在客户审批通过后，放贷机构往往会给客户一个授信额度，而这个额度的确定往往需要一个量化的过程，简单的可能就是一个包含了几个维度加减乘的公式，复杂的可能会运用上机器学习算法如KNN。额度模型可以根据客户的还款能力有效的控制风险敞口，从而降低损失，也可以通过利率、违约概率的测算实现利润的最大化。
额度模型的难点
一、没有标准化流程
相对于各种违约预测模型，额度模型还没有一个比较标准的流程和方法论，常常是令风控er头痛的难题。同时，放贷机构对额度的要求也不尽相同，有的希望每一个客户都有与其资质相匹配的差异化额度，有的希望同一类（如风险等级相同的客户）客户都有相同的额度，这也导致了各种五花八门的额度模型。二、难以进行对比和审批模型、行为评分等模型不同的是，这些预测违约概率的模型可以在上线后将模型预测结果与实际违约情况进行对比，从而对模型进行调优。而对于额度，每一个客户只能够进行一次授信，授信后就难以与其他额度策略进行对比。
三、调优周期长一般来说，违约预测模型上线几个月后就开始逐渐表现出是否逾期，而判断一个额度模型的好坏最常用的一个维度就是客户所带来的利润，这个利润的计算往往需要覆盖客户的整个生命周期，很有可能就是一两年的时间。因此，额度模型在调优上也是困难重重。
一个简单的额度模型思路
确定一个客户的额度会更多的从利润的角度出发，经过严密的逻辑和复杂的运算得到最终的结果。在有些情况下，可能会需要一个更加直观、更加简易的额度模型，从客户的还款能力入手，来限制住风险敞口。这样一个简单的额度模型往往需要包含以下几个因素：
一.判断客户还款能力因子在借贷关系中，贷方最关心的往往就是借出去的钱能不能收回来，那么给出一个超过客户还款能力的额度显然是非常不合理的。因此，额度模型中需要包括一个能大致描述客户还款能力的因子，比如个人的收入、小微企业在税局申报的销售额等等。
二.佐证客户还款能力因子很多时候，收入是由客户申请时自行填报的，因此常常会认为这个数据是不准的，因此还需要一个和实际行为相关、能够对客户还款能力进行佐证的因子，比如说个人可以考虑社保公积金、信用卡流水等等，小微企业可以考虑实缴的税额。三.风险系数除了还款能力，客户在审批时往往会有一个模型评分，这个评分在确定额度的时候也可以利用起来。常用的做法是，根据客户的违约概率和分布切分等级，并给每一个等级赋予一个风险系数，这个系数可以乘在最终额度上，也可以乘在中间过程的某一个额度上。
四.客户申请额度和产品上限五.客户历史借贷情况在应用前面这些因子计算出一定额度后，往往还需要从征信里面获取客户历史借贷额度，并从计算出的额度中减去这一部分。原因也是比较显而易见的，客户的还款能力不仅要覆盖要放出去的这一笔贷款，同时还需要覆盖历史的借贷，因此需要在最终额度前减掉这一部分。根据以上思路设计的授信额度模型架构图如下：
—————————end—————————
FAL长期对外征稿，邀请各大风控人士加入我们，在风控圈分享你的经验与知识👉征稿，快到碗里来，有稿费那种！
感谢您看到这里微信公众号对话框回复“小福利”
领取粉丝专属优惠券～