1.リスク管理システムの一部
1.ブレイズ
BlazeはFICOの製品であり、ルール管理に使用され、モデルABCカード開発の前身です。クレジット会社が融資を開始したときは、データ量が少なく、アプリケーションユーザーも少なく、モデルの構築が困難でした。そのため、初期段階では、一般的に専門家の経験を生かして良い顧客か悪い顧客かを判断し、リスク管理意思決定管理システムを通じて効率的な運用を行っています。その中でも、ブレイズは、何年もの間、より高い効率を持っています。ただし、ブレイズは、大手銀行、ホームクレジット、その他の大手消費者金融会社で一般的に使用されている商品です。料金は年間100万元を超える場合があります。さらにカスタマイズされたサービスが必要な場合は、料金が高くなります。
1.1カードの
定義：アプリケーションスコアカードは、クレジットフェーズで送信されたデータに値を割り当てるためのルールです。
例：「入金」は、申請書を指す従来の銀行の用語です。スコアカードは、一連のユーザー情報に関する包括的な判断です。より多くのユーザー情報を収集できるようになると、クレジットの意思決定者は単純なifやelseロジックに満足できなくなりますが、各データに重みとスコアを割り当て、ユーザーの最終的な包括的なスコアに基づいてリスクを判断し、スコア。リスク許容度、スコアカードが生まれました。スコアカードは、ロジスティック回帰アルゴリズムの派生物です。
1.2 Bカードの
定義：行動スコアカード、ローン後に収集できるユーザー情報をスコアリングするためのルール。
例：Aカードと同様に、Bカードもスコアリングルールのセットです。ローンが発行された後、お金を受け取った後のユーザーの行動データが収集され、ユーザーが延滞するかどうか、およびユーザーが続行できるかどうかが推測されます。お金を借りる。たとえば、ある銀行から融資を受けた後、他の複数の銀行に行って融資を申し込む場合、資金が不足していて返済できない可能性があると考えられます。再び銀行ローンの場合、彼は慎重にローンを解放する必要があります。Bカードモデルには、サイレント顧客モデルのアクティブ化、より価値の高い顧客の検索、ローン割り当てモデルの増加など、在庫管理用の多くのサブモデルがあります。
1.3 Cカードの
定義：コレクションスコアカードコレクションスコアカード。延滞ユーザーの将来の能力を判断するためのスコアリングルールです。
例：収集スコアカードは、行動スコアカードの派生アプリケーションであり、その機能は、期限切れのユーザーの収集強度を予測することです。評判の良いユーザーの場合、支払いは回収または軽い回収なしで返すことができます。長期間延滞する傾向のあるユーザーは、延滞期間の初めから収集に集中する必要があります。延滞日数が多いほど、収集が難しくなります。
収集は一般に複数のエージェントに分割され、M1、M2、M3などのさまざまなエージェントの従業員の経験とビジネス能力は大きく異なります。AI人工知能は、初期段階の自動収集によく使用されます。
アプリケーションスコアカード、行動スコアカード、およびコレクションスコアカードは、しばしば組み合わされて「ABCカード」と呼ばれ、ローン前、ローン中、およびローン後の管理に使用されます。
1.4 MISの
解釈：経営情報システム経営情報システム。
例：MIS_weeklyは、MISシステムによって発行される週次レポートであり、リスク管理の観点から、現在の期間の重要なデータと過去のユーザーのリスクパフォーマンスをカバーします。これは、クレジットモジュールが注意を払う必要があるレポートです。
1.5 Serの
