【干货】风控模型如何嵌入策略(二)

0 评论 2754 浏览 8 收藏 15 分钟

编辑导语:风控模型,是在风控策略达到平衡之际,实现风险精分差异化的必备武器。那风控模型中如何嵌入策略呢?作者认为方法有三种:风险定价,授信额度,期限/还款方式。这篇文章详细地介绍了三种定价方式的适用场合,及其优劣势。感兴趣的小伙伴不妨一起来看看。

一、三种常见的风险定价方式

我来简单介绍一下三种常见的风险定价方式,刚才介绍的是整体的情况。

风险定价就是通过在评估资产风险的基础上做恰当的定价,一般会根据违约率不同,把客群进行细分,最后确保每个细分客群里都能有合适的收益率。

风险定价从易到难,每个阶段都可以完成,只是效果各不相同。我从多年工作经验中总结出大概三种常见的风险定价方式。

1. 成本核算定价

成本核算定价,从本行或本单位出发:我们具体应该承担多少风险,我们在这个地区要达到什么样的战略目的,我们对这个产品有什么期许,要用多少资金去运行,它能给我们带来多少收益,我们能控制的风险以及运营的成本大概是多少,据此核算出一个均价。

2. 竞争跟随定价法

第二种是竞争跟随定价法,这个方法就是看哪个企业做的比较好,如果我们不太会,不知道怎么定价,我们就看它定多少,然后我们就跟着定多少。或者它定多少,我们加点或者减点,如果我减点的话,就须要抢占市场,后期根据市场的反馈,然后调一调。

如果是高一点可能偏保守,这个做法是因为我们想做这个事,但是又不想亏。所以我先加一点,然后再看情况,如果用户不买我的账,我就减一点。

这种情况其实就是技术能力不太行,或者现在没空去算,想先挤入市场。

这种情况比较常见于互金或金融科技的一些腰部平台,新开展的业务,没有足够的风控底蕴的时候。但是如果到现在利率又下降了,可能就比较困难了,因为以前利率比较高,定个20%多或30%多,然后减一点,还可以保证整体运营下去。

但是到现在,整体需要精工细作,如果大家的风控水平跟不上时代和政策的发展,就会落后于时代潮流之后,会逐步被淘汰。

3. 数据驱动定价法

第三种是数据驱动定价法,大概从13年开始,大数据算法模型逐步提升了影响力,各行各业都觉得算法模型和大数据,可以让融资更有优势,也更加能提升业务效率。所以我们会选用一些水平比较高的算法工程师,因为算法比较新潮嘛。

我们新招来的比较厉害的硕士生和博士生,因为需要熟悉业务,所以需要重新培养一下,然后把重任交给他们,我觉得挺好,对新人有一种期许在。但是风控其实更看重经验,很多时候需要经历一个完整的实践周期,才能对风控这件事本身有深刻的理解。所以并不是我们简单看几本书,就知道怎么做。

我这么多年,一直做风控,我会从现在去看以前,从毕业到现在,我几乎每半年就去推翻自己以前对风控的认知。

以前觉得不对的地方,过段时间看它,觉得它依然有不对的地方,但是也有可取的点。然后循环往复,当发现自己的认知上去的时候,就知道这么做是可以的,或者说这么做不是不行,当通过搭配一些其他事情就可以让这件事做得更好。

当公司需要做一个事情,我们不能一上来就说这个事情我们完全不能做,这不是风控。

风控是告诉大家如何如何,采取什么样的方法,这个事情就可以做了。我们应该通过自己对于风险的认知,助力整个业务提升,而不是简简单单的说,这个业务不能做,我不做。

我说的这是风控的一个方向即风险规避,但是如果我们把所有的风险都规避,全都不做了,那我们就不可能开展业务,也不可能有创新了,这是完全不对的。

二、数据驱动定价法

1. 数据驱动定价

具体讲一下数据驱动定价,这个方法的缺点是样本可能不够,因为它需要有监督学习算法,需要更多的标签,更多的坏样本。

相当于整个业务体系过去对于错误的积累,我们通过算法在过去的错误中学习,来弥补不足,还需要加入一些人工的判别,但并不是特别有效。

但是对于一些比较快速开展的业务,可以防范一些东西,这是相互结合的。这么多年来我观测市场,主要有三种应用数据驱动模型评价,以后可能还会更多。

1)直接应用回归模型

第一种是直接应用回归模型,先跑回归模型,然后跑利率,利率是公司之前放款的利率,可能做了一些修正,最终的利率做了倍数限制或者区间限制。

比如说跑出来之后是3.5%,然后对它限制保留四位小数,或者定一个两点区间,比如在0.1到0.2之间,那么就输出一个0.15,类似这个意思。

2)额度评分双模型联合定价

第二种是额度评分双模型联合定价,这个做的比较精细,输出的一个是违约概率模型,还有一个是审批额度。审批额度不一定是通过回归模型输出的,更多的是一个公式或者一个规格计算出来。然后它会有一个对账的表儿,不同的这个违约概率,不同的额度底下会有一个最终的概率,这个会有专家委员会来讨论确定,这后期可能还会变,但已经算是做的比较好的。

