多头借贷数据在风控中如何分析及应用

小提示：您能找到这篇{多头借贷数据在风控中如何分析及应用}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的多头借贷数据在风控中如何分析及应用内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

编辑导语：多头借贷是一个风险较高的借款方式，一般是借贷人出现了较大困难，才会采用这种方式；多头借贷也不一定是坏事，但是如果过度的进行借贷，可能会造成很品牌危机公关声明大的风险；本文作者详细介绍了多头借贷数在风控中如何分析和应用。

金融风险管理中，对于一个借款人还款能力的评估十分重视；如果一个人的资产负债比过大，一旦发生资不抵债的现象，金融机构继续对其发放贷款发生违约的风险是极大的。

在体现借款人甚至借款企业还款能力的众多指标中，多头借贷是一项核心指标。

一、什么是多头借贷

多头借贷是指单个借款人向2家或2家以上的金融机构提出借贷需求的行为。

多头借贷数据一般至少会粗分成银行类多头借贷、非银类多头借贷；按时间跨度可以分为近7天、近15天、近1个月、近3个月、近6个月、近12个月。

多头借贷除了会统计申请次数，还会统计申请机构数、申请最大间隔天数、申请最小间隔天数、申请记录月份、平均每月申请次数(有申请月份平均)、最大月申请次数、最小月申请次数等。

由于单个用户的偿还能力是有限的，向多方借贷必然蕴含着较高的风险；一般来说，当借贷人出现了多头借贷的情况，说明该借贷人资金出现了较大困难，有理由怀疑其还款能力。

二、多头借贷数据的分析方法

由于多头借贷可以比较有效的反应借款人的还款能力，所以在对借款人信用风险、欺诈风险评估上，基本都有使用多头借贷数据。

多头借贷作为一个衡量借款人的维度特征，可以结合一些逾期指标进行分析。

图一

上示例图一中，对近7天非银机构申请机构平台数进行分析，对申请不同平台数的客户，分别统计客群的分布占比、FPD30%、FPD30-DPD90+%、通过单量、FPD30单量、DPD90+单量以及DPD90+%。

通过统计后的数据，分析近7天申请N平台数的客户，其不同逾期指标的变化趋势，如上图中FPD30%的增幅，进一步用于寻找策略切点或者豁免客群的回顾分析。

三、多头借贷数据为何少用于模型

多头借贷少出现在模型变量中，主要有两个方面原因。

第一：多头借贷数据往往被策略同事应用于规则中。

数据建模的目的是从金融弱变量中通过特征工程方法，提炼出有效区分变量，构建评分模型；所以对于多头借贷数据，既然已经运用在策略规则中，实在没必要加入到模型变量。

如果读者朋友们看到提交的评分模型报告中有多头借贷变量，那么建模的同事要么没有事先了解已上线运行的策略规则集，要么就是为了模型表现指标（如KS、AR、AUC）好看强行使用。

第二：多头借贷数据往往覆盖度不全。

多头借贷虽然是一个与风险强关联的维度，但其查得率一直被人所诟病。

举一个例子，借款人一个月内在多家机构贷款，作为一个特征，很有可能出现某个人虽然频繁贷款，但并没有被多头供应商捕捉到；一旦这个特征作为模型变量，那么这个变量的噪声就很大了。

反而如果做成反欺诈策略，就不需要担心噪声问题，直接选取拒绝线进行截断，最大的影响，也就是没有拒绝掉足够多的用户，而这个影响我们还可以用噪声较小的模型进行弥补。

四、多头借贷数据在策略规则上的应用

多头借贷在策略上一般作为一条策略规则，一个拒绝维度参与到整个风控流程中。

不同机构，不同信贷产品，不同场景，对于多头借贷的拒绝线划分都是不一样的；如何找到当下最适合的多头借贷拒绝线，对于风控策略分析人员，是风控工作的核心任务。

仍以上图为例，假设当前对于7天多平台数规则的拒绝线划分在6，即如果7天多平台数>=7则拒绝；如果我们现在希望通过7天多平台数规则豁免一部分客群提升整体通过率，此时的拒绝线cutoff应该划分在哪里呢？

如果不是应对紧急调整通过率的情况，我们可以事先豁免7天多平台数7-10的客户，作为测试样本，用以产生7-10客群通过单量的分布，之后将拒绝线调回6。

既可以生成如下统计分析表：

图二

上图中的桔色部分都是通过分析预测出来，比如通过图一中不同多平台数FPD30%的平均增幅0.7%，预测出7-10的FPD30%。

预估计算公式8FPD30%=7FPD30%+0.7%，进一步计算出FPD30量、DPD90量等其他指标。

提醒读者朋友们，因为我们对于资产风险管控最关心的逾期指标还是不良率，所以我们通过FPD30-DPD90+%的迁徙率预测出不同7天多平台数的DPD90+%。

对于7-10的FPD30-DPD90+%预估，可以采用MAX(0-6的FPD30-DPD90+%)的预估方法。

在这之后，我们对于不同7天多平台数测算出拒绝线Cutoff的FPD%和DPD%，如下图所示：

图三

对比示例图一和图三的Cutoff_DPD%可以发现：规则拒绝线设定在>=7时DPD%=3.0%，设定在>=8时搜索引擎营销 成本及收益DPD%=3.0%，设定在>=9时DPD%=3.3%。

规则拒绝线设定在>=8的DPD%并没有增加；此时可以尝试建议将7天多平台数的拒绝线调整到7。

当然，这种策略分析方法仍有一些纰漏，比如此方法需要有测试样本进行观测，无法满足快速调整通过率的需求；7天多平台数的FPD30%的增幅实际情况并非线性增长，有经验的策略分析师知道，FPD30%一定会在某一个节点指数级增长。

但正是因为策略分析师通过不断地按照上述方法进行样本测试对照，根据实际情况回顾分析结果，才能不断的积累策略调整经验，才会对规则分布具有一定敏感性。

这就是策略分析专家与普通策略分析师之间的差距。

风险管理之路，一直在不断的试错中找到最优解，与大家共勉之。

本文由 @FAL金科应用研院 于，，。

，基于 CC0 协议