解釈：サービスの省略形。「.Ser」は、意思決定エンジンツールSMG3のプロジェクトファイル形式であるため、serは意思決定エンジンルールのバージョンを参照するために使用されます。
例：SMG3（Strategy Management Generation 3）は、Experianが提供する意思決定エンジンツールであり、同様のツールにはFICOのBlazeが含まれます。意思決定エンジンは一連のルールのコレクションであり、多数の入力パラメーターを処理して、最終的に結論を出力できます。意思決定エンジンのルールは、クレジット付与のコアコンポーネントの1つです。通常、各サブグループはSerで個別に構成され、同じクレジット付与プロセスで複数のSerを実行することもできます。
1.6 RBPの
解釈：リスクベースの価格設定、リスク価格設定。
例：定量的リスク管理の中核はリスク価格設定です。ユーザーには、ユーザー数、モデルの意思決定リスク、外部のクレジットデータなどの条件に基づいて、割り当てとレートを付与できます。
2.リスク管理指標部分
2.1老化分析の
定義：老化分析。各期間から同じ決済エンドポイントを特徴とする観測点までの遅延率を表示し、毎月散在するローンを1つの観測時点にまとめて延滞率を算出します。
2.2ヴィンテージ分析の
解釈：次の月の毎月の新規ローンの延滞状況を計算します。これは、経年分析でもあります。経年変化の分析とは異なり、ヴィンテージはローンの経年変化に基づいており、ローン後Nか月の延滞率を観察します。また、さまざまな期間における貸付のフォローアップの質を分析し、入力ルールの調整が債権者の権利の質に与える影響を観察するためにも使用できます。
例：Deliquency Vintage 30+：毎月の延滞30+残りの元本/対応する請求書が生成された月に発行されたローンの金額を表します。
2.3
CとMの解釈：CとMは、期限切れの番号を持つバケットを表す固有名詞です。M0は通常の資産であり、Mxはxだけ遅れており、Mx +はx（両端を含む）だけ遅れています。通常の返済が遅れていないバケットはM0、つまりCであり、M1は1つ遅れています（1〜29日）。M2 +は、2ターム以上（30+）を意味します。M2とM4は2つの重要な観測ノードであり、一般的にM1は初期段階、M2-M3は中期段階、M4以上はM6より大きい不良債権の最終段階の移転であると考えられています。
2.4
延滞の定義：延滞率/遅延率。資産の質を評価するための指標は、一致と遅延の2つの観察方法に分けることができます。
2.5偶然の
解釈：スポットインジケーター。これは、現在の期間に売掛金のすべての品質を分析し、遅延率を計算するために使用されます。これは、現在の期間の各バケットの繰延金額を、現在の期間の売掛金（AR）の合計金額で割ることによって計算されます。同時発生は、現在の観測点における全体の概観であるため、当期の売掛金の水準による変動の影響を受けやすく、総取引量の変動が少ない資産の質の観測に適しています。
例：一致するDPD 30+
2.6
遅延解釈：遅延インジケーター。偶然および遅延率を計算するための指標と同じように、違いは、遅延の分母が、延滞額が生成された期間の売掛金であるということです。Laggedは、当期の延滞率を観察しているため、当期の売掛金の増減の影響を受けません。
例：遅延DPD 30 + $（％ ）=遅延M2 +遅延M3 +遅延M4 +遅延M5 +
資産残高の終わりの遅延M6M1 （1〜29日）：満たす月末の統計1≤29以下の流動資産延滞日現在の延滞日数は、不良債権注文を除いた、注文の現在の最大延滞日数です。
ラグM1 =月末のM1のローン残高/前月末のローン残高（M0〜M6）
2.7.0 PD（延滞）
たとえば、FPD1、SPD7、TPD30 ...
