WE专栏|银行公积金信用贷额度模型的构建思路与方法

文/周立烽

最近不少城商行、农商行朋友来向我咨询我关于公积金贷额度模型如何优化的问题。

近两年来，公积金信用贷是银行适应线上化转型需要，推出的一款重点贷款产品。但是由于额度模型难度较大，因此业内多有研讨切磋，是目前智能风控业内广受关注的热点问题。

线上贷款产品推出的成功与否，对许多银行来说，其影响不仅仅在于一个产品的成败，还会影响到数字化转型的步伐。

这对于小型农商行、城商行来说尤其艰难。小型农商行、城商行虽然都采购了网贷系统、决策引擎、数据平台类产品，但是在科技上还依赖于外包驻场，在风控上依赖咨询公司开发和迭代策略模型，经验比较欠缺。但是，同时由于城农商行资金成本相对于大行较高，且网点较少，只能依赖线上产品大力发展业务。

故写此文章分享给银行朋友们，此额度模型方法已运用于多家大银行，大家可以尝试此方法来提升额度的准确性。

一、额度模型流程

公积金信用贷款是信用贷款的一种，是各大银行面向缴存住房公积金的用户推出的一款产品，用户可以凭公积金缴存记录去银行申请最高50万的授信额度，无需任何财产抵押和担保。

公积金信用贷款和其它消费贷款一样，都受银保监监管，一般只能用于个人消费，如装修、旅游等，不能用于投资、买理财产品等。银行基本都给用户授信三年，利率在4%至8%区间。目前宁波银行白领通、杭州银行公鸡贷等规模都比较大，而且大数据风控上也比较成熟。

针对银行消费贷客群，首先是分产品做风控体系，再在同一产品内分群做收入模型，然后再是额度模型。往往我们在做额度模型时，已经放款一段时间了，也有了足够的样本。笔者服务的银行消费贷规模基本都在500亿以上了，也有足够的样本来分析。

一般来说，额度模型构建流程分三步：

第一，收入模型构建。

第二，切分对照组、测试组，在理论情况下（提额客群的人头逾期率不变），测试组vintage分析、效益分析。

第三，压力测试。用spy方法，针对部分的提额客群真实提额放款，观察真实情况与理论情况的差距，并分析原因。实验证明，一般情况下，评分卡相对低分、收入相对低的客群，会与理论值有偏差。

二、额度模型思路方法

国内大部分银行构建消费贷类额度模型，基本都是专家经验模型。比如，有些银行主要按月公积金缴纳36倍定额，有些按编制、职级、月公积金缴纳来定额，有些按编制、月还款能力、模型评分来定额。

其实大家都是对的，只不过用分群+数学方法做额度模型会更加优化和直观。

笔者在做额度模型前，首先是做客户分群，把客群分成编制、普通两类。编制类客户是公务员、教师医生等事业编，特定高风险单位除外。普通客群主要是国有企业、上市公司、大型民营企业。

之后，评分模型、额度利率模型都是分群来做的。之所以要分群，是因为这两类客群在还款意愿、能力等方面，在实践中表现出差异，分群可以做更精准的管理。编制类客群在还能能力为负的情况下，依旧还款意愿很好，而且不逾期。编制类客群学历要比普通客群高，普通客群还款能力接近零时就会逾期。而且两个客群家庭背景、社会关系都会有差异，故评分模型的入模变量和分布会有差异，本质原因是客群用户画像不同。编制人群坏账主要是由于赌博、投资、家庭等重大变故导致，而普通客群主要是还款能力因素。

但两个客群的额度模型思路都是一样的，下面为大家讲解额度模型构建。

额度模型=收入*主评分正向系数*收入正向系数*DTI正向系数*还款能力正向系数*房产净资产正向系数*杠杆率（总信用负债/房产净资产）正向系数。

银行朋友们做额度模型考虑了收入、模型评分、DTI，笔者提出要计算还款能力、房产净资产、杠杆率，大家把这三个要素放在了提额模型上，针对未动支客群做促动提额，当然实验效果也很不错。

公积金贷征信评分模型普遍都很高，都能达到KS0.5以上。而优质客群的评分都比较高，比如高于700分坏账客户比率都在千四至千二，所以针对高分区间客户，评分卡因素导致的额度区分很低，主要靠审批经验类变量：DTI、还款能力、杠杆率、房产净资产来做额度区分。而整个额度模型，根据评分卡、收入和上述四个变量来做，做出后整体客户的额度模型评分卡的排序性仍然较好。同时针对高分客群违约概率近似相同的人，额度模型可以发挥较好作用。

收入多少是来源于收入模型，评分卡正向系数值越大是越好的，应该是评分越高系数值就越大，且评分大于0，我们借用sigmoid函数思想，评分正向系数=1/（1+e^nx）+ m ，m是常数，n是负整数，我们求n是基于系数等频分箱后达到排序性最优，m值其实类似于各系数变量的权重变量，权重低的m可以负数，根据专家经验设权重。笔者与某大型城商行合作，通过行里十万个样本计算得到n为-4 。m值可以先不计算。

DTI=每月应还信用类负债/月收入，对应的DTI正向系数是DTI越大正向系数就小，等于越差。我们借用sigmoid函数思想，DTI风险系数=1/（1+e^nx）+ m ，m是常数，n是正整数，通过行里样本求得n=2，为排序性最优。m值先不计算。

还款能力=月收入-每月应还信用负债。每月应还信用负债=担保方式为保证或信用的贷款余额/12+信用卡余额/24，这里除12还是24，主要看我们做的贷款产品，如果是优质客群，贷款除12，信用卡除以24，就差不多可以，如果是24利率产品贷款可以除以36，因为需要减少还款能力为负的客户比重。还款能力正向系数值越大是越好的，应该是还款能力越高系数值就越大。还款能力有正有负，我们借用sigmoid函数思想，还款能力正向系数=1/（1+e^nx）+ m ，m是常数，n是负整数，我们求n是基于系数等频分箱后达到排序性最优，m值其实类似于各系数变量的权重变量，权重低的m就负数，根据专家经验设权重。通过行里十万个样本计算得到n为-3。m值可以先不计算。要确保还能能力正向系数大于0，m值可能小于0。

同理，杠杆率、房产净资产也是用此方法来建立正向系数。我们从额度模型公式可以发现，收入低、评分低客群，基本在收入正向系数或评分正向系数就接近0了，其他系数再高也没用。所以我们在做额度模型时候，是有顺序做系数的，先做收入正向系数、评分正向系数，再是其他系数。

本文讲的都是方法，在实践当中的应用还需要结合实际情况，也欢迎业内朋友多多切磋探讨。

（作者：周立烽，即科集团风控副总裁。知乎：yuxi0929。）