项目背景

根据中国信息通信研究院发布的《中小企业“上云上平台” 应用场景及实施路径白皮书（2019）》统计，中小企业是国民经济和社会发展的生力军，贡献了50%以上的税收，60%以上的国内生产总值，70%以上的技术创新，80%以上的城镇劳动就业，90%以上的企业数量。中央多次强调“六稳”，其中稳就业是“六稳”的基石，稳住了中小企业就稳住了经济的基本面。

然而相对于大中型企业而言，小微企业在市场竞争中仍处于弱势地位，特别是在非常时期，融资问题导致其很难保证经营的稳定性与持续性。小微企业的融资问题，反应的是金融行业的根本问题，解决金融流通效率间的信任问题。而金融科技旨在利用数字科技优势，利用科技去解决金融实体间的信任问题。本文介绍的小微贷款评分卡即是一种重要的科技手段。

1 项目方案

小微贷款评分卡模型是利用小微快贷业务申请信息、产品信息、账户信息、实控人信息，结合央行征信数据、行外数据（工商、税务、司法等），运用机器学习方法构建人工智能风险评价模型，完善现有的小微快贷业务风险评价体系。

2 模型设计

2.1 好坏用户定义

通过滚动比率Roll Rate分析某个逾期状态向其它逾期状态转移的概率（M1即逾期1~30天，以此类推），从而确定坏客户（大概率保持逾期状态的用户）；没有逾期的客户为好客户；介于好坏客户之间定义为灰客户。如下图可以明显看到逾期M2客户就已经有90%概率会继续逾期。

即可以滚动率的拐点（如逾期M2及以上）作为坏客户的定义。

2.2 表现期、观察期、观察点定义

表现期：采用Vintage分析账户彻底成熟度坏需要的时间作为表现期。即是账户从应还款日开始，多久可充分暴露出是“坏”情况，按照上面坏的定义（如M2+），观察坏客户的暴露周期，如下图（本图无区分不同期数客户）发现14个月可以暴露大部分的坏客户。

观察点：客户样本选取范围，需要兼顾表现期及观察期的窗口。如选取申请贷款时间点为2019年01月~2019年05月的客户样本。

观察期：建模特征的选取日期窗口，需要考虑样本数据情况，如观察点前1年作为观察期。

2.3 数据分析与特征工程

2.4 经典特征

2.5 算法选择

##3 模型表现及应用

3.1 模型指标

3.2 特征重要性

3.3 模型应用

综合各评分模型的分数交叉矩阵，划定模型分数阈值，制定策略。

欢迎微信关注公众号“算法进阶”，这里定期推送机器学习、深度学习、金融科技等技术好文。欢迎一起学习交流进步！