風險控制(Risk Control),簡稱風控,是網際網路金融的核心。
一、基礎知識
1.1 A/B/C卡
- A卡(Application score card)即申請評分模型(貸款前),用于預測申請時點(申請信用卡、申請貸款)未來一定時間内逾期的機率。
- B卡(Behavior score card)即行為評分模型(貸款中),用于預測使用時點(獲得貸款、信用卡的使用期間)未來一定時間内逾期的機率。
- C卡(Collection score card)即催收評分模型(貸款後),用于預測進入催收階段後,未來一定時間内還款的機率。
1.2 信貸業務
信貸業務,是通過放款收回本金,獲得利息的,進而赢得利潤。
有貸款的哥們,貸款平台對其未來還款能力進行預測,将資金優先借貸給有大機率償還的使用者。
1.3 評分卡
評分卡是以分數的形式來衡量風險幾率的一種手段,是對未來一段時間内違約/逾期/失聯機率的預測。 有一個明确的正區間,分數越高越安全,有反欺詐評分卡,申請評分卡,行為評分卡,催收評分卡。
評分卡的特性:穩定性,區分性,預測能力,和逾期機率等價。
1.4 信貸風險與控制
信貸領域有兩類風險:
信用風險,是還款能力和還款意願在貸款後出現的風險。由于一些不可抗力使使用者經濟和思想狀态發生變化。可以通過風險定價政策等手段可控。
欺詐風險,貸款目的不正當,沒有還款計劃。可控性差。
風險管控由兩大類系統組成:信用評分系統,欺詐檢測系統。
1.5 網際網路金融風控體系
網際網路金融風控體系主要由資料資訊,政策體系,人工智能模型三部分構成。與傳統人工信審相比,人工智能風控,可批量,迅速,準确地處理貸款申請。解放在中小額貸款的勞動力。
二、工業模組化
2.1 基本定義
在風控場景下遇到的問題,通常都會轉化為二分類問題,并将響應變量作為負樣本。比如:
- 信用評分模型,預測使用者是否會逾期。 負樣本:逾期使用者。
- 營銷模型,預測使用者被營銷是否會貸款。負樣本:貸款使用者。
- 失聯模型,預測使用者是否會失聯。負樣本:失聯使用者。
信貸評分系統中,負樣本标簽: 逾期超過15天的客戶。正樣本标簽: 未逾期+逾期少于5天的客戶。從分布角度來講,二分類問題一般會假設樣本服從二項分布。如果保留5-15天内逾期的使用者(灰樣本),會讓正負樣本的實際界限很模糊,去掉中間樣本,使樣本分布更趨于二項分布,對模型的訓練更加有利。不過其中灰樣本也會作為測試集,確定模型在訓練結束後,對該部分樣本也有區分能力。
2.2 資料樣本
樣本選取時,滿足原則:
- 代表性,樣本必須能代表總體。
- 充分性,樣本集數量滿足一定要求,少樣本無法滿足統計的顯著性。評分卡模組化通常炫耀正負樣本不少于1500個。神經網絡需要樣本量在50萬個以上,否則很難保證穩定性。
- 時效性,樣本的觀測期與實際應用的時間節點越近越好。然而很多平台,很難保證樣本都處于穩定的較近期時間點上。此時可以通過遷移學習(transfer learning)對樣本挑選或者對變量進行映射,使得早期樣本與近期樣本有相似的資料分布。
- 排除性。不滿足目前場景貸款需要的使用者不應該作為樣本,比如判定為欺詐的使用者不應該放在目前樣本集中。
樣本大時,做欠采樣(subsampling)。負樣本一般較少,是以通常隻對正樣本做欠采樣。方法有三種方法:
- 随機欠采樣,正樣本的比例随機抽。
- 分層抽樣,保證抽樣後,訓練,驗證,測試的正負樣本比例相同。
- 等比例抽樣,正負樣本之間的比例進行抽樣。
2.3 模組化的具體流程:
- 業務抽象為分類或回歸問題。
- 定義标簽
- 選取合适的樣本,比對出全部資訊作為特征。
- 特征工程+模型訓練+模型評價+模型調優。
- 輸出模型報告。
- 上線+監控
三、規則模組化
風控領域有兩種常見的風險規避手段:規則模型和人工智能模型。本小節首先通過規則模型來簡單了解一下模組化的流程,後面所有的章節也會圍繞着人工智能模組化展開。
#!/usr/bin/env python
# coding: utf-8
# In[4]:
import pandas as pd
import numpy as np
import os
# os.environ["PATH"] += os.pathsep + 'C:/Program Files (x86)/Graphviz2.38/bin/'
# In[5]:
path = './'
data = pd.read_excel(path + 'oil_data_for_tree.xlsx')
data.head()
# In[6]:
set(data.class_new)
# In[7]:
data.shape
# org_lst 不需要做特殊變換,直接去重
# agg_lst 數值型變量做聚合
# dstc_lst 文本型變量做cnt
# In[8]:
org_lst = ['uid','create_dt','oil_actv_dt','class_new','bad_ind']
agg_lst = ['oil_amount','discount_amount','sale_amount','amount','pay_amount','coupon_amount','payment_coupon_amount']
dstc_lst = ['channel_code','oil_code','scene','source_app','call_source']
# 資料重組
# In[9]:
df = data[org_lst].copy()
df[agg_lst] = data[agg_lst].copy()
df[dstc_lst] = data[dstc_lst].copy()
df.head()
# 看一下缺失情況
# In[10]:
df.isna().sum()
# 看一下基礎變量的describe
# In[11]:
df.describe()
# 對creat_dt做補全,用oil_actv_dt來填補,并且截取6個月的資料。
# 構造變量的時候不能直接對曆史所有資料做累加。
# 否則随着時間推移,變量分布會有很大的變化。
# In[12]:
df2 = df.sort_values(['uid','create_dt'],ascending = False)
df2.head()
# In[13]:
def time_isna(x,y):
if str(x) == 'NaT':
x = y
else:
x = x
return x
df2['create_dt'] = df2.apply(lambda x: time_isna(x.create_dt,x.oil_actv_dt),axis = 1)
df2['dtn'] = (df2.oil_actv_dt - df2.create_dt).apply(lambda x :x.days)
df = df2[df2['dtn']<180]
df.head()
# 對org_list變量求曆史貸款天數的最大間隔,并且去重
# In[23]:
base = df[org_lst]
base['dtn'] = df['dtn']
base = base.sort_values(['uid','create_dt'],ascending = False)
base.tail(30)
# In[21]:
base.shape
# 重複uid,保留日期最近的uid。
# In[24]:
base = base.drop_duplicates(['uid'],keep = 'first')
base.tail(30)
# In[18]:
base.shape
# In[26]:
agg_lst
# In[27]:
df.head()
# 做變量衍生
# In[28]:
gn = pd.DataFrame()
