大咖說汽車金融風控

02-04

汽車金融行業亂象頻出，中介欺詐、騙貸、車輛套現、一車多貸等，這些已然成為汽車金融行業的痛點，但究其痛點背後的根源，還是平台自身的風控能力薄弱。目前市場信用體系不完善，各平台間信用數據之間缺乏共享，加之平台自我風控意識不足，為了快速發展搶佔市場份額，降低汽車金融風控要求等，這些因素都助長了行業的騙貸行為。

平台要做好風控，首先要真正重視起風控，小到信審、逾期率，大到大數據接入等，業務流的各個環節都必須重視起來。

最近風控界的2位大咖，就風控問題，分享了自己經驗和看法。以下是精彩內容，內容以提問解答方式展示，為方便閱讀，原文有修改。

問題列表

1、風險控制和風險管理的區別？

2、車貸業務，應該側重風險控制還是風險管理的能力？

3、有些資方故意放款給有逾期風險的客戶，通過收車方式來提高利潤，這算不算是風險控制？

4、談談逾期率的計算？

5、60或90天設置的初衷是什麼？什麼差異呢？

6、在設計風控模型時應突出哪些方面，需要注意的要點有哪些？

7、對於「AI幹掉風控人員」的熱議，這個咋看呢？隨著風控模型不斷完善和建立，人工信審後期的方向是什麼？

一

風險控制和風險管理的區別？

風險控制：顧名思義就是要將風險控制在一個合理的範圍，其核心思想就是控制；採取各種具體的措施和方法，消滅或減少風險事件發生的各種可能性，或者減少風險事件發生時造成的損失。

風險管理：重點在管理，是一個經營風險的概念。（帶有經營性思維，考慮風險收益）

下面透過一個信用卡授信額度的案例來理解下：

客戶A：本市人，水利局某主任科員，45歲，女，月薪8K，社保可查，本科，已婚，有房，有車。客戶B：外省人，某貿易公司業務員，24歲，男，月薪2.6K+1K提成，無社保，中專，未婚，無房，無車。

在符合核准政策的情況下，對二人的授信孰高孰低？

按照傳統觀點，我們會認為，資質更好的A客戶理應獲得更高的授信額度，因為她的收入高，又足夠的穩定，無論是償還能力，還是償還意願，都是具備明顯的優勢。

然而，實際上，這只是風險控制的思路，而不是有效的風險管理。

在風險管理的角度上，我們該如何看待這個問題呢？

首先，我們從信用卡的受理分配來看，信用卡只有支用才會產生收益，因此，客戶的價值並不是單一的看收入和穩定。那麼誰愛花錢呢？女人比男人更愛花錢，也容易衝動消費，這個觀點有道理，但不是全對。客觀來講，女人更愛花男人的錢。而一個二十齣頭，尚在擇偶階段的男同志，更心甘情願的為女生買單。一個初入社會，又急需在女友面前證明自己的最簡單粗暴的辦法就是買買買。

我們可以預判到，收入不高，又有強烈的消費需求的小夥子，必然會選擇分期，最低還款等等方式，甚至會因為拮据，而產生短期的逾期。這相比一個花錢謹慎，又從不會欠款的客戶來講，其收益價值的優勢是明顯的。通過合理釋放一定的風險，獲得更大的收益，這就是風險管理與風險控制的區別。

二

車貸業務，應該側重風險控制還是風險管理的能力？

車貸業務里，風控和風管，都是要結合產品和客戶群定位來定的。風險的核心取決於風險報酬，也就是在可控風險的情況下，資本的盈利狀況，所以風險不是簡單的控制風險，而是要通過管理風險，實現風險收益，才是關鍵。

三

有些資方故意放款給有逾期風險的客戶，通過收車方式來提高利潤，這算不算是風險控制？

這應該是職業道德問題。收車操作是資方因客戶逾期而採取各種降低損失的措施之一，它不是資方提高利潤的主要方式，風險管理的目的是為了獲取合理的收益，這裡資方的行為顯然是超出了這個範圍。要說一點，這種玩法應該源自信用卡的手法。

四

談談逾期率的計算？

逾期率（不良率）：逾期貸款佔全部貸款的比例。

按照監管機構的要求和計算標準，對於不良率，會對資產進行五級分類（按風險基礎分為正常、關注、次級、可疑和損失五類），對於後三類劃為不良貸款。

但是不良率根據各個機構的不同，會略有差異。信用卡也好，還是其他機構也好，有一些為了給客戶提供便利，一般提供一段時間的寬限期，3天居多，也有更長時間的，有一些機構會有0-30天逾期率，那麼逾期率一般為：0-30天的逾期金額/總放款金額（這邊用放款金額較多，也有用貸款餘額的，部分機構，也會還原核銷）；還有一些會用4-30天逾期率，道理是一樣的。

