文/周立烽

最近不少城商行、農商行朋友來向我咨詢我關于公積金貸額度模型如何優化的問題。

近兩年來，公積金信用貸是銀行適應線上化轉型需要，推出的一款重點貸款產品。但是由于額度模型難度較大，因此業內多有研討切磋，是目前智能風控業內廣受關注的熱點問題。

線上貸款產品推出的成功與否，對許多銀行來說，其影響不僅僅在于一個產品的成敗，還會影響到數字化轉型的步伐。

這對于小型農商行、城商行來說尤其艱難。小型農商行、城商行雖然都采購了網貸系統、決策引擎、數據平臺類產品，但是在科技上還依賴于外包駐場，在風控上依賴咨詢公司開發和迭代策略模型，經驗比較欠缺。但是，同時由于城農商行資金成本相對于大行較高，且網點較少，只能依賴線上產品大力發展業務。

故寫此文章分享給銀行朋友們，此額度模型方法已運用于多家大銀行，大家可以嘗試此方法來提升額度的準確性。

一、額度模型流程

公積金信用貸款是信用貸款的一種，是各大銀行面向繳存住房公積金的用戶推出的一款產品，用戶可以憑公積金繳存記錄去銀行申請最高50萬的授信額度，無需任何財產抵押和擔保。

公積金信用貸款和其它消費貸款一樣，都受銀保監監管，一般只能用于個人消費，如裝修、旅游等，不能用于投資、買理財產品等。銀行基本都給用戶授信三年，利率在4%至8%區間。目前寧波銀行白領通、杭州銀行公雞貸等規模都比較大，而且大數據風控上也比較成熟。

針對銀行消費貸客群，首先是分產品做風控體系，再在同一產品內分群做收入模型，然后再是額度模型。往往我們在做額度模型時，已經放款一段時間了，也有了足夠的樣本。筆者服務的銀行消費貸規模基本都在500億以上了，也有足夠的樣本來分析。

一般來說，額度模型構建流程分三步：

第一，收入模型構建。

第二，切分對照組、測試組，在理論情況下（提額客群的人頭逾期率不變），測試組vintage分析、效益分析。

第三，壓力測試。用spy方法，針對部分的提額客群真實提額放款，觀察真實情況與理論情況的差距，并分析原因。實驗證明，一般情況下，評分卡相對低分、收入相對低的客群，會與理論值有偏差。

二、額度模型思路方法

國內大部分銀行構建消費貸類額度模型，基本都是專家經驗模型。比如，有些銀行主要按月公積金繳納36倍定額，有些按編制、職級、月公積金繳納來定額，有些按編制、月還款能力、模型評分來定額。

其實大家都是對的，只不過用分群+數學方法做額度模型會更加優化和直觀。

筆者在做額度模型前，首先是做客戶分群，把客群分成編制、普通兩類。編制類客戶是公務員、教師醫生等事業編，特定高風險單位除外。普通客群主要是國有企業、上市公司、大型民營企業。

之后，評分模型、額度利率模型都是分群來做的。之所以要分群，是因為這兩類客群在還款意愿、能力等方面，在實踐中表現出差異，分群可以做更精準的管理。編制類客群在還能能力為負的情況下，依舊還款意愿很好，而且不逾期。編制類客群學歷要比普通客群高，普通客群還款能力接近零時就會逾期。而且兩個客群家庭背景、社會關系都會有差異，故評分模型的入模變量和分布會有差異，本質原因是客群用戶畫像不同。編制人群壞賬主要是由于賭博、投資、家庭等重大變故導致，而普通客群主要是還款能力因素。

但兩個客群的額度模型思路都是一樣的，下面為大家講解額度模型構建。

額度模型=收入*主評分正向系數*收入正向系數*DTI正向系數*還款能力正向系數*房產凈資產正向系數*杠桿率（總信用負債/房產凈資產）正向系數。

銀行朋友們做額度模型考慮了收入、模型評分、DTI，筆者提出要計算還款能力、房產凈資產、杠桿率，大家把這三個要素放在了提額模型上，針對未動支客群做促動提額，當然實驗效果也很不錯。

公積金貸征信評分模型普遍都很高，都能達到KS0.5以上。而優質客群的評分都比較高，比如高于700分壞賬客戶比率都在千四至千二，所以針對高分區間客戶，評分卡因素導致的額度區分很低，主要靠審批經驗類變量：DTI、還款能力、杠桿率、房產凈資產來做額度區分。而整個額度模型，根據評分卡、收入和上述四個變量來做，做出后整體客戶的額度模型評分卡的排序性仍然較好。同時針對高分客群違約概率近似相同的人，額度模型可以發揮較好作用。

收入多少是來源于收入模型，評分卡正向系數值越大是越好的，應該是評分越高系數值就越大，且評分大于0，我們借用sigmoid函數思想，評分正向系數=1/（1+e^nx）+ m ，m是常數，n是負整數，我們求n是基于系數等頻分箱后達到排序性最優，m值其實類似于各系數變量的權重變量，權重低的m可以負數，根據專家經驗設權重。筆者與某大型城商行合作，通過行里十萬個樣本計算得到n為-4 。m值可以先不計算。

DTI=每月應還信用類負債/月收入，對應的DTI正向系數是DTI越大正向系數就小，等于越差。我們借用sigmoid函數思想，DTI風險系數=1/（1+e^nx）+ m ，m是常數，n是正整數，通過行里樣本求得n=2，為排序性最優。m值先不計算。

還款能力=月收入-每月應還信用負債。每月應還信用負債=擔保方式為保證或信用的貸款余額/12+信用卡余額/24，這里除12還是24，主要看我們做的貸款產品，如果是優質客群，貸款除12，信用卡除以24，就差不多可以，如果是24利率產品貸款可以除以36，因為需要減少還款能力為負的客戶比重。還款能力正向系數值越大是越好的，應該是還款能力越高系數值就越大。還款能力有正有負，我們借用sigmoid函數思想，還款能力正向系數=1/（1+e^nx）+ m ，m是常數，n是負整數，我們求n是基于系數等頻分箱后達到排序性最優，m值其實類似于各系數變量的權重變量，權重低的m就負數，根據專家經驗設權重。通過行里十萬個樣本計算得到n為-3。m值可以先不計算。要確保還能能力正向系數大于0，m值可能小于0。

同理，杠桿率、房產凈資產也是用此方法來建立正向系數。我們從額度模型公式可以發現，收入低、評分低客群，基本在收入正向系數或評分正向系數就接近0了，其他系數再高也沒用。所以我們在做額度模型時候，是有順序做系數的，先做收入正向系數、評分正向系數，再是其他系數。

本文講的都是方法，在實踐當中的應用還需要結合實際情況，也歡迎業內朋友多多切磋探討。

（作者：周立烽，即科集團風控副總裁。知乎：yuxi0929。）