您的位置:首页>创事记 >

什么是风控审核标准呢?什么是风控审核黑名单

来源:中国物联网  

什么是风控审核标准呢?在这里,我们可以简单理解为,如果一个平台出现逾期,就会有相应的风控措施,比如逾期率、坏账率等。这些数据都是可以通过大数据分分析进行判断的,所以,我们不能单纯依靠平台自己的数据来判断是否有问题。但是,如果平台的数据真的有问题,那么,这个平台就不能用了了。因为,这样的平台,是没有办法保证用户的安全的。而且,一旦出现问题,平台也不会承担责任的。

一:什么是风控审核标准呢

风控审核其实就是审核贷款人的信用资质情况,比如征信情况、负债欠款、贷款资料的真假、还款能力等。银行或金融机构主要是通过风控审核来决定是否批款给借款人,如有没有通过风控审核,相当于本次贷款申请失败了。而且每个金融机构风控审核的标准不同,所以审核的结果也会不一样,具体请以收到的审核结果为准。

二:什么是风控审核黑名单

宽带风控是指针对宽带网络用户的安全状态,通过网络技术手段采集数据,进行风险智能分析和监控,实现信息安全风险控制管理的过程。宽带风控主要是对宽带网络中的黑客攻击、病毒传播、僵尸网络、钓鱼欺诈、有害信息等恶意行为进行实时监测和全面管理。


(资料图片仅供参考)

宽带风控包含以下方面:

1. 安全加固规范和设备统一管理:对宽带用户采取防火墙、 VPN、入侵检测等多种手段,以防止非法入侵和网络攻击。

2. 恶意网站数据筛查:筛查有害的网络信息,禁止非法行为,比如网站黑名单、IP阻止等。

3. DDoS攻击防护:通过流量分析、数据包过滤、源地址检测等技术手段,剔除无效流量,减少DDoS攻击产生的影响。

4. 用户网络行为监测:对宽带网络中的用户进行监管,及时发现及处理存在的安全隐患。

总之,宽带风控是指对宽带网络中的安全隐患进行监管和分析,从而加强对网络的安全管理和控制。这对于网络服务提供商和个人或企业用户都有很大的意义,可以保证网络的安全和稳定运行。

三:什么是风控审核员

前几天一位网友整理了一份面试题目,主要是偏风控模型岗,看了一下整理得很全面和实用。之前也整理过几份面试题,这次继续整理一下,希望能帮助一些需要的同学。之前写面试相关的问题:

一份很全的风控面试题(见

信贷风控模型岗的一些经验(见

1.进件渠道(60%会问到)

线上业务:信息流、贷超、APP、

线下业务:地摊导流、网点进件、合作企业团办、客户自己申请等

2.策略制定的步骤(20%会问到)

策略主要是根据业务中的风险点,寻找有效的特征进行防范。将变量进行特征重要性排序,用排名较高的/高IV的变量用作策略,一般命中策略的坏样本浓度要达到3倍以上,同时也要按月回溯策略的命中率和逾期率,尽可能少影响通过率的情况下框住坏的客群。弱变量/低IV的变量可以放到模型中,同时要注意策略用到的变量和模型用到的变量尽量不要有相似的,这样可以减少策略与模型的耦合。

3.贷前策略包括哪些数据(80%会问到)

一般数据源类型分为决策类和排序类。决策类有黑名单类(多头、逾期、黑产、失信、罪犯等),验证类(学历、社保公积金、运营商实名与在网时长、地址信息、收入信息等),刻画类(

4.说说策略是怎么做优化的?(100%会问到)

策略调优分为几步:

(1). 确认是A类调优还是D类调优。

D类就是降逾期指标,在通过客群中找差客户拒绝;A类就是提通过率回捞,在拒绝的客群中找好客户通过。

(2). 量化分析调优阈值。

D类调优离线即可完成分析,根据逾期指标选定Y(FPD1/FSTPD1/M4+等),比较逾期指标上升前后的客群异,找到逾期率发生变化的原因。然后寻找单变量或者组合变量进行分析,识别出逾期率较高的客户进行拒绝。

A类调优需要决策引擎标记豁免样本,比较通过率下降前后的客群差异(新老客户/新老资产/渠道变化等),寻找拒绝率较高的可放松的拒绝规则,放松阈值进行AB测试。

(3). 预测策略调整的效果

根据历史数据回溯每月数据,分析策略调整对通过率、逾期率的变化。

(4). 调整后观察和验证结果是否与预期一致

试验一段时间后,对上与不上策略的样本进行vintage分析,观察策略上线是否对逾期指标有影响以及影响是否与预测一致。

5.怎么做数据清洗的?(80%会问到)

缺失值处理:缺失值处理的 *** 有剔除、填补以及不处理三种方式。

异常值处理:了解异常值出现的原因,根据实际情况决定是否保留异常值。

常变量/同值化处理:对同值较高或者方差较低的变量作剔除。

分类变量降基处理:分类变量可以根据bad_rate编码后再做分箱,也可以将少数类合并成一类,确保每一类中都有好坏样本。

6.怎么做特征衍生的?(60%会问到)

