(資料圖片僅供參考)

作者：周立烽

即科集團大數據風控經過九年的迭代升級，目前在消費貸領域有自己獨創的研究和方法論，目前車信貸、場景分期等產品利率都在24以內，已對接了多家銀行資金，同時在風控咨詢領域，也對銀行輸出了自有的風控能力。下面筆者給大家分享某咨詢項目的額度模型。一、額度模型流程針對銀行IRR24以內消費貸客群，首先是分產品做風控體系，再同一產品內分群做收入模型，然后再是額度模型。往往我們在做額度模型時候，我們已經放款一段時間了，也有了足夠的樣本。筆者服務的銀行消費貸規模基本都在500億以上了，也有足夠的樣本來分析。所以分析流程：1、收入模型構建。2、切分對照組、測試組，在理論情況下（提額客群的人頭逾期率不變），測試組vintage分析、效益分析。3、壓力測試。用spy方法，針對部分的提額客群真實提額放款，觀察真實情況與理論情況的差距，并分析原因。實驗證明，一般情況下，評分卡相對低分 收入相對低客群，會與理論值有偏差。二、額度模型思路方法額度模型=收入*主評分正向系數*收入正向系數*DTI正向系數*還款能力正向系數*房產凈資產正向系數*杠桿率（總信用負債/房產凈資產）正向系數優質客群的評分都比較高，比如高于700分壞客戶比率都在千四至千二，所以針對高分區間客戶，評分卡因素導致的額度區分很低，主要靠審批經驗類變量：DTI、還款能力、杠桿率、房產凈資產來做額度區分。而整個額度模型，根據評分卡、收入和這四個變量來做，做出后整體客戶的額度模型評分卡的排序性仍然較好。同時針對高分客群違約概率近似相同的人，額度模型可以發揮較好作用。收入多少是來源于收入模型，評分卡正向系數值越大是越好的，應該是評分越高系數值就越大，且評分大于0，我們借用sigmoid函數思想，評分正向系數=1/（1+e^nx）+ m ，m是常數，n是負整數，我們求n是基于系數等頻分箱后達到排序性最優，m值其實類似于各系數變量的權重變量，權重低的m可以負數，根據專家經驗設權重。即科集團與某大型城商行合作，通過行里十萬個樣本計算得到n為-4 。m值可以先不計算。DTI=每月應還信用類負債/月收入，對應的DTI正向系數是DTI越大正向系數就小，等于越差。我們借用sigmoid函數思想，DTI風險系數=1/（1+e^nx）+ m ，m是常數，n是正整數，通過行里樣本求得n=2，為排序性最優。m值先不計算。還款能力=月收入-每月應還信用負債。每月應還信用負債=擔保方式為保證或信用的貸款余額/12+信用卡余額/24，這里除12還是24，主要看我們做的貸款產品，如果是優質客群，貸款除12，信用卡除以24，就差不多可以，如果是24利率產品貸款可以除以36，因為需要減少還款能力為負的客戶比重。還款能力正向系數值越大是越好的，應該是還款能力越高系數值就越大，還款能力有正有負，我們借用sigmoid函數思想，還款能力正向系數=1/（1+e^nx）+ m ，m是常數，n是負整數，我們求n是基于系數等頻分箱后達到排序性最優，m值其實類似于各系數變量的權重變量，權重低的m就負數，根據專家經驗設權重。通過行里十萬個樣本計算得到n為-3。m值可以先不計算。要確保還能能力正向系數大于0，m值可能小于0。同理杠桿率、房產凈資產也是用此方法來建立正向系數。我們從額度模型公式可以發現，收入低、評分低客群，基本在收入正向系數或評分正向系數就接近0了，其他系數再高也沒用。所以我們在做額度模型時候，是有順序做系數的，先做收入正向系數、評分正向系數，再是其他系數。本文講的都是方法，只能給大家答疑解惑。具體悟道，修行靠自己。當然此悟道前提是對收入模型搭建的理解。（作者介紹：周立烽，即科集團風控副總裁，知乎yuxi0929）