赞
踩
1.评分卡模型监控主要可以分为前端分析(Front-End)和后端分析(Back-End)
2.后端分析包含账龄分析(Vintage)和组合分析(Portfolio)
3.Vintage有三个维度,行、列、对角线
4.Vinatge的行表明用户生命周期效应,体现了用户成熟过程中发生的变化
5.Vinatge的列表明了新账户效应,体现了拥有相同账龄用户随时间而发生的变化
6.Vinatge的对角线表明了组合效应,体现了相同时期拥有不同账龄用户的组合变化
7.Vintage分析可以找到用户风险释放期和分析风险变化的因素
8.组合分析包括逾期分布和转移矩阵
9.逾期分布提供总览的作用,反映了当前情况下的风险分布
10.转移矩阵是描述逾期分布在时间上发生变化具体的转移情况,包括滚动率(Roll Rate)和迁徙率(Flow Rate)
11.滚动率侧重于分析客户逾期程度的变化,迁移率侧重于分析客户状态的发展变化路径
12.滚动率分析是从某个观察点之前的一段时间(称为观察期)的最坏状态向观察点之后的一段时间(称为表现期)的最坏状态的发展变化情况
13.滚动率分析还可以定义客户好坏程度
14.从迁徙率可以估算资产损失
评分卡模型监控主要可以分为前端分析(Front-End)和后端分析(Back-End),其中前端分析主要关注人群的稳定性,后端分析主要关注模型的影响和表现。本文介绍后端分析。
后端分析主要是对模型表现进行监控,观察资产的变化情况,主要包括账龄分析(Vintage)和组合分析(Portfolio),这其中会介绍关联的两个重要指标迁徙率(Flowrate)和滚动率(Roll Rate)。
1.账龄分析(Vintage)
介绍Vintage前,需要对一些风控概念做介绍。
概念1:MOB(Month on Book):在账月份
也叫做账龄,通常上,可以分两种定义。方法一是MOB0为放宽日至当月月底,MOB1是放款后第二完成的月份,以此类推;方法二是以放宽日开始的一个月(通常30天)作为一个周期。
例如放款日是20190506,按照方法一,MOB0就是20190506~20190531,MOB1是20190601~20190630,以此类推;按照方法二,MOB1是20190506~20190606.
方法一的统计方法关注的是固定时间节点的用户的具体表现,方法二的统计方法关注的是用户具有统一的表现期。
概念2:FPD(First Payment Deliquency):首次还款逾期
用户放款通过后,首笔需要还款的账单的逾期情况。比如FPD7+表示用户首期还款日到期后逾期7天及以上。在反欺诈上,通常用FPD15+或FPD30+作为训练指标
概念3:DPD(Days Past Due):逾期天数
自还款日次日起到实还日期间的天数。
这里需要注意的是,在统计逾期时,还细分为期中ever逾期和期末时间点逾期两种。期中ever逾期是指,如果用户在该周期内发生过M1(M2,M3等),不管到期末时间点是否结清,都认为该用户在该周期内逾期了。期末时间点逾期是指统计用户在期末这个时间点是否处于M1(M2,M3等)状态。
一句话总结,期中ever逾期表示周期动态过程的指标,期末时间点逾期表示周期期末静态的指标。
举个例子,某个8月10号放款的用户,在MOB1(9月)期间内逾期8天(应还9月10号,实还9月18号),那么ever逾期就是DPD8,期末观察DPD为0,即处于非逾期状态。
概念4:M0,M1,M2,...,Mn:逾期期数
MO表示当前未逾期(也用C表示),M1表示逾期1-30天,M2表示逾期31-60天,M3表示61-90天,M4+表示逾期90天以上。
概念5:逾期金额
统计口径也有两种:某期发生逾期时,一种是计提所有剩余未还本金作为逾期金额;另一种是只计提截止到该期的未还本金
基于这些概念,我们构造Vinage指标,一般以一张二维表和一张图展示,下面给出示例:
Vintage的三维度:
行:表明用户生命周期效应,体现了用户成熟过程中发生的变化
列:表明了新账户效应,体现了拥有相同账龄用户随着时间改变而发生的变化
对角线:表明了组合效应,体现了相同时期拥有不同账龄用户的组合变化
从Vintage解析风控:
