机器学习与金融风控项目篇-day01-风控业务

news2024/11/27 20:58:41

一. 整体项目介绍

1.风控业务和风控报表

零售金融产品相关的指标风控建模流程

2.特征工程

特征构造特征筛选

3.评分卡模型构建

逻辑回归集成学习 XGBoost LightGBM模型评估

4.样本不均衡问题/异常点检测

二. 信贷与风控介绍

信贷业务

信贷业务，就是贷款业务，是商业银行和互联网金融公司最重要的资产业务和主要赢利手段

  1. 通过放款收回本金和利息，扣除成本后获得利润。

  2. 贷款平台预测有信贷需求用户的还款情况，然后将本金借贷给还款概率大的用户

信贷的风险控制

  1. 信贷业务中，使用信用来预支金钱，在小额贷业务中往往没有抵押物，那么贷款方就会承担一定风险（用户不还钱）

  2. 风控就是对用户的信用风险进行管理与规避，对于预测信用较差的人，不向其放款，即便放款，也会是较小的贷款额度和较高的利率

  3. 信贷领域有两类风险

    • 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险

    • 欺诈风险：借款人压根没想还钱，以诈骗为目的

  4. 风控业务主要针对这两类风险

    • 信用评分系统：针对信用风险

    • 反欺诈系统：针对欺诈风险

  5. 基于机器学习的人工智能风控模型对比传统人工审批

    • 人工审批：效率低，对人员业务能力要求高，不适合金融零售业务场景

    • 机器学习模型：批量，迅速，准确，同时处理大量贷款请求（几万，几十万，上百万/天）

三. 信贷产品及风险介绍

信贷产品

信贷产品介绍

个人信贷产品
大额借贷房贷车贷
小微企业贷
小额借贷消费贷蚂蚁花呗，京东白条
现金贷蚂蚁借呗，京东金条，微粒贷,各类网贷
数据服务信用分服务芝麻信用分，京东小白分
信用数据服务同盾数据，百融，集奥，大峰...

现金贷

申请借款->放款给客户->客户还款

额度500~3000
利率24%~36%
期限714，30天
放款形式借给现金，不限场景
可选功能订单展期
现金贷产品年化利率现金贷产品年化利率
苏宁金融24%国美易卡34%
蚂蚁借呗24%马上消费35%
微粒贷24%招联金融36%
有钱花24%桔子分期36%
京东金条24%拍拍贷36%
360借条24%趣店36%
小米金融24%捷信36%
美团生活费24%宜人贷44%
分期乐24%玖富50%

消费贷

信用卡，花呗，白条等产品，有账单日，还款日

申请消费贷 -> 额度授信->客户使用消费贷消费

额度1000~10000
利率24%
账期30天
放款形式指定消费场景
可选功能最低还款，账单展期，账单分期，停息挂账，临时额度，备用金

产品类型

  • 单期产品

  • 多期产品

  • 循环额度产品

还款方式

  • 砍头息：短期产品， （服务费）

  • 等额本金

    每月还款额度依次递减,

  • 等额本息

    每月还款额度一样, 整个贷款利息要比等额本金多一些

信贷领域风险类别

  • 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险

  • 欺诈风险：借款人压根没想还钱，以诈骗为目的

常见风险形式

  1. 冒名顶替，黑产骗贷

  2. 多头借贷，借新还旧

    客户：工行信用卡，招商信用卡... n张信用卡，网贷平台1，网贷平台2，网贷平台n

    用新借来的钱还已有的负债：负债变多 -> 需新借更多 -> 设法提额 -> 信用资质不够 -> 出现流动性风险 -> 逾期

    特点：第三方数据：多头申请记录

    APP安装：大量借款类APP

    短信：大量申请短信，提醒还款，催收短信

  3. POS机套现，以少换多

    购买有支付牌照机构的POS机进行套现，手续费0.6%

  4. 针对风控模型，制作数据

    使用花呗在天猫购物，对花呗账单做分期

    买入存金宝，一个礼拜后追加存金宝资金

    购买***元基金

    保持余额宝XXX元不动，余额宝累计收益做到 XX元

    购买XXXX保险

四. 风控相关术语

术语解释
※DPDDay past due 逾期天数 DPD0为到期当日，DPD1为逾期一日，DPD7为逾期一周
※FPDFirst time past due 首次逾期天数
F/S/T/QPD首次 二次 三次 四次 逾期天数
※M1逾期 [1, 30)天 M 是英文“Months”的首写字母
※M1+逾期[30, inf]天
default坏账
delinquency拖欠
flow rate流动率 一般指M1向M2，M2向M3转移的比例
bad rate坏账率 当月不良资产数/总资产数
vintage账龄分析

