从零开始的风控模型（一）数据分析与准备,滚动率、迁移率和Vintage分析

写在最前：

实际风控模型师工作的流程中，关于数据的许多定义并不像Kaggle竞赛一样给定。通常变量X需要自己挖掘，目标变量Y也需要通过多方分析和协商决定。换言之，通过什么样的数据训练你的模型，模型到底需要甄别出什么样的“坏人“，需要风控建模师根据业务要求、数据分析、行业经验综合得出，在此介绍一种比较通用的方法。其中涉及到的一些术语，欢迎浏览我们的风控小百科。

一、风控中，什么样的人才是怀样本？

代入一个情景有助于大家理解：

小A和小B正在为某12期贷款的产品建立申请评分卡（A卡，Applicantion Card），正在为坏样本的定义而争吵。

如上的场景可能也确实是大家的一个困扰。实际上，在巴塞尔协议中，也对违约的定义有所描写，巴塞尔协议将90天逾期或超限作为了定义之一。实际的信贷场景下，90天的逾期时间较长，可能带来样本比例失衡，逾期时间过长未能正确反应坏样本等不足，因此需要通过一些数据分析得出坏样本的定义，因此祭出我们的数据分析武器库：Vintage分析、迁移率分析、滚动率分析！

迁移率：

小A和小B学会了迁移率这个概念之后（如何根据得出迁移率表格和如何查看之后请等待后续文章，此处记得小A和小B的结论就可），制作了如下的表格：

迁移率描写了每个月，每个逾期时长的变化情况。

经过观察，小A和小B发现M4-M5及以后的迁移率很高，达到80%以上，意味着80%以上进入M4的客户都进入了更坏的M5，因此他们达成一致，M4的客户已经够坏了，80%以上的M4客户都变坏了，很少有M4的客户反而变好的，因此初步将坏样本的定义定在逾期90天（M4+）。

滚动率：

小A和小B觉得迁移率的分析不够，还需要在找些分析结果证明刚刚的结论，于是又学会了滚动率这个概念（如何根据得出滚动率表格和如何查看之后请等待后续文章，此处记得小A和小B的结论就可），制作了如下的表格（由于数据系编造，可能存在迁移率和滚动率无法对应的情况）：

滚动率描写了同一批样本，在观察点前一段时间和后一段时间其最大逾期时间的转化关系。

经过观察，小A和小B观察到了M4+的客户其变成好（M0）的比例只有4%，80%以上没有做出偿还动作，仍旧保持当前的逾期时长，因此更加确信了设定逾期90+天为坏样本。

决定完逾期天数的事情之后，小A和小B又产生了新的困惑。

在阅读公众号风控说关于账龄分析的博文之后，小A和小B学会了Vintage分析，在设定逾期90+为坏样本之后，制作了如下的表格和图片

经过观察，小A和小B发现从产品的第8个月开始，逾期率就很少或不在增加了，也就是说坏客户经过8期以后，就表现得差不多了，不需要拿12期的所有坏客户，只需要拿前8期逾期90+天的作为坏客户就行了。

总结：经过迁移率分析、滚动率分析，小A和小B确认了究竟逾期多久才算坏样本；经过Vintage分析，小A和小B确认了该产品的成熟期（表现期）。

最后，坏样本的定义如下：在表现期8期（8个月）内逾期M4+（逾期90+天）的用户

二、风控模型中的常用变量

小A和小B接下来为使用什么样的数据作为入模变量犯了愁，以前做学校项目和数据科学竞赛可没轮到自己做变量。仔细思考一番后，他们想到了以下的几个方面来获取变量。

目前来看，埋点信息确实是未来的一个方向，但是埋点数据容易因贷款申请场景不一而不同，使用它的公司也不是很多，应用的场景在笔者看来更偏欺诈，信用风险方面其信息应该弱一些。

三．总结

一图以蔽之：

这一篇讲述了模型的前置工作，如何确认建模所需的数据，其实质是确认观察期与表现期、以及需要何种数据视作自变量进行建模。下一篇讲讲如何建模逻辑回归的评分卡模型。

就这样，收工！