本文的研究背景：为了增加进件和放款，拓展业务规模，如何根据现有的数据表现，调整既有的风控策略。所以，此时博弈的双方再次出现，即:增大业务量的同时，使风险控制在可接受的范围之内。本文以A汽车金融公司里二手车的授信进件为例，为各位读者详细演绎如何调整车龄的准入政策（注:以下为基于真实项目数据的脱敏数据）。
本文框架，主要谈及以下几点：
政策调整前：
（1）政策相关分析阶段：政策变更的可行性
政策调整后：
（2）实际调整阶段：政策变更之后的实际数据表现追踪
（3）政策观察阶段：逾期和贷后表现
（4）政策后续研究阶段：后续政策的调整方向
阅读前，再次说明：本文政策调整前与政策调整后的时间的分裂点为，2019年4月，所以本文是的时间切分点before与after均在这个时点：
一.政策相关分析阶段：政策变更的可行性
A公司在2019年4月之前的机审规则，二手车车龄超过10年，系统拒绝。
下表是政策变更之前的逾期表现：
细心的读者，肯定能发现，在上表中：二手车车龄在5-8年之间的逾期表现最大（此处已标红）。之后再随着二手车龄的增长，比如到车龄到8-9时候，逾期率反而降低到了4%，所以可以发现车龄与逾期间的关系，并非线性增长关系，车龄如果一直增长，逾期表现其实并没有增加，到了某个拐点反而是降低。
分析这种根据这种数据，跟业务前端的同事交流，得到这样一则信息：高车龄的二手车价值有限，欺诈和骗贷的可能性更低。
综上分析，我们考虑可以将更高车龄的一部分二手车让其进件，进一步增大风险敞口。于是，我们将2019年4月之后的机审规则定位：二手车车龄超过15年，则改为：系统+人工拒绝。车龄相比之前，大大拓长了5年。
二. 实际调整阶段：政策变更之后的实际数据表现追踪
调整后的政策，因为资产表现的滞后性，我们最终将观测节点定在新政策后的7个月后，也即2019年11月。进一步将相关的数据分析得到以下三个维度的综合分析：进件影响、放款影响、有效率（审批率）影响。
2.1进件影响
调整政策后，具体的政策细则为：2019年4月-7月，进件增加的都是车龄11年的；2019年8月开始，12年车龄和13年车龄的开始进件。总体业务的方向是进件的车龄越来越大。
分析进件的情况，得到具体的数据情况如下：
数据情况告诉我们：车龄政策放开以来，10年以上车龄的进件整体提高了27%。（新的政策对10年以下车龄的放款情况依旧保持不变，所以此政策对之前的存量客户的数据没有影响。相关的计算方式：10年以上车龄进件量/10年以下车龄的进件量）
2.2放款影响
进件量的增大，势必也会进一步增大风险敞口。放款的数据相关如下:
车龄政策放开以来，10年以上车龄的放款总计提高了34%。（10年以上的放款件数/10年以下的放款件数）
2.3有效率影响
最后我们再分析下政策调后，每种二手车车龄的有效率（审批率）的数据情况:
（有效率的计算公式：有效率=放款/进件）
相关的数据可以得到，10年以内车龄的有效率（审批率）为35%，11年以内车龄的有效率（审批率）提升至37%，超过11年车龄的有效率整体变化不大。整体政策对有效率的提升为2%。
有效率的提升，会降低运营成本，优化业务表现。
三. 政策观察阶段：逾期和贷后表现
资产表现，我们还是按照常规化资产的分析方法，使用月末逾期数据表现与vintage账龄分析的方法计算。
3.1.月末逾期数据表现
自2019年4月底至2019年10月底，逾期数据表现情况如下：
10年以上车龄的逾期表现和预期一致，逾期率比较低。考虑到10年以内车龄的逾期具有累积效应，同时10年以上车龄的逾期30+和逾期60+还没有完全表现出来。因此有必要进行vintage分析。
3.2.vintage账龄分析
以整体逾期率为例，通过账龄分析可以看到，5-10年车龄的逾期率>0-5年车龄的逾期率>10年以上车龄的逾期率。
分析两者的差异，可以得到以下数据结果：5-10年车龄的逾期率>0-5年车龄的逾期率>10年以上车龄的逾期率。
该数据也从能看出来，我们将10年以上车龄授信放过的策略是正确的。
四、后续政策调整方向
综合实际业务数据的表现和情况，二手车车龄政策的放开，刺激了进件和放款，提升了有效率，与此同时，逾期表现也控制在可以接受的范围之内。政策整体是可用的，之后在持续监控业务和逾期数据表现的同时，可考虑进一步放开车龄要求。
本文作者：梅子，汽车金融行业从业者，贷前策略、产品工作，从业经验丰富。如果喜欢这个类型的，欢迎各位风控同仁、风控爱好者转载、关注，我们根据各位喜好继续更新此类型文章。期待各位点赞、交流。
我们的课程已经上架了配套的视频教程并且关于之前文章里提到的代码和数据，如果有兴趣学习的同学，也可以加一下官微了解下。谢谢！
报名星球请添加小番微信，备注下行业+风控从业模块，谢谢您！
番茄学院管理员：小番
备注请填写行业岗位，谢谢啦！
更多干货资料，请关注公众号：番茄风控大数据
