标签：假设 导致 :hover 相同 图表 历史 图算法 ati ssi
风控是互联网金融公司开展业务的底层基石，是一块值得精细耕耘的领域。模型方面从早期偏特征工程的风险画像、风险聚类、特征推荐，发展到时序预测（ARIMA、GARCH、Holt-Winter）、 异常检测（IF）、图算法、自动机器学习等建模挖掘工作。本篇将以该领域新人的角度出发，整理金融风控领域的相关基础知识。
评分卡模型基于假设“历史样本和未来样本服从同一总体分布”，故而才能从历史样本中归纳出数理统计规律来预测未来样本的表现。 评分卡通常采用逻辑回归（Logistics Regression）进行建模，其原因有很多，比如可解释性、简单模型、小样本学习等等。
为了简化处理，我们只考虑一个自变量 x ，那么评分卡模型的形式为：
其中令Odds（几率）= p(1-p)，P为模型预测为1的概率，则Odds越大，代表预测为1的概率越高。
评分卡模型对特征筛选有以下偏好：
WOE（Weight of Evidence）叫做证据权重，用于将两变量间的非线性关系转换为线性关系。
实际计算时，先将数据分箱，计算每个分箱的WOE，使其值呈单调趋势（若不单调则继续分箱，相邻分箱WOE值相同时合并）。
当一个分箱内只有Good（正常用户）或Bad（逾期用户）时，可对WOE公式进行修正如下：
IV值用于评估变量的预测能力，可认为是WOE的加权和，常用来快速筛选变量。
在应用实践中，其评价标准如下：
在信贷风控中，指标时反应业务变化最直观的手段，通过对指标的分析及时发现和定位业务开展过程中的问题，并及时采取相应的手段进行防控。
（First/Second/Third Payment Deliquency）
一般情况下每个月的FPD1% > SPD1% > TP1%,FPD30% > SPD30% > TPD30%，以图表形式展示后如果曲线出现交叉情况，则表明某包资产出现异常，需要单独对这个异常指标进行拆分。拆分的维度一般有省份、渠道等。
Vintage是以账龄MOB（month on book）为轴，观察每个放款月贷后的质量情况，分母为对应月份的放款本金，分子是截止期末时点逾期Mn+客户的所有剩余未还本金，可观测一个多期产品的风险全貌。 可以分为M1/M2/M3、M1+/M2+/M3+的件数/金额Vintage。
Vintage曲线的前几期会呈上升趋势，由于逾期会在前几期充分暴露出来。到后期逾期逐渐稳定，Vintage曲线的走势会逐渐平缓。
如果Vintage曲线在某一期都出现了翘尾，因此应该关注这个时期是不是出现了结构性异常，比如说节假日影响了客户还款以及催收作业等。
迁徙率可以用来预测不同逾期阶段的未来坏账损失，是资产管理中的核心指标，可以分为M0-M1、M1-M2、M2-M3、M3-M4迁徙率，同时也可以拆分为件数、金额的迁徙率。计算公式大致如下，以月末金额迁徙率为例：
如果迁徙率出现大于1的情况，往往会有两种原因，以M0-M1迁徙率为例：
回收率和迁徙率是高度相关的两个指标，比如本月M1的回收率较高，那么相应的M1-M2的迁徙率就会变低。仔细分析一下这两个指标的计算逻辑（按未还本金的口径计算）：
由于分母不一样，所以M1的回收率不可以用1减去M1-M2迁徙率，但是迁徙率和回收率成反比关系是确定的。回收率高，迁徙率自然就会低。回收率的计算一般有三种口径：
未完待续…
标签：假设 导致 :hover 相同 图表 历史 图算法 ati ssi
原文地址：https://www.cnblogs.com/cx2016/p/13824969.html
