天天看點
傳回

金融風控項目2 ---很細節(資料分析)金融風控相關業務介紹

金融風控相關業務介紹

學習目标

  • 知道常見信貸風險
  • 知道機器學習風控模型的優勢
  • 知道信貸領域常用術語含義

1 信貸&風控介紹

  • 信貸業務，就是貸款業務，是商業銀行和網際網路金融公司最重要的資産業務和主要赢利手段
    • 通過放款收回本金和利息，扣除成本後獲得利潤。
    • 貸款平台預測有信貸需求使用者的還款情況，然後将本金借貸給還款機率大的使用者
  • 信貸業務中的風險控制：
    • 信貸業務中，使用信用來預支金錢，在小額貸業務中往往沒有抵押物，那麼貸款方就會承擔一定風險（使用者不還錢）
    • 風控就是對使用者的信用風險進行管理與規避，對于預測信用較差的人，不向其放款，即便放款，也會是較小的貸款額度和較高的利率
    • 信貸領域有兩類風險：
      • 信用風險：借款人的的還款能力和還款意願在貸款後出現問題的風險
      • 欺詐風險：借款人壓根沒想還錢，以詐騙為目的
    • 風控業務主要針對這兩類風險
      • 信用評分系統：針對信用風險
      • 反欺詐系統：針對欺詐風險
    • 基于機器學習的人工智能風控模型對比傳統人工審批：
      • 人工審批：效率低，對人員業務能力要求高，不适合金融零售業務場景
      • 機器學習模型：批量，迅速，準确，同時處理大量貸款請求（幾萬，幾十萬，上百萬/天）

2 常見信貸産品及常見風險介紹

  • 信貸産品介紹
    個人信貸産品
    大額借貸 房貸車貸
    小微企業貸
    小額借貸 消費貸 螞蟻花呗，京東白條
    現金貸 螞蟻借呗，京東金條，微粒貸,各類網貸
    資料服務 信用分服務 芝麻信用分，京東小白分
    信用資料服務 同盾資料，百融，集奧，大峰...
    • 現金貸 申請借款->放款給客戶->客戶還款
    額度 500~3000
    利率 24%~36%
    期限 714，30天
    放款形式 借給現金，不限場景
    可選功能 訂單展期
    現金貸産品 年化利率 現金貸産品 年化利率
    蘇甯金融 24% 國美易卡 34%
    螞蟻借呗 24% 馬上消費 35%
    微粒貸 24% 招聯金融 36%
    有錢花 24% 桔子分期 36%
    京東金條 24% 拍拍貸 36%
    360借條 24% 趣店 36%
    小米金融 24% 捷信 36%
    美團生活費 24% 宜人貸 44%
    分期樂 24% 玖富 50%

    • 消費貸

      信用卡，花呗，白條等産品，有賬單日，還款日

      申請消費貸 -> 額度授信->客戶使用消費貸消費

    額度 1000~10000
    利率 24%
    賬期 30天
    放款形式 指定消費場景
    可選功能 最低還款，賬單展期，賬單分期，停息挂賬，臨時額度，備用金
  • 産品類型：
    • 單期産品
    • 多期産品
    • 循環額度産品
  • 還款方式：
    • 砍頭息：短期産品， （服務費）
    • 等額本金
    • 等額本息
  • 常見風險
    • 冒名頂替，黑産騙貸
    • 多頭借貸，借新還舊
      • 客戶：工行信用卡，招商信用卡... n張信用卡，網貸平台1，網貸平台2，網貸平台n
      • 用新借來的錢還已有的負債： 負債變多 -> 需新借更多 -> 設法提額 -> 信用資質不夠 -> 出現流動性風險 -> 逾期

      • 特點：第三方資料：多頭申請記錄

        APP安裝：大量借款類APP

        短信：大量申請短信，提醒還款，催收短信

    • POS機套現，以少換多
      • 購買有支付牌照機構的POS機進行套現，手續費0.6%
    • 針對風控模型，制作資料
      • 使用花呗在天貓購物，對花呗賬單做分期
      • 買入存金寶，一個禮拜後追加存金寶資金
      • 購買***元基金
      • 保持餘額寶XXX元不動，餘額寶累計收益做到 XX元
      • 購買XXXX保險

