风险策略中的五层决策
领取风控资料合集
在量化风险管理中，策略人员每天都会碰到各种各样的场景需要进行决策，通常决策都会需要大量的数据分析结果来做支撑。
客户分类
预测模型
多维矩阵
决策模型
决策最优化
每个阶段都是以上一个阶段为基础来递进决策。本文将对风险策略中的五层决策进行一定的介绍。此阶段主要是使用一些描述性统计方法(如均值、方差、频率、概率分布等)和探索性统计方法(如聚类分析、因子分析等)，对客户信息进行较简单的分析。实际业务分析场景中，常见分析有对客户行为或静态特征进行观察和提炼，从而对客户未来表现进行初步的评估，并在此基础上把客户分门别类。比如收入的高、中、低，历史表现的好坏，额度使用程度的多少等，其特点是通过非系统性探索分析来得到一些洞察力，作为决策的依据。最终得到的结论往往可以形成对整体客群的宏观感知和风险判断，甚至可以形成规则，比如说男性逾期高于女性；学历越高逾期水平越低；典当行、娱乐场所、钢材、光伏、建筑等行业风险较高等。预测模型(评分模型)是量化风险决策中的重大突破，它系统性地对客户未来的某种表现作出预测，把客户按预测的表现优劣进行排序，从而以此作为决策的依据。它的特点是一维性地预测，换句话说，它只对客户未来的某种表现，如风险、收益、市场反应、流失倾向、欺诈可能等作出预测，衡量客户在某一维度上的优劣。各种预测模型提供了客户某一维度上的优劣排序，但它并不告诉策略人员如何利用这些模型进行决策。多维矩阵决策（决策表）是常用的决策方法，它往往利用 2～3 种不同的预测模型或分层来对客户作出多维的综合评估，把不同的评分段组合成一定的矩阵，对矩阵中不同的单元作出相应的决策。如数据营销中把风险评分、收益评分、市场反应评分组合成三维矩阵进行决策；账户管理中把风险评分、收益评分、流失倾向评分组合成三维矩阵进行决策；如授信决策中将风险等级、收入等级组合成二维矩阵进行决策。其特点是根据评分分布、经验、直觉等来判断矩阵的最佳组合方式，从而作出决策。决策模型是预测策略人员的决策对未来表现将产生何种影响的模型。它与预测模型的根本区别在于，预测模型是根据客户的历史行为特征来预测未来表现，未来表现是客户自身特征的函数。而决策模型旨在把决策的影响数量化，未来表现不仅是客户自身特征的函数，更重要的是，它是决策的函数，而且同一决策对不同客户的影响并不一样，因为客户的偏好和财务状况不同，所以对决策的敏感度各异，这就是所谓的交互效应。从利率高低对客户接受信用卡概率的影响来说，利率越高，客户接受信用卡的概率越低，但不同客户对利率的敏感度不同。对于资信好、选择余地大的客户，他们对利率的敏感度可能很高，较小的利率上调可能导致接受概率的大幅度下降。而对于急需信用、选择余地小的客户，同样的利率上调可能导致反应概率很小的下降。从信用额度调整对客户收益潜力的影响来说，调高信用额度可以使信用卡更具备竞争力，对于当前额度使用率较高，有一定循环信贷需求的客户来说，他们对信用额度调高的敏感度可能很高，调高其额度可以促使其更多地消费和循环信贷，为银行带来更多的收益。而对现有额度使用率较低、使用信用卡主要为了方便的客户来说，他们对额度调高的敏感度可能较小，调高其信用额度虽然可以使更具有竞争力从而提高收益，但影响可能较小。显然，决策模型相对于预测模型是一大进步，因为它不仅反映了客户自身特征的影响，也反映了决策带来的影响，从而使量化决策结果成为了可能，为最优化决策提供了依据。决策最优化是指从一系列的决策可能中，选择某一种决策或决策组合来达到决策目标的最大化或最小化，而且可能是在一定的限制条件下的最优化。局部最优化是指对每一个个体作出最佳的决策，限制条件只适用于每一个个体,现在作出的最佳决策不考虑过去和未来的决策。举个例子，限制条件“行为评分大于等于 670 分的可以给予信用额度提高，提高幅度为 1000～3000 元”，这里如果个体账户的行为评分符合条件，该限制条件则适用，不管其他账户的行为评分如何。整体最优化是指对个体集合的整体作出最佳的决策，限制条件不仅适用于个体,也适用于整体，对某一个个体作出的决策可以影响到另外的个体。举个例子，限制条件“提高信用额度的账户占总体的 5%以下”,如果 A账户提高了额度,那么B账户可能就失去了机会，因为A和B可能在为有限的 5%的席位而竞争。决策最优化的特点是把各种信息、预测模型、决策模型、决策后果等综合到统一的决策框架里系统地衡量和考虑，在充分、客观地对比各种决策后果的交换关系的基础上选择最优的决策。如果你喜欢、想要看更多的干货类型的文章，可以把公众号设为星标🌟，并且转发分享。FAL长期对外征稿，邀请各大风控人士加入我们，在风控圈分享你的经验与知识👉征稿，快到碗里来，有稿费那种！
