1. 風制御システムの一部
1.ブレイズ
Blaze はルール管理に使用される FICO の製品であり、モデル ABC カード開発の前身です。信販会社が融資を開始する時期はデータ量が少なく、申込者も少ないため、モデルの構築が困難です。そのため、初期段階では専門家の経験に基づいて顧客の良し悪しを判断し、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うのが一般的であり、その中でもブレイズは、リスク管理意思決定管理システムとして、長年使用されている高効率。ただし、Blaze は商用製品であり、大手銀行や Home Credit などの大手消費者金融会社で一般的に使用されており、手数料は年間 100 万元を超える場合があり、さらにカスタマイズされたサービスが必要な場合は手数料も高くなります。
1.1 カード
の定義: アプリケーション スコアカード アプリケーション スコアカード、単位付与段階で提出された資料に値を割り当てるためのルール。
例: 「受信」は従来の銀行で使用される用語で、申請フォームを指します。スコアカードは、ユーザーの一連の情報を総合的に判断したものです。収集できるユーザー情報の増加に伴い、与信意思決定者は単純なifやelseロジックでは満足できなくなり、各情報に重み付けやスコアを割り当て、ユーザーの最終的な総合スコアに基づいてリスクを判断し、調整することを望んでいます。スコアラインを描くリスク許容度、スコアカードが誕生しました。スコアカードはロジスティック回帰アルゴリズムから派生したものです。
1.2 B カード
の定義: 行動スコアカード 行動スコアカードは、貸出後に収集できるユーザー情報を採点するためのルールです。
例：BカードもAカードと同様にスコアリングルールが設定されており、融資発行後、入金後の利用者の行動データを収集することで、利用者の延滞の有無や延滞の有無を推測することができます。ユーザーは引き続きお金を借りることができます。例えば、ある銀行で融資を受けた後、他の銀行にも融資を申し込んだ場合、資金不足で返済ができない可能性があると考えられます。また銀行融資をするなら、彼は慎重にお金を貸さなければなりません。B カード モデルには、沈黙の顧客モデルのアクティブ化、価値の高い顧客の発見、融資額の増加モデルなど、在庫管理のため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。将来期限切れになったユーザーのリマインダー送信能力を判断するためのスコアリング ルールです。
例: 回収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、その機能は期限を過ぎたユーザーの回収の度合いを予測することです。評判の良いユーザーの場合、徴収や軽徴収なしでお金を回収することができます。長期延滞傾向にあるユーザーについては、延滞者からの回収に注力する必要がある。延滞日数が増えると回収が難しくなります。
収集は通常、複数のエージェントに分かれており、M1、M2、M3 などのエージェントの経験やビジネス能力は大きく異なります。AI人工知能は自動収集の初期段階でよく使われます。
申込スコアカード、行動スコアカード、回収スコアカードを組み合わせて「ABCカード」と呼ばれることが多く、融資前、融資、融資後の管理に使用されます。。。。。。。。
2. リスク管理指標
- 1 経年劣化解析
解釈: 老化分析。決済終了時点が同じであることを特徴とする各期間から観測時点までの遅れ率を表示し、各月に点在する融資を1つの観測時点にまとめて延滞率を算出します。
- 2 ヴィンテージ分析
解釈: 翌月の毎月の新規ローンの延滞状況の統計も経年分析です。経年分析とは異なり、ヴィンテージはローンの経年劣化に基づいており、ローン後 N か月間の延滞率を観察します。また、各期間の融資のフォローアップの質を分析し、エントリールールの調整が債権者の権利の質に及ぼす影響を観察するためにも使用できます。例: Deliqueency Vintage 30+: 30 か月以上延滞した残元金 / 対応する請求書生成月々のローン金額。リスク管理中国語・英語用語マニュアル（銀行_消費者金融・クレジット業務）_v4_用語マニュアル
- 3C、M
解釈: C と M は、期限超過バケットを表す固有名詞です。M0 は通常の資産、Mx は x 期間延滞、Mx+ は x 期間（両端を含む）延滞です。通常返済の延滞がないバケットは M0 (C) で、M1 は 1 期間 (1 ～ 29 日) を超えています。M2+ は 2 期間以上 (30+) を意味します。M2とM4は重要な観測ノードであり、一般にM1が初期、M2～M3が中期、M4以上が後期と考えられ、M6以上の不良債権の移転が考慮される。