3 風控相關術語介紹

解釋
DPD Day past due 逾期天數 DPD0為到期當日，DPD1為逾期一日，DPD7為逾期一周
FPD First time past due 首次逾期天數
F/S/T/QPD 首次 二次 三次 四次 逾期天數
M1 逾期 [1, 30)天 M 是英文“Months”的首寫字母
M1+ 逾期[30, inf]天
default 壞賬
delinquency 拖欠
flow rate 流動率 一般指M1向M2，M2向M3轉移的比例
bad rate 壞賬率 當月不良資産數/總資産數
vintage 賬齡分析

4 風控業務案例

4.1 案例背景介紹

  • 通過對業務資料分析了解信貸業務狀況
  • 資料集說明
    • 從開源資料改造而來，基本反映真實業務資料
    • 銷售，客服可以忽略
    • 賬單周期，放款日期
    • 賬單金額-實收金額 = 未收金額
    • 應付日期為還款時間
    • 賬期分成兩種 60天和90天
    • 實際到賬日為空白 說明沒還錢
    • 金融風控項目2 ---很細節(資料分析)金融風控相關業務介紹
  • 通過對貸後業務資料的分析要分析出如下内容
    • 每個季度賬單金額和壞賬率（逾期90天以上）
      • 所有未收金額/所有賬單金額
      • 未收金額 = 賬單金額-實收金額
    • 每個季度60天賬期 入催率，90天賬單 入催率
    • 不同逾期天數的回款情況
      • 曆史逾期天數 有逾期 已經還完了
      • 目前逾期天數 現在還欠着錢，沒還完

4.2 代碼實作

  • 加載資料 
<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#770088">import</span> <span style="color:#000000">pandas</span> <span style="color:#770088">as</span> <span style="color:#000000">pd</span>
<span style="color:#770088">import</span> <span style="color:#000000">datetime</span>
<span style="color:#770088">from</span> <span style="color:#000000">pyecharts</span>.<span style="color:#000000">charts</span> <span style="color:#770088">import</span> <span style="color:#981a1a">*</span>
<span style="color:#770088">from</span> <span style="color:#000000">pyecharts</span> <span style="color:#770088">import</span> <span style="color:#000000">options</span> <span style="color:#770088">as</span> <span style="color:#000000">opts</span>
<span style="color:#000000">df1</span> = <span style="color:#000000">pd</span>.<span style="color:#000000">read_excel</span>(<span style="color:#aa1111">'data/業務資料.xls'</span>) 
<span style="color:#aa5500">#要使用原始資料建構新名額，是以保留原始資料，copy新的資料，在新的資料中建立新名額</span>
<span style="color:#000000">df2</span> = <span style="color:#000000">df1</span>.<span style="color:#000000">copy</span>()
<span style="color:#000000">df2</span>.<span style="color:#000000">head</span>()</span></span>
顯示結果
銷售 賬單狀态 賬單周期 賬單金額 開票金額 實收金額 未收金額 預計付款日 應付日期 商務催收日期 賬期 實際到賬日 開票日期 客服
s101 未确認 2019-05 29805.0 NaN NaN NaN 2019-07-31 2019-07-31 2019-08-15 60 NaN NaN a201
1 s102 未确認 2019-05 1572.6 NaN NaN NaN 2019-07-31 2019-07-31 2019-08-15 60 NaN NaN a202
2 s103 已确認 2019-04 487551.2 487551.2 NaN 487551.2 2019-06-30 2019-06-30 2019-07-15 60 NaN 05-16 a203
3 s104 已确認 2019-04 378835.0 378835.0 NaN 378835.0 2019-07-31 2019-07-31 2019-08-15 90 NaN 05-08 a204
4 s105 已确認 2019-04 326866.0 326866.0 NaN 326866.0 2019-07-31 2019-07-31 2019-08-15 90 NaN 05-10 a205
  • 檢視資料基本情況 
<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df2</span>.<span style="color:#000000">info</span>()</span></span>
顯示結果 
<span style="background-color:#f8f8f8"><class <span style="color:#aa1111">'pandas.core.frame.DataFrame'</span>>
RangeIndex: <span style="color:#116644">5257</span> entries, <span style="color:#116644">0</span> to <span style="color:#116644">5256</span>
Data columns (total <span style="color:#116644">14</span> columns):
<span style="color:#aa5500">#   Column  Non-Null Count  Dtype  </span>
<span style="color:#0000cc">---</span>  <span style="color:#0000cc">------</span>  <span style="color:#0000cc">--------------</span>  <span style="color:#0000cc">-----</span>  
<span style="color:#116644">0</span>   銷售      <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">1</span>   賬單狀态    <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">2</span>   賬單周期    <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">3</span>   賬單金額    <span style="color:#116644">5257</span> non-null   float64
<span style="color:#116644">4</span>   開票金額    <span style="color:#116644">5010</span> non-null   float64
<span style="color:#116644">5</span>   實收金額    <span style="color:#116644">4470</span> non-null   float64
<span style="color:#116644">6</span>   未收金額    <span style="color:#116644">5010</span> non-null   float64
<span style="color:#116644">7</span>   預計付款日   <span style="color:#116644">5256</span> non-null   object 
<span style="color:#116644">8</span>   應付日期    <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">9</span>   商務催收日期  <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">10</span>  賬期      <span style="color:#116644">5257</span> non-null   int64  
<span style="color:#116644">11</span>  實際到賬日   <span style="color:#116644">4387</span> non-null   object 
<span style="color:#116644">12</span>  開票日期    <span style="color:#116644">4996</span> non-null   object 
<span style="color:#116644">13</span>  客服      <span style="color:#116644">5257</span> non-null   object 
dtypes: float64(4), int64(1), object(9)
memory usage: <span style="color:#116644">575</span>.1<span style="color:#981a1a">+</span> KB</span>
           
