信贷风控模型是什么？

互联网金融信贷业务的风险控制分析模型

以前的平安银行副行长赵继臣曾经说过，互联网金融发展到信贷业务，核心一定是风险控制能力。网贷公司想要盈利，就必须自己建立风险控制的分析模型，根据模型来划分不同的客群，针对不同客群的风险进行定价，用收益来覆盖风险。

最近在看《互联网信贷风险与大数据——如何开展互联网金融的实践》，书中所提到的分析模型对风控很有帮助，主要从客户准入管理、存量客户管理和逾期客户管理三个角度去划分。

一、客户准入管理

客户引入管理是金融机构控制风险的第一道门槛，对存量客户和逾期客户的管理有很大帮助。客户准入阶段需要解决两个问题，一个是引入什么样的客户，二是如何授信。

客户准入阶段的模型主要有申请风险模型、初始额度模型、申请欺诈模型。

（1）申请风险模型

申请风险模型对金融机构是最常用也是最重要的，来源于客户资质综合评价，全面评估客户的风险，引入优质客户。该模型的预测变量很大程度上依赖于客户的申请信息、信贷历史信息和无央行征信信息等。

主要从家庭、工作、资产负债、学历、信贷历史、还款历史和新信贷需求等考核。

现在互联网大数据的普及，还可以通过客户流水数据、网络交易行为、浏览行为、评价行为等进行判断，增加 客户风险评价的准确性。

通常来说，如果客户评分高，风险较低，可以直接通过；评分低，风险较高，可以直接拒绝；处于两者之间，则进行二审再做决定。

（2）初始额度模型

初始额度的授信不仅是考虑客户还款能力，更主要的是衡量客户的收益情况。客户的收益主要是来源于客户的循环利息、逾期利息、分期手续费等。

通过客户属性、逾期行为、还款行为、透支情况和额度使用情况等，在一定程度上能够反映客户的收益。

另外电商中的购买行为、分期行为、客户的网络浏览行为及点击行为，对于客户价值的判断也有帮助。

风险低、收益高的客户，初始额度授信高；风险高、收益低的客户，初始额度授信低。

（3）申请欺诈模型

虽然欺诈客户的比例比较小，但如果发生损失，就很难追回，所以这个模型也很重要。

申请欺诈模型，是通过客户填写的申请信息和央行征信信息来判断。这个模型的预测变量主要通过以下这些方面反映：

客户单位名称是否在征信的单位列表中；客户家庭地址、单位地址是否在征信的地址列表中；过去一段时间同一联系人、同一单位地址是否有多次进件；申请人、单位是否曾经发生过欺诈进件。

由于央行征信信息的实效性和完备性，并不能完全满足欺诈模型的需求。互联网上的相关数据，对申请欺诈模型的建立也是有帮助的。这些具体数据包括同一cookie和IP地址是否在短时间内频繁进件；申请贷款的cookie和IP地址是否为客户活跃使用的；申请贷款地点离客户家庭住址和单位地址的距离；客户以前的互联网行为是否活跃；电商数据、浏览数据、电信运营商等记录的客户联系方式。

二、存量客户管理

存量客户即金融机构业已维护的客户群体，其管理主要包含交易欺诈管理、再贷客户营销管理、授信额度管理、流失客户管理等业务，核心目标是为了巩固客户的忠诚度，提高客户价值。

存量客户管理模型体系主要有行为风险模型、交易欺诈模型、行为收益模型、行为流失模型和市场响应模型等。

（1）行为风险模型

行为风险变量是预测客户风险的模型，其预测变量主要由客户的交易行为组合而成。

行为风险模型预测变量可以基于还款行为、消费行为、信用卡取现行为、欠款行为、资金的使用情况等方面来考虑。

另外央行征信数据、互联网交易数据和浏览数据、银行流水数据等，对于行为风险模型的开发也很有帮助。

（2）交易欺诈模型

交易欺诈是指通过盗取他人的账号和密码信息，盗取持卡人的资金的行为。交易欺诈模型是根据客户的历史交易行为预测当笔交易为欺诈的可能性。

交易模型的预测变量比较多，例如通过当笔交易金额、当笔交易币种、当笔交易时间、当笔交易地点、过去N次交易的密码输错次数、过去N次交易的交易失败次数、过去N分钟内的交易次数、过去N分钟小额刷卡次数等进行判断。

