La gestion des risques est la base du développement durable de la Banque. Le système de gestion des risques bancaires est de maintenir la stabilité de la qualité des actifs et de contrôler toujours le risque de fiabilité à un niveau raisonnable.

Dans l'environnement économique actuel, le niveau des banques a augmenté et le secteur financier entre à l'ère de la solide supervision et toutes les banques sont de plus en plus urgentes afin d'améliorer la prévention des risques et le contrôle des risques et le système de gestion des risques de Manque de banques flexibles, d'installations de prévention et de contrôle, etc directions.

Actuellement, les petites et moyennes banques traditionnelles sont toujours dans le domaine des zones de contrôle du vent (surtout après le prêt), la plupart dépendent de l'expérience d'experts de l'homme de l'homme de l'homme. Les règles de précision et les taux de révocation ne sont pas idéaux et nous ne pouvons pas répondre à nos exigences en matière de prévention et de contrôle des risques. Par conséquent, introduisez plus que cLes données utilisant les données de données de la loi en profondeur des algorithmes d'apprentissage, améliorant le système d'alerte des risques bancaires, améliorent la capacité d'empêcher et de contrôler les risques et de réduire les pertes de risques.

Introduction du modèle de contrôle des données du vent

1. Classification du modèle

Protocole de Bâle

Détermination des risques financiers: Risques de marché, risques, risques de crédit. Notre principale préoccupation, les modèles de risque de crédit incluent souvent l'application de scores, des points de comportement, de gain et de la lutte anti-fraude, mais indiquent souvent la carte (carte de pointage de comportement), les cartes C (score de carte) et la carte F (carte anti-fraude).

2. Données de la composition

Les éléments de composants de la carte principale de la carte à point d'application sont les suivants:

Données démographiques du demandeur: âge, sexe, statut d'inscription au ménage, matrimonial Statut, carrière, éducation, canal d'application, type de document, est un client noire, des années de travail, etc.

Propriété familiale, responsabilité de la responsabilité du requérant: il y a une maison auto-résidentielle, qu'il y ait des voitures, qu'il n'y ait pas de consommation de prêt, avec un prêt commercial, que les organisations soient talentueuses d'autres dettes principales, revenus personnels, annuels Revenu, statut de revenu, etc.

, quotas d'application, temps de produit, taux d'intérêt, fins de prêt, v.v.
La Banque a un client dans la banque: la Banque dispose d'un client des registres de consommateurs à l'information de la Banque, il y a 6 mois, le nombre de consultations, le statut de remboursement
: le nombre de produits de crédit sont utilisés,Applications 2 ans avant le nombre de personnes en retard, la distance en souffrance de ce mois, le nombre d'évaluations de l'explication numérique des personnes



La faible composante de la carte de score / revenu comportementale Tatase est principalement la suivante:

Informations comportementales en souffrance: application après date de la date de rencontre, la dernière fois est le nombre de mois, heure en retard à

Information sur le comportement de remboursement: circonstances payablesBurns, temps de remboursement de la dette, taux de remboursement de la dette
Informations sur Juncy: Utilisé le nombre de produits de crédit, classement numérique explication
Informations de crédit: prêts, prêts
Informations démographiques: âge, sexe, inscription au ménage, mariage, Carrière, éducation, canal d'application, type de document, si la liste des clients, cinq emplois
: taux de collecte


3. Le processus de construction d'un modèle de base



Les structures de modèle sont généralement construites dans les cinq étapes suivantes: préparation brute, conception de modèle, développement de modèles, évaluation du modèle, déploiement et modèle de surveillance.
(1) Préparer des données


La préparation des données est la première étape de l'élaboration de cartes à point et la consommation de temps la plus longue, y compris les écrans bruts, modifient plutôt, combiner des données, des processus de données. Tels que le traitement, l'inspection de la qualité des données, la description des statistiques.
Variations de tamis brutes: Selon l'expérience de l'entreprise, il est nécessaire de choisir la variable de fonctionnalité sélectionnée pour déterminer le nombre de glissionsG des virages de variables.
Combinaison de données: données correspondantes de chaque dimension en fonction de la taille du client (tel que le nombre de clients).
Traitement des données: après une variété de commutateurs, le traitement des données originales au format de données peut être utilisé comme développement modèle.
Inspection de la qualité des données: Vérifiez la valeur manquante des données. En même temps, intégrité et précision des données du point de vue de l'entreprise. Description Statistiques: Afficher les statistiques de base des données. Pour les fonctionnalités classifiées, cette fonctionnalité est située dans différents types et différents types par défaut. Pour des fonctionnalités continues, la vue moyenne des fonctionnalités, la moyenne, l'extrême, V.v.v.v voir la tendance des données ci-dessus / discret des données.

(2) Conception de modèle

Après la collecte des données pertinentes, la prochaine étape est la conception du modèle. Le modèle de modèle est une étape importante dans le développement de cartes de scoring. Dans ce processus, nous allons pSanctions de données, la conception de certains paramètres sont développées via le modèle, notamment: des modèles distinctifs, des définitions de performance, des fenêtres de performance, une classification récapitulative, des modèles de modélisation.

SEGMENT DE MODÈLE: Peut considérer la subdivision de la taille / passager du produit, très bien, cela peut améliorer l'efficacité du modèle et, d'autre part, cela pose également des problèmes à la demande de l'entreprise.
Définition Performance: Identifiez les bons clients méchants, souvent analysés et combinés avec des scénarios d'affaires avec des taux de roulement.

