查看原文
其他

大厂风控的 “置换策略” 是如何设计的?

东哥起飞 Python数据科学
2024-10-08
本篇来介绍下风控中的置换策略,它是策略分析师实际工作中经常使用的方法,并且也是面试中经常被问到的问题。以下正文内容节选自《100天风控专家》策略优化篇。

1. 什么是置换策略?

1)概念理解

置换策略,又叫“swap-in-swap-out”置入置出策略,是通过设计一个全新的策略来替代已有旧策略的优化方法。它与规则阈值收紧、策略新增不同,不是在已有策略上做调整、新增或者收紧,而是完全替换。该优化方法在策略的优化迭代中频繁使用,是策略分析师必备的技能之一。

2)业务场景

置换策略既可以应用在A类调优,也可以应用在D类调优场景中。通过置入置出,可以实现“保持通过率不变,降低逾期率”或者“保持逾期率不变,提高通过率”的目的。

3)置换对象

置换对象可以是以规则为主的策略,也可以是以模型为主的策略。例如,模型策略的置换,近期通过监控报表发现,线上主模型KS指标持续下滑,为此模型团队迭代了一版新模型,交付给了策略团队。策略团队需要做一件事情:从业务角度,对新/旧模型进行离线对比测试,此时就需要用到置换策略,即对模型的置换分析。

2. 什么是置入置出?

所谓“置换”,包括置入和置出两部分,什么是置入置出呢?

举例说明下。右侧是模型迭代前后的置换分析示例,展示了新旧模型在通过和拒绝状态下样本的浓度,其中绿色样本代表好客户,红色样本代表坏客户。

  • 置入:旧模型(策略)拒绝的,而新模型通过的

  • 置出:旧模型(策略)通过的,而新模型拒绝的

在这个示例中,置换就是新旧模型在决策上的“差异部分”,可以看到,置入部分的坏客户浓度要低于置出部分。

3. 置入样本坏账率预测—离线预估

经过前面计算后,获取了置入部分的坏账率预估,结果如下。

1)通过率对比

新模型通过率为86.29%,旧模型通过率为80.81%;

2)逾期率对比

新模型置入部分的坏账率为6.65%,置出部分的坏账率为37.79%;

新模型通过部分的坏账率为4.84%,旧模型通过部分的坏账率为7.79%。

4. 代码实操

以上内容来自东哥原创课程《100天风控专家》中【策略开发篇】【策略优化篇】的节选,两部分均已完结,共近500分钟,8个小时的视频干货理论讲解+案例代码实操

--end--

历史风控精选文章:

左可—”试看“,右可—”咨询“
继续滑动看下一个
Python数据科学
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存