一、海外信贷现状简介
自国内金融P2P暴雷，国内很多小贷机构便涌入了东南亚、非洲等未开拓的市场，像印尼、印度、菲律宾、泰国、越南、尼日利亚等国家。
分析这些东南亚/非洲国家的市场特点，有低金融包容性（2017年越南有30.8%的人拥有银行账户），对金融的高需求（2017年借贷的人口比例49.0%）和互联网普及率（2018年为66%）和移动连通性，为东南亚金融科技贷款的发展提供了最有利的条件，开启了野蛮生长的模式。
结合这些地域的贷款市场情况，通常征信体系建设及经济情况都比较差，且大部分的用户资质比较差（也并不满足银行的贷款资格）。种种因素下，机构对于放贷用户的信用/欺诈风险的掌握是比较差的，小贷机构坏账率普遍地高（如一些机构的新借贷用户坏账率可达 20~30%，而银行坏账通常在10%左右）。
在东南亚开展的小额贷款产品，普遍是714高炮（贷款周期7-14天，收取高额逾期费用或放贷时提前从本金中扣除利息-砍头息，有的实际年化利率竟达到300%）。
高利率必然带着高风险，这种业务也很容易受到金融监管政策的封杀。
二、小贷风控体系介绍
这么高的坏账情况，如果小贷机构在对借贷用户信用情况的掌握不足，即使高利率也未必覆盖这么高的信用风险。
可见，风控能力是小贷业务控制损失的核心，风控体系通常由 反欺诈（证件信息核实、人脸识别验证、黑名单）+ 申请评分模型组成。
风控好坏关键在于数据获取及积累。一个明显差异体现在于，机构新借贷的用户坏账率是20~30%（里面骗贷欺诈的比重应该挺高），而对于在机构内复贷的老用户（之前有借贷的再重复贷款的用户）坏账率仅有4%。
也就是，对于机构有掌握借贷历史的用户，其坏账率是显著较低的！信贷风控能力的差异其实也就是数据垄断优势的体现！ 对于小贷机构，营销扩展新用户后，如何应用风控模型尽量准确地评估新用户，并给予较低的额度，当其有较好的信贷历史后再提高额度，好好维持及扩充这部分复贷用户就是业务盈利的关键。
海外的小贷机构申请评分模型的数据主要来源有：
- 机构历史借贷记录：如使用同一手机号申请贷款次数、逾期次数。在征信体系建设覆盖不完全的情况下，在机构内（或联合机构）的借贷历史往往也是最有说服力及有效的。
- 客户基本资料：如身份信息、联系方式、职业、收入、借款用途等信息。由于线上申请这些数据往往没有人工审核，信息的可靠性是存疑的，通常可以借助多方数据来核验这些是不是一致及可靠的。
- 征信机构的征信报告：全球三大商业个人征信巨头分别为益百利（Experian）、艾克发（Equifax）和环联（Trans union），可以提供贷款申请次数、贷款额度、信用账户数等信息。但不足的地方在于，对于征信体系建设不完善的地区，覆盖度、信息记录会比较差（本项目验证的Experian实际覆盖度80%左右）。
- 手机短信：短信可以提供很多有价值的信息，如话费欠费、银行卡收入支出、联系人数量、日常闲聊短信、机构催收短信、信贷广告数量。可以通过简单关键字匹配、词袋模型等方法抽取关键特征，进一步还可以通过短信分类、信息抽取（实体抽取）等方法统计催收短信数量、欠款金额、收入支出金额等数据（注：获取短信数据肯定是不合规的，对于机构只想要更多的数据保证，而对于用户急着用钱哪还管什么隐私数据。当前，有些APP已被禁止获取短信、通话记录，这也是要随着监管不断完善。）
- 手机通讯录：可用于统计关联的联系人的逾期次数等特征，以及其他的一些社交信息；
- APP数据：可统计安装信贷类APP、社交类APP的数量，以及app使用率；
- 登录IP、GPS、设备号信息：可以用于关联特征，如同一IP下逾期次数，以及建立IP、设备黑名单；
- 银行对账单数据：如工资流水等信息，可以比较有效体现用户还款能力。
三、申请评分模型实践
3.1 征信特征加工
本项目基于东南亚某国近期的500笔的小额贷款交易（数据源于网络，侵删），获取相应Experian征信报告数据，并用Python加工出滑动窗口的征信特征：如近30天的贷款次数，贷款平均额度、最近贷款日期间隔、历史逾期次数等特征，通过LightGBM构建申请评分模型。
（本项目建模较为简化，更为完整的评分卡建模全流程可以参考之前文章：一文梳理金融风控建模全流程(Python)）
![]()
Experian征信报告原始报文包含了个人基本信息、近期贷款信息、信用卡、贷款等历史表现等信息。如下代码滑动时间窗口，提取相应的特征。
