風控中有兩大重要的模塊内容，分别是授信額度與利率定價。今天就結合番茄風控曆史的文章，整合了以往的文章，希望能幫助各位年後跳槽的風控同行，帶來一些思考。

一.授信額度制定（定額）

産品定額不管是零售信貸還是對公，都是重要的一環。信貸産品從0到1，從無到有，并且一直是叠代優化的過程中，其總會經曆以下曆程：

冷啟動——>數據積累——>數據調優與叠代——>數據穩定——>産品退出

以上基本涵蓋了産品全生命周期，産品定額在這些不同階段上所采用的方法也有所不同。但從定額的角度來看，目前定額的方法，可以簡單粗分為兩大類：

1.1.DTI-粗放式

信貸兩大基本邏輯，各位風控人百說不厭，還款意願與還款能力。因為從流程上來講，定額是處于貸前風控節點流程中偏後環節。所以額度的确定，更多地會從還款能力上考察信用風控。

信用風險，其考察邏輯主要是判斷其收入數據、負債情況【 DTI全稱Debt to Income Ratios(通常縮寫為DTI) 】。但很明顯收入維度，我們無法直接獲取，但在常規上就有幾種方式判斷，我們從線下與線上渠道分别說明：

線下渠道：

在之前的線下渠道中，認定客戶的收入大都通過以下渠道來獲取客戶收入：

1.從客戶提供流水數據來判斷；

2.通過客戶的保單跟貸款情況來判斷，比如房貸的2-3倍認定收入，收入與保費的數據也雷同；

線上渠道：

線上自動化進件收入判斷跟線下渠道有所差别，介紹以下幾種：

1.通過外部三方數據判斷，之前有很多做三方數據的廠家，如大家熟悉的鵬元等，在較早前都有收入數據維度；

2.通過稅務稅務、社保、公積金數據來獲取，這種一般是銀行類産品，很多銀行打通了這些接口；客戶授權後能直接獲取這些數據，銀行通過這類接口數據再來推送收入情況。無疑，這類數據最為準确；

3.通過征信數據判斷，通過征信數據的各個維度可以做相關的收入模型判斷，這個能做的内容就非常多了。

以上通過不同的方式來核定還款能力DTI。随着數據的積累與沉澱，風控人員發現用最基本的DTI已經沒有辦法進行更精準的定額，因為以上的定額基本隻停在風控的冷啟動階段。在風控的冷啟動階段，數據大部分是拍的，但大部分的數據都是有邏輯的拍（後面有具體的案例）。等到一定量級後再通過差異化的風險評級來實現定額，就引出了以下調整式的内容。

1.1.DTI的授信舉例

以上關于DTI的授信矩陣，相關的額度矩陣數據，簡單如下：

編輯

添加圖片注釋，不超過 140 字（可選）

以上在風控政策崗普遍會用到相關的額度矩陣，如果其中關于具體的定額，在産品中還有相關的定額矩陣，數據情況如：

個人授信額度 = MIN【（當前月收入-平均每月應還款總額）*可支配收入比例*擴展系數，最近6個月平均使用額度*3】（額度有效期：3個月）

說明：擴展系數暫定為3.0，可支配收入比例暫定0.5。

​

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

其中，對于征信非白戶的客戶，個人月收入預估=Max(A1，A2，A3，A4，A5，A6，A7)

1.2.調整式——基于Se_Pd-Value（segment&pd）

基于Se_Pd-value的調整式的定額，是數據積累到一定節點後的産物，也是更科學的定額方式。做好客群定額，即需要考慮的内容有以下情況，分别為：

産品接受率，利率，客群分層占比中的PD等數據；通過這兩個的方式進行相關的調整，才能綜合求出更合适的定額策略。

基于Se_Pd-Value的調整式的定額，更好地做好差異化内容。

以具體的産品為例子，比如現在有兩款産品，a與b。這兩個産品其借貸利率分别是a=16%，b=10%。a産品為小貸客群産品，利率偏高；b客群為銀行類客群，風險偏小，随之其違約風險相應的也會對應以下内容：pd-a為8%，pd-b=4%。