- 4 非行
解釈: 延滞率/遅延率。資産の品質を評価する指標は、同時観測法と遅延観測法に分類できます。
- 5 偶然の一致
解釈: スポットインジケーター。当期のすべての売掛金の品質を分析し、遅延率を計算するために使用されます。計算方法は、当期の各バケットの繰延金額を当期の売掛金合計 (AR) で割ることです。一致は現在の観測点での全体を俯瞰するものであるため、当期の売掛金の水準による変動の影響を受けやすく、総事業量が大きく変動しない場合の資産の質の観測に適しています。例: 一致 DPD 30+、一般的に見られるインジケーター
- 6 ラグあり
解釈: 遅延インジケーター。偶然と同様に遅延率を算出するための指標ですが、遅延の分母が延滞額が発生した期間の売掛金である点が異なります。ラグドは当期の貸付期間中に発生する延滞率を観測するため、当期の売掛金変動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+遅延 M6 月末の資産残高 M1 (1 ～ 29 日): 統計月の月末の資産が満たされています。 1≤現在の延滞日数≤29 注文の残りの元本の合計である現在の延滞日数は、不良債権注文を除いた、注文の現在の最大延滞日数です。遅行M1 = M1の月末貸出残高/前月末貸出残高（M0～M6） リスク管理中国語・英語用語マニュアル（銀行_消費者金融・クレジット業務編）_v4_リスク管理_02
- 7.0 PD（延滞）
たとえば、FPD1、SPD7、TPD30...、F: first の前の文字は、最初の期間が期限切れであることを意味します。同様に、S、T、Q はそれぞれ 2、3、4 を表し、次のように表されます。後は数字で。5PD30など。次の数字は延滞日数を表します。顧客が FPD30 のマークを持っている場合、FPD1 や FPD7 など、30 未満のマークが必要です。dpd（day past due）とは、支払期限を過ぎた日数で、ローン商品の場合は支払期限の翌日（通常は次回決算日）から計算されます。4 つの分割払いのうち、いずれか 1 つの分割払いが 30 日以上延滞している場合、それは悪い顧客とみなされます。 FPDマークがある方はSPDマークはつきません 2回目以降のお支払いが滞っているお客様
- 7 DPD
解釈: 支払期限を過ぎた日数は、返済日の翌日から実際の返済日までの日数、つまり延滞日数です。例: DPD7+/30+、7 日および 30 日を超える延滞履歴。業界における比較的厳密な延滞率の計算式は次のとおりです。特定の時点で、現在 90 日を超えて延滞しているローン口座の未払い残高元本総額を、90 日以上延滞する可能性がある累積契約総額で割ります。期限を過ぎた。分子の概念は、90 日を超えて延滞している限り、返済されていない契約の残りの元本総額は延滞しているとみなされますが、分母は、期限が非常に短い一部のローンを考慮します。 90日以上の延滞を発生させることは絶対に不可能です。契約金額は除外されます（たとえば、わずか2日前に借りた場合でも、いずれにしても90日を超える延滞は不可能です）。
- 8 FPD
解釈: First Payment Delicency、最初の返済期限が過ぎたこと。ユーザーの与信承認後、最初に返済する必要がある請求書、最後の返済日から 7 日以内に返済せず、延長申請もしていない顧客の割合は FPD 7、分子は返済期間中の注文です。観察期間内で 7 日以上延滞しているユーザー数の分母は、観察期間内で現期間の最初の注文をすべて発注し、7 日後の返済日を迎えたユーザーの数です。一般的に使用される FPD インジケーターは FPD 30 です。例: ユーザーが 10.1 日にクレジットを承認し、10.5 に最初のローンを 3 回の分割払いで生成し、毎月 8 日を返済日として設定したとします。11.08 が最初の請求書の返済日となり、請求日以降、返済日が終了するまでの返済は延滞とみなされません。11.16 時点でローンが返済されていない場合、10.1 ～ 10.30 の期間、リスク管理中国語および英語用語マニュアル (bank_消費者金融およびクレジット ビジネス)_v4_bank_03 FPD7 の分子に組み込まれます。通常、数日間延滞しているユーザーはローンの返済を忘れているか、しばらくお金が不足している可能性がありますが、FPD 7 指標を使用すると、ユーザーは信用供与グループの信用リスクを評価し、健全性を予測できます。将来の資産のこと。ＦＰＤ７と同様に、ＦＰＤ３０も、ユーザの最初の未払い請求書の延滞状況を観察するためのインジケータである。30日以内の延滞者については、回収努力を強化することで損失の一部を取り戻すことができますが、30日を超える延滞者については、回収の可能性が大幅に低下し、回収を委託する場合があります。ユーザーの FPD 7 が一定期間比較的高く、返済額が少ないもののほとんどが FPD 30 に該当する場合、このユーザー グループの非スターターの割合が高く、彼らは返済を考えたこともなかったことが証明されます。融資がまったく行われない場合、それはユーザーグループの信用リスクがより深刻であることを意味します。
