消费信贷信用风险评估的理论差异
KMV模型很好的诠释了公司信用评估的核心思想，那就是确认安全边际理论。“安全边际”这个名词来自价值投资领域，即投资品的市场价格和其真实价值之间的差额，差额越大，则盈利的可能性越大。股票可以看作是买入了看涨期权，而债券则是买入了看跌期权。那么贷款客户的违约率就和担保物（可以是实际的抵质押物、净资产或市值）价值与贷款额度的比值相关，这就是KMV的思想。
可以通过期权定价公式计算未来市值的平均价格和总贷款之间差距的大小。
然后将这个距离再换算为违约概率。
传统信贷有两大特点1、有抵质押物，公司贷款需要土地或厂房抵质押，个人贷款需要房产、车产抵质押；
2、客户信息充分，便于做针对性的定价评估。
而消费信贷面临抵质押物缺失和客户信息不充分或者评估人手不充足。因此评估方法也存在差异。
首先说一下消费信贷信用风险评估方法差异性的根源。就是领域突出的逆向选择问题。信息经济学将由于非对称信息而导致交易一方面临不利的选择环境，称为“逆向选择”。二手产品市场中，低质量产品将高质量产品排挤出市场的主要原因是它们都在相同的价格水平上出售，导致高质量产品供应不足。
在消费信贷中也会遇到同类问题。如果一家银行对全部客户的贷款利率都是相同的，那申请客户中大部分会是违约概率高于贷款利率的人。降低逆向选择的方法在宏观上有建立更完善的征信体系、增加法律约束以提高违约成本，而贷款机构的微观层面上，主要是识别出标准化客户。贸易交易中，钢铁就是标准品，而贷款客户中，按照客户阶层、地域也可以定位出所谓的标准客户。客户画像是描绘标准客户的手段，而其目的是明确同类型客户具有相近的折现率。只有折现率接近的客户，才可以接受相同的贷款利率。
我们可以看一下“嗨女神”商城的案例。从其客户画像来看，年轻客户、收入处于当地中游偏上水平的二三线城市的女性是标准客户。这类客户对价格为500左右的DIOR迪奥品牌口红的折现率是15%左右。
以上是小额消费品，只要根据标准客户的折现率确定利率即可。而对于大额消费或无抵押贷款，确定利率的同时，还需要确定额度。王军伟在其《风控 大数据时代下的信贷风险管理和实践》书中有论述通过客户画像确定守授信额度的方法，以下是内容截取。
还款意愿货币化示例：C女士今年38岁，硕士，已婚并有2个小孩，配偶为某大学教授，长期在北京，已经购房，为某知名机构的法律顾问，在法律界也是很有名气的，申请贷款20万元购买商铺。假设C女士逾期60天的违约成本，9000+5000×（1+性别违约成本4%+年龄违约成本5%+北京违约代价5%+配偶违约成本500%+硕士违约成本5%+法律行业违约成本10%+无不良嗜好20+住房违约成本200%+孩子违约成本1000%+社会地位违约成本5000%），则得到C女士违约成本33.6万元。
虽然作为个体，我们都不愿意打标签，而作为消费贷款的信贷风控的商业解决方案，客户标签是核心。
法消费信贷违约成本度量和额度评定
既然上文明确了确定标准客户是消费信贷的核心，那接下来要讨论如何定位标准客户。此处我们不讨论申请反欺诈的情况，假设所有的客户都是真实人、真实意愿并提交真实材料。做客户识别模型，无非是准入规则和评分卡。
其中规则来自三个部分，其一来自产品政策，比如年龄大于18岁；其二来自产品特性，比如发薪贷需要有工资记录；其三来自强相关指标，比如黑名单或历史近3个月征信次数少于12次。评分卡的构建技术含量更高，首先在定义“违约”这个标签上就很有技术含量，要注意去除沉睡客户，首逾、首二逾客户，失联客户，避免和反欺诈模型混淆。