五. 风控业务案例

案例背景

数据集说明

  • 从开源数据改造而来，基本反映真实业务数据

  • 销售，客服可以忽略

  • 账单周期，放款日期

  • 账单金额-实收金额 = 未收金额

  • 应付日期为还款时间

  • 账期分成两种：60天和90天

  • 实际到账日为空白，说明没还钱

业务分析

  1. 每个季度账单金额和坏账率（逾期90天以上）

    所有未收金额/所有账单金额

    未收金额 = 账单金额-实收金额

  1. 每个季度60天账期的入催率，90天账单的入催率

    入催率 = 入催金额/账单金额

  1. 历史逾期天数的回款情况（回收账单数）

    历史逾期天数：历史有逾期，但是相对现在来说，钱已经还完了

    当前逾期天数：现在还欠着钱，也就是说钱没还完

代码实现

导包

import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
import os 
os.chdir(r'D:\CodeProject\05JRFK_Project\my_project\day01-风控相关业务')
os.getcwd()

查看数据

df1 = pd.read_excel('../data/业务数据.xls')
df1.info()
df1.describe()
df1.head(100)

数据预处理

当前日期

准备当前日期, 已数据中的实际倒找到账日最大值为当前日期

# 准备当前日期, 已数据中的实际倒找到账日最大值为当前日期
# pd.to_datetime(df1['实际到账日']).max()    # Timestamp('2019-05-17 00:00:00')
# 用实际还款日的最大值表示数据统计时间
today_time = pd.to_datetime(df1['实际到账日'].fillna('0').max())  # 效果同上
today_time
缺失值
# 填充缺失值
df1['实收金额'] = df1['实收金额'].fillna(0)
df1['开票金额'] = df1['开票金额'].fillna(0)
df1['未收金额'] = df1['未收金额'].fillna(0)
df1.info()
时间类型转换
# 时间类转换
df1['应付日期'] = pd.to_datetime(df1['应付日期'])   # 还款日期
df1['账单周期'] = pd.to_datetime(df1['账单周期'])   # 放款日期
# 实际到账日有缺失, 可以填充也可以过滤, 最终看需求
# 如果到账日等于当前日期, 则说明没还钱(实际到账日为实际还款日)
df1['实际到账日'] = pd.to_datetime(df1['实际到账日']).fillna(today_time)  
df1.info()

构造中间字段

是否到期
df2 = df1.copy()
# 添加是否到期列
df2['是否到期'] = df2.apply(lambda x: 0 if x['应付日期'] > today_time else 1, axis=1)
# df2.['应付日期'].apply(lambda x: 0 if x > today_time else 1)  # 效果同上
是否到期90天
# 添加是否到期90天字段
df2['是否到期90天'] = (today_time - df2['应付日期']).map(lambda x: 1 if x.days > 90 else 0)
df2.是否到期90天
未收金额
# 构造未收金额2(原始未收金额字段有误)
df2['未收金额2'] = (df2['账单金额'] - df2['实收金额'])
历史逾期和当前逾期
# 历史逾期
# 等于0时计算还款时是否逾期(小于0表示: 提前还款)
# 未还金额不等于0表示到统计日期还未归还完毕(当前逾期天数)
df2['历史逾期天数'] = df2.apply(lambda x:(x['实际到账日'] - x['应付日期']).days if x['未收金额2'] == 0 else (today_time - x['应付日期']).days, axis=1)
​
# 当前逾期天数
# (负数表示统计日期还没到还款日期)
df2['当前逾期天数'] = df2.apply(lambda x: x['历史逾期天数'] if x['未收金额2'] > 0 else 0, axis=1)
df2.tail(100)

需求1:坏账率

每个季度账单金额和坏账率（逾期90天以上）

所有未收金额/所有账单金额

未收金额 = 账单金额-实收金额

构造季度字段
# 构建季度字段
df3['账单季度'] = df3['账单周期'].apply(lambda x: x.to_period('Q'))
df3.head()
过滤季度