- 9 Cpd30mob4
cpdは回収モデルで使用される回収指標であり、返済実績は履歴を除いた4ヶ月目の延滞時間が30日以上であるかどうかとなります。
- 0 maxdpd30_mob4
4つの観察期間（月）内で、延滞履歴が30日を超えているかどうか
- アカウント月に 1 MOB
支払い後の月の例: MOB0、支払い日から月末まで MOB1、支払い後の完全な 2 か月目 MOB2、支払い後の完全な 3 か月目 mob3-3 か月は短い観察期間、mob6-6 か月は観察期間長い観察期間
- 2 流量
解釈: 移行率。前の期間の延滞額が回収後に次の期間にも継続する確率を観察します。例：M0-M1=M月末の資産残高M1 / 先月末8月末のM0のローン残高 M0-M1：8月にM1に入ったローン残高 / 7月末の月初M0のローン残高補足：マクロ 中短期の経済リスクはFDP、SPD、TPDで測定可能、中期リスクは30+@MOB4で測定、長期リスクは90+@MOB6などで測定可能。短期リスクの測定には FPD、SPD、TPD を使用できます。中期リスクの測定には 30+@MOB4 を使用できます。長期リスクの測定には 90+@MOB6 を使用できます。製品ごとに異なる指標が適用されます Fpd30 (キャッシュ ローン商品) maxdpd30_mob4 (既存顧客) Cpd30mob4 (回収顧客) ) 自動車ローンの悪い顧客の定義 (参照のみ) リスク管理中国語および英語用語ハンドブック (銀行_消費者金融およびクレジット ビジネス)_v4_Bank_04 注:シナリオが細分化されているため、シナリオが異なればまったく異なります。上記の指標は参考用です。
3. リスク管理モデル部分
3.1
ベンチマークの解釈: ベンチマーク。新しいモデルの各バージョンは、オンラインのベンチマーク モデルまたはルール セットと比較されます。
3.2
IV の解釈: 情報値 VOI とも呼ばれる情報値、情報の値、値の範囲 (0,1)。この値は変数の予測能力を表すために使用され、大きいほど優れています。財務リスク管理スクリーニング変数の閾値は 0.02 です。変数の iv が 0.02 より小さい場合、変数は追い出されます。モデルの専門家として、iv 値は暗記できるものではなく、シーン データの分布特性に応じてしきい値をカスタマイズする必要があることを皆さんにお伝えします。ローン貸付、自動車ローン、現金ローンなど、さまざまなシナリオにおける変数 iv 値の分布は大きく異なる場合があります。
3.3 KS 値の解釈
: KS は、分化の指標である klmogrov-smirnov を指します。いわゆる差別化力とは、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。実際のシナリオでは、リスク管理分野のモデル ks が 0.4 を超えることはほとんどありません。
3.4 PSI
の解釈: 集団安定性指数、安定性指数、低いほど安定しています。現在の顧客層とモデル開発サンプルの顧客層との差異の度合いを比較し、モデルの効果が期待どおりであるかを評価するために使用されます。PSI が 0 に近づくほど、モデルの安定性は高くなります。PSI が 0.1 未満の場合、モデルは比較的安定していますが、PSI が 0.1 ～ 0.25 の場合、モデルの安定性が変動するため、必要に応じてモデルを確認し、再開発する必要があります。
3.6 ログロス
解釈: 対数損失関数
予測確率が 1 に近づくにつれて、対数損失はゆっくりと減少します。しかし、予測確率が減少するにつれて、対数損失は急速に増加します。対数損失値が大きいほどモデルの精度は低くなり、その逆も同様です。
3.7 トレーニング サンプル
の解釈: モデルのトレーニングに使用される表現力豊かなユーザー データのセットであるモデリング サンプル。このサンプルには、オフタイム サンプル (検証サンプル) も含まれています。どちらのサンプルも同じユーザー ディメンションを取ります。通常、モデリング サンプルで学習されたモデルは、検証サンプルでの検証に使用されます。