<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df2</span>.<span style="color:#000000">describe</span>()</span></span>
顯示結果
賬單金額 開票金額 實收金額 未收金額 賬期
count 5.257000e+03 5.010000e+03 4.470000e+03 5.010000e+03 5257.000000
mean 4.073241e+04 4.096896e+04 4.082419e+04 4.684636e+03 64.539661
std 8.176172e+04 8.007245e+04 7.970628e+04 2.888464e+04 15.622765
min 0.000000e+00 2.500000e+01 0.000000e+00 0.000000e+00 0.000000
25% 5.103000e+03 5.300000e+03 5.112250e+03 0.000000e+00 60.000000
50% 1.436500e+04 1.486560e+04 1.434000e+04 0.000000e+00 60.000000
75% 4.178000e+04 4.220250e+04 4.170750e+04 0.000000e+00 75.000000
max 1.508796e+06 1.356215e+06 1.301665e+06 1.277098e+06 90.000000
  • 資料處理，填充缺失值,将日期時間類型轉換成datetime類型 
<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#aa5500"># 擷取最大的日期，作為目前時間</span>
<span style="color:#000000">today_time</span> = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">實際到賬日</span>.<span style="color:#000000">fillna</span>(<span style="color:#aa1111">'0'</span>).<span style="color:#000000">max</span>())
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'實收金額'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">實收金額</span>.<span style="color:#000000">fillna</span>(<span style="color:#116644">0</span>)
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'開票金額'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">開票金額</span>.<span style="color:#000000">fillna</span>(<span style="color:#116644">0</span>)
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'未收金額'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">未收金額</span>.<span style="color:#000000">fillna</span>(<span style="color:#116644">0</span>)
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'賬單周期'</span>] = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">賬單周期</span>)
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'應付日期'</span>] = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">應付日期</span>)
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'實際到賬日'</span>] = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">實際到賬日</span>).<span style="color:#000000">fillna</span>(<span style="color:#000000">today_time</span>)</span></span>
  • 為了後續計算，在原始資料基礎上構造新的字段：是否逾期，是否逾期90天，未收金額2（校驗原始資料中的未收金額），目前逾期天數，曆史逾期天數 
<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df2</span>[<span style="color:#aa1111">'是否到期'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">apply</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : <span style="color:#116644">0</span> <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">應付日期</span> <span style="color:#981a1a">></span> <span style="color:#000000">today_time</span> <span style="color:#770088">else</span> <span style="color:#116644">1</span>,<span style="color:#000000">axis</span>=<span style="color:#116644">1</span>)
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'是否到期90天'</span>] =  ( <span style="color:#000000">today_time</span> <span style="color:#981a1a">-</span> <span style="color:#000000">df2</span>.<span style="color:#000000">應付日期</span> ).<span style="color:#000000">map</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : <span style="color:#116644">1</span> <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">days</span> <span style="color:#981a1a">></span>= <span style="color:#116644">90</span> <span style="color:#770088">else</span> <span style="color:#116644">0</span>)
