金融风控修行永远在路上 5分钟修炼“额度授予模型”内功

金大师笔下的江湖暂告一段落，金融风控的修行却永远在路上。

俗话说的好：

产品有三宝，弹窗，浮层加引导。

设计有三宝，透明，阴影加圆角。

运营有三宝，短信，push加红包。

技术有一宝，这个做不了。

在信贷行业，风控技术人员TOP5头疼事件排行榜上，额度授予模型一定榜上有名。

今天我就借这个机会，抖抖额度授予模型的宝。

额度授予模型的难度主要来源于模型的验证过程：

风险预测模型中，模型的输出可以和客户的实际违约情况进行对比，从而一较高下；但是对于额度模型，每一个客户都是独特的，且只有一次被额度授予的机会，所以无法监督哪一个额度模型的表现更好。

额度模型的好坏，最常用的一把尺子是客户带来的利润，为了观测到客户带来的利润，常常要追踪客户1到2年。在国内瞬息万变的信贷市场，等到这个时候可能黄花菜都凉了。

虽然验证不易，但是在没有足够的数据和验证时间的情况下，还是有一些基本原则可以助我们逆风翻盘：

额度矩阵理解起来很简单，就是选取合适的指标区分客群来授予额度。

我们用风险作为唯一决策因子举一个例子：

1).确定额度范围：通过分析产品想要针对的客群，从而找到一个适当的额度范围。比如说蓝领贷款额度在3000到1万之间；白领的贷款额度在5000到3万之间；

2).确定风险因子：选择一个评估客户风险程度的指标，比如说使用融慧提供的多头分；

3).有了上面两步，就可以快速地确定额度授予了（以蓝领为例）：

在单因子的基础上加入更多的考虑因子，比如说收入，就可以组成一个更多元的额度矩阵。

这样的额度矩阵非常适合刚刚开始贷款业务的机构，例如如下矩阵:

因为客户自己填写的收入往往难以验证，也可以考虑使用其他的指标代替，比如说居住小区房价、职业、生活习惯等画像类指标代替。这些维度的引入可以使额度矩阵更加复杂，也更加准确。不过，到哪里去找这些变量呢？

上面提到的风险和客户画像，是融慧金科最擅长的领域。欢迎后台留言垂询。

当机构在积累了一定的数据之后，可以通过建模来更科学地进行额度授予。具体的指导思想则是以利润为衡量的标尺，找寻利润最大化的点。

现金贷的利润=收入-损失=贷款金额x利率-违约金额

在授信额度比较低的时候，额度增高，客户可借款增加，收入增长的速度快。但是当授予额度超过好人可以偿还的范围的时候，好人的额度使用率会下降，导致借款增长缓慢，收入放缓。与此同时，坏人的额度使用率仍然会维持在100%左右，于是损失迅速增长。模型的目标就是模拟每一个客户的收入和损失，找到使利润一阶导为0，利润最大化的额度。这个就是我们的最优额度。

举一个简单的例子：

我们假设今天是Mate20手机（价值5000元）发售的日子。所有好人的借款目的都是购买Mate20。当授信额度低于5000块，好人一定会取完授信额度。但是当授信额度超过5000块钱以后，好人不会多取。与此同时，坏人一定会取现完所有授信额度。

假设客群的利息为18%，逾期概率为10%，那么：

这个客群的最优的额度授予应该为5000，每位客人的最大利润为5000x(0.18-0.1)=400元。

这个例子看上去是不是特别简单？

但是实际运用中可能牵扯到上百种变量和数十个模型。于是引出了接下来我们要介绍的机器学习模型。

我们为什么需要机器学习模型？

原因就在于中级阶段预测利润的模型有两个缺点：

1.逻辑回归模型不能抓住非线性的关系；

2.实际运用中，预测利润往往牵扯到数十个模型叠加，所以更新模型十分耗时。

机器学习模型中，KNN模型适合用于额度模型，可以解决逻辑回归模型的以上两个缺点。

KNN模型，也叫最近邻居法，它的思路如下：

1.给大量客户（客户群体A）随机进行额度授予，并追踪他们的表现；

2.利用最近邻居法在群体A中找到和申请人B相似的客群子集（子集C）；

3.子集C里面的客户群体因为被随机分配了不同的额度，同时不同的额度带来了不同的客户表现，我们可以直接给申请人B授予子集C中使客户利润最大化的额度。

看到这里，大家一定敬(云)佩(里)不(雾)已(里)，所以我们特别做了一个图：

从上面的介绍可以看出，KNN模型最大的困难就是积累足够多的随机样本来进行建模。这也呼应了我们一开始提出的额度授予模型的难题。不过基于以上的分享，我相信每个阶段的公司，都可以找到适合自己现阶段发展情况的额度方法，进行额度授予。

以上就是今天的5分钟。上面的例子看上去简单，但额度模型的构建其实是复杂困难的，不过狮子座属虎的女明星曾经给我们端上一碗鸡汤。