信贷风控中是如何做策略收紧的？

0. D类调优的方法论

D类调优可分为宏观和微观两个层面的。

1）宏观层面：对“整体风险客群”的收紧，而非某个具体维度的客群；

2）微观层面：对某个维度的客群（非整体）进行策略收紧，以达到优化策略效用的目的，具体方法包括了策略收紧、策略替换、策略新增。

本篇重点介绍策略规则的收紧。

1. 什么是策略收紧？

1）概念理解

策略收紧（狭义上理解）这里特指，对规则或模型的阈值进行收紧调整，将原通过的客群进行一定比例的拒绝，以达到降低逾期率的目的。注：这里的策略收紧指的是狭义上的理解，一种具体的方法，仅对规则或模型本身的阈值进行调整，不借助其他变量（比如策略新增、策略替换）。

2）适用对象

策略收紧的分析方法同时适用于规则和模型（因为模型本身就是一个强规则）。规则是微观的调整，调整范围小，而模型是宏观调整，收紧的调整范围更大，比如对主模型融合模型的风险等级进行收紧拒绝一类风险客群，那将会大幅度的降低通过率和逾期率。

3）方法特点

策略收紧是通过有贷后表现的样本分析后制定的，和A类调优的阈值放松相比，有更好的量化分析条件基础，分析过程更容易。

2. 阈值收紧的分析步骤

1）调优需求：政策指导、市场变化导致资产质量变差、监控报表发现逾期率升高等

2）提取样本：挑选合适的历史样本（代表性、充分性、数据可回溯性、时效性），并且回溯数据（具体可参考模型篇“样本设计”内容）

3）寻找风险：一般遵循“从大到小”的顺序向下拆解逐个分析和排查出风险点（寻找可优化点）

4）量化分析：对分析对象(规则或模型)进行分箱，统计分箱下的样本数量、区间坏账率（bad rate ）和Lift值等评估指标，确定可调优的对象。

5）制定策略：执行策略调整方案(可能有多个)，对比分箱下bad rate和大盘风险指标，制定阈值收紧策略

6）效果测试：在“历史样本、近期样本”上执行收紧策略，对通过率、逾期率进行效果测算，与收紧前对比。如效果未达预期需重新调整策略后再进行评估，直到满足要求为止，完成最终调整方案的确定。

7）策略上线：决策引擎配置策略后，进行灰度测试或者AB测试，最后再正式上线

3. 量化分析

策略分析人员通过监控报表发现，近期FPD7+的首逾指标不断升高，达到风险预警线需要进行策略调整。假设经过分析发现了贷前策略的“规则集”在通过样本上的风险较高，此时我们需要对该规则集内部的规则进行量化分析。

对规则集内部所有的单个规则进行分箱处理，并计算分箱下的区间坏账率 bad rate 和Lift，对比找出 Lift 值较大的，结合业务逻辑来确定可调优的规则对象。比如下面是其中一个xx类的规则，它在线上已有的判断逻辑是：>=4时命中拒绝，否则未命中通过。分析后发现已通过样本的 [3,4)区间对应的 Lift=3.87>3，在所有规则中最高（bad rate接近31%，远高于大盘平均风险水平7.95%）。

4. 制定策略方案

制定策略优化的方案是一个分析的过程，确定好之后需将策略用代码在当前离线分析环境下执行。

右侧的函数ruleset_calc为执行策略的Python代码，将调整后的策略执行后计算规则集的综合命中率、单一命中率、自然命中率，主要用于反映规则集命中的变化情况、以及内部规则互相之间的影响。

5. 效果测算

效果测试主要是评估，调整前后策略对于“通过率、逾期率”的变化影响。理论上来说，做规则阈值收紧的D类调优后，通过率和逾期率会同步下降，如何去评估调优后的效果呢？

可以“对比通过率和逾期率下降的幅度”来评估是否有效。因为通过率和逾期率的量纲不一致，对比绝对值是没有意义的，因此可对比相对值。比如收紧调整后，逾期率下降幅度为20%，通过下降幅度为6.79%，说明逾期率下降的程度更多，即牺牲了少部分好客户拒绝了更多的坏客户。

此外还要注意，如果是日常策略调整（微调），业务上不允许大幅度的下降通过率，这会直接导致业务不稳定；如果是做大规模的收紧调整，通过率下降幅度较大的情况，则需要更详细的效果测算。

可以从“成本收益”的角度进行测算。按照“其他成本(资金成本、人力成本、投放成本、运营成本、数据成本等)+风险损失成本>=利息+罚息”的公式，如果策略收紧调整后，增加拒绝的客群中，成本总和超过了收益总和，则认为策略是有效的。不过该测算过程需要额外补充和匹配还款相关的数据，另外其他成本项也需要进行合理的预估。