Fenêtre de performance: entourez une fenêtre de temps et complétez la définition des clients dans cette fenêtre de temps.

Classification récapitulative: Exclure les éléments, refuser le compte, le compte incorrect, le compte intermédiaire, le compte ne suffit pas, un bon compte, pas un compte et d'autres comptes, v.v.
Sélection des modèles de modélisation: dépister un nombre suffisant de bons échantillons de mauvais mauvais échantillons dans le formulaire de données historiques.

(3) Développement de modèle


Le contenu principal de l'étape de développement comprend: la création de variables existantes, de la division de terrain, de l'analyse unique de transformation, de l'analyse multivariée, de l'évaluation du modèle et de la vérification du modèle. Le contenu en rapport avec c'est plus, et il n'est pas expliqué.

(4) Évaluation du modèle

Le modèle d'évaluation peut atteindre l'effet attendu et assurer la stabilité du modèle. Évaluez principalement la différence, la stabilité, la capacité de classifier et de distribuer des points de modèles. La vérification est généralement divisée en échantillon de vérification du temps et de gabarit de temps de vérification.

(5) Déploiement et surveillez le modèle

Le modèle comporte deux modes de déploiement: l'un est à Déployez un modèle bien formé pour le serveur, configuré en tant que service de modèle. Les services de modèle sont disponibles pour d'autres appels système pour effectuer des prévisions en ligne. La seconde consiste à modifier les règles par le modèle et le déploiement de l'outil de décision. Après le modèle en ligneL'itinéraire, les effets et la stabilité du modèle doivent être surveillés de manière continue, surveillant souvent le modèle de modèles KS et des valeurs PSI. Le premier montre la capacité du modèle à distinguer les mauvais clients, ce qui montre plus tard le niveau de changement dans le modèle du modèle à chaque période.

Valeur de KS (connaissez l'image)

Valeur PSI (Figure

Les avantages de la carte Point d'entraînement de données

La signification de la méthode de conduite de données est lorsque nous utilisons temporairement des principes simples et précis (principes généraux des principes réels), nous Peut construire des modèles approximatifs basés sur des données historiques passées, où utilisent réellement le numéro de calcul et les données pour échanger du temps de recherche. Le modèle de résultat est dévié de la situation réelle mais suffisamment pour guider la pratique.
- Dr. Wu Jun "Smart Age"

Avec le développement rapide de la collecte de données, Luu TL'analyse, l'analyse et d'autres technologies montrent, la plupart des entreprises autant que possible pour tirer parti des données pour obtenir un avantage concurrentiel. Dans ce processus, les données importantes fournissent également la transformation de base de la gestion des entreprises et de la décision de la société. Cet interrupteur est défini comme décisif en fonction de ses données et de ses concepts basés sur les données de données et l'analyse des données basée sur l'analyse des données et des données, au lieu de davantage en fonction de l'intuitif et de l'expérience de la personne d'affaires. Ceci est également vrai dans le domaine du contrôle du vent. Comparé aux cotes d'experts traditionnels, les points de conduite de données ont les avantages suivants:

1. Les lecteurs de données sont plus de cibles

Processus Construisez une carte de point de données, des données plus complètes et Chaque environnement a des arguments de données et une analyse statistique correspondante. Et peut extraire profondément et avec précision à travers l'excavation de données plus profondes, réduire l'intervention et la participation des hommes d'affaires pendant le RUne décision, réduisant ainsi les individus dues au manque d'expérience, des émotions et des écarts d'informations font des scores plus que l'objectif. En outre, il est prévu que des mécanismes de points transparents plus objectifs peuvent également avoir la confiance et le soutien de nombreuses personnes, améliorant ainsi l'efficacité et l'exécution de cartes de points.

2. Les conducteurs de données conviennent davantage à la modification de l'environnement pour décider

La situation économique externe change, ajuster les politiques et les modifications de l'entreprise de l'entreprise affectera l'efficacité du modèle. Comparé aux règles commerciales expertes traditionnelles, les points de pointage des points de données introduisent non seulement les données commerciales, mais incorporent également des informations démographiques, des données comportementales, des informations de compte et des données externes passent à la décision, laissez la carte de point de données face aux changements environnementaux. Il y a une performance plus stable. Dans le même temps, les scores de données peuvent être automatiquement mis à jour, en fonction des nouvelles données historiques à l'article.Ajustez le poids dans le modèle dans le modèle pour obtenir de meilleurs effets de prédiction sur les nouvelles données.

3. Les lecteurs de données font une personne multirésiginaire

"Grand mode d'apprentissage + données" rend le modèle construit par la carte d'entraînement des disques de données plus complexes. Bien. Par exemple, dans la carte de point de contrôle des données générales de l'industrie, la norme est divisée en 660 points et les mauvais clients sont dupliqués, le score est augmenté de 20 points. Par rapport aux scores d'experts, les scores des clients dans les cartes de notation basés sur des points sont plus dispersés, ce qui signifie que les individus et les particuliers sont davantage de domaines et les employés d'affaires ont un grand espace de plus pour former des stratégies d'application.

Référence: HTTPS://www.iyiou.com/p/55066.html Jiang Yan: profond et peu profond de risque RO Banque et apps intelligents https://zhuanlan.zhihu.com/p/36539125 Modèle de carte d'évaluation financière HTTPS: //www.zhihu .com / plus /VIE / 1053679649619554304 Huang Zhixiang: Modèle de risque de crédit financier Deminer