风控策略(下)

本文详细介绍了风控中的量化指标,包括账单逾期、订单逾期、迁徙率、Vintage、首期逾期率和PSI。还探讨了策略调优的重要性,如A类调优针对通过率下降和逾期指标偏高等问题,以及D类调优如何应对新增资产逾期增加。通过对不同维度的拆分和分析,以确保风控策略的有效性和资产质量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、常用量化指标

  首先,先了解下如何定义逾期。

  过了最后还款日仍未还款,则为逾期。注意,一个客户只有一个账单日。如果想要获得最长免息还款期,则应该在上一个账单日的后一天进行消费。
  还有,最重要的一点,账单日不要在28.29.30.31号,避免因大小月份造成指标计算困难,会影响逾期指标。举个例子,比如账单日为30号,1月31号的时候逾期1天,2月28号逾期29天,计算期末的迁徙率的时候,会都被算在M1里面,可能导致迁徙率大于100%。

账单逾期和订单逾期

总结:

  1. 订单的逾期天数(历史/当前)为账单的相应逾期天数的最大值。
  2. 历史逾期天数在还款之后不再发生变化。
  3. 历史逾期天数>=当前逾期天数
  4. 此外还有客户逾期的概念,道理是一样的。比如,客户有A、B两个订单,A订单逾期1天,B订单逾期10天,那么该客户的逾期天数为10天。

迁徙率和Vintage

  见之前的文章资产管理指标

首期逾期率

  关于FPD的详细介绍,见之前的文章<

### 使用 Python 实现风控策略 #### 1. 架构概述 构建一个完整的风控系统涉及多个组件和技术栈。该架构利用 Kafka 消息中间件来实现实时数据传输,通过 Faust 进行流式处理,并采用 Redis 来缓存风险标签以加速查询效率[^1]。 #### 2. 数据预处理与特征工程 针对金融领域内的风控应用场景,由于其固有的别不均衡特性,在模型训练前需特别注意样本分布情况。可以考虑应用 WOE 编码转换原始变量并整分器参数 `class_weight='balanced'` 或者采取其他重平衡措施如过/欠抽样算法来化最终效果[^2][^3]。 #### 3. 规则引擎设计 为了简化说明,这里给出一段基于简单条件判断的伪代码作为规则引擎的基础框架: ```python def evaluate_risk(transaction_data, redis_client): user_id = transaction_data['userId'] # 尝试从 Redis 获取用户历史行为评分 risk_score = float(redis_client.get(user_id)) or 0 # 定义一些基本阈值 low_threshold = 50 high_threshold = 80 if risk_score >= high_threshold: return 'HighRisk' elif risk_score >= low_threshold: return 'MediumRisk' else: return 'LowRisk' # 测试函数用 print(evaluate_risk({'userId': 'test_user'}, {'get': lambda x: '75'})) ``` 此段代码展示了如何依据预先设定好的标准对每一笔交易作出初步的风险等级划分;实际项目中可能还会涉及到更复杂的逻辑运算以及外部 API 用来辅助决策过程。 #### 4. 模型训练与部署 考虑到真实世界里欺诈检测任务往往面临严重的正负比例失衡现象,因此建议选用能够有效应对此挑战的方法论来进行机器学习部分的工作。例如 XGBoost 提供了内置的支持选项可以直接指定不同型的权重因子从而达到更好的泛化能力。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值