前の文字F：firstは、最初の期間が遅れていることを示します。同様に、S、T、およびQは、それぞれ2、3、および4を示し、数字が使用されます。後ろに。5PD30など。
次の数字は、延滞日数を示しています。お客様がFPD30マークを持っている場合は、FPD1FPD7およびその他のマークが30未満である必要があります。
dpd（延滞日数）は、延滞日数です。ローンタイプの商品は、支払い期限の翌日（通常は翌締切日）から始まります。
4期間において、いずれかの期間の延滞日数が30日を超える場合、不良顧客
が注意を払う必要があるポイントです。PDインジケーターは通常、相互に排他的です。つまり、人がFPDマークを持っている場合、 SPDマークはありません。SPDは、最初の期間が正常であることを意味しますが、2番目の期間は遅れています。
2.7 DPDの
定義：延滞日数、返済日の翌日から実際の返済日までの日数。
例：DPD7 + / 30 +、7日以上30日遅れ。業界のより厳密な延滞率の計算式は次のとおりです。特定の時点で、90日を超えて延滞している借入口座の未払いの残りの元本の合計額を90以上の延滞を生成する可能性のある累積契約の合計額で割ったもの。分子の概念は、90日以上の延滞が発生している限り、未払いの契約の残りの元本の合計が延滞していると見なされ、分母は、短いエージングタイムのローンの一部は絶対に生成できないということです。 90日以上の延滞契約金額は除外されます（たとえば、ローンが2日前の場合、90日を超えて延滞することはできません）。
2.8 FPDの
解釈：最初の支払いの延滞、最初の支払いが遅れています。ユーザーのクレジットが承認された後、最初に返済が必要な請求書、最後の返済日から7日以内に返済せず、延長を申請しなかった顧客の割合はFPD 7であり、分子は発注された注文です。観察期間中に7日以上の延滞が発生したユーザー数、分母は、現在の期間にすべての最初の注文が行われ、返済日が満たされた7日後の観察期間のユーザー数です。一般的に使用されるFPDインジケーターはFPD30です。
例：ユーザーが10.1にクレジットを渡したとすると、ローンの最初の3回の分割払いは10.5の分割払いによって生成され、毎月8日が返済日として設定されました。11.08は最初の請求書の返済日です。請求日以降、返済日の終了前の返済は延滞とは見なされません。11.16が返済されていない場合は、10.1-10.30の期間に含まれます。
FPD7の分子内。通常数日間延滞しているユーザーは、返済を忘れているか、しばらく手元にない可能性がありますが、FPD 7インジケーターを使用すると、ユーザーはクレジットグループの信用リスクを評価し、将来の資産の健全性を見積もることができます。
FPD 7と同様に、FPD 30も、ユーザーの最初の保留中の請求の延滞ステータスを監視するためのインジケーターです。30日以内に延滞しているユーザーの場合、収集作業を強化することで一部の損失を回復できます。30日以上延滞しているユーザーの場合、収集の可能性が大幅に低下し、外部委託の収集が実行される場合があります。ある期間のユーザーのFPD7が高く、需要の少ない資金のほとんどがFPD 30に該当する場合、このユーザーグループのバッチの非スターター比率が高く、返済を望まなかったことを示しています。そうでなければ、それはユーザーを意味しますグループの信用リスクはより深刻です。
2.9 Cpd30mob4 cpd
は、収集モデルで使用されます。これは、収集インジケーターです。履歴を除いて、4か月目の終わりに返済実績が30日を超えているかどうか。
3.0 maxdpd30_mob4
4つの観測期間（月）で、履歴を含めて30日以上遅れているかどうか
3.1アカウント月のMOB
ローンの翌月
例えば：
MOB0、貸付日から月末まで
MOB1、ローン後2か月目
MOB2、ローン後3か月目
mob3-3ヶ月は短い観察期間、mob6-6ヶ月は長い観察期間です
3.2流量の
解釈：移行率。前の期間の延滞額が、回収後に支払いなしで次の期間に引き続き減少する可能性を観察します。
例：M0-M1 = M月末の資産残高M1 / M0前月末のローン残高
8月M0-M1：8月のローン残高がM1に入力されました/ 8月の初めである7月の終わりM0ローン残高
追加情報：
マクロ経済
短期リスクはFDP、SPD、TPDを使用して測定でき、
中期リスクは30 + @ MOB4、
長期リスクは90 + @ MOB6などです。
