汽车金融贷后风险预警方法

摘要

本申请提供了一种汽车金融贷后风险预警方法，包括如下步骤：构建一个用于预警的机器学习模型；制定一个用于预警的预警策略规则；将汽车金融客户的相关数据输入至机器学习模型；根据机器学习模型输出的数据和预警策略规则输出风险预警等级；根据风险预警等级匹配对应的预警措施。本申请的有益之处在于提供了一种融合了车辆消费分期场景以便于及时发现贷后风险的汽车金融贷后风险预警方法。

说明书

技术领域

本申请涉及一种汽车金融贷后风险预警方法。

背景技术

随着金融业市场化水平和对外开放程度的提高，金融机构间竞争加剧，银行的特许权价值正在不断降低。同时伴随着国内的经济形势波动和企业的经营状况的恶化，商业银行的不良贷款余额逐渐增加，不良率也逐渐逼近监管要求。而传统银行由于贷后由总行统一管理，分行无法对贷后风险进行一定控制，很多情况下都只控制了贷前风险，而对于贷款后经济中途产生恶化的客户无法判别，到了真正发生逾期进入催收阶段才会知晓。而到了催收末期往往为时已晚，很大部分结果都只能形成呆账和坏账。而在这种情况下，如何做好贷后风险防范，提早识别出即将产生风险的在途贷款，是商业银行提高核心竞争力，降低整体不良率的重中之重。

发明内容

为了解决现有技术的不足之处，本申请提供了一种汽车金融贷后风险预警方法，包括如下步骤：构建一个用于预警的机器学习模型；制定一个用于预警的预警策略规则；将汽车金融客户的相关数据输入至所述机器学习模型；根据所述机器学习模型输出的数据和所述预警策略规则输出风险预警等级；根据所述风险预警等级匹配对应的预警措施。

进一步地，所述构建一个用于预警的机器学习模型包括如下步骤：为所述机器学习模型选取模型模板。

进一步地，所述构建一个用于预警的机器学习模型包括如下步骤：为所述机器学习模型准备样本数据。

进一步地，为所述机器学习模型准备训练数据包括如下步骤：根据汽车金融客户还款情况将样本数据分为好样本和坏样本。

进一步地，为所述机器学习模型准备训练数据还包括如下步骤：对所述样本数据进行准备、指标加工和数据清洗。

进一步地，在对所述样本数据进行准备时，所述样本数据的数据维度包括：申请数据、贷后逾期数据、车贷相关数据、客户基本数据、收入负债数据、客户历史扣款数据。

进一步地，在对所述样本数据进行准备时，所述样本数据的数据维度还包括：三方外部数据、抵押率数据、贷后催收数据、贷后征信数据。

进一步地，所述样本数据的指标加工包括：统计一年内未扣款成功次数数据和平均预期天数。

进一步地，所述样本数据的数据清洗包括缺失值填充和异常值处理。

进一步地，所述制定一个用于预警的预警策略规则包括策略分析和策略制定。

本申请的有益之处在于：提供了一种融合了车辆消费分期场景以便于及时发现贷后风险的汽车金融贷后风险预警方法。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请一种实施例的汽车金融贷后风险预警方法的步骤示意框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请中，术语“上”、“下”、“左”、“右”、“前”、“后”、“顶”、“底”、“内”、“外”、“中”、“竖直”、“水平”、“横向”、“纵向”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例，并非用于限定所指示的装置、元件或组成部分必须具有特定方位，或以特定方位进行构造和操作。

并且，上述部分术语除了可以用于表示方位或位置关系以外，还可能用于表示其他含义，例如术语“上”在某些情况下也可能用于表示某种依附关系或连接关系。对于本领域普通技术人员而言，可以根据具体情况理解这些术语在本申请中的具体含义。

