金融系統風控模型怎麼建模

❶ 做金融建模需要哪些條件

1、要對金融投資行業感興趣，這是最最根本的，如果您對此不感興趣，或者不是很了解，建議您先讀讀金融建模的相關書籍或者是金融投資理論的書籍(譬如CFA教材)。

2、要有基本的會計基礎，即財務分析能力(初級)，模型的勾稽關系是基於三大報表直接的鉤稽關系的，各個科目的公司嵌套，最終成為一個能夠用數字來說明解釋問題的模型。

資金的供給者和需求者不直接見面，而是通過金融機構為媒介體進行的間接資金融通。如銀行存款，就是資金供給者把資金存入銀行，由銀行把資金集中起來貸放給資金需求者，銀行充當資金供求的中介，這是現代信用制度下典型的間接融資方式。

(1)金融系統風控模型怎麼建模擴展閱讀：

企業金融性投資既可作為公司理財行為，又是企業經營發展戰略的重要組成部分。其目的是多方面的：

(1)通過金融投資，為企業閑置資金尋找獲取收益的機會。

(2)通過金融投資，分散企業經營風險。

(3)通過金融投資，提高資產的流動性，增強企業的償債能力。

(4)對企業來說，金融投資既可用作套期保值又可用作投機牟利。

(5)金融投資還是實現企業擴張的重要手段。一家企業或公司的經營是否成功，其標志之一是看其是否在經營過程中獲得了發展，而發展的具體體現包括了向外的擴展，這就是兼並、收購其他企業，並進行公司重組。

❷ 互聯網金融風控模型都有哪些

以P2P網貸為例

一、銷售環節

了解客戶申請意願和申請信息的真實性，適用於信貸員模式，風控關鍵點。

風控關鍵點：不同類型的借款申請調用不同的信用評分規則引擎。

二、貸後存量客戶管理環節

存量客戶授信調整是存量客戶管理中的重要一環

風控關鍵點：

1、違約情況觀察，比如是否發生早期逾期，連續多期不還欠款、聯系方式失效等

2、信息關聯排查，比如存量客戶中是否有與新增的黑名單、灰名單數據匹配

三、貸後逾期客戶管理環節

還款意願差和還款能力不足是客戶逾期的主要原因，這個環節主要涉及逾期客戶管理與失聯客戶管理

風控關鍵點：

1、催收模型、策略優化。

2、失聯客戶識別與修復失聯客戶信息。

四、資金流動性管理環節

流動性風險是P2P網貸平台的主要風險，跑路P2P網貸平台的一個重要原因就是發生了擠兌。大數據下的流動性管理其實是實時BI的一個應用。傳統BI數據T+1，大數據是實時BI。

風控關鍵點:

1、資金維度

2、業務維度

❸ 金融風控AI—評分卡模型演算法(1)

辦理過信用卡的朋友知道，開卡需要先申請（篩選好壞用戶），可能還會根據你的信用情況會有不同的額度。這就是銀行的信用風險計量體系。對於信用卡有4類評分卡：

1）申請評分卡（A卡）

2）行為評分卡（B卡）

3）催收評分卡（C卡）

4）欺詐評分卡（F卡）

這些評分卡演算法一樣，只是訓練的數據不同，所用的參數也就不同。

螞蟻金服的芝麻信用也是這樣的。

模型的開發主要包含以下幾大部分工作：數據獲取、數據預處理、探索分析、特徵選擇、模型訓練、模型評估、建立評分系統。

 本項目數據來源於kaggle競賽 Give Me Some Credit 。有訓練數據共計15萬條。

打開數據文件大概這個樣子：

欄位描述如下

這部分主要做2個事情：缺失值處理和異常值處理。

pd的describe()函數，可以了解數據集的缺失值情況。

打開DataDescribe.csv

我們可以看大部分數據有15萬條，其中月收入只有12萬條，缺了近3萬條，家屬數量14.6萬條。

對於缺失值，根據不同的情況我們分類處理：

（1） 如果缺失的不多，比如家屬數量缺失不多，可以直接刪除含有缺失值的樣本。用dropna()

