信用评分如何应用在风控策略中（二）

上一期主要说了ABC三卡的功能和作用，并没有具体阐述信用评分的实际应用过程，这次就这个问题，进行了搜索并思考，归结如下：

• 风险策略是什么，风险策略是由很对信审风控规则所组成的一个用以实现金融机构风险控制目标的一个规则集合

• 这个图，大概就一般审批风险政策的整个决策流（这个描述其实不是很精准，在审批授信时，除了准入审批外，还需要进行核定额度和定价，后面会有所讨论）。当然在实际运用中各有各的风格，会有些许的差别，不过大概模块都是差不多的。

进件规则

• 进件规则的主要作用是用来定义信贷产品特定的目标客群。比如，房屋抵押贷款的进件规则一般就是客户有房；助学贷款的进件规则是客户至少要是学生；手机分期贷款的话，客户得是在买手机。进件规则一般是所有风险策略中最公开的部分。这个规则一般都会涉及到线上和线下的渠道推广。如果进件规则不明确的话，会给后面的审核带来很大的困扰.同时，尤其是线下渠道，进件规则其实也是进场被攻击的地方，涉及到的材料审核也许会被别有用心的人加以利用。

反欺诈规则

• 欺诈一般分两类，即申请欺诈和交易欺诈。其中，交易欺诈多发生在支付、信用卡及类信用卡等产品中。一般贷款类产品主要涉及到的是申请欺诈。申请欺诈通常分四类，但其实它们之间有时界限并不是非常清晰，甚至有可能是同时发生，我的分类依据主要是反欺诈所使用的防控手段。这几类欺诈分别是：
• 身份冒用：被第三方冒用身份；
• 恶意骗贷：把自己豁出去了；
• 资料造假：通过资料造假提升自己获得授信的可能性；
• 用途篡改：部分类型的信贷是指明借款用途的，如果私自改变借款通途，就属于此类欺诈。
• 进件规则涉及到的风险，通常在反欺诈规则中会有相应的对策。但实际操作中，可能会发生由于某些信息核实的成本过高，在计算过投入产出比后，放弃相应策略的情况。

严拒规则

• 严拒规则通常是指信贷机构完全不能容忍或防止合规性风险的规则。比如说，前段时间银监会明确了校园市场，只能由持牌的金融机构来运营的规定。那么在绝大多数户金机构的策略里，大概率会有”if 职业为学生，then 拒绝“类似的规则；再比如，为了不向未成年人提供贷款，那么就会有”if 年龄<18, then 拒绝“的规则；还比如，有黄赌毒或其他犯罪历史的人、之前就在本金融机构有过严重信用不良记录的人会被直接拒绝等等。

客群判定

• 凡是我们认为可以区分不同客群的规则，都可以归到这一类中，比如进件渠道、用户特征、历史行为等。到底客群规则应该选取哪些特征，其实比我们想象的要复杂的多。现在业界通行的就是按照进件渠道或明显的行为差异或区分风险的能力来做客群分类。当然这些存在已久的做法是有其合理性的。但在我看来，进件渠道或明显的行为差异是“未经验证的先验假设”；而“区分风险的能力”则是“通过贪婪算法追求局部最优”，都是有其内在缺陷的。从这里就能看出，也许风险规则真不像我们想象的那么简单，我先抛出两个问题大家可以思考一下。
• 到底什么样的客群分类最有利于做风险判断或建模
• 在做客群分类的时候，除了风险，还有什么其他要考虑的因素？

可变规则

• 这个名字其实我一直没找到合适的翻译，如果哪位大神知道的话可以跟我分享一下。在我前司，我们把这类规则叫做“Soft Rule”。这类规则也是整个风险规则中调整频率比较高的一类。以我个人观察和经验来看，仅低于反欺诈和评分规则。这类规则的作用也很容易理解。当我们发现一些明显和风险相关的行为特征时，通常倾向于把这类特征做成一条规则，但不会像严拒规则一样一棍子打死，而是进行一定的程度判断（这个程度是会不断调整的），我这里抛砖引玉来举几个栗子。手机号的入网时长；现在工作单位的工作时间；最近一段时间信贷申请次数；目前的总授信等。大家自行体会一下。

评分规则

• 这里就是我们应用信用评分的地方下面我会详细介绍当有了一个新的评分后，是如何将这个新的评分引入我们的规则体系的。

评分的应用场景及方法

一般来说将一个新的信用评分引入整个规则体系，主要希望能起到如下方面的作用:

• 降低存量规则授信人群的逾期率。这是一个相对来说容易比较容易完成的任务。只需要在历史通过存量授信且有还款表现的人群中，按照评分排序后，将人群按照不同分数段分组后，来依次判断各个分组人群的逾期率是否能够答到风险要求即可。但同时也要注意误判率也要控制在一个合理的水平。如果我们发现无法在将误判率控制在一个合理的水平的前提下，找到一个可以拒绝的分组，那么通常说明该评分在这个场景或客群下是无法应用的。
• 在不提高逾期率的前提下，提高通过率。同上面的分析所不同的是，因为伴随着提高通过率，必然意味着在进行分析时，我们要引入一个我们之前并没有真实授信的人群。因此需要引入与研发信用评分时类似的“拒绝推断”的技术。因为拒绝推断的内容比较复杂，在这里不详述。
• 在我们通过拒绝推断获得了全量样本的还款表现时，相对完整的方法是，将所有被可变规则拒绝的人群拿出来（在同一个客群判定规则下，即同一个segment），按照上面同样的办法进行排序。所不同的是，刚刚我们挑选阈值时，是从评分低（逾期概率大的客户）往评分高（逾期概率小的客户）来依次看，现在我们则是从评分高往评分低的分组来依次看，是否在我们引入额外的用户后，整体的逾期水平或者额外一小群人的逾期率，能够达到我们风险控制的目标。在实际工作中，我们要解决的问题会比上述的两个场景更复杂。但是通常也就是要同时兼顾上面的两个任务，在这种情况的下基本的原理还是相同的，只不过我们需要将上面的两个方法综合起来应用。