• 移动端
    访问手机端
    官微
    访问官微
    搜索
    取消
    温馨提示:
    敬爱的用户,您的浏览器版本过低,会导致页面浏览异常,建议您升级浏览器版本或更换其他浏览器打开。

    宁波银行:时间预测金融分析——COX时序生存模型对贷款不良场景分析应用实践

    来源:中国电子银行网 2022-05-10 17:08:37 宁波银行 数字风控
         来源:中国电子银行网     2022-05-10 17:08:37

    核心提示宁波银行COX时序生存模型不仅能对客群在不良发生概率进行分级分类,还能评判对不同客群的处理措施带来的结果。

    网站文章置顶图750x300

    案例名称

    时间预测金融分析——COX时序生存模型对贷款不良场景分析应用实践

    案例简介

    目前银行业已经普遍使用大数据算法,用于风险管理与辅助经营,取得了较好的效果。但我们分析下来发现,现有的通用类模型架构仍然有一定的局限:一个是分析时只能体现事物发展的结果,不能反映事物发展的过程;另一个是预测时只能给出发生的概率,无法给出可能的发生时间。

    宁波银行COX时序生存模型不仅能对客群在不良发生概率进行分级分类,还能评判对不同客群的处理措施带来的结果。具体来说能产出两样成果:(1)有预测能力的指标、(2)给出最优的处理措施。业务人员可利用预测结果对预警客户进行整体的分类和排序,根据干预的紧急程度对客户分批采取措施。

    创新技术/模式应用

    传统的特征工程有两方面缺陷:一是要耗费大量人力资源,即使运用机器学习进行特征权重筛选,也需要耗费大量的人工参与进行选择;二是指标固化,使用一段时间后因为市场环境变化导致模型性能下降,就需要另外找科技公司重新设计模型,不能自我循环优化。

    1

    以宁波银行COX时序模型在某个人贷款产品中的应用项目为例。

    一是具有自动化的特征工程,本项目的特征工程对个人客户的基本信息、征信、存款理财、风控数据和行内行为信息进行整合,结合业务专家经验及机器自动完成特征工程,并在使用过程中不断交互完成特征的迭代,最终得出18个特征指标。同时,特征工程会基于每日跑批自动更新优化,摆脱了传统模型使用时长上的局限性。

    二是从分析“静态的历史结果”到“动态的发展过程”。如果用传统的机器学习算法去分析个人不良客户的成因,能够发现征信查询次数这一指标有一定的关联性;再结合人工经验,可以把这个指标进一步细化为近3个月内征信查询次数超过5次,这就是所谓的分析“静态的历史结果”。

    而因为不同事件的发生本身就有先后顺序,COX模型通过算法给数据增加了时间属性,能让模型对于一些关键指标的判断更为精准。COX模型则会对征信查询前后发生的事件进行判断,能够发现在多笔征信查询后被他行拒贷的客户风险较大。从业务逻辑来看,这说明他行在调查该客户时发现其存在问题,可以帮助防范信息不对称带来的隐藏风险。

    三是能够给出有时间参考的预测,并给出相应的操作建议。模型的创新点在于模型的输出结果并不是一个简单的分数,还有客户在未来第几个月有多大的概率会发生逾期,采取何种操作能最大化保全我行资产。COX模型本身广泛应用于预测癌症患者的生存时长,我们借鉴过来发现预测预警客户进入不良也有很好的指向性。

    例如,COX模型会给出这个个人贷款产品在某类客群中未来第3个月有77%的概率发生不良,那么此时只冻结额度是不适宜的,采取各类催收手段、最大化利用客户资产线索收回本金更为妥当;相反,若模型给出某客群在未来10个月只有8%的概率发生不良,则完全可以采取更为温和的处理方式。

    项目效果评估

    (一)模型性能指标

    在本次个人贷款产品的应用上,我们使用了concordance index (C指数常用来评判模型预测贷款客户何时进入不良的精准程度)来评价生存模型的预测能力;另外,我们使用了AUC指标作为模型能否区分好坏客户的评判标准。经实践观察,模型训练集AUC达到0.806,测试集AUC达到0.799;训练集C指数达到0.788,测试集C指数达到0.781,各方面指标均达到较好水平。

    2

    图1:训练集和测试集的COX时序生存曲线效果图

    3

    图2:训练集和测试集的COX时序模型ROC曲线

    4

    图3:训练集和测试集的COX时序模型AUC与C指数比较

    (二)模型应用效果

    1、对风险化解手段进行成效分析

    现有的风险干预手段(如提前催收、压缩周转、贷款展期等)主要依赖业务专家的人工经验,但未来我们面临大量的互联网客群,如果没有大量的数据分析支撑,不同化解措施的效果将很难衡量评价。而通过COX模型不仅可以针对性分析不同干预手段对不良率的影响,找出不同情况下的最优措施,而且可以通过划分出险客群的“轻重缓急”。例如在本次个人贷款产品的项目上,COX能很好的对不同客群应用不同措施的结果进行区分,在条件允许下对部分贷款进行压缩周转,能在控制风险水平的同时将贷款收益最大化。

    2、挖掘深层次、隐藏的指标

    正是由于COX具有传统“静态的历史结果”分析所不具备的分析“动态的发展过程”的能力,因此可以发现量变到质变的关键行为,进而将其作为准入和预警规则的特征之一,比如说上述“多笔征信查询后被他行拒贷”的指标。

    3、助力营销获客

    风险与营销本是一体两面,因此COX除了可以应用于风险监测场景,还可以有效助力前台业务部门进行营销。例如,发现客户的需求时点,例如通过对存量客户结算归行额进行分析,发掘客户资金缺口或者资金充裕的时间点,在恰当的时间为客户提供信贷或财富业务服务,提高获客率。又如,预测客户流失概率,监测客户在我行CRM信息,挖掘流失客户的主要特征,当客户出现流失指标时,及时提示管户客户经理加强客户维护,降低流失率。

    项目牵头人

    施道明 宁波银行风险管理部总经理

    项目团队成员

    何文岳、韦达、詹静文、陈丹瑶、张禹勋、陈亮、刘帅

    责任编辑:韩希宇

    免责声明:

    中国电子银行网发布的专栏、投稿以及征文相关文章,其文字、图片、视频均来源于作者投稿或转载自相关作品方;如涉及未经许可使用作品的问题,请您优先联系我们(联系邮箱:cebnet@cfca.com.cn,电话:400-880-9888),我们会第一时间核实,谢谢配合。

    收藏

    为你推荐

    收藏成功

    确定