RFM *** 。

R(Recency):客户最近一次交易消费时间的间隔。R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。

F(Frequency):客户在最近一段时间内交易消费的次数。F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。

M(Monetary):客户在最近一段时间内交易消费的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。

常规统计特征:统计函数最大值、最小值、平均值、标准差来描述以上分布特征。

时间距离特征:客户最远一次、最近一次或者某个特殊事件发生的时点。

行为波动特征:刻画客户某段连续时间内的行为变化特征。

集中度特征:用以刻画客户行为的偏好程度。

转自知乎求是汪《信贷时序数据与特征工程介绍》

举一些根据征信报告还款历史衍生的例子:

近3个月总逾期次数、近6个月最大连续逾期次数、最近1次逾期距今月数、近12个月逾期连续增加次数、近12个月逾期增加次数、近12个月每两个月之间增长的最大值、近12个月取最大值距今月数等。

7.怎么做特征筛选的?(60%会问到)

特征选择的话常见的有IV值、相关系数、稳定性CSI、逻辑回归系数一致、逻辑回归变量显著性、xgb特征重要度。逻辑回归评分卡筛选变量的步骤案例如下:1、保留IV值大于0.02的变量,共500个;2、把初筛的到的量进行WOE编码;3、变量间两两相关检验并筛选,删除相关性大于0.7的变量400个,剩余100;4、变量稳定性检验,把稳定性大于0.05的变量删除,剩余60个;5、逐步回归法筛选最终入模变量,剩余入模变量10个。

8.怎么做特征分箱的?(60%会问到)

类别型变量进行降基处理(看是否需要)后分箱;

数值型变量等频分箱、等距分箱、决策树分箱、卡方分箱、手工分箱。

分完箱之后看woe与坏账率是否单调或者符合业务意义,如不符合再手动进行调整。

9.目标变量怎么定义?(100%会问到)

贷前模型的Y主要通过vintage和迁徙率。vintage确定观察期,迁徙率确定逾期多少为坏。

10.模型是怎么调参的?

先用交叉验证 *** 初步检验模型可以达到的上限,作为baseline,调参 *** 可以从训练速度、精度、过拟合三个方面回答,一般用网格搜索或者贝叶斯优化。调参可以看之前写的笔记xgboost调参小结或者网上搜索一下,步骤都差不多。

11.有没有ks允许变动的范围?(40%会问到)

投产后ks一定会有个衰减,因为上线后的客群是通过评分切过一刀的,区分能力上肯定不如建模样本。一般投产后的ks最低要在0.2以上,ks的衰减和通过率的影响也有关系。如果上线后通过率降低得多,ks衰减得也多。

12.模型会做哪些监控?(40%会问到)

模型监控主要分为前端监控和后端监控。前端分析主要

前端监控主要是监控开发样本和现有样本分数的差异程度,模型第一要稳定,无论是分数的稳定还是变量的稳定,特别是重要性强的特征,它们分布的微小变动都会造成模型分数的偏移。监控指标有PSI、CSI。PSI有经验阈值,CSI没有,不同特征之间的CSI没有可比性。当特征的CSI为正时,表明该特征分布变化使模型得分往高分偏移,当CSI为负时则相反。

实践中,我们一般会先观察PSI,如果PSI显示模型分数不稳定,那么此时再去观察CSI,从特征级分析原因。如果模型稳定且只是个别变量不稳定的话就没事,如果是多个变量不稳定就要考虑根据特征相关性,替换成IV值相对较高的那个变量等。

后端分析有vintage分析和滚动率分析,可以分析出模型上线前后风险的差异,以及模型坏样本的定义是否准确。先利用滚动率分析确定训练目标(例如M3+),然后利用Vintage分析确定表现期(例如6个月),最后限定表现期大于等于6个月的样本用于模型训练。

后端分析因为有了样本表现,还可以监控模型的排序性和区分能力的变化情况。排序性的监控指标有Bad Rate、Odds、Lift等指标;区分能力的监控指标有AUC、Gini、KS。

此外,模型监控还有拒绝样本瀑布流分析、撤销分析、一致性分析等。拒绝瀑布流分析是对申贷过程中每个环节拒绝流量变化进行分析,反映了整体流程的稳定性;撤销分析是对被模型通过但是被信审拒绝人群的拒绝原因进行分析;一致性分析是分析模型决策与策略决策(不使用模型分的策略规则)的一致性,即模型决策过程中认为的坏样本,策略决策过程中是否也认为是坏样本。

摘自知乎

https://zhuanlan.zhihu.com/p/95797653

13.汇总一些指标的阈值

以下阈值为参考,可结合实际情况作调整。

lift:作规则时>3

多重共线性:VIF<=10

相关系数:<0.7

IV:>0.02

KS:0.2-0.5,训练集和测试集的KS相差在3%以内

PSI:<0.25

逻辑回归要检验系数符号一致性,否则分数和bad_rate会无法解释。

暂时就写这么多,以上问题如有不同见解或者补充的,欢迎交流讨论~

关键词:

最新文章