作者：周立烽

即科集团大数据风控经过九年的迭代升级，目前在消费贷领域有自己独创的研究和方法论，目前车信贷、场景分期等产品利率都在24以内，已对接了多家银行资金，同时在风控咨询领域，也对银行输出了自有的风控能力。下面笔者给大家分享某咨询项目的额度模型。

【资料图】

一、额度模型流程

针对银行IRR24以内消费贷客群，首先是分产品做风控体系，再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候，我们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。所以分析流程：1、收入模型构建。2、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。3、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 收入相对低客群，会与理论值有偏差。

二、额度模型思路方法

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

优质客群的评分都比较高，比如高于700分坏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、收入和这四个变量来做，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。即科集团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，只能给大家答疑解惑。具体悟道，修行靠自己。当然此悟道前提是对收入模型搭建的理解。

（作者介绍：周立烽，即科集团风控副总裁，知乎yuxi0929）

新模式、新体系、新空间：信用经济开启大发展时代

一年多来，我们经历了最严酷的疫情，社会经济发生很多变化，信用经济也发生了很大的变化。一方面，征信体系和社会信用体系都在进行相关的制度建设推进，尤其是征信体系相关政策和制度落地，正在深刻改变征信及其相关生态体系的格局；另一方面，数字经济依然保持在高速发展，对社会生活的渗透进一步加深，而数据要素市场相关制度的逐步确立，尤其是“数据二十条”提出的四大数据基础制度建设，将为信用经济打开全新的市场空间，并催生一个丰富的数据和信用生态体系。【更多信用经济探讨，请关注专题“第二届中国信用经济发展峰会" 】