解析信貸業務中的風險定價策略

風險定價，即對風險資產價格的評估，也就是互聯網金融平台在運營過程中資本資產所帶來的未來收益與風險的關係。通俗來講，使質量好的客戶能以較優惠的價格獲得服務，質量差的客戶需要以風險溢價作為補充。

互聯網金融誕生之後，得益於技術的支撐和數據的打通，差異化的風險定價在實際線上實時放貸場景下，有了施展的空間和評估結果的手段。通過用戶數據和交易數據可以搭建出核心的風險定價模型，這個模型可能涵蓋了超成千上萬個變數，通過機器學習等技術，應用到實際的風險定價當中。

那麼在實際的應用場景中，對用戶端和資產放貸端有什麼好處呢？反覆思考，我覺得有以下幾個方面的考量優勢：

第一，對於信貸資信優質的客戶可以降低費率，對於信貸資信差的客戶，可以提高費率，做到資金有效分配，利於資源優化配置；

第二，針對於原先銀行只做20%的用戶，導致更多信貸資質一般的用戶得不到現代金融服務，通過差異化定價的方式，可以讓更多人得到金融服務，達到真正的普惠金融；

第三，通過借款表現數據反饋的形式，也可以更有利於貸款人約束規範自己的借款行為，珍惜自己的信貸表現，為產品降低更多的逆選擇用戶。

風險定價基礎篇

風險定價的核心思路，主要有以下幾點：

第一人群的劃分，面對什麼樣的客群，客群的劃分是否準確清晰，正所謂物以類聚，人以群分；

第二風險評估預測，這個客群的風險表現到底是怎樣的，會產生多少的90+的壞賬率；

第三成本分攤，將獲客成本，資金成本，催收成本等涉及到信貸環節的支出分攤到每個客群上。

具體的常用定價方法有兩種：基準利率定價法和客戶盈利分析法

基準利率定價法=基準利率 + 違約風險溢價 + 期限風險溢價；

客戶盈利分析法，從某一客戶的身上獲得的整體收益，是否能滿足整體的利潤要求，也就是根據成本和收益核算，對應的公式是：貸款成本 = 資金成本 + 風險成本 + 運營成本 + 預期收益金額；

對於互聯網消費金融來說，合適的定價方式是採用客戶盈利分析法，定價費率（預期利潤） = 綜合成本 + 風險溢價 + 預期收益，這就是最終的數學目標公式，非常簡單。

風險定價量化篇

信用風險分為兩部分，一部分為違約風險，另外一部分為價差風險。違約風險是指債務人不能或者不願意及時歸還利息及本金；信用價差風險是指債務人因為信用下降而導致能夠還款的金額下降的風險。反過來理解，也就是一個是違約時間到達風險，另外一個就是違約大小，違約多少的風險。因此如果從上述觀點思考的話，我們在考慮風險因素的時候，應該著重從以下幾個點來思考產品因素的整體風險：

1.違約敞口，違約時候造成資損的隨機變數，對於放貸金額的最大損失評估

2.轉移概率，是指由於各種因素，例如工作變動，人生變故等等原因，借款人信用變化的概率，也稱為信用轉移，目前查看的視角有兩種，一種是評級隨著時間的變化而變化，例如上年評級在AAA，本年度下調到AA，在目前的現金貸產品中，此類方式更多的被實時申請技術取代，第二種是從產品風險的角度更多的是以貸款人在不同MOB的變化情況，來預估整體的轉移概率表現。

其中左邊的縱坐標軸代表的是信用評價，包括了從Aaa到Caa，從上往下評價越來越低，橫坐標代表的是隨著貸款的時間期限，違約的概率圖，根據自己產品人群的風險表現，可以定製屬於產品本身的違約轉移概率表。