2019Q1和2019Q2到统计日期大概率不会有逾期90天的数据

# 过滤季度
df3['账单季度'].value_counts()
df3 = df3[(df3['账单季度'] >= '2017Q3') & (df3['账单季度'] <= '2018Q4')]
df3.shape
统计指标

账单金额, 到期90天金额, 当前到期90+金额

# 统计指标: 账单金额, 到期90天金额, 当前到期90+金额
​
# 账单金额
fn1 = df3.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['账单金额']
fn1
​
# 到期金额(90天)
df4 = df3[df3['是否到期90天'] == 1]
fn2 = df4.groupby('账单季度')[['账单金额']].sum()
fn2.columns = ['到期金额']
fn2
​
# 到期(90天+)金额
fn3 = df4.groupby('账单季度')[['未收金额2']].sum()
fn3.columns = ['到期90+金额']
fn3
拼接指标计算坏账率
# 合并上述的3DF对象
final1 = pd.concat([fn1, fn2, fn3], axis=1)
final1
​
# 计算净坏账率
final1['90+净坏账率'] = round(final1['到期90+金额'] / final1['到期金额'], 3)
final1
结果可视化
# 画图
bar = (
    Bar()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "账单金额",
        list(final1.账单金额),
        yaxis_index=0,
        color="#5793f3",
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="90+净坏账率"),
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name="90+净坏账率",
            type_="value",
            min_=0,
            max_=0.014,
            position="right",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color="#d14a61")
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value}"),
        )
    )
)
line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90+净坏账率",
        list(final1['90+净坏账率']),
        yaxis_index=1,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
bar.overlap(line).render()
结果图

需求2: 计算60天和90天的入催率

根据账单周期计算入催金额
# 60天账期数据
df4 = df3[df3['账期'] == 60]
fn1 = df4.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['60天到期账单金额']
fn2 = df4.groupby('账单季度')[['未收金额2']].sum()
fn2.columns = ['60天到期入催金额']
​
# 90天账期数据
df4 = df3[df3['账期'] == 90]
fn3 = df4.groupby('账单季度')[['账单金额']].sum()
fn3.columns = ['90天到期账单金额']
fn4 = df4.groupby('账单季度')[['未收金额2']].sum()
fn4.columns = ['90天到期入催金额']
合并计算入催率
# 60天入催率
final2['60天账期入催率'] = round(final2['60天到期入催金额'] / final2['60天到期账单金额'], 3)
# 90天入催率
final2['90天账期入催率'] = round(final2['90天到期入催金额'] / final2['90天到期账单金额'], 3)
final2
结果可视化
# 可视化绘图
line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "60天账期入催率",
        list(final2['60天账期入催率']),
        yaxis_index=0,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同账期入催率"),
    )
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90天账期入催率",
        list(final2['90天账期入催率']),
        yaxis_index=0,
        color="#d14a61",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render()
结果图

需求3: 回收帐单数(不是被催收后的回收率)

数据过滤

筛选出未收金额等于0(到统计时没有待偿还的金额)切已经到期的数据(到期就会被记录)

df5 = df3[(df3['未收金额2'] == 0) & (df3['是否到期'] == 1)]
df5
cut分箱历史逾期天数
df5['历史逾期天数'] = pd.cut(
    df5['历史逾期天数'], 
    bins=[-999, 0, 5, 10, 15, 20, 30, 60, 90, 999], 
    labels=['0', '1-5', '6-10', '11-15', '16-20', '21-30', '31-60', '61-90', '91+']
)
final3 = df5.groupby('历史逾期天数')[['账期']].count()
final3.columns = ['回收账单数']
final3
结果可视化
ydata = final3['回收账单数'].values.tolist()
bar = (
    Bar()
    .add_xaxis(list(final3.index.values.tolist()))
    .add_yaxis("收回账单数",ydata,yaxis_index=0,color="#675bba")
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同逾期天数的已收回账单数"),
    )
)
bar.render()
结果图

业务解读

  1. 从数据中看出，在2018年Q2季度之前，运营策略比较保守，坏账金额和入催率都比较低，

  2. 2018年Q2之后，有可能是由于运营策略调整，给更多的人放贷，但坏账率和入催率均在3%一下，在合理范围内

  3. 不同逾期天数收回账单的数据看，30天内能收回绝大部分账单

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/2219244.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

桃子叶片病害分类检测数据集（猫脸码客 第221期）

桃子叶片病害分类检测数据集（猫脸码客 第221期）

桃子叶片病害分类检测数据集 一、引言 桃子作为世界上广泛种植的果树之一&#xff0c;其叶片的健康状况直接关系到果实的产量和品质。然而&#xff0c;桃子叶片易受多种病害的侵袭&#xff0c;这些病害不仅影响叶片的光合作用&#xff0c;还可能导致果实减产、品质下降&#…
阅读更多...
XPM_CDC_SYNC_RST