（2） 如果缺失較多，不宜直接全部刪除，根據樣本之間的相似性填補缺失值。比如用平均值

（3）如果缺失較多，不宜直接全部刪除， 根據變數之間的相關關系填補缺失值。比如用隨機森林法填補。

  （4）如果缺失巨大，就失去分析意義，可以將整個欄位刪除

平均值填補只要一句話：

隨機森林法填補：

調用隨機森林：

異常值是指明顯偏離大多數抽樣數據的數值，或者直接違背常識的數據，比如年齡是負數。對於違背常識的記錄直接刪除，而對於其他異常數據需要具體分析：

具體採用哪種方式其實最好都試一下，看看最後得到的模型怎麼樣。因為所有這些操作都是有假設條件的，而你的數據是否滿足這些條件，試過才知道。

從圖看有異常值不少，不過一般只把異常的0值去掉。

對於及DebtRatio都是百分數類型。其中第一項肯定不能大於100%而且統計一下這部分異常數據不多，果斷刪掉。第二項債務百分比不敢確定是否可債務大於100%，統計了一下有3w多條，而且取出來看了一下不是很特別，同樣可以試一下刪除或者放入不管或者填充看看最後不同的效果。

這3個逾期不還次數指標意義相似放一起看，發現有2個數據特別顯眼，是96，98。雖然按箱型圖的含義所有圓圈都是異常值，但仔細分析這三個指標發現正常值絕大部分是0，這就導致了箱型圖的1/4線和3/4線都是0，所以我們通常把頭頂2個值作為異常值。我把這部分異常值取出來發現數量不多，只有200多條，理論上可以直接刪除或者放在裡面置之不理。但是我看了這部分數據發現非常異常。這208條數據有125條是違約用戶，違約佔比62%，而全量數據裡面違約佔比7%不到，所以我覺得應該把這部分數據作為一條規則來處理，遇到這三個指標有超過90的數值，直接報告警。那麼是否可以把這部分數據留著置之不理呢，後面我試了，發現會對變數之間的相關性有很大影響（後面會詳細講）。

同樣這個指標我們把50以上作為異常值。

這個指標pass

月收入可以去掉特別高的數據

家庭成員可以剔除特別高的

第一篇完

❹ 互聯網金融風控模型一般是如何搭建的

風控模型是在良好的建立風控體系、風控評定方式、評分機制等基礎上，進行有效的數據分析及評分體系，就是建立常用的風控模型方式。目前來看，國內的互聯網金融平台搭建風控模型主要有兩種方式：一是自己搭建，二是直接使用三方供應商。比如目前互聯網金融公司廣泛使用的杭州同盾的風控產品和服務。當然，更多的互聯網金融公司都會選擇將兩者結合起來，優化模型，提升效果。

❺ 互聯網金融風控模型一般是如何搭建的

很多配資平台都是充值不要手續費的。主要是利息錢了。賣弄玄虛

❻ 互聯網金融風控模型，需要多大的數據

1、基於某類特定目標人群、特定行業、商圈等做風控

由於針對特定人員、行業、商圈等垂直目標做深耕，較為容易建立對應的風險點及風控策略。
例如：
針對大學生的消費貸，主要針對大學生人群的特徵
針對農業機具行業的融資擔保。
針對批發市場商圈的信貸。

2、基於自有平台身份數據、歷史交易數據、支付數據、信用數據、行為數據、黑名單/白名單等數據做風控

身份數據：實名認證信息（姓名、身份證號、手機號、銀行卡、單位、職位）、行業、家庭住址、單位地址、關系圈等等。
交易數據/支付數據：例如B2C/B2B/C2C電商平台的交易數據，P2P平台的借款、投資的交易數據等。
信用數據：例如P2P平台借款、還款等行為累積形成的信用數據，電商平台根據交易行為形成的信用數據及信用分（京東白條、支付寶花唄），SNS平台的信用數據。
行為數據：例如電商的購買行為、互動行為、實名認證行為（例如類似新浪微博單位認證及好友認證）、修改資料（例如修改家庭及單位住址，通過更換頻率來確認職業穩定性）。
黑名單/白名單：信用卡黑名單、賬戶白名單等。

