1703654660
一、申请风险模型
1703654661
1703654662
申请风险模型是金融机构最常用也是最重要的模型。申请风险模型通过客户多方面的属性来对客户资质进行综合评价，全面评估客户的风险，引入优质客户，优化金融机构的资产结构，同时为金融机构制定差异化客户管理策略提供依据。申请风险模型常用Logistic回归模型进行开发。申请风险模型衡量的是客户的风险，目标变量由客户的逾期严重性来确定，表现期内逾期天数超过给定阈值的为坏客户，而没有逾期或者逾期程度较低的为好客户。
1703654663
1703654664
申请风险模型预测变量在很大程度上依赖于客户申请信息和信贷历史信息，如央行征信信息，主要从以下几方面进行考虑。
1703654665
1703654666
•家庭；
1703654667
1703654668
1703654669
1703654670
•工作；
1703654671
1703654672
1703654673
1703654674
•资产负债；
1703654675
1703654676
1703654677
1703654678
•学历；
1703654679
1703654680
1703654681
1703654682
•信贷历史；
1703654683
1703654684
1703654685
1703654686
•还款历史；
1703654687
1703654688
1703654689
1703654690
•新信贷追求。
1703654691
1703654692
1703654693
1703654694
以上主要反映一般客户的信用风险特征。金融机构还会引入大量的第三方数据，增加客户风险评价的准确性，包括客户流水数据、网络交易行为、浏览行为、评价行为等。这些信息是对金融机构内部数据很好的补充。
1703654695
1703654696
申请风险模型主要在申请阶段应用，用于客户准入。客户准入申请评分的高低采取不同的策略。申请评分低的客户，风险较高，直接拒绝；申请评分在准入评分阈值附近的客户可以通过二次审批决定客户去留；评分较高的客户可直接通过。
1703654697
1703654698
大数据与传统数据结合建模
1703654699
1703654700
在申请阶段，客户还未与金融机构建立直接的业务往来，因此申请风险模型参与使用的变量很多属于静态的始点信息。静态信息在客户的风险预测方面所起到的作用，不如行为数据更为有效，这也影响了申请风险模型对好坏客户的区分能力。但大数据的引入改变了这一情况。由于大数据的引入，在申请阶段，金融机构就能够获知申请人的行为信息，从而可以部分地将这些行为数据纳入评分卡或准入策略中，提高申请风险模型的预测能力。
1703654701
1703654702
1703654703
1703654704
例如，在对供应链系统的下游经销商进行小微贷款风险评估的过程中，由于供应链系统已经记录了经销商的进货、付款、物流等多方面的信息，通过对这些行为数据的分析，构造具有风险辨识能力的变量，结合传统信贷数据构建预测模型，对商户未来的违约概率进行预测。金融机构所能够获取的行为数据已经突破了其自有的数据积累范畴，在申请阶段引入更多的客户行为信息，能够显著提高申请风险模型的预测能力。
1703654705
1703654706
1703654707
1703654708
当然，很多数据具有稀疏性的特点，并且相对比传统的金融信贷数据没有很强的风险区分能力。因此，传统的金融信贷数据仍是模型不可或缺的组成部分，只有将传统信贷数据与大数据结合应用，方能更好地实现预测目标。另外，大数据所提供的信息如何进入模型，与传统结构化数据一起应用，对风险计量技术也提出了更大挑战。
1703654709
[
上一页 ]
[ :1.70365466e+09 ]
[
下一页 ]