风控数据库知识（额度与定价汇总）

风控中有两大重要的模块内容，分别是授信额度与利率定价。今天就结合番茄风控历史的文章，整合了以往的文章，希望能帮助各位年后跳槽的风控同行，带来一些思考。

一.授信额度制定（定额）

产品定额不管是零售信贷还是对公，都是重要的一环。信贷产品从0到1，从无到有，并且一直是迭代优化的过程中，其总会经历以下历程：

冷启动——>数据积累——>数据调优与迭代——>数据稳定——>产品退出

以上基本涵盖了产品全生命周期，产品定额在这些不同阶段上所采用的方法也有所不同。但从定额的角度来看，目前定额的方法，可以简单粗分为两大类：

1.1.DTI-粗放式

信贷两大基本逻辑，各位风控人百说不厌，还款意愿与还款能力。因为从流程上来讲，定额是处于贷前风控节点流程中偏后环节。所以额度的确定，更多地会从还款能力上考察信用风控。

信用风险，其考察逻辑主要是判断其收入数据、负债情况【 DTI全称Debt to Income Ratios(通常缩写为DTI) 】。但很明显收入维度，我们无法直接获取，但在常规上就有几种方式判断，我们从线下与线上渠道分别说明：

线下渠道：

在之前的线下渠道中，认定客户的收入大都通过以下渠道来获取客户收入：

1.从客户提供流水数据来判断；

2.通过客户的保单跟贷款情况来判断，比如房贷的2-3倍认定收入，收入与保费的数据也雷同；

线上渠道：

线上自动化进件收入判断跟线下渠道有所差别，介绍以下几种：

1.通过外部三方数据判断，之前有很多做三方数据的厂家，如大家熟悉的鹏元等，在较早前都有收入数据维度；

2.通过税务税务、社保、公积金数据来获取，这种一般是银行类产品，很多银行打通了这些接口；客户授权后能直接获取这些数据，银行通过这类接口数据再来推送收入情况。无疑，这类数据最为准确；

3.通过征信数据判断，通过征信数据的各个维度可以做相关的收入模型判断，这个能做的内容就非常多了。

以上通过不同的方式来核定还款能力DTI。随着数据的积累与沉淀，风控人员发现用最基本的DTI已经没有办法进行更精准的定额，因为以上的定额基本只停在风控的冷启动阶段。在风控的冷启动阶段，数据大部分是拍的，但大部分的数据都是有逻辑的拍（后面有具体的案例）。等到一定量级后再通过差异化的风险评级来实现定额，就引出了以下调整式的内容。

1.1.DTI的授信举例

以上关于DTI的授信矩阵，相关的额度矩阵数据，简单如下：

编辑

添加图片注释，不超过 140 字（可选）

以上在风控政策岗普遍会用到相关的额度矩阵，如果其中关于具体的定额，在产品中还有相关的定额矩阵，数据情况如：

个人授信额度 = MIN【（当前月收入-平均每月应还款总额）*可支配收入比例*扩展系数，最近6个月平均使用额度*3】（额度有效期：3个月）

说明：扩展系数暂定为3.0，可支配收入比例暂定0.5。

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

其中，对于征信非白户的客户，个人月收入预估=Max(A1，A2，A3，A4，A5，A6，A7)

1.2.调整式——基于Se_Pd-Value（segment&pd）

基于Se_Pd-value的调整式的定额，是数据积累到一定节点后的产物，也是更科学的定额方式。做好客群定额，即需要考虑的内容有以下情况，分别为：

产品接受率，利率，客群分层占比中的PD等数据；通过这两个的方式进行相关的调整，才能综合求出更合适的定额策略。

基于Se_Pd-Value的调整式的定额，更好地做好差异化内容。

以具体的产品为例子，比如现在有两款产品，a与b。这两个产品其借贷利率分别是a=16%，b=10%。a产品为小贷客群产品，利率偏高；b客群为银行类客群，风险偏小，随之其违约风险相应的也会对应以下内容：pd-a为8%，pd-b=4%。

综合下来a的利润在v-a=8%，v-b-=6%的区间。以上我们通过最简单的a与b产品，简单阐述通过Se_Pd-Value的综合调整，但在实际生产过程中需要考虑的内容非常复杂，结合考虑的还有产品接受率，lgd等情况，展开来就更复杂些。

当然以上的额度矩阵并非一成不变，最重要的是仍要用ABtest去验证额度效果：

​

编辑切换为居中

添加图片注释，不超过 140 字（可选）

1.3.额度陷阱

在给与额度的同时，业内经常讨论的逻辑是，额度跟风险的考量，额度跟风险是相关的，客群风险低，额度仍需有上线支撑，俗称盖帽额度。比如给与客户1千万的授信额度，要是后续还不上也就不还了，因为这个授信额度大到客户永远无法赚回其收益，也就没必要偿还相关贷款。

二.产品利率制定（定价）

整体的定价内容都有哪些？

目前依托于互联网金融的定价体系发展阶段大概经三个阶段，分别为如下展示：

1.一口价模式，简单粗暴，劣币驱逐良币，针对所有的用户群体都按照统一的费率标准进行展示，不需要数据基础；2.粗算型定价，可针对部分客户进行区别性定价，但定价偏差大，需要少量已有表现数据基础；3.大数据定价，可针对不同客群数据进行区别定价，定价差异较小，但解释难度大，需要大量已有表现周期数据基础。