3、基於第三方平台服務及數據做風控

互聯網徵信平台（非人行徵信）、行業聯盟共享數據（例如小貸聯盟、P2P聯盟） FICO服務
Retail Decisions(ReD)、Maxmind服務
IP地址庫、代理伺服器、盜卡/偽卡資料庫、惡意網址庫等
輿情監控及趨勢、口碑服務。諸如宏觀政策、行業趨勢及個體案例的分析等等

4、基於傳統行業數據做風控

人行徵信、工商、稅務、房管、法院、公安、金融機構、車管所、電信、公共事業（水電煤）等傳統行業數據。

5、線下實地盡職調查數據

包括自建風控團隊做線下盡職調查模式以及與小貸公司、典當、第三方信用管理公司等傳統線下企業合作做風控的模式。
雖然貌似與大數據無關，但線下風控數據也是大數據風控的重要數據來源和手段。

❼ 金融風險預測用什麼模型

工商銀行開發的風控模型。

❽ 消費金融風控模型該如何創建

風控模型是在良好的建立風控體系、風控評定方式、評分機制等基礎上，進行有效的數據分析及評分體系，就是建立常用的風控模型方式。目前來看，國內的消費金融搭建風控模型主要有兩種方式：一是自己搭建，二是直接使用三方供應商。比如目前消費金融公司廣泛使用的杭州同盾的風控產品和服務。當然，更多的消費金融公司都會選擇將兩者結合起來，優化模型，提升效果。

❾ 互聯網金融信貸業務的風險控制分析模型

以前的平安銀行副行長趙繼臣曾經說過，互聯網金融發展到信貸業務，核心一定是風險控制能力。網貸公司想要盈利，就必須自己建立風險控制的分析模型，根據模型來劃分不同的客群，針對不同客群的風險進行定價，用收益來覆蓋風險。

最近在看《互聯網信貸風險與大數據——如何開展互聯網金融的實踐》，書中所提到的分析模型對風控很有幫助，主要從客戶准入管理、存量客戶管理和逾期客戶管理三個角度去劃分。

一、客戶准入管理

客戶引入管理是金融機構控制風險的第一道門檻，對存量客戶和逾期客戶的管理有很大幫助。客戶准入階段需要解決兩個問題，一個是引入什麼樣的客戶，二是如何授信。

客戶准入階段的模型主要有申請風險模型、初始額度模型、申請欺詐模型。

（1）申請風險模型

申請風險模型對金融機構是最常用也是最重要的，來源於客戶資質綜合評價，全面評估客戶的風險，引入優質客戶。該模型的預測變數很大程度上依賴於客戶的申請信息、信貸歷史信息和無央行徵信信息等。

主要從家庭、工作、資產負債、學歷、信貸歷史、還款歷史和新信貸需求等考核。

現在互聯網大數據的普及，還可以通過客戶流水數據、網路交易行為、瀏覽行為、評價行為等進行判斷，增加 客戶風險評價的准確性。

通常來說，如果客戶評分高，風險較低，可以直接通過；評分低，風險較高，可以直接拒絕；處於兩者之間，則進行二審再做決定。

（2）初始額度模型

初始額度的授信不僅是考慮客戶還款能力，更主要的是衡量客戶的收益情況。客戶的收益主要是來源於客戶的循環利息、逾期利息、分期手續費等。

通過客戶屬性、逾期行為、還款行為、透支情況和額度使用情況等，在一定程度上能夠反映客戶的收益。

另外電商中的購買行為、分期行為、客戶的網路瀏覽行為及點擊行為，對於客戶價值的判斷也有幫助。

風險低、收益高的客戶，初始額度授信高；風險高、收益低的客戶，初始額度授信低。

（3）申請欺詐模型

雖然欺詐客戶的比例比較小，但如果發生損失，就很難追回，所以這個模型也很重要。

申請欺詐模型，是通過客戶填寫的申請信息和央行徵信信息來判斷。這個模型的預測變數主要通過以下這些方面反映：

客戶單位名稱是否在徵信的單位列表中；客戶家庭地址、單位地址是否在徵信的地址列表中；過去一段時間同一聯系人、同一單位地址是否有多次進件；申請人、單位是否曾經發生過欺詐進件。

