python信用评分卡建模（附代码，博主录制）
转载https://mp.weixin.qq.com/s/weyvs8a3bISgdhpMFdg7AA
昨晚在朋友邀请下品尝Haut Brion的时候，谈论起传统银行甚至一些租赁公司目前使用五级分类法监控资产质量，联想到互联网信贷使用的Vintage，才发现之前一直以来，都是以发生借贷放款后每个月的提现客户统计回款率情况的角度去为读者朋友讲解Vintage，那对于发生借贷放款后每个月的授信客户统计回款率情况的Vintage指标，应该怎样分析，可以有什么应用呢？本文我尝试换成授信后用户的借贷行为，与读者聊聊Vintage。
Vintage分析方法能很好地解决时滞性问题，其核心思想是对不同时期的授信资产进行分别跟踪，按照账龄的长短进行同步对比，从而了解不同时期授信客户的资产质量情况，是一个所谓竖切的概念；而迁移率模型能很好的提示客户整个生命周期中的衍变情况，是一个所谓横切的概念。
Vintage源于葡萄酒酿造，葡萄酒的品质会因葡萄生长的年份不同、气候不同而不同。Vintage分析是指评估不同年份的葡萄酒的品质随着窖藏时间的推移而发生的变化，并且窖藏一定年份后，葡萄酒的品质会趋于稳定。借鉴葡萄酒Vintage分析，信用分析领域不仅可以用它来评估客户好坏充分暴露所需的时间，即成熟期，还可以用它分析不同时期风控策略的差异等。
一个客户的好坏，需要经过若干个还款周期后才能充分暴露，如果表现期较短，有可能将一个不是很坏的客户定义为坏，也有可能将一个很坏的客户定义为好。比如一个客户在开始的几个周期内发生了逾期后将逾期还清，并且后面的周期不再发生逾期，若表现期较短会将此客户定义为坏；又比如一个客户刚开始一直正常还款，但到后面发生了比较严重的逾期，若表现期较短会将此客户定义为好。另外，可以通过比较不同时间的贷款在相同周期的逾期表现，来分析不同时间的风控策略的差异、宏观形势的变化等。
下图为2017年1月至2017年6月放款的M4+(即逾期91天以上)的Vintage数据表和Vintage图。其中行为授信时间，列为客户借贷后的1-8个月。举个列子说明：比如3.20%就是2017年1月授信的用户在发生借贷行为后的4个月内的M4+逾期的情况（2017年1月授信的用户在发生借贷行为后的4个月内的M4+逾期的总额/2017年1月授信的用户在发生借贷行为后的4个月内的总的贷款余额）。
从图中可以明显看出放款的前三个月，由于看的是M4+的逾期率，所以均为0%。2017年4月授信的客户是所有授信月份客户中表现最差的，需要针对该授信时间段内的客户和授信规则进行分析，找出M4+逾期率较高的原因。而之后两个月5月和6月份的M4+下降明显，说明调整后的授信规则有效地降低了客户的M4+逾期率，筛选出了更优质的授信客户。
python风控建模实战lendingClub(博主录制，catboost，lightgbm建模，2K超清分辨率)
https://study.163.com/course/courseMain.htm?courseId=1005988013&share=2&shareId=400000000398149