短期リスクを測定するには、FPD、SPD、 TPDを使用できます。中期リスクを測定するには、30 + @ MOB4を使用できます。長期リスクを測定するには、90 + @ MOB6を使用できます。
異なる製品は異なる指標を適用します
Fpd30（キャッシュローン商品）
maxdpd30_mob4（既存顧客）
Cpd30mob4（集客顧客）
不良自動車ローンの顧客の定義（参照のみ）
注：シーンが細分化されているため、シーンが異なればまったく異なります。上記のインジケーターは参照用です。
3.リスク管理モデル部分
3.1ベンチマークの
定義：ベンチマーク。新しいモデルの各バージョンは、オンラインベンチマークモデルまたはルールセットと比較する必要があります。
3.2 IVの
解釈：情報値情報値、VOIとも呼ばれ、情報の値、値の範囲（0,1）。この値は、変数の予測能力を示すために使用され、大きいほど良いです。財務リスク管理スクリーニング変数のしきい値は0.02です。変数のivが0.02未満の場合、変数はキックアウトされます。モデルの専門家として、iv値は暗記では記憶できず、しきい値は自分のシーンのデータ分布特性に応じてカスタマイズする必要があることを皆さんに思い出させます。さまざまなシナリオでの可変iv値の分布は、貸付、自動車ローン、現金ローンなど、大きく異なる可能性があります。
3.3 KS値の
解釈：KSは、分離力の指標であるklmogrov-smirnovを指します。いわゆる分離力とは、良い顧客と悪い顧客を区別するモデルの能力を指します。KS値の範囲は0〜1で、大きいほど良く、小さいほど悪くなります。実際のシーンでは、リスク管理の分野のモデルksは0.4を超える可能性があります。
3.4 PSIの
解釈：人口安定性指数、安定性指数、低いほど安定性が高くなります。現在の顧客グループとモデル開発サンプルの顧客グループの違いの程度を比較し、モデルの効果が期待を満たしているかどうかを評価するために使用されます。PSIが0に近いほど、モデルの安定性が向上します。PSIが0.1未満の場合、モデルは比較的安定しています。psiが0.1〜0.25の場合、モデルの安定性は変動します。モデルをチェックし、必要に応じてモデルを再開発する必要があります。
3.6ログロス
解釈：ログ損失関数
予測確率が1に近い場合、対数損失はゆっくりと減少します。しかし、予測される確率が減少すると、対数損失は急速に増加します。ログ損失値が大きいほど、モデルの精度が低くなり、その逆も同様です。
3.7トレーニングサンプルの
解釈：モデリングサンプル、モデルのトレーニングに使用されるパフォーマンスユーザーデータのセット。このサンプルに関連して、オフタイムサンプル（検証サンプル）もあります。両方のサンプルは同じユーザーディメンションを取ります。通常、検証サンプルの検証には、モデリングサンプルによってトレーニングされたモデルが使用されます。
3.8 WOEの
解釈：証拠の重み、証拠の重み、値の範囲（-1,1）。デフォルトのアイテムの割合は通常のアイテムよりも高く、WOEは負の数です。絶対値が高いほど、要因のグループが良い顧客と悪い顧客を区別する能力が強くなります。スコアカードモデルのデータは、変数の分散を減らして滑らかにするために、元のデータを悲惨なデータに変換する必要があります。IV値もwoe値から変換されます。woeには変数の評価に特定の欠陥があるため、iv値は一般に変数の重要性を評価するために使用されます。
3.9不正なキャプチャレートの
解釈：不正なユーザーキャプチャレート。これは、モデルの効果を評価するための指標であり、比率が高いほど優れています。
例：上位10％の不良キャプチャ率は、モデルによって評価された最悪のユーザーの上位10％の比率を指します。これは、サンプルの不良ユーザーです。
3.10母集団の
定義：すべての母集団、モデリングサンプルと検証サンプルを含むすべてのサンプルユーザー。
3.11変数の
定義：変数名。各モデルは、入力パラメーターとして多くの基本変数と派生変数に依存しています。変数の名前は、仕様に準拠し、理解しやすく、拡張しやすいものである必要があります。変数は、モデリングする前にフィルタリングする必要があります。ビッグデータモデルでは、変数の90％以上がノイズ変数です。本当に便利な変数はごくわずかです。
3.12 CORRの
解釈：相関係数。Corrの絶対値が1に近いほど、線形相関の度合いが高くなり、0に近いほど、相関の度合いが低くなります。相関係数の計算はデータ分布に依存します。データが正の分布を示す場合は、ピアソン法の方が正確ですが、逆にスピアマン法を使用する方が適切です。
3.13混同行列
感度：真の陽性条件下では、テストも陽性です
特異性：真の陰性条件下では、テストも陰性です
偽陽性：真陰性の条件下では、テストは陽性です
偽陰性：真陽性の条件下では、テストは陰性です
4.リスク管理の基本的な語彙
4.1 APRの
定義：年率、年率、年に1回複利計算される利率。名目APR名目金利、実効APR実際金利。
4.2 ARの
解釈：売掛金、売掛金。
4.3アプリケーション詐欺の
解釈：偽造アプリケーション
4.4トランザクション詐欺の
解釈：不正なトランザクション
4.5残高転送の
解釈：残高補償、つまりクレジットカード返済ビジネス。
4.6コレクションの
解釈：コレクション。短いものから長いものまでのユーザーの収集時間に応じて、アーリーコレクション（アーリーコレクション）、フロントエンド（フロントエンドコレクション）、ミドルレンジ（ミドルレンジコレクション）、ホットコア（ポストコレクションコレクション）リカバリ（不良後のコレクション）に分けられます。債務/貸倒収入）いくつかの段階は、さまざまな収集方法と頻度に対応しています。
4.7 DBRの
定義：借方負担率、負債比率。一般に、さまざまなチャネルにおける債務者の無担保負債の合計は、平均月収の22倍を超えてはなりません。
4.8分割払いの
解釈：分割払い
4.9 IIPの
解釈：貸倒引当金
4.10 PIPの
解釈：資産の減損損失
4.11 NCLの
定義：正味貸倒損失、正味損失率。当期に振替された貸倒額から当期の貸倒回収額を差し引いた金額が純損失額となります。
4.12ローン金額の
解釈：ローン金額
4.13 MOBの
解釈：帳簿上の月エージングの
例：MOB0、当月末までのローン日。MOB1、支払い後2か月目
4.14スターター以外の
定義：悪意のある延滞顧客
4.15ペイデイローンの
定義：ペイデイローン。無担保信用貸付は、貸付速度が速く、金額が少なく、短期であるが金利が高い。このモデルでは、割り当てが少なく、金利が高いことが必要条件です。
4.16リボルビングの
定義：リボルビングクレジット。お金を引き出すと、Le Credit Walletは、医療の美学と教育のための特別な割り当てに対応する定期的な割り当てをユーザーに提供します。
4.17 WOの
解釈：貸倒償却、貸倒れの譲渡。通常、貸倒れの譲渡が6期間以上遅れています。
5.財務情報収集サイト
5.1株式/債券市場の世論分析および早期警告関連のWebサイト
Wind（https://www.wind.com.cn/）
Eastern Fortune Network（https://www.eastmoney.com/）
Hexun Data（http://data.hexun.com/）
Bloomberg（https：// www.bloomberg.net/）
5.2マネーロンダリング防止の調査
FATF http://www.fatf-gafi.org/
マネーロンダリング防止金融活動タスクフォース。マネーロンダリングの危険性を研究し、マネーロンダリングを防止し、マネーロンダリングに対する国際的な行動を調整するために1989年に西側7カ国によってパリに設立された政府間国際組織。現在、最も影響力のある国際的なマネーロンダリング防止およびテロ対策資金調達です。世界で最も重要な国際組織の1つ。現在、36の加盟管轄区域と2つの地域組織が含まれており、世界中のほとんどの主要な金融センターを代表しています。それによって策定された40のマネーロンダリング防止勧告と9つの特別なテロ対策資金調達勧告（FATF 40 + 9勧告）は、世界で最も権威のあるマネーロンダリング防止とテロリスト資金洗浄に関する文書です。
Bankers Yearbook（https://accuity.com/）
Dow Jones（https://www.dowjones.com/）
5.3銀行口座マネージャーのマーケティングを支援するための企業財務発表情報のインテリジェントな抽出
Juchao Information Network（http://www.cninfo.com.cn/new/index）
51CTOアカデミーの「 PythonFinancialRisk Control Scorecard Model and Data Analysis MicroProfessionalCourse」を学ぶすべての学生を歓迎しますhttps://edu.51cto.com/sd/f2e9b