（3）行为收益模型

行为收益风险模型是根据客户的历史行为来预测客户未来收益的高低。

客户收益的高低由其户自身属性和行为属性的决定，主要通过性别、年龄、学历、消费行为、取现行为、分期行为、逾期情况、额度使用情况等判断。

低风险高收益的客群，获取的资源相对较多；高风险低收益的客户得到的资源就会少。

（4）行为流失模型

客户是否有流失的征兆，主要看其交易行为是否有异常就可判断。

行为流失模型的预测变量，可以通过以下这些方面来考虑：近N个月的交易金额和交易笔数、额度、信用卡到期时间、也可通过央行征信信息获取客户在其他金融机构持有的信用卡情况、持有他行卡的数、他行卡活跃程度，他行卡的额度。

行为流失模型主要用于客户挽留，通常会结合行为风险模型和行为收益模型，根据风险收益的不同，采取不同的策略。

（5）市场响应模型

市场响应模型通常和风险模型结合使用，筛选风险，响应较好的客户群作为营销的目标客户群。

市场响应模型需要根据营销目标来选择预测变量。例如存量客户再贷营销，预测变量就要看这些方面：最近是否有申请贷款的查询记录、信用卡的额度占用情况、信用卡循环使用情况、收入负债情况等。另外客户最近是否有买车、买房、买奢侈品等大额单笔交易的记录等第三方数据，对于客户是否有贷款需求也很有帮助。