由於央行徵信信息的實效性和完備性，並不能完全滿足欺詐模型的需求。互聯網上的相關數據，對申請欺詐模型的建立也是有幫助的。這些具體數據包括同一cookie和IP地址是否在短時間內頻繁進件；申請貸款的cookie和IP地址是否為客戶活躍使用的；申請貸款地點離客戶家庭住址和單位地址的距離；客戶以前的互聯網行為是否活躍；電商數據、瀏覽數據、電信運營商等記錄的客戶聯系方式。

二、存量客戶管理

存量客戶即金融機構業已維護的客戶群體，其管理主要包含交易欺詐管理、再貸客戶營銷管理、授信額度管理、流失客戶管理等業務，核心目標是為了鞏固客戶的忠誠度，提高客戶價值。

存量客戶管理模型體系主要有行為風險模型、交易欺詐模型、行為收益模型、行為流失模型和市場響應模型等。

（1）行為風險模型

行為風險變數是預測客戶風險的模型，其預測變數主要由客戶的交易行為組合而成。

行為風險模型預測變數可以基於還款行為、消費行為、信用卡取現行為、欠款行為、資金的使用情況等方面來考慮。

另外央行徵信數據、互聯網交易數據和瀏覽數據、銀行流水數據等，對於行為風險模型的開發也很有幫助。

（2）交易欺詐模型

交易欺詐是指通過盜取他人的賬號和密碼信息，盜取持卡人的資金的行為。交易欺詐模型是根據客戶的歷史交易行為預測當筆交易為欺詐的可能性。

交易模型的預測變數比較多，例如通過當筆交易金額、當筆交易幣種、當筆交易時間、當筆交易地點、過去N次交易的密碼輸錯次數、過去N次交易的交易失敗次數、過去N分鍾內的交易次數、過去N分鍾小額刷卡次數等進行判斷。

（3）行為收益模型

行為收益風險模型是根據客戶的歷史行為來預測客戶未來收益的高低。

客戶收益的高低由其戶自身屬性和行為屬性的決定，主要通過性別、年齡、學歷、消費行為、取現行為、分期行為、逾期情況、額度使用情況等判斷。

低風險高收益的客群，獲取的資源相對較多；高風險低收益的客戶得到的資源就會少。

（4）行為流失模型

客戶是否有流失的徵兆，主要看其交易行為是否有異常就可判斷。

行為流失模型的預測變數，可以通過以下這些方面來考慮：近N個月的交易金額和交易筆數、額度、信用卡到期時間、也可通過央行徵信信息獲取客戶在其他金融機構持有的信用卡情況、持有他行卡的數、他行卡活躍程度，他行卡的額度。

行為流失模型主要用於客戶挽留，通常會結合行為風險模型和行為收益模型，根據風險收益的不同，採取不同的策略。

（5）市場響應模型

市場響應模型通常和風險模型結合使用，篩選風險，響應較好的客戶群作為營銷的目標客戶群。

市場響應模型需要根據營銷目標來選擇預測變數。例如存量客戶再貸營銷，預測變數就要看這些方面：最近是否有申請貸款的查詢記錄、信用卡的額度佔用情況、信用卡循環使用情況、收入負債情況等。另外客戶最近是否有買車、買房、買奢侈品等大額單筆交易的記錄等第三方數據，對於客戶是否有貸款需求也很有幫助。