XPM_CDC_SYNC_RST

免责声明&#xff1a;本文所提供的信息和内容仅供参考。作者对本文内容的准确性、完整性、及时性或适用性不作任何明示或暗示的保证。在任何情况下&#xff0c;作者不对因使用本文内容而导致的任何直接或间接损失承担责任&#xff0c;包括但不限于数据丢失、业务中断或其他经济…
阅读更多...
基于SSM的医院药品管理系统

基于SSM的医院药品管理系统

作者&#xff1a;计算机学姐 开发技术&#xff1a;SpringBoot、SSM、Vue、MySQL、JSP、ElementUI、Python、小程序等&#xff0c;“文末源码”。 专栏推荐&#xff1a;前后端分离项目源码、SpringBoot项目源码、Vue项目源码、SSM项目源码、微信小程序源码 精品专栏&#xff1a;…
阅读更多...
Axure垂直菜单展开与折叠

Axure垂直菜单展开与折叠

亲爱的小伙伴&#xff0c;在您浏览之前&#xff0c;烦请关注一下&#xff0c;在此深表感谢&#xff01; 课程主题&#xff1a;Axure垂直菜单展开与折叠 主要内容&#xff1a;垂直菜单单击实现展开/折叠&#xff0c;点击各菜单项显示选中效果 应用场景&#xff1a;后台菜单设…
阅读更多...
靠卡车赚钱，小马智行等待Robotaxi的春天

靠卡车赚钱，小马智行等待Robotaxi的春天

文&#xff5c;刘俊宏 编&#xff5c;王一粟 继文远知行之后&#xff0c;又一家L4无人驾驶公司也准备上市。 10月18日&#xff0c;无人驾驶服务商小马智行向美国SEC&#xff08;证券交易委员会&#xff09;提交了招股书。继百度、Waymo、特斯拉之后&#xff0c;根据招股书的…
阅读更多...
【EPLAN 2.9】清理Data文件夹的小工具

【EPLAN 2.9】清理Data文件夹的小工具

背景&#xff1a; 随着EPLAN不断使用“C:\Users\Public\EPLAN\Data”文件夹会越来越大&#xff08;EPLAN2.9部件管理中删除部件不会去删除文件夹内相关资源文件&#xff09;&#xff0c;本工具在于清理文件夹内未被EPLAN关联的宏、图片、文档。仅支持EPLAN 2.9 代码&#xff…
阅读更多...
[环境配置]macOS上怎么查看vscode的commit id

[环境配置]macOS上怎么查看vscode的commit id

macOS的commit id和windows上有点不一样&#xff0c;windows可以在帮助-关于查看 macOS则需要再左边第一个查看
阅读更多...
（AtCoder Beginner Contest 375）C - Spiral Rotation

（AtCoder Beginner Contest 375）C - Spiral Rotation

&#xff08;AtCoder Beginner Contest 375&#xff09;C - Spiral Rotation 题目大意 给定二维数组 a [ n ] [ n ] , n m o d 2 0 a[n][n],n \mod 20 a[n][n],nmod20 执行 i 1 , 2 , . . . i1,2,... i1,2,... n / 2 n/2 n/2 操作 每次操作对于 ∀ x , y ∈ [ i , n 1 − …
阅读更多...
使用 JAX 进行 LLM 分布式监督微调

使用 JAX 进行 LLM 分布式监督微调

LLM distributed supervised fine-tuning with JAX — ROCm Blogs (amd.com) 24年1月25日&#xff0c;Douglas Jia 发布在AMD ROCm 博客上的文章。 在这篇文章中&#xff0c;我们回顾了使用 JAX 对基于双向编码器表示&#xff08;BERT&#xff09;的大型语言模型&#xff08;LL…
阅读更多...
bash之基本运算符

bash之基本运算符

一.算术运算符 vim test.sh #!/bin/basha10 b20valexpr $a $b echo "a b : $val"valexpr $a - $b echo "a - b : $val"valexpr $a \* $b echo "a * b : $val"valexpr $b / $a echo "b / a : $val"valexpr $b % $a echo "b % a …
阅读更多...
pikachu靶场SSRF-curl测试报告

pikachu靶场SSRF-curl测试报告

目录 一、测试环境 1、系统环境 2、使用工具/软件 二、测试目的 三、操作过程 1、实现ssrf攻击 四、源代码分析 五、结论 一、测试环境 1、系统环境 渗透机&#xff1a;本机(127.0.0.1) 靶 机&#xff1a;本机(127.0.0.1) 2、使用工具/软件 测试网址&#xff1a;…
阅读更多...
Redis 常用指令详解