三、逾期客户管理

逾期客户指客户未按约定时间履行还款的约定，客户逾期原因主要是还款意愿差和还款能力不足。

针对逾期客户，主要采用催收策略。催收计量模型是逾期看客户分群的重要依据，能够识别客户的风险情况，根据风险不同采用的催收手段也不一样。

常见的催收计量模型包括账龄滚动率模型、行为模型和失联模型。

（1）账龄滚动率模型

逾期账龄是通过逾期天数定义，账龄越高，客户的风险越高。比如逾期账龄划分：

M1客户：逾期1~29天的客户；

M2客户：逾期30~59天的客户；

M3客户：逾期60~89天的客户；

……

客户评分越低，迁移至下一个账龄的概率越高，客户的风险越高，下个月内还钱的可能性越小。

账龄滚动率模型采用的变量包含客户的行为信息和催收信息，常用的预测变量包括：消费行为、取现行为、额度使用情况、还款情况、催收情况、打破承诺次数。

（2）行为模型

行为模型主要利用客户的交易行为特征和还款行为特征去考察客户未来变坏的可能性，与存量客户管理时所考虑的变量是相同的。

行为模型与账龄滚动率模型结合使用，对客户的评价才会全面、准确，制定催收策略就会更优针对性。

（3）失联模型

失联是需要综合一段时间尝试使用多种方式多个时段，都无法联系上客户，才能判断为失联。

失联模型是基于历史数据，预测客户发生失联的可能性，希望做到提前预知。

失联模型主要关注客户的这些信息：交易情况、贷款余额情况、额度占用情况、最近一次联系客户时间、联系方式变更情况、户籍信息、工作家庭情况、历史催收结果等。

互联网的技术优势降低了风险评估成本，风险控制变得相对容易。互联网金融公司做信贷业务时，能够根据风险分析模型，做好客户分群管理，才能更好的建立竞争优势。

信贷风险控制方法

信贷业务是商业银行的核心业务、传统业务,信贷风险是世界各国商业银行面临的主要风险。接下来请欣赏我给大家网络收集整理的信贷风险控制方法。

信贷风险控制方法

进行大数据风险控制主要为三部分：征信大数据挖掘，征信大数据加工，大数据风险控制应用。

征信大数据挖掘：

大数据互联网海量大数据中与风控相关的数据。

电商大数据进行风控，所有信息汇总后，将数值输入网络行为评分模型，进行信用评级;信用卡类网站的大数据同样对互联网金融的风险控制非常有价值。申请信用卡的年份、是否通过、授信额度、卡片种类;信用卡还款数额、对优惠信息的关注等都可以作为信用评级的参考数据;利用社交类网络关系数据和朋友之间的相互信任聚合人气。借款人被分为若干信用等级，但是却不必公布自己的信用历史;加上淘宝类的水电煤缴费信息、信用卡还款信息、支付和交易信息，已然成为了数据全能选手;小贷类网站积累的信贷大数据包括信贷额度、违约记录等等;　第三方支付类平台支付的方向、每月支付的额度、购买产品品牌都可以作为信用评级的重要参考数据;生活服务类网站的大数据如水、电、煤气、有线电视、电话、网络费、物业费交纳平台则客观真实地反映了个人的基本信息，是信用评级中一类重要的数据类型。

征信大数据加工：

准备阶段：业务理解、数据理解、数据准备;

数据原料：个人基本信息、银行账户信息、银行流水数据、风控相关互联网大数据;

数据工厂：基于不同风控模型，数据挖掘于处理;

数据产品：信用等级、信用报告、身份验证、欺诈监测。

大数据风险控制应用：

接入鲜活大数据数据源和自动化决策评分卡，量化风控决策，对接大型电商平台、获得垂直信贷场景下的创新金融产品。目前国内神州融大数据风控平台，整合了全面的征信数据，在大数据风险控制及场景对接做的比较好。

信贷风险的应对对策

一、修订、完善各项信贷管理制度，保证各项制度之间的协调、配合和制约，确保各项信贷管理制度的贯彻落实。首先，从制度上完善信贷档案管理。尽快制定、实施《信贷档案管理实施办法》，就信贷档案的收集、交接、检查进行明文规定，指派专人负责，并定期检查、考核执行情况。对企业财务资料虚假问题，可以考虑建立"四相符审核"和"财务报表审计失实责任赔偿制度"。具体来说，就是:一方面银行本身对借款企业的总账、明细账、原始凭证和重要实物进行核对，做到"四相符";另一方面可与会计师事务所签订合同，委托事务所对银行贷款申请人的财务报表进行审计，并出具审计报告，作为银行审批贷款的依据，并同时在合同中规定，如因其报告不实而致使贷款损失，注册会计师本人及其所在事务所负责全额赔偿银行因此而受到的损失。

其次，进一步完善以贷款风险管理为核心的授权授信、审贷分离、分级审批、集体审批、贷款"三查"等风险控制制度。包括:在办理信贷业务时严格按照业务流程、岗位权限以及行使权限的条件进行运作，加强不同岗位、部门之间的相互监督、制约作用，实行对业务全过程的风险控制，杜绝各种违规行为的发生;制定贷前调查、贷中审查及贷后检查的办法和实施细则，规定应该包括的内容、调查方式、核实手段等，以避免流于形式。同时，建立健全岗位责任制，将信贷管理责任落实到每一个部门、每一个岗位和每一个人，严格考核，防止有法不依现象的发生。

二、建立健全信贷专门管理机构，防止信贷权力的过分集中，实行信贷决策民主化、科学化。首先要真正落实审贷分离制度，尽快将贷款的审查和批准权分别落实到不同的职能部门，明确贷款审查部门的工作范围、工作职责和工作目标，规范贷款审批部门的工作制度、审批内容、审批权限、审批程序和审批责任。

其次，对大额贷款和疑难问题贷款，应建立专门的贷款管理委员会，具体负责贷款审批决策问题。该委员会可以是一个非常设的机构，但应当由行政领导和业务专家组成，业务专家负责提供贷款申请人的基本信息、贷款风险分析报告及专家意见，贷款审批实行民主决策。

第三，将贷款风险评估具体落实到一个独立于信贷业务部门的职能部门。贷款风险定期评估是监测贷款风险度的一项具体工作，需要独立、科学、客观地对每一笔贷款生命周期中的风险状况作出量化评估，达到一定风险水平的贷款，就需要有关部门采取有效措施化解、转移风险。因此，为了保证贷款风险评估的客观性、科学性、时效性，这项工作需要一个独立于信贷业务部门的其他部门来独立完成。设立专门的信贷管理机构是为了防范信贷权力的过分集中，利用机构的相对独立性在信贷权力分配中建立起一道"防火墙"。但为了保证信息的流动性，保证各个部门都能充分占有、共享收集到的借款人的资信信息，还应该建立信息在有关部门流动的制度，防止划地为牢、公共信息被一个部门私自占有的情况发生。