#完整代码请关注公众号“算法进阶”或访问https://github.com/aialgorithm/Blogdefadd_fea_grids(fea_dict,mult_datas,apply_dt=&#39;20200101&#39;,dt_key=&#39;Open_Date&#39;,calc_key=&#34;data[&#39;Amount_Past_Due&#39;]&#34;,groupfun=[&#39;count&#39;,&#39;sum&#39;,&#39;median&#39;,&#39;mean&#39;,&#39;max&#39;,&#39;min&#39;,&#39;std&#39;],dt_grids=[7,30,60,360,9999]):&#34;&#34;&#34;征信报告使用滑动时间窗口-近N天，加工字段A的计数、平均、求和等特征.fea_dict:最终特征存储的字典mult_datas:多条的记录值calc_key:数据特征字段的相对位置&#34;&#34;&#34;new_fea={}#记录各时间窗口的原始特征for_dtindt_grids:new_fea.setdefault(_dt,[])#按时间窗口初始化fea_suffix=calc_key.split(&#34;&#39;&#34;)[-2]+str(len(calc_key))#前缀备注ifmult_datas:mult_datas=con_list(mult_datas)fordatainmult_datas:iflen(data[dt_key])>=4anddata[dt_key]<apply_dt:#筛选申请日期前的记录,报告应该为准实时调用的for_dtindt_grids:if(_dt==9999)or(ddt.datetime.strptime(str(data[dt_key]),&#34;%Y%m%d&#34;)>=(ddt.datetime.strptime(str(apply_dt),&#34;%Y%m%d&#34;)+ddt.timedelta(days=-_dt))):#筛选为近N天的记录，为9999则不做筛选if&#34;Date&#34;incalc_keyor&#34;Year&#34;incalc_key:#判断是否为日期型，日期直接计算为时间间隔fea_value=diff_date(apply_dt,eval(calc_key))elif&#34;mean&#34;ingroupfun:#判断是否为数值型，直接提取到相应的时间窗fea_value=to_float_ornan(eval(calc_key))else:#其他按字符型处理fea_value=eval(calc_key)new_fea[_dt].append(fea_value)#{30:[2767.0,0.0]}for_k,data_listinnew_fea.items():#生成具体特征forfuningroupfun:fea_name=fea_suffix+&#39;_&#39;+fun+&#39;_&#39;+str(_k)fea_dict.setdefault(fea_name,[])iflen(data_list)>0:final_value=fun_dict[fun](data_list)else:final_value=np.nanfea_dict[fea_name].append(final_value)
![]()
3.2 特征选择
考虑征信报告的隐私性，本项目仅提供一份报告示例做特征加工。特征加工后特征选择，关联逾期标签，形成如下最终数据特征宽表。
df2=pd.read_pickle(&#39;filter_feas_df.pkl&#39;)print(df2.label.value_counts())#逾期标签为label==0df2.head()
![]()
3.3 模型训练
train_x,test_x,train_y,test_y=train_test_split(df2.drop(&#39;label&#39;,axis=1),df2.label,random_state=1)lgb=lightgbm.LGBMClassifier()lgb.fit(train_x,train_y,eval_set=[(test_x,test_y)],eval_metric=&#39;auc&#39;,early_stopping_rounds=50,verbose=-1)print(&#39;train&#39;,model_metrics2(lgb,train_x,train_y))print(&#39;test&#39;,model_metrics2(lgb,test_x,test_y))
![]()
仅用征信报告数据的特征，可见对于逾期用户的识别效果很一般，Test AUC仅60%左右（后续还是得寄望于加入些短信类、历史借贷类等数据）。综合分析模型重要的特征，主要为：
![]()
本团队可承接金融风控建模的项目，有合作需求可以联系微信号“Ai_Algorithms”
参考链接：http://www.xinhuanet.com/fortune/2020-11/27/c_1126793844.htmhttps://www.163.com/dy/article/H84VU3OR051196HN.htmlhttps://zhuanlan.zhihu.com/p/88820665
- END - |
|
转播
