风控策略中如何制定差异化利率定价方案
- 前言
- 一、框架设计
- 二、流程设计
- 三、方案测算
- 四、策略上线
- 总结
前言
一个产品上线后，随着规模的扩大，基于风险收益的匹配原则，以及差异化营销的管理要求，除了授信额度策略之外，我们还需要制定差异化利率、差异化期数、差异化还款方式等一系列的组合拳策略。那么，如何结合模型和决策引擎，设计并上线一版差异化的利率方案，今天我们来讲讲这个项目。
一、框架设计
上期我们讲了如何建立一个基于客户风险等级分层的模型，制定差异化利率方案，有朋友一定会直接想到用模型分段来进行分档。针对一个稳健型信用类线上贷款产品来说，直接上模型进行利率分档，可能会产生对优质客户的“利率伤害”。这里一般存在一种背景，银行的稳健型线上贷款产品，会有大批优质单位、稳定收入来源的客户基础，这部分客户收入水平不一定很高，消费水平及消费习惯不一定频繁，但由于存在硬性单位性质、公积金或纳税类的稳定数据，这部分客户属于必须“服务好”的基石客户。同时为了扩大授信范围，银行为了在市场上取得竞争力，会做客群下探，这个时候如果我们只是单纯的基于模型的分段进行利率定档，会存在上面提到的利率伤害，或者不利于对不同群体的客户进行利率下浮营销。基于这样一些背景和问题，更适合采用 客群分类+风险模型结合 ，制定差异化的利率定价方案。
以XX贷为例，通过考量的多维指标先对客户进行客户划分，例如分为顶部优质客群、头部优质客群、普通优质客群、次优客群、其他客群五类，在不同的客群分类上再根据模型进行利率定档。这里一般会从客户基本信息、客户资金饥渴程度、客户历史逾期、我行关系程度等几个维度进行指标选取来进行客群特征划分。
二、流程设计
根据（一）中的框架设计，先对客户进行特征分群，在每一个客户群体上跑我们常用的风险分层模型，这里的模型分布需符合以下规律：随着模型组数的增大，客户质量下降，其授信通过率降低，平均授信额度降低，支用率升高，反映客户资信能力越差，对资金的饥渴程度越高。
不知道如何建信用风险模型，我之前有详细写过：https://blog.csdn.net/lll1528238733/article/details/76602006
有了客户分层的规则集和风险模型，我们来进行利率定档↓
以为客群C为例
首先判断客群特征，满足客群C的规则集，即进入客群C的利率定档↓
| 模型分组 | 执行利率(仅为示例数值) |
|---|---|
| 1组 | 4.00% |
| 2-4组 | 5.00% |
| 5-7组 | 6.00% |
| 8-10组 | 7.00% |
| 模型评分缺失 | 默认执行利率XX% |
考虑到产品的市场竞争力因素，可对客群开通灵活的营销利率调整窗口，即最终执行利率=基础执行利率-普通优质营销下浮基点数。
三、方案测算
按照上述思路初步制定好差异化利率方案后，可对方案进行详细的测算，查看历史客户的分布情况，对差异化利率策略进行微调。
在测算环节，我们会重点关注该方案是否符合我们的预期：
- 是否做到了利率的差异化，还是大部分客户利率堆积在同一档，导致该方案失效；
- 是否符合对优质客户利率优惠，对下探客群做到了风险覆盖，达到“奖优惩劣”的效果；
- 整理执行利率的加权平均值是否处于市场上较有竞争力的水平，是否需要对整体bp值进行上浮或下调。
经过以上的方案测算后，我们往往还需要分维度看在该版方案下，客户的利率档次分布情况，例如：客户不同单位性质的平均执行利率、不同地域客户的平均执行利率、不同收入水平/负债水平的客户平均执行利率等，探查是否存在我们之前未考虑到的问题。
四、策略上线
各公司用的策略部署平台都不同，这里不对策略的部署的操作过程进行赘述，在这个环节我们需要注意几个问题：
- 先开发变量，再进行流程部署；
- 注意变量的局部性和全局性，特别针对同一个变量需要在一个策略中多次调用，或者需要被多个策略调用，避免出现返回值不一致的问题；
- 策略上线前尽量空跑一段表现期，与现有策略进行对比试验，监测新版方案上线空跑的分布，符合预期再进行正式上线，正式上线时为了稳妥起见，也可以做一段时间的随机数灰测，待观察完一个表现期，再完全开放该策略。
总结
写到这里，一个差异化利率定价的策略框架应该很明晰了，但除了策略本身的测算，利率定价涉及到银行的营收及资产负债，我们往往还需要对该策略的预计营收做详尽测算。对于基于风险等级的差异化利率定价，我们会碰到两个难题，一是客户在该版方案下的预期支用率测算和客户的预期坏账率测算，我们才能测算出该策略的营收贡献。
那么如何对差异化利率定价方案的营收贡献做出科学、详尽的测算，去说服你的老板或相关的部门负责人信服你的策略，下一篇我们来讲基于NPV的收益测算模型，空了来更，下期见~~~