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'未收金額2'</span>] =  (<span style="color:#000000">df2</span>.<span style="color:#000000">賬單金額</span> <span style="color:#981a1a">-</span> <span style="color:#000000">df2</span>.<span style="color:#000000">實收金額</span>)
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'曆史逾期天數'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">apply</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : (<span style="color:#000000">x</span>.<span style="color:#000000">實際到賬日</span> <span style="color:#981a1a">-</span>  <span style="color:#000000">x</span>.<span style="color:#000000">應付日期</span>).<span style="color:#000000">days</span> <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">未收金額2</span> == <span style="color:#116644">0</span>  <span style="color:#770088">else</span>  (<span style="color:#000000">today_time</span> <span style="color:#981a1a">-</span> <span style="color:#000000">x</span>.<span style="color:#000000">應付日期</span>).<span style="color:#000000">days</span>,<span style="color:#000000">axis</span>=<span style="color:#116644">1</span>)
​
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'目前逾期天數'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">apply</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : (<span style="color:#000000">x</span>.<span style="color:#000000">曆史逾期天數</span>) <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">未收金額2</span> <span style="color:#981a1a">></span> <span style="color:#116644">0</span>  <span style="color:#770088">else</span> <span style="color:#116644">0</span> ,<span style="color:#000000">axis</span> = <span style="color:#116644">1</span>) </span></span>
  • 查詢實際到賬日期字段得知目前最近的到賬日為2019年5月17日，如果以2019年5月17日為觀察點，有些貸款還沒到還款日，沒法統計DPD90的資料，是以，這裡隻統計2019年之前的情況，下面将對應時間段的資料取出 
<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df3</span> =<span style="color:#000000">df2</span>.<span style="color:#000000">copy</span>()
<span style="color:#aa5500">#建立’賬單季度‘字段，将日期轉換成季度</span>
<span style="color:#000000">df3</span>[<span style="color:#aa1111">'賬單季度'</span>] = <span style="color:#000000">df3</span>[<span style="color:#aa1111">'賬單周期'</span>].<span style="color:#000000">map</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : <span style="color:#000000">x</span>.<span style="color:#000000">to_period</span>(<span style="color:#aa1111">'Q'</span>))
<span style="color:#aa5500">#提取2017年3季度到2018年4季度資料</span>
<span style="color:#000000">df3</span> = <span style="color:#000000">df3</span>[(<span style="color:#000000">df3</span>[<span style="color:#aa1111">'賬單季度'</span>]<span style="color:#981a1a"><</span>=<span style="color:#aa1111">'2018Q4'</span>) <span style="color:#981a1a">&</span> (<span style="color:#000000">df3</span>[<span style="color:#aa1111">'賬單季度'</span>]<span style="color:#981a1a">></span>=<span style="color:#aa1111">'2017Q3'</span>)]
