

  • 批量，迅速，准确，同时处理大量贷款请求

  • 在零售信贷业务场景下，与人工审核相比优势显著

• 知道信贷领域常用术语含义

  • DPD 逾期天数

  • FPD 首次逾期天数

  • bad rate 坏账率

  • M1 逾期一个月以内