...开始的风控模型(一)数据分析与准备,滚动率、迁移率和Vintage分析

发布网友发布时间：2024-10-11 01:55

共1个回答

热心网友时间：2024-11-08 12:24

在风控建模的实际工作中，模型构建的关键步骤之一是对数据的深入理解和定义。模型的目标和“坏样本”识别并非预设，而是需要模型师结合业务需求、数据分析和行业经验来决定。本文介绍一种通用的方法，其中包括 Vintage、迁移率和滚动率分析来定义坏样本。

坏样本的识别可通过模拟情景来理解，比如小A和小B在设计12期贷款产品的评分卡时，对逾期时间作为坏样本的界限产生了分歧。巴塞尔协议中，90天逾期被视为违约，但实际中可能需要更精细的数据分析。他们通过Vintage分析，观察了不同逾期阶段的客户流动情况，发现M4+阶段的迁移率极高，这促使他们初步定义逾期90天以上的客户为坏样本。

滚动率分析进一步验证了这一结论，显示大部分M4+的客户没有改善，而是继续保持逾期状态。Vintage分析则揭示了产品的成熟期，表明在8期后，大部分坏客户的表现趋于稳定。因此，最终定义为：在产品表现期（8个月）内，逾期90天或以上的用户为坏样本。

模型的变量选择也是重要环节。除了传统的信用模型数据，小A和小B还考虑了埋点数据，尽管它在信用风险领域的应用相对有限。总的来说，风控模型的构建首先需要明确观察期和表现期，以及选择合适的自变量。后续文章将探讨逻辑回归评分卡模型的具体构建方法。

以上就是关于数据分析和准备的初步介绍，准备工作的细致程度直接影响模型的精准度。期待在下篇文章中看到模型的构建过程。