3.違約概率，借款人不歸還借款的概率，主要通過借款人貸前的數據表現來評估放貸之後的貸款違約表現情況

4.回收率，是指借款人發生違約後，仍然可以獲得的資金所佔比例,通常可以借鑒LOSSCAL的方式預測回收率模型，因為本身是動態的方法，因此需要建立多因子的模型，並具有統計學意義的顯著性才能入選模型，一般的整體框架包含了以下的幾個步驟：

a.轉化：由於回收率分布是高度不對稱的，峰度左偏，斜度右偏，可以用Beta分布函數來近似表示，重要確定中心和形狀參數即可。不同類型的分級處理由不同的Beta分布來進行刻畫，將Beta分布從Beta空間轉化到正態空間變為對稱的正態分布可以更加方便的處理，但是正態分布變數的概率和相應Beta空間的概率相同

b.建模，建模分為兩步，即建立最小模型和真實模型，通過指標進行計算得到權重，確定合理權重，最小模型如下：

w = w0 + w1x1 + w2x2+...... + wkxk，其中x1是轉化值，w是正態化的回收率

c.映射：由於w是正態空間，需要將Beta分布轉換你應用與不同的分級處理，使用數學統計方法校驗數據，驗證模型有效性

d.將結果作為基準，與其他回收率模型進行比較，計算測算誤差以及實際回收率的相關性

風險定價模型篇

依託於互聯網金融的定價體系發展階段大概經歷了四個階段，分別為如下展示：

1.一口價模式，簡單粗暴，劣幣驅逐良幣，針對所有的用戶群體都按照統一的費率標準進行展示

2.精算定價，解釋方便，定價偏差大，以歷史逾期率作為唯一的定價因子

3.數據定價，預測校準，解釋性差，以30+的因子統計建模

4.大數據定價，難於解釋，百萬ID特徵，實時的特徵學習方法，具有實時審批，逾期率的實時預測，以及實時的差異化定價。

下面將以精算定價在實際場景中的應用方式來闡述如何將理論轉化到具體的應用場景中,以及模型在提高風險的分割能力，提高定價的精度及準確性，確保策略的可調整性方面是怎麼完成的。

a:一般模型的介入思維可以從改造現有，增加新進因子這兩個方面來進行，優化現有定價因子，如果當前的定價因子並不是由多變數預測模型生成，或者當前的定價因子已經沿用多時，需要進行更新；添加複合層級定價因子，複合層級變數是由一組定價因子建立，並能形成對應的評分分組，好處：可以平滑因定價因子改變而造成的對整體費率的擾動，同時可以在增加新的定價因子時候，合理的處理可以進一步增加整體的費率區分度。

b:搭建的精算模型將引入廣義線性模型，為什麼選擇這樣的模型？這個模型有什麼應用上的好處？廣義線性模型（generalized linear model, GLM)是簡單最小二乘回歸（OLS)的擴展，在OLS的假設中，響應變數是連續數值數據且服從正態分布，而且響應變數期望值與預測變數之間的關係是線性關係。而廣義線性模型則放寬其假設，首先響應變數可以是正整數或分類數據，其分布為某指數分布族。其次響應變數期望值的函數（連接函數）與預測變數之間的關係為線性關係。因此在進行GLM建模時，需要指定分布類型和連接函數。其中分布參數包括了binomaial（兩項分布）、gaussian（正態分布）、gamma（伽馬分布）、poisson(泊松分布)等。和lm函數類似，glm的建模結果可以通過下述的泛型函數進行二次處理，如summary()、coef()、confint()、residuals()、anova()、plot()、predict()

c.建模的整體步驟：

1.數據準備，確定數據結構，目標變數，選擇建模的定價變數，風險暴露的調整，損失調整，生成交互變數，因為選擇的是純風險損失模型，因此目標變數的選取是預估即將發生的損失金額，純風險損失=已發生損失/風險暴露

2.建模，廣義線性模型結構和相應的模型設計，對模型輸出的解釋，模型調整

3.增添複合層級變數的主要步驟，複合層級變數的模型設計，選擇複合層級因子變數（Tier Element)，生成複合層級分數並進行複合層級分組

4.建立模型，生成模型參數，選擇逾期分布和連接函數，生成GLM賠付率模型

5.模型驗證，不同定價區間的模型Lift提升度收益圖

總結

金融領域從未來的發展方向來看，將會依託於大數據平台，將個人的互聯網數據有效的整合到一起，形成一個風險管理風險控制體系，進而為風險進行更準確更公平的定價，這將會是最終真正的創新。