模拟盘暂时没动，继续持有东方财富，西域旅游，当升科技，岭南控股，雅本化学。如果想看那种每天抓涨停的，建议出门右拐小曾不会；

　　首先声明一下，小曾不反对催收，但是反对暴力催收。小曾觉得催收合法合规就行，但是对于暴力催收，国家打黄扫非的时候应该把这种渣滓全部打掉。

　　然后自己夸自己一句，不得不佩服自己敏锐的嗅觉（其实是走狗屎运），刚刚脱离催收不久，长沙打黄扫非就把外包催收公司打的面目全非。既然自己不在催收领域干了，就分享一下关于催收的一些东西。先从风险管理中的金融科技之C卡开始吧。

　　1、定义：

　　Collection

　　scorecard催收评分卡：简称C卡，在贷款期间，根据催收行为（比方说短信数量，承诺还款次数等等）及效果作为评分依据，用来预测客户在未来一段时间内还款的概率；

　　2、业务阶段：

　　既然是催收评分卡，那业务阶段就是客户贷款逾期之后啦。

　　3、数据使用：

　　C卡对数据要求较大，除了申请时点，外部数据，征信报告之外，还需要用到一些催收后的数据，例如对客户外呼多少次还款，给客户紧急联系人致电多少次之后客户还款之类，这些数据A，B卡是无法用到，且无需用到的；

　　4、常用模型：

　　还款率模型，账龄滚动模型，失联模型，这没啥好说的，行业内基本都是这三个；

　　5、业务背景：

　　风控模型的整个体系主要由反欺诈模型，申请准入模型(贷前A卡)，贷中行为模型(贷中B卡)，贷后催收模型(贷后C卡)组成

　　对于反欺诈，A卡，B卡的资料网上很多大家可以去参考，咱们避开不谈（其实是小曾不了解，哈哈）；

　　但C卡网上能找到的资料十分之少，其实原因很多：其一就是因为催收较为敏感，部分金融公司都会进行委外催收处理，或过了M1（逾期30天以上）之后就进行委外催收处理；或过了M2（逾期60天以上）之后就进行委外催收处理；

　　就连小曾之前供职的某大型商业银行，有自己庞大的催收团队（200+人），也是在M2（逾期60天以上）也开始外包催收了；部分银行甚至连M1（逾期1-30天）的客户都进行外包，例如某些大型银行，不一一举例了；

　　但随着目前信贷行业的发展，委外催收会被慢慢被淘汰（这是小曾脱离催收的主要原因）各个银行都跟小曾的前司一样搭建自己的催收团队，

　　为了提高催回率，减少坏账，降低逾期（其实就是一句话，本质就是提升银行的资产质量），催收会朝着精细化的方向发展，催收的策略，话术，模型，形式变得越来越重要；

　　催收中有几个比较重要的指标（后续会出专题专门讲催收指标，这边只简单的为了举例）：

　　1、逾期阶段：M0，M1，M2，M3；这个各个公司都有自己的定义，

　　例如：小曾前司M0即未逾期，M1（逾期1-30天），M2（逾期31-60天）以此类推；

　　而有些公司将M0（逾期1-3天），M1（逾期4-30天），M2（逾期30-60天），即M0为所谓的还款宽限期，或者说是给遗忘型客户的时间，期间也有客服致电提醒还款；

　　2、最长逾期天数：那么问题来了，如果一个客户如果在同一家机构有多笔贷款，有的逾期10天，有的逾期60天，怎么去判定客户的逾期阶段呢。

　　这边引入一个定义：最长逾期天数，即客户多笔借据中，逾期最长的那一个借据的逾期天数计算逾期阶段；

　　3、迁徙率：表示用户从当前的逾期状态过渡到下一个逾期状态的比例；我们所说的0迁1，就是客户从M0迁徙到M1的比例；

　　用一个表格给大家详细说明一下迁徙率：

　　6月28

　　5月28

　　M0

　　M1

　　M2

　　M3

　　M4

　　M0

　　80%

　　20%

　　M1

　　50%

　　28%

　　22%

　　M2

　　30%

　　20%

　　10%

　　40%

　　图中可以看出底色可以看出

　　5月28是M2客户，30%还清了所有欠款，所以退回至M0的有30%，

　　5月28是M2客户，20%的客户还了两期的款项（5月，4月），到6月28的时候从5月的M2退回至M1，仅有6月的欠款未还；

　　5月28是M2的客户，还有40%在6月28一直没还款，所以导致了40%的客户变成M3客户；

　　从认知中大家也会觉得欠的越久，催回来的概率就越小，事实也是如此逾期阶段越长，催回的概率越小；（所以就出现了法催，行业内是M6左右就会开始走法催了，所以有些比较豪气的金融机构，在M3就开始走法催了）；

