资料(风控).doc

大数据风控那些事(上)
大数据风控同传统风控在本质上没有区别,主要区别在于风控模型数据输入的纬度和数据关联性分析。据统计,目前银行传统的风控模型对市场上70%的客户是有效的,但是对另外30%的用户,其风控模型有效性将大打折扣。
大数据风控作为传统风控方式补充,主要利用行为数据来实施风险控制,用户行为数据可以作为另外的30%客户风控的有效补充。大数据风险控制的作用就是从原来被拒绝的贷款用户中找到合格用户,识别出已经通过审核的高风险客户和欺诈客户。
一、银行信用风险控制的原理
金融行业中,银行是对信用风险依赖最强的一个主体,银行本质就是经营风险,不同的风险偏好决定了银行的经营水平。在经济结构调整周期过程中,信用风险管理也是各个银行面临的巨大挑战。

银行信用风险管理有两种方式,第一种方式是从大量申请人中找到合格的贷款客户,将贷款放给这些人。第二种方式是从申请人中识别出有潜在风险的贷款客户,不将贷款发给这些人。可以简单地认为是找到好种子和识别出坏种子。
?
银行在找好种子时,一般会对好种子进行一些基本限定,从贷款人的学历、年龄、收入、职业、资产、负债、消费等几个方面进行打分,最后综合评级,依据评估分数进行贷款审批,可以简单地认为是风险定价(RBP)。
贷款销售人员主要的任务是找到好种子的用户,通过KYC和风险评估等方式的找到潜在合格客户。这个阶段的风险控制可以认为是一个基线控制,经过风险评估之后,会得到客户的评估分数或风险评级。在控制基线之上的客户会被放进来,认为是潜在合格客户;风险管理部门进一步验证,如果审核通过之后,就会依据分数和级别发放贷款。

利用数学模型来识别风险客户,目的是找到欺诈客户和未来不会还款的用户。在识别坏种子时,数学模型和坏种子是关键,数学模型决定风控方式是否科学,数据纬度是否全面,结论是否科学。坏种子是用来修正风控模型参数,提升模型的鲁邦性,同时让模型可以不断完善自己。在预防欺诈用户时,行业共享的黑名单也起到了很大的作用。
坏种子对识别出欺诈用户和潜在违约用户十分关键,风控模型是否有效的一个前提就是是否有足够多的坏种子。

信用贷款分为抵押贷款和无抵押贷款,其中抵押贷款的风险相对较低,风险评估过程中主要关注抵押品的自身价值和贷款覆盖率,贷款用途和还款能力占信用审批权重比例较低。银行过去大量的个人贷款,都是抵押贷款,其中按揭房贷占了很大的比重。
无抵押贷款称为信用贷款,时髦的称呼为消费金融。贷款人无需进行财产抵押,仅仅依靠自身信用分数或还款能力申请贷款。相对于抵押贷款,其风险较高,也是银行信用风险管理的重点领域。这几年消费贷款增加较快,预计2017年同个人消费相关的消费贷款,可以达到27万亿左右。很多银行、信用卡中心、互联网金融公司都在争夺这个市场。
P消费金融授信审核标准之外,授信5P原则也经常用于评估客户信用风险。“5P”原则主要是指贷款人情况(people),资金用途(purpose),还款来源(payment),债权确保(protection),借款人展望(perspective)。
贷款人情况
是指贷款人信用情况、个人财力、银行往来记录,其中其个人信用评分比重最高,个人财力次之,贷款人的还款记录和还款意愿也很重要。
资金用途
是指贷款人的借款用途是否合理、合法。是否用于投机领域或高风险领域,例如高利贷或赌博等。资金用途是否合法,同贷款被按时归还相关度较高。
还款来源
是授信审批中最重要的,用来了解贷款客户是否具备还款来源,其偿债能力如何。其中客人的月度薪资收入、资产收入、支出费用、财产价值都高度相关。其中常用衡量标准是无担保贷款不得超过月收入的22倍(DBR小于等于22),月还款金额不得超过客人扣掉所有支出费用后,所剩费用的一半。另外信用卡的授信额度也会被考虑在内。
债权确保
主要是指对申贷客户所提供的各项担保品进行评估,当贷款违约时,银行可以处理担保品,减少带贷款损失。消费金融一般无担保品,因此债权担保不太适用,但是某些消费金融公司会让贷款人购买一个担保产品,一般为贷款总额的2%,可以作为债权确保。
借款人展望
就是贷款人未来违约的可能性,依据贷款人的行业、薪资、职业、职务、学历等因素进行预测,评估未来发生风险的概率。一般入门门槛低、专业程度低,可替代性高度高的工作或行业风险较高。
。
信用贷款的风险控制分为贷前,贷中,贷后三个阶段。贷前控制主要是找到合格贷款人;贷中控制主要预防抵押品资产减值,无法覆盖贷款标的,或者预防借款人还款能力下降,无法按时归还贷款;贷后控制,主要当贷款发生逾期时,通过催收降低银行损失。其中,