<span style="color:#000000">df3</span>.<span style="color:#000000">shape</span></span></span>
顯示結果 
<span style="background-color:#f8f8f8">(3856, 21)</span>
  • 按照季度統計賬單金額，到期金額，和逾期金額 
<span style="background-color:#f8f8f8"><span style="color:#333333">#賬單金額
fn1 = df3.groupby('賬單季度')[['賬單金額']].sum()
fn1.columns = ['賬單金額']
fn1
</span></span>
顯示結果
賬單金額
賬單季度
2017Q3 8247952.62
2017Q4 11643604.99
2018Q1 17149674.79
2018Q2 31097661.29
2018Q3 38292071.12
2018Q4 51963089.64 
<span style="background-color:#f8f8f8"><span style="color:#333333">#90天到期金額
df4 = df3[(df3.是否到期90天 == 1)]
fn2 = df4.groupby('賬單季度')[['賬單金額']].sum()
fn2.columns = ['到期金額']
fn2
</span></span>
顯示結果
到期金額
賬單季度
2017Q3 8247952.62
2017Q4 11643604.99
2018Q1 17149674.79
2018Q2 31097661.29
2018Q3 38292071.12
2018Q4 28265677.59 
<span style="background-color:#f8f8f8"><span style="color:#333333">df4 = df3[(df3.是否到期90天 == 1)]
fn3 = df4.groupby('賬單季度')[['未收金額2']].sum()
fn3.columns = ['目前逾期90+金額']
fn3
</span></span>
顯示結果
目前逾期90+金額
賬單季度
2017Q3 63883.0
2017Q4 57380.0
2018Q1 64283.0
2018Q2 106930.0
2018Q3 412920.1
2018Q4 304183.0
  • 合并資料計算逾期率 
<span style="background-color:#f8f8f8"><span style="color:#333333">dfs = [fn1,fn2,fn3]
final1 = pd.concat(dfs,axis=1)
final1
</span></span>
顯示結果
賬單金額 到期金額 目前逾期90+金額
賬單季度
2017Q3 8247952.62 8247952.62 63883.0
2017Q4 11643604.99 11643604.99 57380.0
2018Q1 17149674.79 17149674.79 64283.0
2018Q2 31097661.29 31097661.29 106930.0
2018Q3 38292071.12 38292071.12 412920.1
2018Q4 51963089.64 28265677.59 304183.0 
<span style="background-color:#f8f8f8"><span style="color:#333333">final1['90+淨壞賬率'] = round(final1['目前逾期90+金額'] / final1.到期金額,3)
final1
</span></span>
顯示結果
賬單金額 到期金額 目前逾期90+金額 90+淨壞賬率
賬單季度
2017Q3 8247952.62 8247952.62 63883.0 0.008
2017Q4 11643604.99 11643604.99 57380.0 0.005
2018Q1 17149674.79 17149674.79 64283.0 0.004
2018Q2 31097661.29 31097661.29 106930.0 0.003
2018Q3 38292071.12 38292071.12 412920.1 0.011
2018Q4 51963089.64 28265677.59 304183.0 0.011
  • pyecharts繪圖 
<span style="background-color:#f8f8f8"><span style="color:#333333">bar = (
    Bar()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "賬單金額",
        list(final1.賬單金額),
        yaxis_index=0,
        color="#5793f3",
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="90+淨壞賬率"),
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name="90+淨壞賬率",
            type_="value",
            min_=0,
            max_=0.014,
            position="right",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color="#d14a61")
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value}"),
        )
    )
)
line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90+淨壞賬率",
        list(final1['90+淨壞賬率']),
        yaxis_index=1,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
bar.overlap(line).render_notebook()
</span></span>
顯示結果
金融風控項目2 ---很細節(資料分析)金融風控相關業務介紹
  • 計算每個季度的60天賬單入催金額，90天賬單入催金額 
<span style="background-color:#f8f8f8"><span style="color:#333333">#60天賬期的賬單金額
df4 = df3[(df3.賬期 == 60)&(df3.是否到期 == 1)]
fn1 = df4.groupby('賬單季度')[['賬單金額']].sum()
fn1.columns = ['60天賬期的賬單金額']
#60天賬期的入催金額
df4 = df3[(df3.賬期 == 60)&(df3.是否到期 == 1)&(df3.曆史逾期天數>0)]
