银行大数据对公客户贷后违约预测模型光环大数据培训.pdfVIP

光环大数据--大数据培训知名品牌 银行大数据 对公客户贷后违约预测模型_光环大数据培训 近年来，担保圈风险在一些行业和地区凸显。据《第一财经日报》获得的监 管部门监测数据显示，佛山的银行不良贷款余额从2013 年末的60.54 亿元飙升 至2014 年7 月末的192.14 亿元，7 个月增幅达217%；不良贷款率也从去年末的 0.85%升至 2.6%，究其原因，经济上升周期钢贸行业的“联保互保”贷款机制， 成为了风险蔓延时的“连坐”机制。 “互保互联”将非系统性风险变得系统起来，加速风险扩散，增加贷款主体 和银行的风险。因此梳理、分析、防范和化解担保圈风险，已成为稳定经济增长， 维护金融稳定的重要方面。 担保链中主要隐藏以下几类风险： (一)担保链中存在企业超出自身担保能力对外担保的现象。 (二)担保链中个别企业出现信贷风险，风险会通过担保链条迅速传导和放大。 (三)担保链信贷风险的集中爆发，易引发区域性和行业性风险，对区域性经 济发展产生冲击。 恒丰银行正处于高速增长的新阶段，信贷业务与日俱增，客户贷后违约案例 也随之上升，传统的人工盲扫式的风控手段跟不上业务的发展。本案例创新应用 了大数据技术和机器学习方法，综合客户行内信息、外部数据以及客户担保网络 图等信息，深度挖掘和揭示了恒丰银行担保圈风险，构建了贷后违约风险预警模 型。此模型成功对客户贷后违约风险进行自动化预警，控制了信贷违约风险，减 少了恒丰银行风险运营成本。 光环大数据 光环大数据--大数据培训知名品牌 周期节奏 本案例具体实施时间从16 年4 月份到17 年4 月份，主要分为以下几个阶段 一，业务调研和需求梳理（2016.04—­2016.05） 二，数据获取及预处理 （2016.05—­2016.07） 三，特征工程 （2016.05—­2016.09） 四，建模分析评估及优化（2016.06­—2016.10） 五，模型部署上线 （2016.10—­2016.11） 六，后期改进及前端开发对接 （2016.11­—2017.04） 客户名称/所属分类 恒丰银行/贷后风控 任务/ 目标 ●如何利用大数据技术进行建模并及时识别、量化企业违约风险； ●如何识别担保图中主要风险企业及其完整的担保路径； ●如何对担保圈贷款进行高效清查，并分析担保风险的原因，及时采取防范 光环大数据 光环大数据--大数据培训知名品牌 措施； 本案例针对以上问题，基于复杂网络技术深入挖掘担保违约风险影响因子， 并运用分布式机器学习算法进行建模，预测企业贷后违约概率。 构建动态的担保链网络监控平台，基于客户所在担保链的图特征以及客户行 为特征进行建模，提供风险客户名单，基于担保链网络模型找出高风险的担保链 和高风险企业客户，加强风控力度，重点监控。 挑战 传统的风险管理模型主要基于线性数学模型，没有考虑到担保圈的复杂图结 构和关联关系对风险的影响，且主要基于行内数据。本文模型融合行内、行外、 征信方面的数据提取企业基本属性，历史行为以及担保图和社区特征，精确预测 贷后客户下一季度的逾期概率。 实施过程中遇到的一些挑战主要归纳为以下几个方面： 1）业务数据分析及模型解释 在数据挖掘过程中，与一些前沿的算法模型相比，对业务的理解同样重要。 数据挖掘建模各个环节都有一定相似的思路和流程，但是每个领域和场景下的业 务知识都不同，需要数据挖掘人员深入到客户现场，多和业务人员沟通交流，多 看数据，才能有所把握。 对业务数据的理解，我们认为包括2 个方面: 其一是对整体业务流程的理解，比如做贷后违约预测，需要先了解这个业务 光环大数据 光环大数据--大数据培训知名品牌