貸中交易拒絕撈回策略
風控業務背景
隨著流量獲客成本日益昂貴，以及存量客戶越來越多，各金融機構對存量客戶的經營日益重視。部分拒絕交易的風險尚可接受，如果將其撈回，則可以促進交易額GMV上升，幫助公司佔據更大的市場份額。
那麼，如何從拒絕客戶中撈回部分相對優質的客戶呢？本文嘗試系統地介紹這一方案。
目錄
Part 1。 拒絕撈回的概念和目的
Part 2。 尋找可放鬆的拒絕規則
Part 3。 如何開展拒絕人群推斷
Part 4。 離線評估撈回人群風險
Part 5。 策略規則的部署工作流
Part 6。 線上監控撈回策略效果
Part 7。 總結
致謝
版權宣告
參考資料
Part 1。 拒絕撈回的概念和目的
客戶透過准入、貸前反欺詐、授信（定額定價）後，便進入
動支（draw）
階段，即在額度範圍內可以發起借款申請。動支階段，風控系統將會執行交易反欺詐、信用策略自動稽核、人工信用稽核等環節，最終決定該筆動支申請是否予以
放款（loan）
。
任何風控系統都無法完美區分開好人和壞人，因此在透過和拒絕樣本中均有好人壞人。只是在風控的排序篩選後，拒絕樣本中壞人比例相對於透過樣本更高。注意，好壞定義是根據所需控制的風險目標決定的，並不是絕對的。
拒絕撈回是指從拒絕的客戶中，再選擇一些滿足一定條件的客戶，予以透過。在《利用Swap Set分析風控模型更替的影響》中，我們提到過兩個概念：
swap out
：以放貸樣本進行測算，只要風險高於可接受水平，予以拒絕。
swap in
：推斷拒絕樣本風險，在拒絕樣本中撈回部分好人，予以透過。
顯然，由於缺乏拒絕樣本的貸後風險標籤，swap in會比swap out難度較大。
圖 1 - 拒絕回撈的概念
Part 2. 尋找可放鬆的拒絕規則
通常，線上將執行著很多條風控策略規則。那麼，我們該如何去選擇可以放鬆的拒絕規則呢？可從以下幾個維度來衡量一條規則的放鬆價值，即：
拒絕率
：拒絕率越高，這條規則的影響力則越大，也就具有更大的最佳化空間。為此，我們可以統計線上規則的拒絕分佈，如圖2所示。
誤傷率
：從貸後表現上看，某些規則如果誤傷率較高，這就意味著不適合再繼續執行。我們就要考慮下線。
軟硬度
：硬規則（hard rule）是指必須嚴拒，不能退讓的規則，包括黑名單、反欺詐規則等。軟規則（soft rule）則是指一些較為模稜兩可，命中並不一定絕對是壞的規則，比如多頭規則等。
圖 2 - 拒絕原因分佈
Part 3. 如何
開展拒絕人群推斷
在《風控建模中的樣本偏差與拒絕推斷》中，我們接觸過拒絕推斷的概念。在本文中，我們可以採用Data methods中的——接受本該拒絕（Reject Acceptance）。這是一種
風險下探
操作，是以犧牲部分資金來換取貸後風險表現的博弈。
如圖3所示，我們將樣本分為三種，包括：
正常透過樣本（PS）
：被風控透過的樣本，可以獲知貸後風險表現。
正常拒絕樣本（RJ）
：被風控拒絕的樣本，無法獲知貸後風險表現。
應拒未拒樣本（spy PS
）：實際上，這部分樣本本該被風控拒絕，但考慮到我們對閾值外的樣本一無所知，因此有選擇性地放過少量閾值外樣本，並形象地取名為
間諜（spy）
。可以作為拒絕總體的抽樣，用以探知拒絕人群的風險表現。
圖 3 - 申請訂單的3種狀態
在模型和策略迭代中，我們常會煩惱，隨著策略閾值越來越緊，無法獲知閾值外樣本的X和Y，導致模型越學越偏。因此，這部分應拒未拒樣本（spy PS）具有很大的價值。
Part 4. 離線評估撈回人群風險
如何從拒絕人群中撈回相對優質的客戶呢？ 現介紹一種樸素的撈回策略生成方法：
模型圈人
：利用信用評分模型對拒絕人群排序，初步選出頭部相對最優的人群。
閾值放鬆
：輔以其他維度變數，圈定目標撈回人群。在《模型視角下的風控策略規則發現》中，我們介紹過
畫格子法
來制定策略規則。
風險評估
：定義風險目標，評估撈回人群的風險水平，如果不滿足要求，則返回步驟1，重新調整撈回策略規則。
我們再詳細介紹下步驟3的風險評估部分。
1. 透過PS樣本
：
用以確定大盤風險水平，作為參照基準。例如，大盤違約率為2%，這樣我們心裡就有大概的判斷，風險高於這個水平就不可接受。