此外，术语“安装”、“设置”、“设有”、“连接”、“相连”、“套接”应做广义理解。例如，可以是固定连接，可拆卸连接，或整体式构造；可以是机械连接，或电连接；可以是直接相连，或者是通过中间媒介间接相连，又或者是两个装置、元件或组成部分之间内部的连通。对于本领域普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

参照图1所示，本申请提供了一种汽车金融贷后风险预警方法，包括如下步骤：构建一个用于预警的机器学习模型；制定一个用于预警的预警策略规则；将汽车金融客户的相关数据输入至机器学习模型；根据机器学习模型输出的数据和预警策略规则输出风险预警等级；根据风险预警等级匹配对应的预警措施。

具体而言，构建一个用于预警的机器学习模型包括如下步骤：为机器学习模型选取模型模板。

具体而言，构建一个用于预警的机器学习模型包括如下步骤：为机器学习模型准备样本数据。

具体而言，为机器学习模型准备训练数据包括如下步骤：根据汽车金融客户还款情况将样本数据分为好样本和坏样本。

具体而言，为机器学习模型准备训练数据还包括如下步骤：对样本数据进行准备、指标加工和数据清洗。

具体而言，在对样本数据进行准备时，样本数据的数据维度包括：申请数据、贷后逾期数据、车贷相关数据、客户基本数据、收入负债数据、客户历史扣款数据。

具体而言，在对样本数据进行准备时，样本数据的数据维度还包括：三方外部数据、抵押率数据、贷后催收数据、贷后征信数据。

具体而言，样本数据的指标加工包括：统计一年内未扣款成功次数数据和平均预期天数。

具体而言，样本数据的数据清洗包括缺失值填充和异常值处理。

具体而言，制定一个用于预警的预警策略规则包括策略分析和策略制定。

作为一种具体实施方案，本申请的方法包括如下两个部分：

一、模型设计

（一）模型设计方案

将客户按新车/二手车，首期/非首期进行划分，然后进行每一个客群分别建模。

（二）模型样本选取

（三）目标变量确定，定义好坏样本

定义出账单后23天客户未还款作为坏样本，否则为好样本。

（四）数据准备、指标加工、数据清洗

数据维度主要有：

(a).申请数据：申请评分，客户分群类别；

(b).贷后逾期数据：累积逾期次数，最大逾期天数，当前已到期次等；

(c).车贷相关数据：首付比例，分期期数，月供等；

(d).客户基本数据：包括时点年龄，性别；

(e).收入负债数据：月负债，收入；

(f).客户历史扣款数据：包括累积未扣款成功数等；

(g).三方外部数据源：包括FICO分，中诚信评分等；

(h).抵押类数据；

(i).贷后催收数据；

(j).贷后管理的征信数据；

指标加工：包括统计性指标，比如近1年未扣款成功次数，平均逾期天数等；

数据清洗：包含缺失值填充、异常值处理等。

（五）特征工程

包括特征相关性检验，VIF检验，特征筛选，特征衍生，单变量分析等；

相关性检验：相关性>=0.7,剔除iv值小的变量；

VIF检验：特征VIF<=5；

特征筛选：

(a).IV筛选，IV>=0.02；

(b)随机森林特征重要性筛选，筛选前25个特征重要度高的特征。

（六）模型开发与评估

算法选择：集成学习算法。如XGBoost，LightGBM等；

评估指标：ks>=0.35，AUC>=0.75，入模特征PSI<0.1；

效果测算：swap in /swap out 分析。

（七）模型评审、部署及验收

模型评审：输出模型文档和模型效果测算报告；

模型部署及验收：

(a).输出入模特征加工需求文档；

(b).输出模型文件，如PMML文件，评分卡文档；

(c).开发完成后，进行字段解析验收和模型结果验收。

（八）模型监控

监控指标有：入模变量PSI，模型分PSI，模型分等级分布，客户逾期发生率，模型KS值等，如变量PSI超过0.1或KS值低于0.3，则要考虑在模型中剔除相应变量进行模型迭代。

二、策略设计

（一）策略分析:

