Skip to content

maidoudoujiushiwo/risk_model

Repository files navigation

风控模型(risk_model)自动建模代码

理论上这套代码连起来是可以实现评分卡自动变量处理,分箱,跑模型打分的。

如果发现bug或者使用问题欢迎发邮件给我:[email protected]

目录:

1、一些非传统衍生类的的数据处理,包括缺失值处理,label_encode,离散值woe赋值,基于y信息的tf-idf,基于四种无监督聚类(kmeans,pca,tsne,nmf)变量衍生,基于gbdt的变量衍生 有时间(后续会把基于rnn之类的衍生加上)。存在data_transform.py文件。

2、自动woe最优分箱(单调或者单峰且满足iv等条件),接近sas-em效果,不太需要手动介入调整。bin_new.py

3、变量选择:基于psi,相关性,iv,ks和变量聚类。auswahlen.py

4、因子分析:无监督的因子分析。factor_analysis.py

5、样本分布对齐,可以做类似样本的迁移学习,在大样本中召回更接近新业务小样本进行学习。distribution_adjust.py

6、建模代码,包括stewise选变量和蒙特卡洛选变量的逻辑回归,lgbm,rnn。以及基于shap和分箱对比的机器学习变量解释性代码。build_model.py

7、评分卡打分代码。score.py

附录:根据vintage 风险水平,计算年化风险

应用解释:

1 data_transform.py

里边就一个主要的类:feature_eng

ceshi=feature_eng(col1,col2,y, Data,Test_data)

col1:数值型变量的list

col2:离散型变量的list

y是label

Data 是训练集

Test_data是测试集

dir(feature_eng)查看方法

drop_missing是处理缺失值,

gbdt_e是生成gbdt衍生变量,

label_encode是生成label_encode变量,

woe_encode用来使用woe给离散变量赋值,

y_tf_idf基于y的tf-idf衍生,

uns是生成四种无监督衍生(详见:https://github.com/maidoudoujiushiwo/Unsupervised

image

可以看到根据german_credit的数据画出图的标记,虽然是无监督生成的结果,但是对y的0和1区分能力很强很契合,可能有一定运气的成分。

2 bin_new.py

这是一个自动完成分箱几乎不用手动调整的代码,只需调用类:ff_bin_woe。

输入项中: y label

data 输入的训练集

data1 可以同时输入测试集,没有测试集输入pd.DataFrame()

piece 期望分bin的最大箱数

rate 每一个分箱样本数最小希望占比

min_size 每一个分箱最小的样本数

out_in_list 特殊值,单独一箱

not_var_list 不需要分箱的变量 flag_list=[y] 存放lanel

ks 希望开始粗分箱根据ks还是iv,Ture为ks,False为iv。(智能输入这两个选项)

ur 希望分箱中有单峰还是希望所有变量都分为单调。只能选择True or False。

示例

ceshi=ff_bin_woe('y',factor0[col+['y']], pd.DataFrame(), 5, 0.05, 50, [], [], ['y'],True,False)

ceshi.woe()

生成的结果中 ceshi.iv是存放iv结果,ceshi.d0存放分箱之后的数据集,ceshi.messa(比较重要,后续生成打分的文件也要用到)存放分箱的规则。

如果新来的一个测试集data,只需调用:dd=ceshi.dwoe(Data.copy())

既可以对新测试集完成woe变换。

注:ks=False 即采用iv做粗分箱,有可能会取得最终更高的iv的分bin,但是分箱速度回比ks粗分箱慢一点。

3 auswahlen.py

auswahle这个类主要实现三个功能,

1、psi计算,

2、根据相关性和单变量ks,去除相关性高的两个变量中ks较低的一个。

3、varclust变量聚类分析,类似sas中的 proc varclus

4 factor_analysis.py

实现无监督因子分析,可以结合业务经验预先判断维度的和衍生逻辑,比较适用一些简单的无监督打分场景。

示例:

ad=factor_analysis(Data,col,5)

data是训练集,col是变量list,5是指定的因子数目。

ad.test()

检测是否可以做因子分析,显著情况。

ad.analysis()

运行结果

ad._plot()

画图

german_credit的数据结果如下 image image

5 build_model.py

stepwise,MonteCarlo是基于statsmodels中逻辑回归的两个评分卡模型,具体打分需要在调用score.py。

model_lgbm是一个简单lgbm的模型训练kernel,需要再加上grid-search.

MyRNN是一个简单的rnn模型示例。准备加入贷中数据,把类别embeding一下,concat上交易数据,做个rnn的b卡,看以后能去哪家在继续尝试吧。

shap_woe_explain是用来解释机器学习模型中变量是否合理的,如果woe和shap是相反的两种趋势,那么说明变量虽然看起来进入了模型,但是没有发挥应有的作用。

如图所示两种情况:

image image

6 distribution_adjust.py

这部分可以看我之前写的文章,https://mp.weixin.qq.com/s/722dDYdKf2sMqP8wGwVvZA

利用CGAN(有监督对抗网络)选择建模样本

你也可以简单用个lgbm定义好label做这个,就是一个从大样本数据中召回和新业务样本类似数据的功能。

7 score.py

这一部分是按照odds,pdo基准和翻倍打分的代码,比较流程话。

score类的输入项:

model:logit = sm.Logit(m1[y],m1[col+['1']]) model = logit.fit() 是这里边的拟合之后的结果

col 是模型的入模变量。

messa 是代码2部分中ff_bin_woe生成的woe分箱的信息,就是类中的messa的信息。

base 是基准比如600.

odd是odd比如 20

pdo是pdo。

附录:根据vintage 风险水平,计算年化风险

大家经常irr,apr的聊着,从收息角度还能算的清楚,但是年化坏账能算清楚的同学就不多了,尤其是从vintage推到出来,年化坏账率。

这极大的制约了我们在资金资产谈判中快速判断风险收益,甚至很多项目启动了还不知道预期风险成本。要想在这种关键场合成功装逼

,下面的公式和代码可能会帮助到你。

提供两种计算思路

1、年化坏账率=vintage坏账率*12/久期

2、年化坏账率=年累计坏账金额/年月均余额=(12/平均在贷时长)*(vintage坏账/年月均余额)

下面上代码:https://github.com/maidoudoujiushiwo/risk_model 中,irr_apr_bad.py

方法一: rrt(0.03,6,12) vintage3+ badrate=0.03,平均在贷期限=6,产品期数12

方法二:

loss(0.18,0.07,18,36) irr利率18,vintage3+ badrate=0.07,平均在贷期限=18,产品期数36

About

risk_model

Resources

License

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages