CN109978680A - 一种细分客群信贷业务风控差异化定价的风控方法和系统 - Google Patents

Abstract

本发明公开了一种细分客群信贷业务风控差异化定价的风控方法和系统。本发明包括数据接入模块、数据存储模块、数据处理模块、决策模块、决策结果输出模块和用户风险管理模块；其具体实现步骤如下：步骤1、计算规则包和规则流；步骤2、根据步骤1计算结果，对业务授信决策逻辑；步骤3、计算信贷模型分；步骤4、目标用户管理和风险定价。本发明能够基于信贷用户进行灵活的风险等级评估，针对不同风险级别的用户可以实现差异化定价。实现不同风险等级的差异化定价；实现信贷业务的违约风险预估。

Description

一种细分客群信贷业务风控差异化定价的风控方法和系统

技术领域

本发明涉及互联网金融信贷业务一种细分客群信贷业务风控差异化定价的风控方法和系统。

背景技术

随着国家对促消费的重视，积极发展消费金融，增强消费对经济的拉动作用，适应多样化多层次消费需求；支持发展消费信贷，满足人民群众日益增长的美好生活需要。这两年互联网金融个人信贷及消费金融业务规模进一步扩大，但市场上大部分信贷业务平台风控处于裸奔或者粗犷状态，大部分平台通过高额的利息覆盖平台的运营风险，随着平台合规性的发展需要，这种粗犷的风控规则无法满足平台运营的需要，无法可持续的服务好信贷平台的优质客户，以及无法有效的防止恶意欺诈行为，基于以上原因，本发明提出通过大数据技术和机器学习技术相结合，打造精细化的风控服务，实现细分客群不同风险的差异化定价，更好的帮助信贷平台良性的发展。

本发明通过细分客群，对不同风险逾期率的客群采用差异化风险定价，从而可以灵活的调节逾期率风险与通过率的平衡。在尽可能覆盖更大客户群的同时实现较好的风险控制。

发明内容

本发明的目的是针对现有技术的不足，提供一种细分客群信贷业务风控差异化定价的风控方法和系统。

一种细分客群信贷业务风控差异化定价的风控系统，包括数据接入模块、数据存储模块、数据处理模块、决策模块、决策结果输出模块和用户风险管理模块；

(1)数据接入模块：采集所需要的数据，包括身份认证数据、运营商通话数据、多头借贷数据、通讯录数据、淘宝电商数据、黑名单数据、设备信息、位置信息、紧急联系人信息，并将采集的数据放入数据待处理队列并同时存储在分布式文件系统中；

(2)数据存储模块：用于存储原始文件数据、风控特征数据、业务规则数据、用户数据、风险管理数据；

(3)数据处理模块：对采集的数据进行变量抽取以及特征抽取和运算，并把风控特征数据信息存入风控特征库；

(4)决策模块：决策模块接收风控特征数据，运行相关设定规则包、规则流和信贷风控模型，并将运行结果传给授信决策模块，最终输出用户风险等级；

(5)决策结果输出模块：输出各客户的分险评级，及不同评级客户数占比、预期的逾期率；通过决策结果输出模块的数据统计，可反馈优化调节决策模块的风控规则，使对不同客户群的细分更加合理；

(6)用户风险管理模块：实现目标用户管理，实现客群选择及自动审核模块配置定义对哪几类风险等级客群自动通过，哪几类风险等级客群自动拒绝；定义完成后，系统即可自动实现风险控制审核；实现对不同风险等级评级客户配置定义不同的信贷费率定价。

一种细分客群信贷业务风控差异化定价的风控方法，具体实现步骤如下：

步骤1、计算规则包和规则流；

步骤2、根据步骤1计算结果，对业务授信决策逻辑；

步骤3、计算信贷模型分；

步骤4、目标用户管理和风险定价；

所述步骤1具体实现如下：

Step1:配置业务所需的规则项，所需的规则项包括基础信息、运营商、身份证、芝麻、银行、地理位置、通信录、内部数据库、淘宝认证；

Step2:对于业务规则简单的业务，创建规则包，并为规则包配置所需的规则项；

Step3:对于业务规则复杂的业务，创建规则流，通过不同规则包、条件、表达式的组合，实现复杂的风控规则；业务风控人员可以根据业务需求自定义进行流程设置；

步骤Step3所述的规则包、条件、表达式，具体定义如下：

条件：条件元素有两个选项，条件单一匹配和条件全匹配；条件单一匹配指定后续流程只执行最早满足表达式的流程；条件全匹配指定后续流程执行所有流程；

表达式：用于设置判定条件，当条件满足时，继续执行后续流程；当条件不满足时，终止执行后续流程；

规则包：规则包是所有规则项的集合。

步骤2具体实现如下：

授信决策模块接收输出结果，然后按照以下逻辑进行用户风险分级，其中风险等级定义：

A：优质客户，B：低风险用户，C：风险一般，D：风险较高， E：风险很高，F：风险极高，直接拒绝；

步骤3所述的计算信贷模型分，具体实现如下：

3.1特征选择

通过主成份分析提取26个影响模型分的主要特征；

3.2模型训练

1)采用多种特征组合构建多个模型，通过多个评估指标最终选择最优模型；

2)将所有样本的65％作为模型的训练集，用于模型训练；35％作为模型的测试集，用于评估模型的训练结果；

3)利用XGBOOST模型对样本进行训练，通过不断的迭代调参，得到模型的ROC曲线、AUC值和特征重要性；

4)在booster模型上选择效果更佳的树模型，学习目标上采用二分类的逻辑回归问题，损失函数如下：

公式说明：—表示预测客户逾期的概率

y_i—表示客户实际是否逾期

3.3模型评估指标

采用AUC和KS值为模型的评估指标；

一、AUC值

AUC值其实是ROC曲线下的面积，ROC曲线横轴是FPR(假阳率)，纵轴是TPR(正阳率)，这2指标的计算公式如下：

FPR＝FP/(FP+TN)

TPR＝TP/(TP+FN)

其中：

TP:预测类别是P(正例)，真实类别也是P

FN:预测类别是N，真实类别是P

FP:预测类别是P，真实类别是N(反例)

TN:预测类别是N，真实类别也是N

AUC值介于0.1和1之间，AUC作为数值可以直观的评价分类器的好坏，值越大越好，计算公式可以参照如下：

公式说明：

M-正类样本的数目N-负类样本的数据

Rank-对预测的score从大到小排序，然后令最大score对应的 sample的rank为n，第二大score对应sample的rank为n-1，以此类推

二、KS值

KS-用于区分预测正负样本分隔程度的评价指标，计算公式如下：

KS＝MAX(TPR-FPR)；

3-5.计算模型分

将新的申请用户的数据输入到训练好的模型，输出模型分。

步骤4所述的目标用户管理和风险定价，具体实现如下：

将用户基于风险划分成不同等级，信贷平台根据其对通过率与逾期率的平衡选择对不同等级的客户授信；自定义选择目标用户群，设置不同风险等级的授信额度和利率；根据不同的风控级别，对授信额度、自动续期天数、逾期罚息、借款期限、是否放贷进行设置。

本发明有益效果如下：

本发明提出了一种差异化的定价方法与系统，该系统由数据接入模块、数据处理模块、决策模块、数据存储模块、结果输出模块、用户风险管理模块六大模块构成，能够基于信贷用户进行灵活的风险等级评估，针对不同风险级别的用户可以实现差异化定价。

本发明提出了一种授信规则流程计算和授信决策相分离的方法，可以灵活实现风控规则的动态设置和决策模块的动态设置，达到直接输出风控结论的目的。

本发明提出了一种用户风险分级的方法，实现不同风险等级的差异化定价。

本发明建立了一套信贷模型分的方式方法，实现信贷业务的违约风险预估。

本发明把用户基于风险划分成不同等级。信贷平台可根据其对通过率与逾期率的平衡自主选择需要对哪几个等级的客户授信。

附图说明

图1位本发明系统示意图

具体实施方式

下面集合附图和实施例对本发明作进一步说明。

如图1所示，本发明系统包括：1数据接入模块；2数据存储模块；3数据处理模块；4决策模块；5决策结果输出模块；6用户风险管理模块。

(1)数据接入模块：主要功能是采集所需要的数据。包括：身份认证数据，运营商通话数据，多头借贷数据、通讯录数据、淘宝电商数据、黑名单数据、设备信息、位置信息、紧急联系人信息等，并把这些数据放入数据待处理队列并同时存储在分布式文件系统中。

(2)数据存储模块：数据存储模块主要存储原始文件数据、风控特征数据、业务规则数据、用户数据、风险管理数据。

(3)数据处理模块：主要功能是对采集的数据进行变量抽取以及特征抽取和运算。并把信息存入风控特征库。

(4)决策模块：决策模块接收风控特征数据，运行相关的规则包、规则流和信贷风控模型。把运行结果传给授信决策模块，最终输出用户风险等级。

(5)决策结果输出模块：决策结果输出模块输出各客户的分险评级，及不同评级客户数占比、预期的逾期率。通过决策结果输出模块的数据统计，可反馈优化调节决策模块的风控规则与模块，使对不同客户群的细分更加合理。

(6)用户风险管理模块：风险管理模块实现目标用户管理，实现客群选择及自动审核模块配置定义对哪几类风险等级客群自动通过，哪几类风险等级客群自动拒绝。定义完成后，系统即可自动实现风险控制审核。实现差异化定价模块实现对不同风险等级评级客户配置定义不同的信贷费率定价。

本发明方法具体实现步骤如下：

步骤1、计算规则包和规则流

根据已给业务风控需求，可以灵活，通过规则流和规则包的配置，对业务的规则进行添加、修改和配置规则，实现复杂的风控规则需求，最终输出规则命中结果列表；具体如下：

Step1:配置业务所需的规则项，所需的规则项包括基础信息、运营商、身份证、芝麻、银行、地理位置、通信录、内部数据库、淘宝认证

Step2:对于业务规则简单的业务，创建规则包，并为规则包配置所需的规则项。

Step3:对于业务规则复杂的业务，创建规则流，通过不同规则包、条件、表达式的组合，实现复杂的风控规则。业务风控人员可以根据业务需求自定义进行流程设置。

条件：条件元素有两个选项，条件单一匹配和条件全匹配。条件单一匹配指定后续流程只执行最早满足表达式的流程。条件全匹配指定后续流程执行所有流程。

表达式：用于设置判定条件，当条件满足时，继续执行后续流程。当条件不满足时，终止执行后续流程。

规则包：规则包是所有规则项的集合。

目前针对信贷业务，梳理出来的风控项列表如下：

步骤2、根据步骤1计算结果，对业务授信决策逻辑

授信决策模块接收输出结果，然后按照以下逻辑进行用户风险分级，其中风险等级定义：

A：优质客户，B：低风险用户，C：风险一般，D：风险较高， E：风险很高，F：风险极高，直接拒绝。

步骤3、计算信贷模型分

信贷模型是基于信贷用户在认证和授信过程中采集的信息，结合主成分、降噪自编码器特征提取技术，采用XGBOOST算法预测违约概率的一种模型方法。

3.1特征选择

通过主成份分析提取26个影响模型分的主要特征；

3.2模型训练

1)采用多种特征组合构建多个模型，通过多个评估指标最终选择最优模型。

2)将所有样本的65％作为模型的训练集，用于模型训练；35％作为模型的测试集，用于评估模型的训练结果。

3)利用XGBOOST模型对样本进行训练，通过不断的迭代调参，得到模型的ROC曲线、AUC值和特征重要性。

4)在booster模型上选择效果更佳的树模型(gbtree)，学习目标上采用二分类的逻辑回归问题，损失函数如下：

公式说明：—表示预测客户逾期的概率

y_i—表示客户实际是否逾期

3.3模型构建流程

XGBOOST算法的全称是eXtreme Gradient Boosting,其在GBDT 算法基础上对boosting算法进行改进。XGBOOST是Gradient Boosting 算法的高效实现。传统GBDT以CART作为基分类器，特指梯度提升决策树算法，而XGBOOST还支持线性分类器(GBLinear)，此时XGBOOST相当于带L1和L2正则化项的Logistic回归(分类问题)或者线性回归(回归问题)。本项目预测客户的逾期概率，属于典型的分类问题，学习目标上采用二分类的逻辑回归。

3.4模型评估指标

本项目为分类模型，我们采用了最常见的AUC和KS值最为模型的评估指标。

三、AUC值

AUC值其实是ROC曲线下的面积，ROC曲线横轴是FPR(假阳率)，纵轴是TPR(正阳率)，这2指标的计算公式如下：

FPR＝FP/(FP+TN)

TPR＝TP/(TP+FN)

其中：

TP:预测类别是P(正例)，真实类别也是P

FN:预测类别是N，真实类别是P

FP:预测类别是P，真实类别是N(反例)

TN:预测类别是N，真实类别也是N

AUC值介于0.1和1之间，AUC作为数值可以直观的评价分类器的好坏，值越大越好，计算公式可以参照如下：

公式说明：

M-正类样本的数目N-负类样本的数据

Rank-对预测的score从大到小排序，然后令最大score对应的 sample的rank为n，第二大score对应sample的rank为n-1，以此类推

四、KS值

KS(洛伦兹曲线)-用于区分预测正负样本分隔程度的评价指标，计算公式如下：

KS＝MAX(TPR-FPR)；

3-4.计算模型分

将新的申请用户的数据输入到训练好的模型，输出模型分。

步骤4、目标用户管理和风险定价

本发明的关键创新点是把用户基于风险划分成不同等级。信贷平台可根据其对通过率与逾期率的平衡自主选择需要对哪几个等级的客户授信。

4.1自定义选择目标用户群，设置不同风险等级的授信额度和利率。

根据不同的风控级别，对授信额度、自动续期天数、逾期罚息、借款期限、是否放贷进行自主设置。

Claims (5)

1.一种细分客群信贷业务风控差异化定价的风控系统，其特征在于包括数据接入模块、数据存储模块、数据处理模块、决策模块、决策结果输出模块和用户风险管理模块；

(1)数据接入模块：采集所需要的数据，包括身份认证数据、运营商通话数据、多头借贷数据、通讯录数据、淘宝电商数据、黑名单数据、设备信息、位置信息、紧急联系人信息，并将采集的数据放入数据待处理队列并同时存储在分布式文件系统中；

(2)数据存储模块：用于存储原始文件数据、风控特征数据、业务规则数据、用户数据、风险管理数据；

(3)数据处理模块：对采集的数据进行变量抽取以及特征抽取和运算，并把风控特征数据信息存入风控特征库；

(4)决策模块：决策模块接收风控特征数据，运行相关设定规则包、规则流和信贷风控模型，并将运行结果传给授信决策模块，最终输出用户风险等级；

(5)决策结果输出模块：输出各客户的分险评级，及不同评级客户数占比、预期的逾期率；通过决策结果输出模块的数据统计，可反馈优化调节决策模块的风控规则，使对不同客户群的细分更加合理；

(6)用户风险管理模块：实现目标用户管理，实现客群选择及自动审核模块配置定义对哪几类风险等级客群自动通过，哪几类风险等级客群自动拒绝；定义完成后，系统即可自动实现风险控制审核；实现对不同风险等级评级客户配置定义不同的信贷费率定价。