綜合下來a的利潤在v-a=8%，v-b-=6%的區間。以上我們通過最簡單的a與b産品，簡單闡述通過Se_Pd-Value的綜合調整，但在實際生産過程中需要考慮的内容非常複雜，結合考慮的還有産品接受率，lgd等情況，展開來就更複雜些。

當然以上的額度矩陣并非一成不變，最重要的是仍要用ABtest去驗證額度效果：

​

編輯切換為居中

添加圖片注釋，不超過 140 字（可選）

1.3.額度陷阱

在給與額度的同時，業内經常讨論的邏輯是，額度跟風險的考量，額度跟風險是相關的，客群風險低，額度仍需有上線支撐，俗稱蓋帽額度。比如給與客戶1千萬的授信額度，要是後續還不上也就不還了，因為這個授信額度大到客戶永遠無法賺回其收益，也就沒必要償還相關貸款。

二.産品利率制定（定價）

整體的定價内容都有哪些？

目前依托于互聯網金融的定價體系發展階段大概經三個階段，分别為如下展示：

1.一口價模式，簡單粗暴，劣币驅逐良币，針對所有的用戶群體都按照統一的費率标準進行展示，不需要數據基礎；2.粗算型定價，可針對部分客戶進行區别性定價，但定價偏差大，需要少量已有表現數據基礎；3.大數據定價，可針對不同客群數據進行區别定價，定價差異較小，但解釋難度大，需要大量已有表現周期數據基礎。

2.1.風險定價應該怎麼做？

風險定價的核心思路，主要有以下幾點：

第一 人群的劃分針對于客戶特征給客群提供精準的風險定價。數據量包括不限于客戶基本信息數據、征信數據、外部第三方數據、還款行為數據等等。

清晰準确的客群劃分，是風險定價的核心基礎。

第二 資金成本的考量不同客群在不同場景下，逾期率、損失率是多少，會産生多少M3 的壞資産。

第三 風險預估風險一直都是存在的，做風控的人都知道風險都永遠都不可能消失的，除非不做業務。那麼風控的職責不是說消滅風險，而是降低風險。風險定價的作用就是将用戶的逾期風險與信貸産品的收益挂鈎。将獲客成本，資金成本，催收成本等涉及到信貸環節的支出分攤到每個客群上，即使客戶發生違約，但是産品收益能覆蓋損失，并且穩定覆蓋，那麼這就是一個好産品。

2.2.如何确定風險定價？

根據以上三大核心思路，準備好以下不同數據：

1. 基礎數據包括客戶的個人信息（性别、年齡、學曆、公司情況、收入情況、個人資産情況）等客戶個人信用報告客戶行為數據，如互金授信、設備信息、手機通訊錄權限、手機内包含貸款app數量

2. 第三方征信數據，包括是否為其他公司黑名單客戶、多頭借貸數據、其他公司逾期情況、關聯聯系人信貸情況等

3. 交易數據（如近三個月、半年和一年内的訂單數、授信金額、平均額度、增長幅度等）、資産數據（每個月資産授信本金、每月授信增長額等）

4. 逾期數據，包括：

逾期率分布情況：DPD30 %、DPD60 %、DPD90 %

催收回收率：

C-M1、M1-M2、M2-M3、……M6-M0壞賬率：定義壞賬天數，如180天為壞賬，則DPD180 %為壞賬率壞賬回收率...

