机器学习与金融风控项目篇-day01-风控业务

🕗 发布于 2024-10-20 00:07 机器学习 人工智能 scikit-learn matplotlib ipython

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

通过放款收回本金和利息，扣除成本后获得利润。
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

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）
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
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
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
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

冒名顶替，黑产骗贷
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
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%
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
※DPD	Day past due 逾期天数 DPD0为到期当日，DPD1为逾期一日，DPD7为逾期一周
※FPD	First 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

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

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

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

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，
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
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

原文地址：https://blog.csdn.net/m0_60916732/article/details/143083442

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！

leetcode289:生命游戏
根据，简称为，是英国数学家约翰·何顿·康威在 1970 年发明的细胞自动机。给定一个包含m × n个格子的面板，每一个格子都可以看成是一个细胞。每个细胞都具有一个初始状态：1即为（live），或0即为
阅读更多2024-10-20
MongoDB数据恢复
注意：两个MongoDB的版本要一致，本文使用的是mongo:4.2.24。先把K8S上面的MongoDB 容器停止（可以把副本改成0）。1、将容器挂载MongoDB的数据目录备份到本地。经常是数据文
阅读更多2024-10-20
C#中实现事务
C#中实现事务
阅读更多2024-10-20
【LeetCode每日一题】——560.和为 K 的子数组
给你一个整数数组 nums 和一个整数 k ，请你统计并返回该数组中和为 k 的子数组的个数。子数组是数组中元素的连续非空序列。
阅读更多2024-10-20
「漏洞复现」满客宝智慧食堂系统 selectUserByOrgId 未授权访问漏洞
请勿利用文章内的相关技术从事非法测试，由于传播、利用此文所提供的信息而造成的任何直接或者间接的后果及损失，均由使用者本人负责，作者不为此承担任何责任。工具来自网络，安全性自测，如有侵权请联系删除。本次
阅读更多2024-10-20
React面试题目（从基本到高级）
React前端面试常见题目涵盖了React的基础概念、组件、状态管理、生命周期、性能优化等多个方面。
阅读更多2024-10-20
12.个人博客系统（Java项目基于spring和vue）
1 在校学习的学生，可用于日常学习使用或是毕业设计使用 2 毕业一到两年的开发人员，用于锻炼自己的独立功能模块设计能力，增强代码编写能力。 3 亦可以部署为商化项目使用。 4 需要完整资料及源码
阅读更多2024-10-20
YoloV8改进策略：注意力改进|DeBiFormer，可变形双级路由注意力|引入DeBiLevelRoutingAttention注意力模块（全网首发）
本次改进的核心在于将DeBiLevelRoutingAttention模块嵌入到YoloV8的主干网络中，具体位置是在SPPF（Spatial Pyramid Pooling Fast）模块之后。这一
阅读更多2024-10-20
word取消自动单词首字母大写
情况说明：在word输入单词后首字母会自动变成大写取消单词首字母大写步骤：（1）点击菜单栏文件（2）点击“更多”——>“选项”（3）点击“校对”——>“自动更正选项”（4）取消“句首字母大
阅读更多2024-10-20
web前端网页用户注册页面
【代码】web前端网页用户注册页面。
阅读更多2024-10-20

机器学习与金融风控项目篇-day01-风控业务

一. 整体项目介绍

1.风控业务和风控报表

2.特征工程

3.评分卡模型构建

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

信贷的风险控制

三. 信贷产品及风险介绍

信贷产品

现金贷

消费贷

产品类型

还款方式

信贷领域风险类别

常见风险形式

四. 风控相关术语

五. 风控业务案例

案例背景

数据集说明

业务分析

代码实现

导包

查看数据

数据预处理

当前日期

缺失值

时间类型转换

构造中间字段

是否到期

是否到期90天

未收金额

历史逾期和当前逾期

需求1:坏账率

构造季度字段

过滤季度

统计指标

拼接指标计算坏账率

结果可视化

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

合并计算入催率

结果可视化

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

cut分箱历史逾期天数

结果可视化

结果图

业务解读

相关文章