3.8
WOE の解釈: 発生の重み、証拠の重み、値の範囲 (-1,1)。破損アイテムの割合は通常のアイテムよりも高く、WOE はマイナスです。絶対値が高いほど、この一連の要素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。個体値もワーム値から換算されます。woe には変数の評価において特定の欠陥があるため、通常は iv 値を使用して変数の重要性を評価します。
3.9 悪い捕捉率の
解釈: 悪いユーザー捕捉率。これはモデルの性能を評価する指標であり、この比率が高いほど優れていることを示します。
例: 上位 10% の不良キャプチャ率は、サンプル内の不良ユーザーに対する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。
3.10 母集団の
定義: すべての母集団、すべてのサンプル ユーザー (モデリング サンプルと検証サンプルを含む)。
3.11 変数の
解釈: 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ます。変数の命名は仕様に準拠し、理解しやすく拡張しやすいものにする必要があります。モデリングの前に変数をスクリーニ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。本当に役立つ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、0 に近いほど相関度が低くなります。相関係数の計算はデータの分布に依存し、データが正規分布にある場合はピアソン法の精度が高く、そうでない場合はスピアマン法の方が適しています。
3.13 混同行列 混同行列
感度: 真陽性条件下では、テストも陽性となります。
特異性: 真陰性の条件下では、テストも陰性になります。
偽陽性: 真陰性条件下で検査は陽性となります。
FALSE negative: 真陽性条件下ではテストは陰性です
3.14 モデルアルゴリズム
ロジスティック回帰
ロジスティック回帰は一般化線形モデルであるため、重回帰分析と多くの類似点があります。それらのモデル形式は基本的に同じであり、どちらも w'x+b を持ちます (w と b は求めるパラメータです)。違いは、従属変数が異なることです。多重線形回帰では、w'x+b を直接使用します。従属変数、つまり y =w'x+b であり、ロジスティック回帰では関数 L を使用して w'x+b を隠れ状態 p、p =L(w'x+b) に対応させ、従属変数を決定します。 p と 1-p 値のサイズに応じて変数。L がロジスティック関数の場合はロジスティック回帰、L が多項式関数の場合は多項式回帰です。
ロジスティック回帰の従属変数はバイナリまたはマルチカテゴリのいずれかになりますが、バイナリカテゴリの方が一般的に使用され説明が容易であり、マルチカテゴリはソフトマックス法を使用して処理できます。実際に最も一般的に使用されるのは、2 つの分類のロジスティック回帰です。
スコアカードモデル
スコアカード モデルは、ロジスティック回帰アルゴリズムから派生したものです。ウォー ビニングとスコア ストレッチング手法を適用して、ロジスティック回帰確率スコアを標準スコアに変換します。標準スコアは FICO スコアまたは Sesame Credit スコアに似ており、範囲は 300 ～ 900 です。以下の図は、スコアカードの採点モードを示しています。
スコアカード関連のチュートリアル: https://edu.csdn.net/course/detail/30611
サポート ベクター マシン (SVM)
サポート ベクター マシン (SVM) は、教師あり学習に従ってデータの二値分類を実行する一般化線形分類器 (一般化線形分類器) の一種であり、その決定境界は学習サンプルを解くための最大余裕超平面 (最大余裕超平面) です。 ）。SVM は 1964 年に提案され、1990 年代以降に急速に開発され、一連の改良および拡張アルゴリズムが導き出され、肖像認識やテキスト分類などのパターン認識問題に適用されてきました。サポート ベクター マシン アルゴリズムは、小さなサンプル データではより適切に機能しますが、大きなデータのトレーニングには長い時間がかかります。
ニューラルネットワーク