找到用户风险释放期:从MOB8开始,大部分月份的逾期率趋于稳定,这说明8个月的表现期,用户的风险基本都暴露完全了。这对我们建模过程中确定样本表现期具有指导作用,也确定数据测试样本的周期选取跨度
分析风险变化的因素:201803月份的账龄曲线明显高于其他月份,可能是因为环境发生了变化,也可能是因为公司放松了政策或者遭受欺诈事件,导致风险升高;再观察5~7月份逾期指标降低,说明可能是因为政策收紧或风控水平提升导致的
一般会结合风控大事记寻根溯源,分析波动异常的原因,从而找到对策。
2.组合分析(Portfolio)
组合分析包括逾期分布(Delinquency Distribution)和转移矩阵(Transition Matrix)
逾期分布主要是用能体现风险的指标描述账户分布
注:数据属于捏造,如有雷同,纯属巧合
逾期分布主要提供总览的作用,反映了当前情况下的风险分布。是其他后端分析的基础,其内容可做滚动率分析(Roll Rate)。我们下面介绍一下。
滚动率分析是从某个观察点之前的一段时间(称为观察期)的最坏状态向观察点之后的一段时间(称为表现期)的最坏状态的发展变化情况
举个例子:
从该表可以看出:
1、正常的客户,在未来6个月里,有94%会保持正常状态;
2、逾期1期的客户,未来有63%会回到正常状态,即从良率为63%,有22%会恶化;
3、逾期2期的客户,从良率为41%,有36%会恶化;
4、逾期3期的客户,从良率为13%,有39%会恶化;
5、逾期4期及以上的客户,从良率仅为1%,有95%会继续此状态。
由此,滚动率分析还可以对客户好坏程度进行定义.
因为M4+用户逾期程度减轻的概率非常低,只有4.8%,所以在建模的过程中,坏客户可以定义为M4+
转移矩阵是描述逾期分布在时间上发生变化具体的转移情况。
滚动率分析其实就是一种特殊的转移矩阵情况。滚动率分析就是在给定两个时间窗口(观察期和表现期)的情况下,观察用户违约程度的变化(保持、变好、变差)
迁徙率分析(Flowrate)和滚动率一样,也是一种转移矩阵情况。滚动率侧重于分析客户逾期程度的变化,迁移率侧重于分析客户状态的发展变化路径。
举一个例子说明:
迁徙率计算公式:Mi~Mj:当期的Mj/上期的Mi
比如2018年7月M0~M1的迁移率=41110122/171325636=24%。
观察这张表可以发现,M3~M4的迁移率较高,应该是逾期超过90天,过了黄金催收期,所以逾期恶化程度较高,但M4~M5的迁移率突然降低了不少,有可能是委外催收起到了一定效果所致。
基于迁徙率,可以进一步算出损失率(假定M7将以10%的价格收回):
周期 | 迁徙率平均值 | 损失率 | 净损失率 |
M0 | 16.06%(M0~M1) | 0.61% | 0.55% |
M1 | 29.27%(M1~M2) | 3.79% | 3.41% |
M2 | 42.28%(M2~M3) | 12.94% | 11.64% |
M3 | 81.71%(M3~M4) | 30.60% | 27.54% |
M4 | 52.75%(M4~M5) | 37.45% | 33.70% |
M5 | 82.51%(M5~M6) | 71.00% | 63.89% |
M6 | 86.05%(M6~M7) | 86.05% | 77.44% |
其中0.61%=16.06%*29.27%*42.28%*81.71%*52.75%*82.51%*86.05%;
3.79%=29.27%*42.28%*81.71%*52.75%*82.51%*86.05%。其他以此类推。
根据资产损失率可以估计资产预计损失
比如2018年12月的预计损失(M0~M6资产和净损失率的加权求和):
367162809*0.55%+47230430*3.41%+14848678*11.64%+6011499*27.54%+4614038*33.70%+2326454*63.89%+1586471*77.44%=11273470
故拨备率 = 11273470/443823814 = 2.54%
参考资料:
https://zhuanlan.zhihu.com/p/95800018
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。