风控规则的A类调优：拒绝客户坏账预测

本篇更新策略篇的规则集A类调优Python实操篇，内容选自《100天风控专家》第64期。

历史策略文章：

本篇开始介绍策略调优方面的内容，从A类调优开始，规则阈值的放松具体如何来做。

1. 什么是规则阈值放松？

我们举一个简单的例子，先解释一下什么是单变量规则阈值的放松。比如，线上决策引擎中有“RULE0”的征信审批规则，含义是“最近一个月贷款审批查询次数”，它的判断标准是：RULE0>=5 时则命中，否则未命中。

假如，现在我们想对 RULE0 规则进行阈值的放松，比如将 cutoff 阈值调整为>=6 时拒绝。这样就可以将原来>=5 被拒绝的客户通过，进而提高通过率，达到 A 类调优的效果。

2. 规则阈值放松的难点

做A类调优的一个难点就是：被拒绝的客户没有贷后表现。

3. 拒绝样本贷后表现的量化方法

有常见的3个方法可以参考：

1）回归预测：如果规则的通过样本分箱badrate有一定的单调性，可尝试基于通过样本的badrate拟合回归模型来预测拒绝样本分箱下的badrate。该方法的使用条件是规则本身具备一定的区分能力，特点就是badrate有单调趋势。

2）其它强变量：不依赖于规则通过样本badrate的单调排序性，而是借助其它的强变量来预测拒绝样本贷后表现，即规则通过样本的badrate单调性可强可弱，但都不影响其它强变量的区分效果。在实际业务中，一般这种强变量大多数是模型分，或者融合模型分。

3）实际测试：如历史做过“灰度测试”或“AB测试”，可参考历史数据预估；如没有历史测试，可通过“随机测试” 放行想要放松的客户，通过实际贷后表现来准确获取信息。

注意：对拒绝样本贷后表现进行预测本身就是一个非常难的问题。如果有多种量化分析方法，最好是可以结合起来使用，综合多个维度分析得到的结果，说服力就更强，预测值就更加准确。

3.1. 回归预测方法

这种方法的前置条件是变量分箱后区间坏账（badrate）需要有明显的单调性，如下图所示。按照badrate的增长趋势或者增速可预估出拒绝段分箱内的badrate水平。实现方式和做模型类似，用通过样本训练拟合出模型，然后对拒绝样本进行预测即可。

比如下面拒绝段的第5/6分箱的badrate经过拟合模型预测后分别为0.1642和0.1914。

回归模型在Python中可以通过以下方式实现，主要是借助Numpy的polyfit()函数拟合出线性方程的系数和截距项。如下图所示，通过RULE0的变量分箱及对应的badrate数值训练得到一个一元线性方程：y = 0.0271x + 0.0286。然后使用该方程预测出拒绝样本的badrate。

3.2. 其它强变量

步骤1：模型分0对以上通过样本打分的分数分布，根据lift制定cutoff

步骤2：根据cutoff计算拒绝段badrate

3.3. 实际测试

1）使用“随机测试”直接获取拒绝样本的贷后表现

分流比例：比例不宜过高，以避免损失严重，同时样本量需满足最小统计要求，否则没有统计意义

豁免：随机测试样本，只打分不生效，“豁免”直接通过审批，不会被决策流后面策略拒绝，否则获取的贷后表现可能失真

优缺点：优点是获取信息最为准确，无需预测，缺点是需要一定的观察周期，并且会产生一定的坏账损失。

2）如果历史有做过“AB测试”或“灰度测试”，可以使用测试期间样本的贷后表现预估

AB测试：如果规则策略上线时进行AB测试，可以从对照组中低于cutoff的放贷客群的badrate作为实验组的近似估计。

灰度测试：如果规则策略上线前存在灰度测试，灰度期间只打分不生效，可以用来预估规则拒绝样本的badrate。

--end--

以上内容节选自👉《100天风控专家》

从0到1的信贷风控训练营