三、建立借款人信用信息共享制度。上述两项措施旨在解决商业银行单个分支机构的信贷管理问题，但是由于单个分支机构的业务领域仅限于某一地区，不可能全面掌握现有借款人，特别是未来借款人的资信情况。因此，商业银行还应该在其系统内建立借款人信用信息系统，让其所有的信贷业务部门全面掌握借款人的资信状况、地方经济运行状况、国民经济运行状况、中央政府和地方政府的宏观或微观经济政策。借款人信用系统可以收集有钱不还、无力偿还到期债务或者企业运行状况较差、贷款风险度过高的借款人的信息，通过在系统内交流"不良借款人黑名单"的形式，禁止其分支机构向不良借款人发放新的贷款，并采取有效措施及时收回旧贷款。

信贷风险管理原则与内涵

(1)风险管理尽量前移，风险控制从选择客户开始。银行要支持能够盈利的客户，避免“风险投资式”的贷款，两者的风险报酬模式完全不同。因为管理“问题客户”的代价非常高昂，银行应尽量避开，“防止被骗的最好方式是不与骗子打交道”。

(2)重视第一还款(即借款人本身)来源，而不是将重点停留在关注抵押和担保(即西方商业银行所谓的“砖头”文化)上面。宁愿给好的企业提供无担保的贷款，也不给差的企业提供完全担保的贷款。担保仅仅是一种保证，但绝对不是主要的还款来源。现金流是判别能否贷款的主要依据。

(3)从贷款获得的息差不是简单的存贷款利差或利润，它只不过是作为对银行给相关借款人发放贷款所承受的相应风险的补偿。基于这一认识，西方银行在发放贷款时，就必须找到能直接衡量其因此所承受的风险量化数据和模型：其中包括借款人的违约概率(PD)、预期违约风险额(EAD)和违约损失额(LGD)等。自然而然，量化信贷风险管理便成为西方先进银行在过去15年的一项十分重要的工作，以至于应运而生了以提供量化信贷风险管理模型和数据为其核心业务的咨询服务公司，比如到2003年底，穆迪公司信用矩阵度量模型(credit—metrics)的客户已遍及全球50多个国家和地区，数目达2000多家。全球银行业对于量化信贷风险管理的需求强烈。

(4)贷款的收益有上限而本金损失无下限。从实际情况看，贷款的最大收益就是按与借款人所签订的贷款合同规定的利率，按期收回本息。但倘若借款人一旦违约，其涉及的损失则不会仅限于贷款本金本身。基于上述认识，西方先进银行在过去15年时间里逐步建立完善了一整套资本分配制度和贷款定价模型，其核心要素包括：要确保可持续的长期发展、有能力承受所持有风险资产的风险，银行必须从每年赚取的收益中提取足够的坏账准备以便冲减预期内损失;要在任何时间内均维持有足够的普通股本资本以应付预期外损失;通过合理信贷定价，确保从客户所赚取的收益，足以弥补呆坏账准备的提取，并保证获得相应的资本回报率。

(5)贷款集中不能像股票投资集中那样会带来额外收益，相反，它会造成额外损失。因为，预期外信贷损失或损失波动，不但取决于借款人的违约概率和违约损失率的波动，也取决于银行信贷资产组合的内在关系。为此，西方先进银行通常会从以下四个层面监察和测量信贷组合损失的内在联系，包括风险评级、行业、地理和单个大借款人(集团)风险，并通过对信贷资产实施多元化管理来降低和减少信贷资产组合在同一时间出现损失的几率，从而将预期外信贷损失的负面影响控制在一定限度内。基于上述认识，西方银行在其内部会增设专门负责对贷款发放后的信贷资产组合管理工作的部门，通过不同的金融市场不断优化其资产组合，以达到降低组合风险，提高组合回报。