其次是入模特征，由三类特征组成，首先是逾期指标在本行内的滞后项，这部分信息是价值含量最高的，比如一个客户曾经信用卡经常逾期但是尚未进入黑名单，现在又来申请该行的消费贷款。其次是外部逾期指标的滞后项，这类信息来自征信或联防联控数据。最后是客户的其他社会经济信息，比如教育等级、职业类型。
以往在构建信用评分卡时，往往会认为入模的特征和逾期概率是线性关系，比如“近6个月申请贷款查询次数”与逾期率应该是线性关系。这是传统公司金融评分卡平移过来的思路，如果理解了消费金融中的逆向选择现象，那很多入模特征和逾期概率是抛物线关系就不足为奇了。
术申请评分卡的建模方法
首先需要掌握标准的开发流程。首张量化信用评分卡由美国两位工程师(Bill Fair / Earl Isaac)用判别分析法构建。其原理用特征相似的老客户预测新客户成为坏客户的概率，将概率进行单调变换转换为评分。现在主流方法是使用二元Logistic 回归方法构建评分卡。
其次需要掌握入模特征的筛选方法，有三个要点：
01、变量稳定且适用。
避免政策改变前才能获取的变量，由于客群变化和业务拓展已经发生明显均值变化的变量，受数据源变更影响较大的变量或者易发生变更的变量单独建模；
02、入模变量有价值。
单变量变异检验，保留变异较大的变量，如果存在过度稀有的变量，则更适合用于做规则和反欺诈模型。两变量检验首选IV值筛选。如果变量数量太多，也可以使用信息增益法筛选，比如决策树或随机森林；
03、信息不冗余。
分类变量（WoE前）概化处理，连续变量（WoE后）变量聚类，切忌使用主成分算法。
最后的技术是数据监控。评分卡技术经常提到事前监控和事后监控，而笔者认为数据监控更为重要，以下列出了监控点。
器申请评分卡的建模工具讲解
SAS Enterprise Miner是传统风控建模中主流的数据挖掘工具。其评分卡模块提供了全部的构建评分卡的模块，包括变量聚类、交互式分组、评分卡。可以便于业务分析人员通过拖拽方式构建出高品质的评分卡。
Model Builder是FICO收购的一个可视化建模工具，功能和SAS Enterprise Miner近似。差别是：
1）评分卡使用的是判别模型，而不是逻辑回归；
2）没发现变量聚类模块。
Python 中的Scorecardpy包是谢士晨博士贡献的评分卡包，实现了变量细分箱和交互式粗分箱、WoE转换、输出评分等功能。但受制于Python本身的生态圈，还没有实现变量聚类、逐步回归法。
用申请评分卡在营销中的应用
随着信用卡产品竞争的激励，银行与知名电商合作联合发售信用卡成为普遍现象。在这个双赢的合作中，充分利用模型算法的企业将获得先机。作为电商方，其关心的是其自身客户的客户体验和合作收益，因此营销人数和审批通过率是其关心的。作为发卡方，关心的是客户风险和价值，因此主要关心未来的不良率和消费金额。审批通过率和未来的不良率是相互矛盾的，为了双方都满意，精准的定位其信用卡的标准客户是联合建模的重点。
本项目采用的两个重要手段1）排除欺诈和识别高风险客户，以保证短期效果；2）同时考虑客户价值，避免陷入逆向选择陷阱，以保证长期效果。
首先根据金融业务经验构造特征，并使用无监督算法剔除可疑的客户。
其次，利用合作电商的非人行数据构建双评分卡信贷审批策略。由于电商、社交网络的非人行征信信息在构建信用评分卡时效果不太好。但是双评分卡策略可以改善这种情况，达到较高的风险区分度。这样可以大幅度提高申请客户的审批通过率。使得发卡放和合作电商都满意。
数据资管出品
作者：研究猿