　　在样本都充足的情况下（一般银行样本都挺充足的，刚兴起的金融机构可能不够），为了拟定更加精细化的催收策略，可以分不同的阶段制定不同的催收模型，例如0迁1,1迁2,2迁3之类的（小曾的前司就是这样的分类计算kpi，而且催收组也是按照0迁1,1迁2分组的，但是催收策略上没有变），这些都建立在样本充足，团队够大，业务目标的基础上定做的模型，并不是越细越好。

　　上面是业务背景，下面进入主题，探讨如何制定迁徙率模型；

　　-----------------------------我是一条完美的分割线--------------------------

　　迁徙率模型的设计思路

　　（小曾这边以0迁1为例举例说明）

　　1、预测群体和目标定义群体：目前逾期阶段为M1的客户；

　　目标：目前处于M1（逾期1-30天）的客户，30天之后处于M2（逾期31-60天）的概率；

　　2、观察点，观察期，表现期，表现点的定义

　　定义这一块小曾就不详细说了,直接百度“风控建模中观察点，观察期，表现期，表现点的定义”，度娘大而全的解释的明明白白；

　　小曾带大家直接进入咱们的例子中的如何选定观察点，观察期，表现期，以及3、如何选择观察点：

　　客户的逾期还款行为是一个状态，而不是一个动作，如果A卡要找观察点十分简单，那就是客户的申请贷款的那次按钮点击时点作为观察点就行了，而迁徙模型不行；那迁徙模型应该怎么选择观察点呢？举例说明：

　　例如，我们将2022年7月1号作为M1的建模时间的话，那么6月1号-6月30号，每一天我们都可以作为观察点来进行建模，这样我们选哪一天比较好呢，小曾建议选择6.18-6.25之间的点，首先需要考虑到流出足够多的OOT来验证模型效果，其次需要避开发薪日6.15（不要问为什么发薪日定在6.15，因为大部分客户是6.15发薪资的），然后要考虑到模型验证的时间窗口要十分稳定。例如7月8月，9月份样本稳定，那么我们可以往前推一个月，以6月25作为建模的观察点，以后的每个月25号作为验证样本的观察点。

　　（当然如果能有足够多的样本，人力，投入可以根据客群种类分别搞几个不同的模型，多测试，选择最好的模型进行策略，话术的调整）

　　逾期客户中在M1阶段的客户挑出来作为建模样本，然后经过30天表现期，即从6.25-7.25，如果客户还是处在M1，或者已经到M0了，就将其认为是好客户，如果迁移到M2了则认定其为坏客户；

　　5.如何评估迁徙率模型的效果

　　除了从随机客群中计算KS，AUC指标与OOT客群上的KS，AUC进行比较之外，各个金融机构都有自己的模型验证方式；

　　以上只是一个举例模型，如果要真正的做出一个模型，需要有非常多的特征，小曾罗列几个比较简单的特征供大家参考；

　　1）催收手段：例如客户话术，是否致电村委，冻结客户账户，400电话致电催收等；

　　2）历史还款记录：例如客户是否是经常提前还款，客户是否是入账一笔资金立马还款等；

　　3）负债情况：这种就多头情况比较多，拆东墙补西墙，这类客户估计在审批阶段就会被拒掉，但不保证有些消金公司会给其放贷；

　　4）是否结婚，小孩年龄等等都是非常好的特征；

　　除了基本特征，还有衍生特征，可以理解为特征他儿子：

　　例如：时间+行为，即客户13号为还款日期，但是客户每次都需要15号还款，可以衍生出客户的发薪日。

　　好了，C卡模型今天介绍到这里，明天给大家介绍迁徙率模型的开发与应用