金融风控01-风控业务解析
发布时间
阅读量：
阅读量
金融风控01-风控业务解析
- 风控业务分析
-
-
信用卡风险控制流程
-
- 数据收集环节：
- 反欺诈模块基于无标记数据训练的模型构建
-
规则驱动策略制定
-
风险评估模型构建
-
应收账款回收措施实施
- 入门资料推荐
-
补充
-
- 四要素验证：
-
-
风控业务解析
信用卡风控流程
数据采集
反欺诈
策略
模型
催收
数据采集：
数据采集会涉及到埋点和爬虫。
反欺诈引擎（模型、无标签）
反欺诈引擎主要由以下两大模块构成：核心规则模块和智能化防御系统。传统的基于监督的学习方法应用较为有限，其涵盖范围包括非监督学习技术、社交网络分析方法以及多种先进的数据挖掘手段等。
规则引擎（策略）
利用数据分析与挖掘技术结合多种监督学习与无监督学习方法，计算各字段及各区间的坏账发生率，并确定最优的字段划分区间。随后筛选出信用状况较为优质的一批特定客户实施资金发放。通常采用模型构建与业务规则相结合的方式进行操作。
风控模型
基于 supervision 学习的方法开发违约概率预测模型的主要思路是利用统计分析技术对历史违约数据进行建模与模拟研究。在实际应用场景中面临数据质量问题时，则倾向于采用深度 learning、非监控式或半监控式等技术手段辅助传统的有监控式学习方案。风控模型中的 A/B/C 类别分别对应不同的风险等级划分标准及其评估指标体系如表格所示。
| A卡 | B卡 | C卡 | |
|---|---|---|---|
| 时间不同 | 贷前 | 贷中 | 贷后 |
| 数据要求不同 | 一般可做贷款0-1年的信用分析 | 在申请人有了一定行为后，有了较大数据进行的分析，一般为3-5年 | 对数据要求更大，需加入催收后客户反应等属性数据 |
| Y的定义 | 用户历史逾期天数的最大天数 | 可以多期借款中逾期最大一次的天数 | 用途不同，定义不同 |
催收
催收构成了风控体系的核心环节。
该流程能够产出多种有助于模型训练的数据信息。
包括但不仅限于文字记录信息、访问频率指标以及欺诈标记等多个方面。
入门资料推荐
《概率论与数理统计第四版（浙大）》
《统计学习体系第二版（李航）》
《机器学习（周志华）》
《基于Python的数据分析及其应用实践（第二版）》
《信用评分模型构建与应用》
补充
四要素验证：
姓名、身份证、银行卡、手机号全部评论 (0)
还没有任何评论哟~