2. 間諜PS樣本
：
用以估算撈回的拒絕樣本的風險水平。保守起見，我們需留出一定的
裕量
，比如控制違約率不超過1。2%（大盤的60%）。這是出於兩方面考慮：
1）間諜樣本量通常較少，在評估中容易波動，導致風險估計不準確。
2）拒絕樣本難以被線上風控系統所認可，在回撈時就應該予以更嚴格的要求。
圖 4 - 離線評估策略規則有效性
最終，我們可能生成這樣一條撈回規則：
if x1 > 600 and x2 < 5 then ‘LH’ else ‘RJ’
在近期樣本上，同樣需要評估撈回量的穩定性，確保處在正常的波動中，而不會持續升高或降低的情況。
Part 5. 策略規則的部署工作流
在離線分析制定策略後，我們會在決策引擎中部署多條策略。此時就有2種備選工作流，即序列和並行。那麼這兩種方式有何差異點呢？
1. 序列式回撈
：
各策略存在先後優先順序，瀑布式回撈。對於命中對應撈回策略的訂單，將被打上相應的標記flag，進入撈回池。每條被撈回的訂單，
只會具有一個flag
。
這種方案下，越處於下游的撈回策略面向的人群資質越差。此時，當我們上線一條新策略時，就需要評估增量撈回人群的風險表現。如果線上策略不下線，那麼越到後面，撈回策略的迭代最佳化空間越小。
2. 並行式回撈
：
各策略同時對全量拒絕訂單篩選，並行式回撈。對於命中對應撈回策略的訂單，將被打上相應的標記flag，進入撈回池。每條被撈回的訂單，
至少具有一個flag
。
這樣的好處在於每條策略都是公平的，可以得到真實的撈回佔比。每條策略之間形成相互的AB測試。等待風險表現完全，我們就可以根據命中相應flag的訂單來評估策略的優劣。
但是，不同策略的撈回量，以及對應的風險不同，我們該如何比較？筆者認為，撈回策略的評估指標，以風險作為第一指標，即：
無論撈回量大小，風險越低，策略越優
。
因此，筆者更為推薦第2種方案，這便於評估策略之間的差異，以及迭代最佳化。策略可以有優先順序之分，但可以
記錄所有命中的flag，以及優先順序最高的一條策略作為reason code。
圖 5 - 兩種回撈策略部署工作流
Part 6。 線上監控撈回策略效果
策略上線後，監控是必不可少的環節。由於撈回策略可能會引入更多的壞人，我們更需要關注撈回資產的質量。
1. 前期監控
：
上線初期，資產還未有貸後表現。因此，我們主要
關注撈回人群佔比的穩定性
。若出現某一天撈回量突然上升的現象，就需要立馬排查原因。畢竟撈回量越高，風險就一般會越高，這是一個強預警訊號。
具體地，可參考統計以下指標：
撈回（動支/借據）訂單 = 命中撈回策略flag的（動支/借據）訂單
撈回筆數佔比 = 撈回筆數 / 總筆數
撈回金額佔比 = 撈回金額 / 總金額
件均 = 金額 / 筆數
2. 後期監控
：
當資產開始具備貸後表現（如首期入催率），那麼就可以
比較撈回與大盤的風險差異
。這是由於離線評估是基於歷史客群樣本，上線後可能客群已經發生了變化。動態評估風險的變化，有助於我們把握資產質量。
Part 7. 總結
拒絕回撈是一種較為冒險的嘗試，畢竟從原本拒絕的人群中給予放款，雖然初衷在於提升交易額，但在這下探風控邊界的同時，稍有不慎就會讓風險上升。
圖 6 - 風險邊界的探知
另外，我們還可以從哪些方向著手呢？ 筆者認為，其他最佳化空間在於：
降低額度：控制風險敞口。
提高利率：以更高的利率來覆蓋更高的風險。
控制期數：假設一個支援3、6、12期的信貸產品，對於部分客戶限定其只能借3期。
致謝
所有參考資料中的各位作者，以及XX、TYY、WYZ、GMY，感謝給我的啟發。文中仍有理解不到位之處，在此拋磚引玉。
版權宣告
歡迎轉載分享
，
請在文章中註明作者和原文連結，感謝您對知識的尊重和對本文的肯定。
原文作者：求是汪在路上（知乎ID）
原文連結：
https：//
zhuanlan。zhihu。com/p/13
9100161/
著作權歸作者所有。
商業轉載請聯絡作者獲得授權，非商業轉載請註明出處，侵權轉載將追究相關責任
。
參考資料
關於作者
：
在某網際網路金融公司從事風控建模、反欺詐、資料探勘等方面工作，目前致力於將實踐經驗固化分享，量化成長軌跡。歡迎交流