2.一种细分客群信贷业务风控差异化定价的风控方法，其特征在于具体实现步骤如下：

步骤1、计算规则包和规则流；

步骤2、根据步骤1计算结果，对业务授信决策逻辑；

步骤3、计算信贷模型分；

步骤4、目标用户管理和风险定价；

所述步骤1具体实现如下：

Step1:配置业务所需的规则项，所需的规则项包括基础信息、运营商、身份证、芝麻、银行、地理位置、通信录、内部数据库、淘宝认证；

Step2:对于业务规则简单的业务，创建规则包，并为规则包配置所需的规则项；

Step3:对于业务规则复杂的业务，创建规则流，通过不同规则包、条件、表达式的组合，实现复杂的风控规则；业务风控人员可以根据业务需求自定义进行流程设置；

步骤Step3所述的规则包、条件、表达式，具体定义如下：

条件：条件元素有两个选项，条件单一匹配和条件全匹配；条件单一匹配指定后续流程只执行最早满足表达式的流程；条件全匹配指定后续流程执行所有流程；

表达式：用于设置判定条件，当条件满足时，继续执行后续流程；当条件不满足时，终止执行后续流程；

规则包：规则包是所有规则项的集合。

3.根据权利要求2所述的一种细分客群信贷业务风控差异化定价的风控方法，其特征在于步骤2具体实现如下：

授信决策模块接收输出结果，然后按照以下逻辑进行用户风险分级，其中风险等级定义：

A：优质客户，B：低风险用户，C：风险一般，D：风险较高，E：风险很高，F：风险极高，直接拒绝；

4.根据权利要求3所述的一种细分客群信贷业务风控差异化定价的风控方法，其特征在于步骤3所述的计算信贷模型分，具体实现如下：

3.1特征选择

通过主成份分析提取26个影响模型分的主要特征；

3.2模型训练

1)采用多种特征组合构建多个模型，通过多个评估指标最终选择最优模型；

2)将所有样本的65％作为模型的训练集，用于模型训练；35％作为模型的测试集，用于评估模型的训练结果；

3)利用XGBOOST模型对样本进行训练，通过不断的迭代调参，得到模型的ROC曲线、AUC值和特征重要性；

4)在booster模型上选择效果更佳的树模型，学习目标上采用二分类的逻辑回归问题，损失函数如下：

公式说明：—表示预测客户逾期的概率

y_i—表示客户实际是否逾期

3.3模型评估指标

采用AUC和KS值为模型的评估指标；

一、AUC值

AUC值其实是ROC曲线下的面积，ROC曲线横轴是FPR(假阳率)，纵轴是TPR(正阳率)，这2指标的计算公式如下：

FPR＝FP/(FP+TN)

TPR＝TP/(TP+FN)

其中：

TP:预测类别是P(正例)，真实类别也是P

FN:预测类别是N，真实类别是P

FP:预测类别是P，真实类别是N(反例)

TN:预测类别是N，真实类别也是N

AUC值介于0.1和1之间，AUC作为数值可以直观的评价分类器的好坏，值越大越好，计算公式可以参照如下：

公式说明：

M-正类样本的数目N-负类样本的数据

Rank-对预测的score从大到小排序，然后令最大score对应的sample的rank为n，第二大score对应sample的rank为n-1，以此类推

二、KS值

KS-用于区分预测正负样本分隔程度的评价指标，计算公式如下：

KS＝MAX(TPR-FPR)；

3-5.计算模型分

将新的申请用户的数据输入到训练好的模型，输出模型分。

5.根据权利要求4所述的一种细分客群信贷业务风控差异化定价的风控方法，其特征在于步骤4所述的目标用户管理和风险定价，具体实现如下：

将用户基于风险划分成不同等级，信贷平台根据其对通过率与逾期率的平衡选择对不同等级的客户授信；自定义选择目标用户群，设置不同风险等级的授信额度和利率；根据不同的风控级别，对授信额度、自动续期天数、逾期罚息、借款期限、是否放贷进行设置。