3)弹性测试推动风险定价

第三种是弹性测试推动风险定价,是现在比较主流的方式,新毕业的硕士生和博士生,他们主要推崇这种思想,对于不同的客户,或者相同客户不同时间段,不同的情况,做AB测试。一边测一边改进,用最小迭代敏捷风控,这是数据驱动中主流的方法。

具体而言就是把一批评分类似或者差不多的客户,分成不同的服务给不同的利率,然后看看他们各自之后的表现如何。如果表现好的话,我们要怎么处理,表现不好的话怎么处理,需要进一步讨论,这个就是数据驱动定价。

2. 竞争跟随定价法

竞争跟随定价法,一般需要具备市场支配地位的竞争对手的利率做为参考系,根据竞争策略,下调或者上涨适当的利率,以达到快速切入市场的目的。

优点是快速开展业务,风控技术要求很低,就是别人怎么做,我进行复制。

但是这个不能在同一个战场里做,一般会有一个差异性,比如对手打的是一线二线城市,我的产品利率这么定,我要想做好产品,就不会在一二三线和他们叫板。

我也会在相同战场放一个产品但不会投入太多,会错位竞争,会到这个三四五线,或比较偏远的地方。然后利率和竞争对手一模一样,也可能稍微加点儿,怎么加呢,专家拍脑门决策一下,后期如果出了问题再调,这就要看储备金够不够了。

如果够,可以长期坚持下来,不够的话就出局了。最主要的是速度,一般一两周就确定好了。当然也会有很多bug,如果你自己本身储备的实力不够,那么有可能坚持不到最后的胜利。

三、成本核算定价法

成本核算定价法,比较难,我看很多市面上的书,以及大家操作起来都不这么做,因为这个对技术水平有一定的要求。

刚才最上面的总纲,下面的风险是对信用,而这个是对信贷的。

抵押贷咱们先不说,实际上信贷要求比抵押贷高很多。信用风险率试算,讲的是一次性还本付息或先息后本,等额本息大家可以回去推导一下,因为这个比较复杂,还要与很多平台结合在一起。这个简易静态算法不要照搬使用,容易出事。

资金具有一般等价物的性质,可以把风险归一化,我们损失的钱可以融汇在一起,损失一部分其实不影响整体。但如果是其他的资产,可能就不是这个性质。

我们先做一个假设,假设每个客户有相同的授信额度,发生违约就会发生损失,所以我们用违约概率乘以坏账率,如果能持续经营,那么肯损失要小于等于收益,这个公式是说违约的损失要小于等于利息的收益。这里的坏账率指的是发生违约之后的坏账率,大家一定要记住。

我们看ppt上的公式,原则上坏账率肯定在0和1之间,发生违约不一定资金就没了,可能是用户忘了,或者用户现在没钱,没到发薪日呢,或者其他情况用户不是诚心去违约。

因为我们前期有很多准入很多规则去限制,已经过滤了很多不好的客户,所以后期坏账率绝对不会是100%,很有可能是比较低的一个数。

我们可以再来看这个表,了解大概的水平,我们的风控要从保守的角度去看,假如发生违约,假设坏账率ɑ为1,只要发生违约,那么就认为是坏账,这是最为保守的估算。那么就可以简化公式odds≤β,β即为 最低信用风险利率。

这个时候我们看量表做试算,在不同的分组下,就是通过违约概率转化成odds≤β,它即为最低信用风险区。

大家可以看比较老的书籍,现在的书籍不讲这种模式怎么计算,更加偏重于模型的代码,这个指标如何测,接什么接口,哪个接口数据比较好,数据如何处理,如何清洗,这个没有用处。

这个是一种等同转化的事情,回款是比较迅速且金额等同的,我们可以通过查阅资料研究下这个公式和相关的资料。如果违约概率是0.5,那么这个利率比配额还低一点儿,配额应该是100以上。但如果是这样的话,实际上对业务是有影响的。

我们能明白,如果贷款放出去,即使发生违约,也不会是100%发生。有一部分钱可以通过催收收回来,如果催收还收不回来,可以把这个自然包去转卖,所以不会有100%的损失。这个时候我们可以算一下转化洗漱,就是在发生违约之后,资产有多少收不回来,先只算首次违约,这个平衡点是一个动态的而非固定的。

我们不同的产品,具体参数的设置,要看业务产品的整体架构,我们假设odds约等于应该放款,就可以看出不同产品的大概情况。

比如三点四五是这个房贷,但这个只是信用风险的计算,还应该加资金成本,运营费用等,所以说信用风险的利率一定会低于最终的利率。

大家可以看不同的分布,如果客户全都不还,那肯定是倒闭。后面是payloa,P2P,各类类金融平台,信用卡,腰部金融科技平台,头部金融科技平台,银行信用贷款,车贷有房贷,后面可能有补贴的助学贷款,或者是一些政策性贷款。

 

作者:郑泰森,某共享平台集团风控负责人;“数据人创作者联盟”成员。

本文由@一个数据人的自留地 原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自 Unsplash,基于CC0协议。

给作者打赏,鼓励TA抓紧创作!
更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 目前还没评论,等你发挥!