fn2 = df4.groupby('賬單季度')[['未收金額2']].sum()
fn2.columns = ['60天賬期的入催金額']
#90天賬期的賬單金額
df4 = df3[(df3.賬期 == 90)&(df3.是否到期 == 1)]
fn3 = df4.groupby('賬單季度')[['賬單金額']].sum()
fn3.columns = ['90天賬期的賬單金額']
#90天賬期的入催金額
df4 = df3[(df3.賬期 == 90)&(df3.是否到期 == 1)&(df3.曆史逾期天數>0)]
fn4 = df4.groupby('賬單季度')[['未收金額2']].sum()
fn4.columns = ['90天賬期的入催金額']
</span></span>
  • 計算入催率 
<span style="background-color:#f8f8f8"><span style="color:#333333">dfs = [fn1,fn2,fn3,fn4]
final2 = pd.concat(dfs,axis=1)
# final2 = fn1.merge(fn2,on='賬單季度').merge(fn3,on='賬單季度',how='left').merge(fn4,on='賬單季度')
final2['60天賬期入催率'] = round(final2['60天賬期的入催金額'] / final2['60天賬期的賬單金額'],3)
final2['90天賬期入催率'] = round(final2['90天賬期的入催金額']/final2['90天賬期的賬單金額'],3)
final2
</span></span>
顯示結果
60天賬期的賬單金額 60天賬期的入催金額 90天賬期的賬單金額 90天賬期的入催金額 60天賬期入催率 90天賬期入催率
賬單季度
2017Q3 4854770.94 36983.0 2769264.0 1900.0 0.008 0.001
2017Q4 6737327.99 52750.0 3921491.0 0.0 0.008 0.000
2018Q1 12106356.79 62460.0 4244304.0 800.0 0.005 0.000
2018Q2 19234086.87 13590.0 8427775.0 0.0 0.001 0.000
2018Q3 22830710.42 380265.1 9835629.0 8235.0 0.017 0.001
2018Q4 26337959.52 584789.5 17706430.0 325141.0 0.022 0.018
  • pyecharts繪圖 
<span style="background-color:#f8f8f8"><span style="color:#333333">line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "60天賬期入催率",
        list(final2['60天賬期入催率']),
        yaxis_index=0,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同賬期入催率"),
    )
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90天賬期入催率",
        list(final2['90天賬期入催率']),
        yaxis_index=0,
        color="#d14a61",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render_notebook()
</span></span>
顯示結果
金融風控項目2 ---很細節(資料分析)金融風控相關業務介紹
  • 不同逾期天數的回收情況 
<span style="background-color:#f8f8f8"><span style="color:#333333">df6 = df3[(df3.未收金額2 == 0)&(df3.是否到期 == 1)].copy()
#使用cut，講資料按照逾期天數分箱，然後添加分箱之後結果标簽
df6['曆史逾期天數'] = pd.cut(df6['曆史逾期天數'],bins=[-999,0,5,10,15,20,30,60,90,999],right=True,
                       labels=['0','1-5','6-10','11-15','16-20','21-30','31-60','61-90','91+'])
final3 = df6.groupby('曆史逾期天數')[['賬期']].count()
final3.columns = ['回收賬單數']
final3
</span></span>
顯示結果
回收賬單數
曆史逾期天數
2400
1-5 358
6-10 235
11-15 215
16-20 92
21-30 189
31-60 156
61-90 60
91+ 88
  • pyecharts繪圖 
<span style="background-color:#f8f8f8"><span style="color:#333333">ydata = final3['回收賬單數'].values.tolist()
bar = (
    Bar()
    .add_xaxis(list(final3.index.values.tolist()))
    .add_yaxis("收回賬單數",ydata,yaxis_index=0,color="#675bba")
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同逾期天數的已收回賬單數"),
    )
)
bar.render_notebook()
</span></span>
顯示結果
金融風控項目2 ---很細節(資料分析)金融風控相關業務介紹

4.3 業務解讀

  • 從資料中看出，在2018年Q2季度之前，營運政策比較保守，壞賬金額和入催率都比較低，
  • 2018年Q2之後，有可能是由于營運政策調整，給更多的人放貸，但壞賬率和入催率均在3%一下，在合理範圍内
  • 不同逾期天數收回賬單的資料看，30天内能收回絕大部分賬單

小結

  • 知道常見信貸風險
    • 信用風險
    • 欺詐風險
  • 知道機器學習風控模型的優勢
    • 批量，迅速，準确，同時處理大量貸款請求
    • 在零售信貸業務場景下，與人工稽核相比優勢顯著
  • 知道信貸領域常用術語含義
    • DPD 逾期天數
    • FPD 首次逾期天數
    • bad rate 壞賬率
    • M1 逾期一個月以内
項目分析 資料庫
上一篇: python 面向對象 super_好好了解 Python 面向對象中的多繼承和super
下一篇: 13 面向對象3--繼承 super1 繼承2 super3 方法重寫Override4 繼承的用法5 重寫與重載的差別6 this與super

繼續閱讀