| 主講老師： | 吳易璋 |  |
| 課時安排： | 1天/6小時 | |
| 學習費用： | 面議 | |
| 課程預約： | 隋老師  (微信同號) |
|
| 課程簡介： | 根據2016銀行從業《風險管理》知識點：風險暴露分類，在內部評級法下，商業銀行的風險暴露分類一般可以分為以下六類：即主權類、金融機構類(含銀行類和非銀行類)、公司類(含中小企業、專業貸款和一般公司)、零售類(含個人住房抵押貸款、合格循環零售和其他零售)、股權類和其他類(含購入應收款及資產證券化)。 | |
| 內訓課程分類： | 綜合管理 | 人力資源 | 市場營銷 | 財務稅務 | 基層管理 | 中層管理 | 領導力 | 管理溝通 | 薪酬績效 | 企業文化 | 團隊管理 | 行政辦公 | 公司治理 | 股權激勵 | 生產管理 | 采購物流 | 項目管理 | 安全管理 | 質量管理 | 員工管理 | 班組管理 | 職業技能 | 互聯網+ | 新媒體 | TTT培訓 | 禮儀服務 | 商務談判 | 演講培訓 | 宏觀經濟 | 趨勢發展 | 金融資本 | 商業模式 | 戰略運營 | 法律風險 | 沙盤模擬 | 國企改革 | 鄉村振興 | 黨建培訓 | 保險培訓 | 銀行培訓 | 電信領域 | 房地產 | 國學智慧 | 心理學 | 情緒管理 | 時間管理 | 目標管理 | 客戶管理 | 店長培訓 | 新能源 | 數字化轉型 | 工業4.0 | 電力行業 | | |
| 更新時間： | 2023-10-24 15:04 |
第一模塊 風控策略
第一節 風控策略概要
一、多維度數據策略規則
1、社交及短信維度規則
2、移動設備維度規則
3、外部數據源規則
4、多維度評分卡規則
5、行為數據規則
二、風控審批策略的類別
1、經濟能力維度(月收入、工資流水等信息)
2、app信息維度(貸款APP安裝個數、短信命中高風險關鍵詞)
3、基本信息維度(年齡、性別、工齡等信息)
4、信用歷史(征信貸款信息、還款記錄)
5、行為表現(活動軌跡、登陸時間、注冊時間等信息)
二、風控基本量化指標
1、FPD（首期逾期）
2、CPD（當前逾期）
3、flow rate（遷徙率）
4、vintage（賬齡分析）
第二節 數據主流獲取方式
一、H5渠道
1、電腦端與移動端
2、微信公眾號與小程序
二、API渠道
三、SDK渠道
四、數據的合規使用
第三節 數據分析常見場景及對應分析方法
一、三方數據源測評
1、SR（查得率）
2、CR（覆蓋率）
3、ERR（誤據率）
4、EDR（有效差異率）
5、IDR（無效差異率）
PS：以黑名單數據源測試為例
二、準入策略的制定
1、基礎認證策略
2、貸前反欺詐策略
3、黑名單策略
4、特殊名單策略
5、信用風險策略
三、風控白名單
1、銀行與金科公司聯合建模
2、內部數據探索
3、外部數據匹配
四、規則閾值cutoff的設定
1、通過評分找到風險被低估的區間
2、評估擬拒絕人群收益風險比
五、D類調優與A類調優案例解析
六、信用多頭策略
七、評分策略應用
第四節 策略規則VS數據模型
一、風險決策的架構
1、策略規則+評分模型
2、策略規則+模型規則
二、評分模型三大盲區
1、建模數據集VS實際貸款人
2、歷史模型數據VS未來實際情況
3、目標變量界定VS實際商業目標
第二模塊 數據建模與模型驗證方法
第一節 風控模型概要
一、傳統信用評分模型
二、大數據信用評分模型
第二節 評分模型搭建全流程
一、A、B、C三種廣義評分模型
二、數據梳理和理解
三、數據探索分析
1、Proc Means
2、Proc Freq
3、Proc Univariate
四、定義目標變量
1、Roll rate（滾動率）
2、Vintage（賬齡分析）
五、樣本設計及抽取策略
六、數據清洗
七、特征衍生
八、特征變量篩選
九、模型變量分箱
十、模型擬合
十一、模型預測概率校準
十二、模型違約概率誤差校準
第三節 模型驗證指標
一、ROC/AUC
1、sklearn函數分類模型評估
2、混淆矩陣
3、AUC判斷標準
二、K-S值
1、計算KS的常見方法
2、當KS不佳時的優化方法
3、K-S值判別標準
三、GINI系數
四、PSI
五、AUKS
第三模塊 一鍵式智能建模
第一節 智能建模架構與智能建模過程
一、智能建模——預測模型
1、樹相關模型
2、神經網絡模型
3、回歸模型
4、GBDT
二、數據預處理
1、缺失值、離群值
2、糾偏、平滑化
3、高基數處理、衍生變量
三、智能建模過程
1、自動識別變量類型
2、生成最佳決策樹
3、機器學習模型迭代
4、由業務人員進行的策略管理
5、智能化策略部署
四、Sas建模流程VS智能建模流程
第二節 智能建模案例解析
一、銀行個人分期違約預測案例
二、銀行小微企業信貸客戶違約預測案例
第四模塊 欺詐黑產與數字化反欺詐策略
第一節 欺詐黑產市場現狀
一、黑產數據
二、欺詐客群分布
第二節 欺詐黑產產業鏈
一、三大類型欺詐鏈
二、信貸欺詐的主要方式
三、信貸常見五大欺詐行為
第三節 黑產如何獲取客戶信息
一、拖庫
二、撞庫
三、洗庫
第四節 黑產工具與平臺
一、黑產如何批量制造“真實”用戶行為
二、黑產“真實客戶”養成工具
三、黑產如何幫客戶實現數據“整容”
第五節 互聯網貸款風控的命門——反欺詐
一、全面防范欺詐風險
二、反欺詐應用數據選擇
三、反欺詐模型VS信用模型
四、反欺詐之手機設備指紋實施
五、如何構建全流程反欺詐風控系統
六、反欺詐工作落地實施方案
七、反欺詐方案調整解析
第六節 三大金融場景反欺詐策略
一、互聯網貸款欺詐參與方、欺詐行為及反欺詐策略
二、信用卡欺詐參與方、欺詐行為及反欺詐策略
三、電商分期欺詐參與方、欺詐行為及反欺詐策略
第五模塊 互聯網貸款不良催收策略與實踐
第一節 互聯網貸款催收管理方法論
一、催收管理的核心競爭優勢
二、確定金融機構的風險偏好
三、數據分析的策略藝術
四、自動化催收工具提高生產力
五、平衡催收策略對信貸規模及成本收益率的影響
第二節 催收管理的生命周期
一、國際最佳實踐中，催收各階段原則與策略
二、催收管理時間軸
三、策略性催收的核心關注要點
四、催收的基本原則
第三節 催收管理的體系架構
一、將催收設計成一個綜合管理處置體系
二、催收及回款的組織架構
三、催收的流程、策略及差異化管理
第四節 催收管理的策略實踐
一、模型開發方法論——基于決策樹模型的策略開發
二、策略設計方法論——結合數據驅動與評分卡
三、滾動率模型與冠軍挑戰者策略
四、智能催收機器人在催收中的應用
京公網安備 11011502001314號