2.1.风险定价应该怎么做？

风险定价的核心思路，主要有以下几点：

第一 人群的划分针对于客户特征给客群提供精准的风险定价。数据量包括不限于客户基本信息数据、征信数据、外部第三方数据、还款行为数据等等。

清晰准确的客群划分，是风险定价的核心基础。

第二 资金成本的考量不同客群在不同场景下，逾期率、损失率是多少，会产生多少M3 的坏资产。

第三 风险预估风险一直都是存在的，做风控的人都知道风险都永远都不可能消失的，除非不做业务。那么风控的职责不是说消灭风险，而是降低风险。风险定价的作用就是将用户的逾期风险与信贷产品的收益挂钩。将获客成本，资金成本，催收成本等涉及到信贷环节的支出分摊到每个客群上，即使客户发生违约，但是产品收益能覆盖损失，并且稳定覆盖，那么这就是一个好产品。

2.2.如何确定风险定价？

根据以上三大核心思路，准备好以下不同数据：

1. 基础数据包括客户的个人信息（性别、年龄、学历、公司情况、收入情况、个人资产情况）等客户个人信用报告客户行为数据，如互金授信、设备信息、手机通讯录权限、手机内包含贷款app数量

2. 第三方征信数据，包括是否为其他公司黑名单客户、多头借贷数据、其他公司逾期情况、关联联系人信贷情况等

3. 交易数据（如近三个月、半年和一年内的订单数、授信金额、平均额度、增长幅度等）、资产数据（每个月资产授信本金、每月授信增长额等）

4. 逾期数据，包括：

逾期率分布情况：DPD30 %、DPD60 %、DPD90 %

催收回收率：

C-M1、M1-M2、M2-M3、……M6-M0坏账率：定义坏账天数，如180天为坏账，则DPD180 %为坏账率坏账回收率...

2.3.风险定价模型

数据收集完毕，打好了基础，开始可以搭建风险定价模型了。

1. 政策决策规则

一般针对有区别性较强的单一数据，可使用政策规则进行调整定价，如已从数据得知某信用分小于620的DPD30 %高于平均值的2倍，或者，某信用分高于660分的DPD30 是平均值的一半，可针对单一分值提高或降低定价。

规则为：

if 信用分<620then 定价=36%；

if 信用分>=660then 定价=18%。

2. 定价模型

由定价模型根据逾期表现对客群进行分类，推算逾期概率较高的客群进行定价的提高，逾期概率较低的客群降低定价

​

编辑

添加图片注释，不超过 140 字（可选）

3. 决策树模型/评分卡模型

针对不同客群可做客群细致切分，结合不同维度逾期数据、外部数据、客户信息等，对定价进一步细分。

​

编辑

添加图片注释，不超过 140 字（可选）

4. SNA关联网络针对反欺诈关联网络数据，可进行细微针对性的定价调整；根据复杂网络关联情况，衍生出不同数据字段，针对字段严重程度进行定价的调整。

如：

30天内是否存在相同证件号码但不同手机号申请

半年内同一下单设备关联不同借款人数

1天内同一设备关联不同借款人身份证数

7天内同一设备关联不同借款人身份证数

存在关联联系人逾期＞90天

存在关联联系人当前逾期

2.4.非循环贷的产品，定价实际案例说明

以下以非循环贷的产品进行具体的案例说明，进行具体的利率定价的步骤。

非循环贷产品好解些：假设金融机构的利率为r，产品接受率为q（r），借贷利率为rf，违约损失率为LGD（简称l），违约率为PD（简称1-p），不违约概率为p。则预期利润为：E（r）=q（r, L）* [（ r–rf） * p– （l rf ） *（1– p ）]

对于循环贷而言，稍微复杂，但也可解。客户在成功审批通过后，可以根据产品竞争力（即借贷利率）和自身资金需求来决定提取金额的比例，也就是说上述公式除了接受率外，还需要增加一个额度使用率, 即：

E（r）=q’（r ,L）*[（ r–rf） * p– （l rf ） *（1– p ）]

例如有一款循环现金贷产品，申请通过后客户将获得一个授信额度。客户可在授信额度下根据自身需要自由选择提取现金的比例，使用后最长还款周期为12个月，产品还款方式为按月计息，每月有固定账单日期计算当期欠款及利息，还清使用额度后可用额度即恢复至授信额度。

由于贷款期限和客户额度使用率的不确定，具体到循环贷产品中金融机构需要解决两个问题：

1、如何确定利率？

2、如何确定额度？

以下以实操案例为大家讲解：

2.5.实操展示——

假设各期账单周期移动到下一个状态的概率只依赖于当前状态，而与之前的历史情况无关，本次我们使用马尔科夫链模型来分析各期的期望收益：

如对申请贷款客户进行数据分析，信用评分处于低风险等级的客户下一期关闭账户、申请贷款且维持低风险等级、申请贷款且转为高风险等级、申请贷款且违约的概率分别为5%、85%、9%和1%；

信用评分处于高风险等级的客户下一期关闭账户、申请贷款且转为低风险等级、申请贷款且维持高风险等级、申请贷款且违约的概率分别为0%、5%、90%和5%。若低风险申请贷款客户收益为8，高风险申请贷款客户收益为16，平均违约成本为180。

面对以上指标，我们需要引入风险矩阵加权表来表述相关关系，其中的风险矩阵加权表，拟合如下：

​

编辑

添加图片注释，不超过 140 字（可选）

若申请初始贷款客户状态为低风险客户，即为[0,1,0,0]，那么下一期的概率为：[5%,85%,9%,1%]，综合得出：期望收益为85%*8 9%*16 - 180*1%=14.44%

算出了期望收益，便可以通过风险收益来制定具体的循环贷的风险定价~

以上关于额度与定价内容，更系统性的欢迎来参与番茄风控以下内容：

①《番茄风控全线条训练营》

②《番茄风控量化Smart特训》

~原创文章

...

end

,