論理的思考とは、論理規則に従って推論するプロセスを指します。最初に情報を概念に変換し、シンボルで表現し、次に記号操作に従ってシリアル モードで論理的推論を実行します。このプロセスはシリアル命令として記述でき、コンピュータで実行できます。実装する。しかし、直観的思考は分散して保存された情報を統合するものであり、その結果として突然のアイデアや問題の解決策が生まれます。この考え方の基本的なポイントは、1. ニューロンの興奮パターンの分布を通じてネットワーク上に情報が保存されること、2. ニューロン間の同時相互作用による動的プロセスによって情報処理が完了すること、の 2 点にあります。
注: コンピューターのニューラル ネットワークと人間の脳の生物学的ニューラル ネットワークの動作原理は異なります。
少し: ビッグデータの処理が効率的で、複雑で多次元のデータを処理でき、柔軟で高速です
欠点: データを前処理する必要がある
xgboost
XGBoost は、効率的、柔軟性、移植性を考慮して設計された、最適化された分散勾配ブースティング ライブラリです。Gradient Boosting フレームワークの下で機械学習アルゴリズムを実装します。XGBoost は、多くのデータ サイエンスの問題を迅速かつ正確に解決できる並列ツリー ブースティング (GBDT、GBM とも呼ばれる) を提供します。同じコードが主要な分散環境 (Hadoop、SGE、MPI) で実行され、数十億の例を超える問題を解決できます。xgboost は、Chen Tianqi によって発明されたアンサンブル ツリー アルゴリズムであり、kaggle コンテストで多くの優勝を獲得しています。
ライトGBM
Light Gradient Boosted Machine (略して LightGBM) は、勾配ブースティング アルゴリズムの効率的な実装を提供するオープン ソース ライブラリであり、Microsoft によって開発されたアルゴリズムは、xgboost よりも全体的なパフォーマンスが優れています。
LightGBM は、自動特徴選択の形式を追加し、より大きな勾配でブーストされた例に焦点を当てることにより、勾配ブースティング アルゴリズムを拡張します。これにより、トレーニングが大幅に高速化され、予測パフォーマンスが向上します。
他のブースティング関連フレームワークと比較して、次の利点があります。
-
効率を損なうことなく、より速くトレーニングできます。
-
メモリ使用量も少ないです。
-
より良い精度が得られます。
-
並列学習方法と GPU 学習方法の両方をサポートします。
-
大規模なデータを処理する能力を備えています。
猫ブースト
ロシアの検索大手ヤンデックスは、勾配ブースティング機械学習ライブラリ「CatBoost」をオープンソースコミュニティに提出すると発表した。スパースデータを使用して機械学習を「教える」ことができます。特にビデオ、テキスト、画像などの感覚データがない場合、CatBoost はトランザクション データや履歴データに対しても操作できます。
キャットブーストの特徴:
パラメータを調整する必要はほとんど、またはまったくなく、デフォルトのパラメータは非常にうまく機能します。
カテゴリ変数のサポート
GPUのサポート
Catboost 関連のチュートリアル: https://edu.csdn.net/course/detail/30742
4. リスク管理の基本用語
4.1 APR の解釈
: 年率、年率、年複利計算の利率。名目 APR 名目金利、実効 APR 実際金利。
4.2
AR の解釈: 売掛金、当座売掛金。
4.3 申請不正
解釈：偽造申請
4.4 取引不正
解釈：不正な取引
4.5 残高振替
解釈：残高補償、つまりクレジットカードの返済業務。
4.6 コレクションの
解釈: コレクション。ユーザーの収集時間の短いものから長いものに応じて、アーリー収集（初期収集）、フロントエンド（前段収集）、ミドルレンジ（中期収集）、ホットコア（後段収集）、リカバリー（不良債権回収/不良債権収入) いくつかの段階が、さまざまな回収方法と頻度に対応しています。
4.7
DBR の解釈: 借方負担比率、負債比率。一般に、各チャネルにおける債務者の無担保負債総額は、平均月収の 22 倍を超えてはなりません。
4.8
割賦金の解釈: 分割払い
4.9
IIP の解釈: 貸倒引当金
4.10
PIP の解釈: 資産減損
4.11 NCL
の解釈: 純信用損失、純損失率。当期に譲渡した不良債権額から当期の不良債権回収額を差し引いた額が純損失額となります。
4.12 融資額
の解釈: 融資総額
4.13 MOB の
解釈: 帳簿の老化月
例: MOB0、融資日から当月末まで。MOB1、支払い後丸 2 か月目
4.14 ノンスターターの
解釈: 悪意のある延滞顧客
4.15 ペイデイ ローン