(a)贷前风险分析；

(b)贷后还款能力分析；

收入：近期社保/公积金缴纳记录；

负债：近X月新增贷款，信用卡近X月使用率，未来X月所需还款额等。

资金紧张度：近X个月/天信用卡、贷款申请次数，网贷申请次数，贷款APP活跃度，近期是否一次性还款大额贷款到期等。

行为：近期是否赌博博彩等消费记录，是否法院被诉案件等；

履约记录：近期逾期金额，近期还款金额等。

(c)贷后还款意愿分析

还款记录：自动扣款记录，主动还款记录，他人代偿记录，延期记录等；

催收记录：接通记录，如约还款记录；

催收标签：电话状态标签、沟通内容标签（如拒绝承认贷款、恶意抵赖等）、联系人/共还人等反馈标签（如失联、法律案件、意外事故等）；

轻微风险：忘记还款，习惯性逾期。

(d)过程风险分析

抵押记录：购车抵押办理记录，购车后车辆抵押、质押贷款记录等；

渠道监测：渠道进件贷后风险，渠道被诉案件，渠道经营状态等；

车辆信息：车辆轨迹与客户实际活跃地址不一致，购车后是否有汽车相关消费等；

关系网：用户所在关系网络客户的还款记录等。

（二）策略制定:

(a)基于预警模型分级、策略分析结果制定预警处置策略。风险等级+规则确定用户风险等级，并确定预警处置方式。

(b)预警等级划分四类，风险A级，AI智能语音提醒，风险B级，推送提醒短信风险C级，缓处理，若出现逾期，则进行AI提醒，风险D级，不处理。

如前可知，本申请的目的是指利用贷后模型预警检查机制，运用定量和定性分析相结合的方法，提早识别出即将产生风险的在途贷款，让地方性银行参与贷后风险客户的资产处置，对不同风险级别的贷款采取针对性处理措施，时防范、控制和前置化风险处理，减轻贷后损失。

实现的技术方案：一是建立风险预警模型，为每个用户打上预警评分。预警模型通过集成学习算法。如XGBoost，LightGBM，开发一套识别已放款未结清客户风险发生概率的模型，并借助申请评分、贷后记录、用户基本信息等挖掘用户的风险行为数据，综合评判客户是否即将产生逾期风险，在风险尚未完全爆发情况下进行处置，减少逾期发生的概率。预警模型主要防范的风险如下：

①贷前风险（误放）：贷前模型评分、贷前收入/负债等

②还款能力风险：负债过高、突发性事件等，导致还款来源不足

③还款意愿风险：多次逾期，拒绝催收，恶意抵赖等

④过程风险：渠道、中介等参与导致客户未实质购车，未准时办理抵押等

二是对银行现有数据进行充分挖掘，采用决策树多维交叉制定模型可能漏掉的规则策略。如利用征信报文数据的清洗与特征工程加工，并收集可能影响客户产生还款风险的数据，如用户银联数据、公积金/社保数据、以及法院、贷后行为、催收日志、三方多头命中等数据。

三是根据分析情形下不同可能产生的风险，定制策略情景，如短信提醒、ivr语音提醒，人工介入等，输出应对策略，及时挽回损失。

总体而言，本申请中的机器学习模型会基于每个客户输入变量特征输出每个客户的信用评分，而预警策略规则是在机器学习模型输出的评分基础上添加规则项预警出命中客户，比如模型输出A客户信用评分为600，策略设置模型评分<=600预警，那么A客户就会被预警出来。并且策略也可以不依赖模型单独输出规则，比如规则：年龄>50，近3个月逾期M1次数>1预警,那么命中这一规则的客户便会被预警出来。

采用以上的方案，本申请能够为银行车贷业务提供一套强有力的风险预警体系，另外，本申请的方案能够对信贷业务中可能发生的风险点及时预测，提前发现高风险客户，以便及早介入处置，并根据不同风险，制定对应的应对策略，降低M1逾期率。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。