银行金融风控策略自动化生成和可视化

金融风控策略概述

银行金融风控部门对客户申请一般用风控策略或模型。绝大多数金融公司没有累积大规模用户数据和逾期数据，难以构建模型。因此风控策略是金融公司运用最多工具，也称为专家规则。例如张三向银行申请贷款，张三60岁，年收入10万，性别男。银行风控贷前审批策略（简化版）为用户年龄小于50岁，年收入大于15万则通过审批。张三年龄不符合银行策略，因此被拒绝。王五30岁，年收入20万，性别男，符合银行准入策略，因此银行通过王五申请。这就是最简单的风控准入策略。实际中大型金融公司风控策略是一个复杂矩阵，这里做了简化只是帮助初学者理解。

之前很多助贷公司和我们公司联系，绝大多数助贷公司用的就是风控策略，即多年积累专家经验，比如户年龄小于XX岁，年收入大于XX万，是否有住房公积金等等。如果用户符合策略条件，则放款，反之拒绝。

助贷公司接触客户变量很少，绝大多数为用户自己填的一些变量，而且可信度差。但大型金融机构和银行拥有客户变量较多，传统的专家人工经验策略难以应付大数据。

重庆未来之智公司通过读取用户数据后，可以实现风控策略自动化生成和可视化展示，如下图是对数万条企业贷款违约样本数据集生成的策略图，其基本构架类似决策树。

风控策略解读

图中展示的是一个简单的决策树策略，用于根据身高和体重来判断性别。这个决策树通过一系列的条件判断来得出最终的结论。下面是对图中策略的逐步解读：

1. 输入新样本信息：图中首先给出了一个新样本的信息，即身高163厘米，体重135斤。

2. 第一步判断：决策树的第一个判断条件是身高是否小于或等于155厘米。

   • 由于新样本的身高是163厘米，大于155厘米，所以沿着“否”的分支向下。

3. 第二步判断：接下来，决策树判断体重是否小于或等于100斤。

   • 新样本的体重是135斤，大于100斤，所以沿着“否”的分支向下。

4. 第三步判断：然后，决策树判断身高是否小于或等于170厘米。

   • 新样本的身高是163厘米，小于170厘米，所以沿着“是”的分支向下。

5. 最终判断：经过上述三个条件的判断，最终得出结论，该样本是女性。

总结来说，这个决策树通过三个条件的判断（身高≤155cm、体重≤100斤、身高≤170cm），最终确定输入的用户信息（身高163cm，体重135斤）对应的是女性。这个决策树的逻辑是，如果一个人的身高超过155cm，体重超过100斤，但身高不超过170cm，那么这个人更可能是女性。

风控策略复杂度调整

重庆未来之智公司可以根据用户需求调整风控策略复杂度。下面第一张图是较为简单的风控策略图。第二张为较为复杂的策略图。

银行金融风控策略自动化生成和可视化脚本已经收藏于《python风控建模实战案例数据库》第67章，欢迎了解。

版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。