の解釈: ペイデイ ローン。無担保信用ローン、速い融資スピード、低額、短期だが高金利。このモデルには、低い割り当てと高い金利が必要条件です。
4.16
リボルビングの解釈: リボルビングクレジット。Tiqianle Credit Wallet は、医療美容と教育のための特別な割り当てに対応するリボルビング割り当てをユーザーに提供します。
4.17 WO の解釈
: 償却、不良債権の譲渡、通常 6 期を超える延滞。
4.18 AR
AR 与信承認率 = SUM (ローン申請承認アカウント) / SUM (申請アカウント)
4.19 DR
DR デフォルト率 = SUM (デフォルトアカウント) / SUM (使用クレジットアカウント)
4.20EAD
EAD 信用エクスポージャ = SUM(C0+M1+M2+…+M6+)
4.2 1クレジット換算レート
クレジット変換率 = SUM (使用されたクレジットアカウント) / SUM (適用されたアカウント)
4.22 遅延率/遅延率 (フロースルー%)
計算は一致法と遅延法の 2 つの方法に分けられ、各バケットの遅延率に加えて、特定のバケットを超える遅延率も観測されます。M2+遅滞%やM4+遅滞%などの指標は、M2+遅滞%を例にとると、分母が2ヶ月前の売掛金、分子が未振込のM2（含む）の延滞額となります。今月は不良債権に。消費者金融のリスク管理において、M2とM4は重要な観察ポイントですが、その理由は、顧客が忙しすぎたり忘れたりして口座の延滞を引き起こす可能性があるためですが、M1の回収後もまだM2を上回っており、これは危険である可能性があります。支払い能力がないことが確認された場合、または意図的な債務不履行が確認された場合。
4.23**** 不良品率(不良%)
不良を適用するための一般的なリスク分析に加えて、信用スコアリング モデルの構築では不良の定義も認識する必要があります。
期限を過ぎたアカウントやリスクの高いアカウントに加えて、不良の一般的な定義は主に期限を過ぎたアカウントです。
4.24**** 不良債権譲渡率 (償却%)
wo%と略され、当月振り込んだ貸倒金額／延滞開始月の売掛金の金額です。年換算後、毎月の不良債権率は年間損失率に変換されます。
4.2****5 純損失率 (NCL)
当期に譲渡した不良債権額－当期の不良債権回収額として定義され、純損失の概念となります。全体的なリスク管理のパフォーマンスの観点からは、不良債権の回収も重要な部分であるため、NCL% と WO% が一緒に表示されることがよくあります。
4.26 流用率
貸付比率とも呼ばれ、融資総額に対する引当金の比率を指し、貸付比率が高いほど、銀行の貸倒リスクに対する防御能力が高くなります。計算式は、引当金残高／融資総額＝引当カバー率×不良債権比率となります。
4.27 引当金カバー率
引当充足率とも呼ばれ、実際には銀行融資で発生する可能性がある貸倒引当金の割合です。引当カバー率は、不良債権に対する実際の貸倒引当金の比率です。最良の比率は 100% です。 。計算式は、貸倒引当金／不良債権残高です。
4.28 不良債権比率
金融機関の融資残高に占める不良債権の割合を指します。不良債権とは、暗黙の債権の質を評価する際に、リスクに応じて「正常債権」「特筆債権」「標準不良債権」「疑わしい債権」「損失債権」の5つに分類し、後者の3つを総称して不良債権といいます。計算式：不良債権比率＝（不良債権＋貸倒債権＋損失債権）／各種債権×100％＝融資引当率／引当カバー率×100％融資引当率、不良債権比率、引当カバー率は、商業銀行業界の資産の質を示す 3 つの基本指標です。
4.29 負債比率 (DBR)
借方負担比率（DBR）は銀行が注目する主な指標です。借り手の返済ストレスを測定する一般的な指標は、無担保債務残高 (クレジット カード、デビット カード、信用枠) の合計/平均月収です。
4.30 悪意のある遅延率 (非スターター%)
本来の定義は「融資後に一度も支払いをしない顧客」であり、主な目的は悪質な詐欺事件の摘発です。
4.31 命中率 (命中%)
クレジットカードの与信途中レポートや早期警告レポートなどに用いられ、いわゆるヒット率とは、管理後一定期間内に顧客が遅延する確率を指します。ヒット率が低すぎる場合は、フラッディングまたはリスク判断の方向が間違っていることを示している可能性があります。
4.32 利用可能残高（OTB）
ヒット率指標とセットで表示されることが多く、コントロールヒットを確認した顧客を把握し、コントロールされた際にその顧客のクレジットカード利用可能残高を調整するという計算方法であり、この数値が「ヒット率指標」と考えられます。制御によるバンクの損失を軽減します。