個貸的分類，銀行也有使用多維矩陣的，一般來說，銀行業機構到不良都是逾期60天以上，也有90天的，只要銀監局通過，都沒毛病。

汽車金融公司目前看，基本上都以逾期時間作為維度進行劃分，行業一般說成M0（無逾期），M1，M2,也有直接說30天以上逾期率或者90天以上逾期率的說法。具體的計算，根據各家的不同，可能也有一些差異。

五

60或90天設置的初衷是什麼？有什麼差異呢？

1：60天或者90天設置的初衷有兩個：

1）監管要求。

2）可以利用滾動模型計算

分類的核心，是損失，在監管要求下，不良到次級，至少25%的損失；如果採用滾動模型，根據各個公司的不同，也會得到不同的結論。譬如融資租賃，從了解的資產質量看，如果在61-90，計提25%的損失，肯定遠遠不夠的。

不良率的目的，是為了衡量資產質量。銀行很多用11級分類，都是為了更客觀衡量資產可能未來損失情況，如果合適的話，用滾動率模型推算的損失，會比不良更可靠。

六

在設計風控模型時應突出哪些方面，需要注意的要點有哪些？

風控模型的設計根據企業性質不同，需求不同及階段不同，分為很多形式。今天我們選擇最為普通的一個角度來看，基本是受國外成熟經驗熏陶生成的決策樹+評分卡+反欺詐模式。

1）決策樹

決策樹的建立，有最為重要的3個前提才可以考慮去做。

a是企業可提出清晰的風險喜好;

b是產品明確的划出目標客群;

c是足夠支撐模型的基礎數據與風險樣本。

2）評分卡

關於評分卡，我們主要談一談A卡關注的變數，一般來講模型中的效果隨著變數及維度的增加而逐漸精準，但這個過程中，效果在一定的增量後是有必然的遞減的。一般變數地選取，13-15個是相對高效的，而當變數超過24個的時候，其價值與成本就會出現逆差。

PS: A卡（Application score card）申請評分卡

B卡（Behavior score card）行為評分卡

C卡（Collection score card）催收評分卡

評分機制的區別在於：

1、使用的時間不同。分別側重貸前、貸中、貸後；

2、數據要求不同。A卡一般可做貸款0-1年的信用分析，B卡則是在申請人有了一定行為後，有了較大數據進行的分析，一般為3-5年，C卡則對數據要求更大，需加入催收後客戶反應等屬性數據。

3、每種評分卡的模型會不一樣。在A卡中常用的有邏輯回歸，AHP等，而在後面兩種卡中，常使用多因素邏輯回歸，精度等方面更好。

3）反欺詐：反欺詐存在三種模式。

a.是貸前反欺詐團隊，是風險審核的專項團隊，其作用是針對命中風險邏輯的客群做專項審核，從而確認欺詐風險，發現欺詐手段，保障資產安全。

b.是反欺詐邏輯，也就是反欺詐方案設計工作，這步的實現，需要系統對數據的積累，需要工作人員掌握數據之間關聯，並將之不斷挖掘，同時，也需要合理的KPI方案，引導審核人員重視作為工作中對欺詐類風險的關注，從而為數據提供更多的風險樣本。

c.是欺詐調查崗的設立，作為貸後管理中的反欺詐一環，其作用是區別於催收團隊的，他的價值在於，發現並挖掘欺詐手段的迭代，提供更好的解決方案，為現有反欺詐作業提供有價值的改善依據。

當然，除上述這些內容，大數據應用，機械學習原理，系統的稽核方案，多方位的在線偵測手段等，都可以作為風控模型中的重要工具，不斷去完善風控的體系建設。

七

對於「AI幹掉風控人員」的熱議，這個咋看呢？隨著風控模型不斷完善和建立，人工信審後期的方向是什麼？

在近期我覺得不會產生這個情況，從幾點說一下看法：

1、目前AI的智能程度，還不支持替代人工審批。有的機器學習，開始是有規則，或者數據，然後建模，迭代，不斷優化，在目前的情況下，AI還不到那個程度。

2、特殊的條件，可以實現自動審批。在客戶群體穩定的情況下，固定場景，也許可以實現很多自動化審批，需要看風險承受能力，現金貸可以大規模自動審批，但他的風險承受能力也要很強。

所以我覺得AI替代人工審批，在一些場景下會可以，或者在未來一段時間，有部分可以替代。但我覺得在複雜場景，客戶群體比較分散沒有集中度的情況下，人工審批比機器審批靠譜得多。

以上就是大咖對大家關心的一些風控問題的解答，供大家參考。