关于的思考

风控的全称风险控制管理。

对应到金融信贷领域，风控的好坏将直接关系到资金的损益，所以说“ 风控是金融的核心 ”。

了解风险才能更好的控制风险。对于金融信贷机构在经营过程中主要面临：

外部风险我又把他们分为 政策性风险 和 经济环境风险 。

政策性风险是指国家监管层，对金融机构开展金融业务的硬性条件与规则，不遵守将无法展业，是政策红线。例如监管没有介入前野蛮生长的P2P行业，从17年后政策下来后到目前，P2P公司清偿或转小贷成了最后的结局。

经济环境风险，一方面是指经济周期性的下行造成经济震荡；另一方面是像此次新冠病毒的黑天鹅事件，造成企业停工停产，由企业波及到员工裁员降薪等一系列不良影响。

客户收入的无法保障又直接影响着客户还款能力，势必存在存量资产逾期率和不良率蹿升的可能。

对于互金行业的产品经理：

内部业务风险是指日常信贷业务开展所面临的常规性风险。

如果说外部风险属于 风控被动调整 ，那内部风险就是基于信贷业务本身的考量而进行的 主动调整 。

如信贷产品的不同形态，信贷产品上线的不同时期等等都会影响整体风控策略。

内部风险在信贷不同生命周期（贷前、贷中、贷后）关注侧重点不同，以下展开说明。

贷前风控侧重客户验真： 身份真实 、 借款用途 、 关联信息真实 等等。

一般经过以下几种校验：

产品准入原则取决信贷产品的定位，决定了信贷的产品类型、面向的客群。例如是针对个人还是小微企业，是否年龄限制地域限制，是否有资产要求，征信情况等等。

反欺诈校验分为两种：

贷中是根据贷前客户输入的数据和第三方数据，通过风控策略进行 风险定价 ，目的使资产方的利益最大化，客户感知的则是不同的 授信额度 、 利率 、 还款方式 、 借款周期 等等。

风控策略，每个企业自身风险偏好不同而有所差异，比如企业是高风险偏好，会有大量次级甚至是不良用户进来，但是用高利率覆盖高风险，其实就是所谓的高利贷。

不同产品类型、不同产品时期的风控策略会有所不同。比如产品刚上线，为了谨慎起见，风控较为严格，额度通常不会很高。

对于产品设计，风控策略指标系统的配置性就需要高灵活性。

风控模型其实伴随整个信贷生命周期，将定性和定量数据综合输入，根据不同模型权重给用户进行打分。这样的好处就是量化数据更能直观把客户的风险高低反映给业务人员。

贷后管理基于风险数据监控，监控数据用于风险预警，不同预警级别设置不同的催收方式，提升整体贷后管理的效率。

标准数据指标模块还应有用户自定义设置指标功能

根据风控数据指标，配置相应的预警和催收策略。打通消息通知中心和催收系统。

可视化的效果直观的看到数据指标不同时期变化，再上AI智能预测，也可查看到指标未来走向。

风控建立在数据之上，没有数据就没有风控。就像上文提到的完成的风控策略、风控模型，这一切的前提是有真实而全面的数据。

国内本身征信基建不完善，没有官方全面的客户数据记录。央行的征信本身也只是覆盖到用户在正规金融机构的数据（今年征信改版后会纳入更多层面的信息）。

所以国内平台做风控数据基础来源自身业务或者第三方，第三方数据一方面真实性有待考察、数据分散，另一方面数据的成本转嫁到信贷客户身上，导致客户融资成本升高，所以国内普惠金融比较难以实行下去。

客户属性数据、行为数据、金融数据、征信数据、社交数据、消费数据等

自有业务数据、第三方大数据平台、官方征信平台、互联网爬取等。

基于以上两点，存在数据类别和来源不同导致的数据标准不同的情况。建立数据中台，一方面对外提供数据对接、数据治理、数据输出等服务，对内数据中台支撑信贷业务整体数据需求来输出数据应用。

信贷风控模型的介绍就聊到这里吧，感谢你花时间阅读本站内容，更多关于信贷风控模型是什么、信贷风控模型的信息您可以在本站进行搜索查找阅读喔。