Redis 常用指令详解

Redis是一款开源的、高性能的键值对存储数据库&#xff0c;常用于缓存、会话存储以及其他需要快速访问的数据场景。本文将介绍Redis的一些常用指令&#xff0c;并通过代码示例进行说明。 一、连接操作指令 1. 连接 Redis 服务器 ./redis-cli -h 127.0.0.1 -p 63792. 认证&a…
阅读更多...
1.QT概述及C++基础

1.QT概述及C++基础

QT概述及C基础 1.简介2.QT安装3.QT_Creator的基本使用4.C基础 1.简介 概述 Qt 是一个跨平台的应用程序和用户界面框架&#xff0c;用于开发图形用户界面&#xff08;GUI&#xff09;应用程序以及命令行工具。它最初由挪威的 Trolltech &#xff08;奇趣科技&#xff09;公司开发…
阅读更多...
MySQL程序介绍＜一＞

MySQL程序介绍＜一＞

目录 MySQL程序简介 mysqld - MySQL 服务器 ​编辑 mysql - MySQL 命令⾏客⼾端 MySQL程序简介 1.MySQL安装完成通常会包含如下程序&#xff1a; Linux系统程序⼀般在 /usr/bin⽬录下&#xff0c;可以通过命令查看 windows系统⽬录&#xff1a; 你的安装路径\MySQL Server…
阅读更多...
Redis JSON介绍和命令大全

Redis JSON介绍和命令大全

Redis JSON介绍和命令大全 Redis JSON先说说JSON是什么再说说JSON Path先推荐两个网站JSONPath JAVA clents Redis JSON 安装内存json命令语法命令url命令解释JSON.ARRAPPENDJSON.ARRINDEXJSON.ARRINSERTJSON.ARRLENJSON.ARRPOPJSON.ARRTRIMJSON.CLEARJSON.DEBUG MEMORYJSON.DE…
阅读更多...
Java 入门基础篇15 - java构造方法以及认识新的关键字

Java 入门基础篇15 - java构造方法以及认识新的关键字

一 今日目标 构造方法static关键字代码块math类package关键字import关键字 二 构造方法概述 2.1 构造方法描述 构造方法是一个特殊方法&#xff0c;作用是创建对象&#xff0c;对对象进行初始化。 ​ 如&#xff1a; 对对象中的成员进行初始化值 2.1 构造方法的特征 1、方…
阅读更多...
C/C++每日一练：编写一个栈数据结构

C/C++每日一练：编写一个栈数据结构

通过编写栈&#xff08;Stack&#xff09;数据结构&#xff0c;提升对基本数据结构的理解和运用。这也是掌握更复杂数据结构与算法的基础。栈是计算机科学中的一个重要概念&#xff0c;经常出现在许多算法和应用中。 栈&#xff08;Stack&#xff09; 栈是一种后进先出&#x…
阅读更多...
【初阶数据结构】计数排序 ：感受非比较排序的魅力

【初阶数据结构】计数排序 ：感受非比较排序的魅力

文章目录 前言1. 什么是计数排序&#xff1f;2. 计数排序的算法思路2.1 绝对位置和相对位置2.2 根据计数数组的信息来确认 3. 计数排序的代码4. 算法分析5. 计数排序的优缺点6.计数排序的应用场景 前言 如果大家仔细思考的话&#xff0c;可能会发现这么一个问题。我们学的七大…
阅读更多...
【C语言】原码 反码 补码

【C语言】原码 反码 补码

为什么要有原码 反码 补码的概念&#xff1f; 因为在计算机中最终只能识别机器码&#xff0c;是以 0000 0000 二进制作为表示形式&#xff0c;对于一个数&#xff0c;计算机要使用一定的编码方式进行存储&#xff0c;原码 反码 补码是机器存储一个数值的编码方式&#xff0c;最…
阅读更多...
技术分享：A-23OH型树脂在汽车涂装废溶剂回收中的应用

技术分享：A-23OH型树脂在汽车涂装废溶剂回收中的应用

在当今汽车制造业竞争激烈的环境下&#xff0c;提高生产效率、降低成本的同时&#xff0c;满足环保要求已成为各制造商追求的核心目标。水性涂料因其环保、节能等多重优势&#xff0c;在汽车涂装领域的应用日益广泛。然而&#xff0c;随之而来的喷涂废溶剂处理问题也日益凸显。…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023