2.3.風險定價模型

數據收集完畢，打好了基礎，開始可以搭建風險定價模型了。

1. 政策決策規則

一般針對有區别性較強的單一數據，可使用政策規則進行調整定價，如已從數據得知某信用分小于620的DPD30 %高于平均值的2倍，或者，某信用分高于660分的DPD30 是平均值的一半，可針對單一分值提高或降低定價。

規則為：

if 信用分<620then 定價=36%；

if 信用分>=660then 定價=18%。

2. 定價模型

由定價模型根據逾期表現對客群進行分類，推算逾期概率較高的客群進行定價的提高，逾期概率較低的客群降低定價

​

編輯

添加圖片注釋，不超過 140 字（可選）

3. 決策樹模型/評分卡模型

針對不同客群可做客群細緻切分，結合不同維度逾期數據、外部數據、客戶信息等，對定價進一步細分。

​

編輯

添加圖片注釋，不超過 140 字（可選）

4. SNA關聯網絡針對反欺詐關聯網絡數據，可進行細微針對性的定價調整；根據複雜網絡關聯情況，衍生出不同數據字段，針對字段嚴重程度進行定價的調整。

如：

30天内是否存在相同證件号碼但不同手機号申請

半年内同一下單設備關聯不同借款人數

1天内同一設備關聯不同借款人身份證數

7天内同一設備關聯不同借款人身份證數

存在關聯聯系人逾期＞90天

存在關聯聯系人當前逾期

2.4.非循環貸的産品，定價實際案例說明

以下以非循環貸的産品進行具體的案例說明，進行具體的利率定價的步驟。

非循環貸産品好解些：假設金融機構的利率為r，産品接受率為q（r），借貸利率為rf，違約損失率為LGD（簡稱l），違約率為PD（簡稱1-p），不違約概率為p。則預期利潤為：E（r）=q（r, L）* [（ r–rf） * p– （l rf ） *（1– p ）]

對于循環貸而言，稍微複雜，但也可解。客戶在成功審批通過後，可以根據産品競争力（即借貸利率）和自身資金需求來決定提取金額的比例，也就是說上述公式除了接受率外，還需要增加一個額度使用率, 即：

E（r）=q’（r ,L）*[（ r–rf） * p– （l rf ） *（1– p ）]

例如有一款循環現金貸産品，申請通過後客戶将獲得一個授信額度。客戶可在授信額度下根據自身需要自由選擇提取現金的比例，使用後最長還款周期為12個月，産品還款方式為按月計息，每月有固定賬單日期計算當期欠款及利息，還清使用額度後可用額度即恢複至授信額度。

由于貸款期限和客戶額度使用率的不确定，具體到循環貸産品中金融機構需要解決兩個問題：

1、如何确定利率？

2、如何确定額度？

以下以實操案例為大家講解：

2.5.實操展示——

假設各期賬單周期移動到下一個狀态的概率隻依賴于當前狀态，而與之前的曆史情況無關，本次我們使用馬爾科夫鍊模型來分析各期的期望收益：

如對申請貸款客戶進行數據分析，信用評分處于低風險等級的客戶下一期關閉賬戶、申請貸款且維持低風險等級、申請貸款且轉為高風險等級、申請貸款且違約的概率分别為5%、85%、9%和1%；

信用評分處于高風險等級的客戶下一期關閉賬戶、申請貸款且轉為低風險等級、申請貸款且維持高風險等級、申請貸款且違約的概率分别為0%、5%、90%和5%。若低風險申請貸款客戶收益為8，高風險申請貸款客戶收益為16，平均違約成本為180。

面對以上指标，我們需要引入風險矩陣加權表來表述相關關系，其中的風險矩陣加權表，拟合如下：

​

編輯

添加圖片注釋，不超過 140 字（可選）

若申請初始貸款客戶狀态為低風險客戶，即為[0,1,0,0]，那麼下一期的概率為：[5%,85%,9%,1%]，綜合得出：期望收益為85%*8 9%*16 - 180*1%=14.44%

算出了期望收益，便可以通過風險收益來制定具體的循環貸的風險定價~

以上關于額度與定價内容，更系統性的歡迎來參與番茄風控以下内容：

①《番茄風控全線條訓練營》

②《番茄風控量化Smart特訓》

~原創文章

...

end

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!