精細化的風險管理，評分的應用策略之道

作為風控模型從業多年的我，談不上模型專家，但也算見多識廣。寫這篇文章的原因是我偶然間了解到一則風控總監及cro的招聘職責要求。

加之，現如今監管趨嚴的大環境下，精細化的風險管理愈加重要。試想隨著信貸業務量的增加，金融機構還會允許通過大量hard check進行風險識別和授信嗎？相信大家心裡都清楚：精準量化的風控時代早已到來。就算往日業內共識的「無風控」現金貸公司，據我了解也在精準渠道、量化風險上開始加大投入。

評分卡模型的運用，主要是為了解決兩大問題：

1、線上借貸業務量逐漸增加的情景下，策略規則已經無法滿足更細的切分需求；

2、對於策略無法有效識別的大量灰色客群，需要使用評分卡進行風險判斷；

現如今業界使用評分卡模型，更多的是為了解決第二個問題。

從金融機構自身業務發展歷程來看，評分卡模型介入風險管理流程常常取決於兩個重要的時機：

1、金融機構業務快速發展階段

在金融機構業務發展的早期階段，因為業務量小、樣本少、風險控制嚴格等一些主客觀原因，使用風控策略規則足以開展業務，所以在業務發展早期評分模型基本沒有任何用武之地。

但隨著信貸產品的測試期結束，金融機構要加快業務發展，此時不論是大量的客群樣本、逾期表現的積累，還是風險控制的政策放鬆，都因為風險策略無法精準細分的侷限性，而需要評分模型的介入，評分卡的應用場景更適用於人工分流。

此階段的評分模型，常常表現不穩定，比如ks波動較大，lift下降較快，psi時常過0.1。此階段評分模型的優化更多在於分析波動原因，快速重新開發迭代。

2、金融機構業務發展穩定階段

一旦金融機構度過了新產品的早期和發展期，此時產品市場表現已經趨向穩定，反應在客群分析上，表現出穩定層級的客戶畫像，此階段是評分模型介入2.0階段。

在這個階段評分模型會在風控流程節點上進行一些調整，比如申請卡模型會進一步的前置，擔當部分客群豁免的功能。同時，此**分模型介入2.0階段也會降低一些外部徵信資料呼叫成本，控制因三方資料有誤而引起的誤殺。

此階段的評分模型，表現較為穩定，ks、lift、psi等指標波動較小，對於評分卡的迭代開發需求降低，評分卡的應用更加與業務需求、金融政策以及企業發展戰略相關，在保證評分模型穩定性及相對精準度的前提下，使用模型調整係數進行全域性模型的調整是此階段的主要優化辦法。

三、評分模型的cutoff

評分卡分數轉換出來，在不同業務發展階段如何合理的制定評分的cutoff，是評分應用重要的一步。

一般將評分等分後，會有兩種方式對評分進行cutoff：一種是參照ks和cum % bad rate,另一種根據等分後的累計淨收益。

第一種參照max ks和累積bad rate理論上是可以盡可能的將壞客戶剔除，對好客群進行授信，但無法根據業務發展需要保證收益最大化。參照不同業務發展階段的需求，根據評分對收益損失預估，最終確定評分cutoff，我認為這才是精細化的評分應用策略。

第二種制定評分的cutoff，需要聯動分析以下圖示的一些指標

通過逆向累計淨收入指標的分析，結合當下風控政策，綜合評定評分的cutoff，將之應用在風控策略上，我認為這樣才是更接近業務的評分cutoff。

綜上，我認為是精細化風險管理評分應用的最佳策略。精細化的風險管理，評分的應用策略之道。

搜尋：「金科應用研究院」