小数据研究院

由于前几个月参与了一家股份制银行的信贷风控项目，其中我负责了贷前评分卡建模相关工作，最近刚完成模型交付，在此总结记录一下，从数据诊断到样本提取，再到模型构建的全流程工作内容。本文主要侧重实地驻场建模时，遇到的问题和需要关注的点，对一些技术上的原理不作赘述，主要按以下顺序记录：一. 数据诊断二. 数据提取三. 数据预处理四. 变量分箱五. 变量筛选六. 模型建立及评估七. 评分卡构建及生成一. 数据诊断此处的「数据诊断」，是指针对行方数据库中那些对我们之后建模.

说到评分卡建模工具，做过评分卡的应该都能想到谢博士的scorecardpy和专为工业界模型开发设计的Python工具包--Toad，两者相比，scorecardpy更加轻量级，且依赖较少，可以满足大多数场景下的评分卡构建。为了使评分卡建模流程更加便捷，该Python包针对建模中各个关键步骤都提供了现成的函数，如下： 数据集划分 (split_df) 变量筛选(iv, var_filter) 变量分箱(woebin, woebin_plot, woebin_adj, woebin

首先明确“政策”和“策略”的区别，“政策”的scope更大一些，一般来说比较稳定，而“策略”可能会每隔几个月进行调整。从作用上区分，“政策”决定了“能不能做”以及“能做到什么程度”，而“策略”则来指导在“政策”范围内“如何做”。1）量化风控政策的设定逻辑在一个具体的信贷场景中，“政策”是最早被确定下来的内容。由于风险控制是针对产品的操作，所以在开发一个新的信贷产品时，需要首先确定产品的scope，也就是由具体的“政策”来圈定这个产品的范围到底是什么。在设定风控政策时，主要要考虑风控埋点和产品属性

”数字化转型“被宣扬很多年了，但革命尚未成功，如今很多银行正处在数字化转型的档口，只有头部的大行在数字化转型的道路上走在前面。大行体量大，有自己的科技团队，有的甚至成立了自己旗下的金科公司，凭借地理优势，近几年吸引了很多人才，同时有各咨询公司助力，天时地利人和，智能营销、智能风控搞得火热。招商银行、平安银行，近几年前后启动零售战略转型，不断推进线上业务，很快成为了银行业的零售业务“领头羊”。先富带动后富，有了先驱的成功经验，一些城商行也紧跟其后，开始铆劲儿推动将部分线下业务向线上逐步转型。基于之

关于风控市场上比较关注的几种风险类型，可以参照「巴塞尔协议」。「巴塞尔协议III」主要涉及以下几种风险类型：信用风险：信用风险是指由于信用活动中存在的不确定性而导致银行遭受损失的可能性，确切地说，是所有因客户违约而引起的风险。 市场风险：市场风险通常是由金融资产的价格变化而产生的，市场风险一般又可分为利率风险、汇率风险等。 流动性风险：狭义的流动性风险是指商业银行没有足够的现金来弥补客户存款的提取而产生的支付风险；广义的流动性风险除了包含狭义的内容外，还包括商业银行的资金来源不足而未能满足客户合理的