for i in agg_lst:
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:len(df[i])).reset_index())
tp.columns = ['uid',i + '_cnt']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.where(df[i]>0,1,0).sum()).reset_index())
tp.columns = ['uid',i + '_num']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nansum(df[i])).reset_index())
tp.columns = ['uid',i + '_tot']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nanmean(df[i])).reset_index())
tp.columns = ['uid',i + '_avg']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nanmax(df[i])).reset_index())
tp.columns = ['uid',i + '_max']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nanmin(df[i])).reset_index())
tp.columns = ['uid',i + '_min']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nanvar(df[i])).reset_index())
tp.columns = ['uid',i + '_var']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nanmax(df[i]) -np.nanmin(df[i]) ).reset_index())
tp.columns = ['uid',i + '_var']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
tp = pd.DataFrame(df.groupby('uid').apply(lambda df:np.nanmean(df[i])/max(np.nanvar(df[i]),1)).reset_index())
tp.columns = ['uid',i + '_var']
if gn.empty == True:
gn = tp
else:
gn = pd.merge(gn,tp,on = 'uid',how = 'left')
# In[29]:
gn.head()
# 對dstc_lst變量求distinct個數
# In[30]:
gc = pd.DataFrame()
for i in dstc_lst:
tp = pd.DataFrame(df.groupby('uid').apply(lambda df: len(set(df[i]))).reset_index())
tp.columns = ['uid',i + '_dstc']
if gc.empty == True:
gc = tp
else:
gc = pd.merge(gc,tp,on = 'uid',how = 'left')
gc.head()
# In[33]:
gc.shape,gn.shape, base.shape
# 将變量組合在一起
# In[34]:
fn = pd.merge(base,gn,on= 'uid')
fn = pd.merge(fn,gc,on= 'uid')
fn.shape
# In[35]:
fn = fn.fillna(0)
# In[36]:
fn.head(100)
# 訓練決策樹模型
# In[37]:
x = fn.drop(['uid','oil_actv_dt','create_dt','bad_ind','class_new'],axis = 1)
y = fn.bad_ind.copy()
from sklearn import tree
dtree = tree.DecisionTreeRegressor(max_depth = 2,min_samples_leaf = 500,min_samples_split = 5000)
dtree = dtree.fit(x,y)
# 輸出決策樹圖像,并作出決策
# In[38]:
import pydotplus
from IPython.display import Image
from sklearn.externals.six import StringIO
with open(path + "dt.dot", "w") as f:
tree.export_graphviz(dtree, out_file=f)
dot_data = StringIO()
tree.export_graphviz(dtree, out_file=dot_data,
feature_names=x.columns,
class_names=['bad_ind'],
filled=True, rounded=True,
special_characters=True)
graph = pydotplus.graph_from_dot_data(dot_data.getvalue())
Image(graph.create_png())
# value = badrate
# In[39]:
sum(fn.bad_ind),len(fn.bad_ind), sum(fn.bad_ind)/len(fn.bad_ind)
其中資料和代碼源于GitHub - CourteousWood/Risk_control中introduction,最後畫出來的圖像為:
如果畫圖失敗,centos可以采用下面三行解決。
sudo yum -y install graphviz
python3 -m pip install graphviz -i https://pypi.douban.com/simple/
python3 -m pip install pydotplus -i https://pypi.douban.com/simple/
表中value計算的是葉節點中正負樣本标簽的均值,在二分類中,均值 等價于 标簽為1的樣本在總樣本的比例。可以看到樣本被兩個特征劃分為三個群體,負樣本占比逐漸減少,分别為0.074,0.03,0.012。
dff1 = fn.loc[(fn.pay_amount_tot>240387.5)&(fn.amount_cnt>=3.5)].copy()
dff1['level'] = 'past_A'
dff2 = fn.loc[(fn.pay_amount_tot>240387.55)&(fn.amount_cnt<=3.5)].copy()
dff2['level'] = 'past_B'
dff3 = fn.loc[fn.pay_amount_tot<=240387.5].copy()
dff3['level'] = 'past_C'
通過簡單的分群,對三個群體分别采用不同的政策去處理,大大減少業務損失。
從下一節開始,将用人工智能方面模型去解決風控的業務。有其他疑問,歡迎留言,一起讨論+進步!
四、參考文獻
- 梅子行 <<智能風控原理、算法與工程實踐>>
- 七月線上之金融風控實戰入門
- 風控模型的A卡、B卡、C卡 - 知乎