4.33 不良債権回収率
当期不良債権回収率＝当期不良債権回収額／当期不良債権譲渡額
当期貸倒総額回収率＝当期貸倒回収率／前期貸倒総額残高
当期不良債権回収率＝当期不良債権回収総額／当期平均不良債権残高
過去12期の不良債権回収率＝過去12期の不良債権回収総額／過去12期の平均不良債権残高
不良債権譲渡後12期回収率＝不良債権譲渡後12期の総回収額／不良債権譲渡後12期の平均不良債権額
バランス
5. データディクショナリ
client_no: クライアントアカウント
apply_time: 申請時間
性別: 性別
age: 年齢
come_range: 収入の範囲
education: 教育レベル;
carreer: 仕事;
credit_score:
クレジット スコア;credit_score_range: クレジット
スコア
の範囲
; : 延滞かどうか;
used_time: ローンの利用回数;
Credit_approved: クレジットが承認された金額
5. 財務リスク管理モデリングの実戦古典指導事例
5.1 ドイツの信用データセット (ドイツの信用)
5.2 Kaggle モデル コンペティションでクレジット データセットを提供してください
5.3 江蘇市投資企業の信用格付け
5.1 ～ 5.3 関連のチュートリアル: https://edu.csdn.net/course/detail/30611
5.4 米国フィンテック企業レンディングクラブの信用データセット
5.5 消費者の肖像 - インテリジェントな信用スコアリング
主催者 福建省デジタル福建建設指導グループ事務所、福建省工業情報化局、福州市人民政府、中国電子情報産業発展研究院、デジタル中国研究院、中国インターネット投資基金
5.4 ～ 5.5 関連のチュートリアル: https://edu.csdn.net/course/detail/30742
6. 財務情報を収集するためのウェブサイト
6.1貿易経済****
公式ウェブサイト https://tradingeconomics.com/ には、GDP、CPI、PPI、負債比率、商品価格指数などを含む、世界中の何百もの経済指標が含まれています。
6.2 FREDの経済データ
公式ウェブサイト https://fred.stlouisfed.org/、財務データのクエリ
6.3 日本銀行
https://www.boj.or.jp/
6.4 風力データベース
公式ウェブサイト: https://www.wind.com.cn/Default.html、CICC 金融業界データベース
6.5 ペーパーゴールド
金の価格と取引量のクエリ、特定のデータのダウンロード http://www.zhijinwang.com/etf/
6.6 株式・債券市場の世論分析と早期警告関連ウェブサイト
風（https://www.wind.com.cn/）
イーストマネーネットワーク (https://www.eastmoney.com/)
Hexun データ (http://data.hexun.com/)
ブルームバーグ (https://www.bloomberg.net/)
6.7 マネーロンダリング対策の調査
FATFhttp://www.fatf-gafi.org/
マネーロンダリングに関する金融活動特別委員会。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行動を調整することを目的として、1989 年に西側 7 か国によってパリに設立された政府間国際機関であり、世界最大の国際機関の 1 つです。現在、36 の加盟管轄区域と 2 つの地域組織で構成され、世界中のほとんどの主要金融センターを代表しています。マネーロンダリング対策に関する 40 の勧告と、テロ資金供与対策に関する 9 つの特別勧告 (FATF 40+9 勧告と呼ばれる) は、マネーロンダリング対策とテロ資金供与対策に関する世界で最も権威のある文書です。
6.8 銀行口座管理者のマーケティングを支援する企業財務発表情報のインテリジェントな抽出
住潮情報ネットワーク (http://www.cninfo.com.cn/new/index)
バンカーズ・アルマナック (https://accuity.com/)
ダウ・ジョーンズ (https://www.dowjones.com/)
著作権に関する声明: この記事は公式アカウント (Python リスク管理モデル) からのものであり、許可なく、盗作はありません。CC 4.0 BY-SA 著作権契約に従って、転載する場合は、元のソースリンクとこの声明を添付してください。