三、逾期客戶管理

逾期客戶指客戶未按約定時間履行還款的約定，客戶逾期原因主要是還款意願差和還款能力不足。

針對逾期客戶，主要採用催收策略。催收計量模型是逾期看客戶分群的重要依據，能夠識別客戶的風險情況，根據風險不同採用的催收手段也不一樣。

常見的催收計量模型包括賬齡滾動率模型、行為模型和失聯模型。

（1）賬齡滾動率模型

逾期賬齡是通過逾期天數定義，賬齡越高，客戶的風險越高。比如逾期賬齡劃分：

M1客戶：逾期1~29天的客戶；

M2客戶：逾期30~59天的客戶；

M3客戶：逾期60~89天的客戶；

……

客戶評分越低，遷移至下一個賬齡的概率越高，客戶的風險越高，下個月內還錢的可能性越小。

賬齡滾動率模型採用的變數包含客戶的行為信息和催收信息，常用的預測變數包括：消費行為、取現行為、額度使用情況、還款情況、催收情況、打破承諾次數。

（2）行為模型

行為模型主要利用客戶的交易行為特徵和還款行為特徵去考察客戶未來變壞的可能性，與存量客戶管理時所考慮的變數是相同的。

行為模型與賬齡滾動率模型結合使用，對客戶的評價才會全面、准確，制定催收策略就會更優針對性。

（3）失聯模型

失聯是需要綜合一段時間嘗試使用多種方式多個時段，都無法聯繫上客戶，才能判斷為失聯。

失聯模型是基於歷史數據，預測客戶發生失聯的可能性，希望做到提前預知。

失聯模型主要關注客戶的這些信息：交易情況、貸款余額情況、額度佔用情況、最近一次聯系客戶時間、聯系方式變更情況、戶籍信息、工作家庭情況、歷史催收結果等。

互聯網的技術優勢降低了風險評估成本，風險控制變得相對容易。互聯網金融公司做信貸業務時，能夠根據風險分析模型，做好客戶分群管理，才能更好的建立競爭優勢。

❿ 風控體系如何建設

風險控制的四種基本方法是：風險迴避、損失控制、風險轉移和風險保留。

一、風險迴避

1、風險迴避是投資主體有意識地放棄風險行為，完全避免特定的損失風險。

2、簡單的風險迴避是一種最消極的風險處理辦法，因為投資者在放棄風險行為的同時，往往也放棄了潛在的目標收益。

二、損失控制

1、損失控制不是放棄風險，而是制定計劃和採取措施降低損失的可能性或者是減少實際損失。

2、控制的階段包括事前、事中和事後三個階段。

3、事前控制的目的主要是為了降低損失的概率，事中和事後的控制主要是為了減少實際發生的損失。

三、風險轉移

1、風險轉移是指通過契約，將讓渡人的風險轉移給受讓人承擔的行為。

2、通過風險轉移過程有時可大大降低經濟主體的風險程度。

四、風險自留

風險自留，即風險承擔，如果損失發生，經濟主體將以當時可利用的任何資金進行支付。

(10)金融系統風控模型怎麼建模擴展閱讀

風險控制要從源頭上抓起，不是要求完全消滅風險，而是要求能完全駕馭風險。風險貫穿於業務的每一個環節中，發現風險在於最大限度的了解信息。防範風險最關鍵是控制關鍵的人和物，做到事前預防，事中控制，事後總結。

在銀行信貸行業中，銀行風控的主要工作職能貫穿著整個後線系統，從貸前到貸中直至貸後，貸前，即客戶申請進件之前的初期審核，重要的一部分是考察客戶的經濟收入穩定性，這有利於把控客戶後期的償債能力及聯系人的可共償性。

銀行要從個人基本材料，徵信報告及附加資產證明材料。其中徵信報告主要看客戶的負債，信用記錄，個人基本信息變更頻率及近期徵信查詢記錄等，從側面輔助判斷該客戶的綜合資質及風險。

貸中即客戶進件後至合同生效前——主要從正面接觸客戶，了解借款用途的真實性及流程的合規性，在這一過程，是整個風控體系的重中之重，這是風險控制的最後一道防線，全方位的掌握及合理判斷客戶的風險點，區分風險的可控性。

風控主要涉及到跟客戶之間建立長期有限的聯系和逾期催收的內容，跟客戶有良好的合作關系可以有效地降低逾期的風險性。