小額貸款風控建模電子書

㈠ 小額貸款被風控了是什麼原因怎麼解除風控

小額貸款因為申請較為方便，不少人缺錢時都習慣借小額貸款，其中一部分借款人想要再次貸款時，發現自己不能再借，被貸款機構風控了。小額貸款被風控了是什麼原因呢？怎麼解除風控？一起來看看吧。

小額貸款被風控了是什麼原因？
為了減少貸款逾期帶來的經濟損失，貸款機構大多有一套完備的風險控制系統，主要是通過借款人提供的貸款資料、負債、還款記錄等相關信息中，判斷借款人的是否具有還款能力，貸中審核、貸後催收都是貸款機構風控手段的表現。
小額貸款被風控了，也就是借款人被貸款機構打上了高風險用戶的標簽，無法成功借款，原因一般有這些：
借款人的徵信硬查詢記錄過多，會讓貸款機構覺得借款人資金緊張，還款能力有可能降低。
借款人在使用貸款時，有逾期還款的欠款，無法再次順利通過系統的審核。
借款人的負債增多，無法達到貸款機構的要求。
怎麼解除風控？
想要解除風控，借款人可以跟貸款機構的客服溝通，得知自己被風控的具體原因。
如果是徵信查詢記錄過多，那麼不要再申請任何信貸產品，近三個月內的徵信查詢記錄不要超過三次，養好徵信再去申請貸款。
如果是小額貸款逾期了，那麼先結清逾期貸款，等待逾期記錄自動消除，或者主動聯系貸款平台，開具結清證明，然後再等待系統審核。
如果是負債增多，則可以結清部分貸款，降低負債率，或者選擇申請對負債率不敏感的貸款產品。
借款人如果被風控了，首先要弄清楚小額貸款被風控了是什麼原因，然後再採取相關措施補救。

㈡ 阿里小額貸款模式分析

阿里金融發展的勢頭越來越猛，阿里信貸業務向江浙地區普通會員放開，實現單日利息收入100萬元，引發銀行業震顫。接下來為大家分析一下阿里小貸貸款模式。
在這個年交易額過萬億元的中國最大的電子商務平台上，無擔保、無抵押、純信用的小貸模式不斷刷新資金流轉的速度。而阿里金融實現批量放貸的核心，正是阿里大數據。
阿里金融主要做小企業貸款，以日計息，隨借隨還，無擔保無抵押。流動的資金不斷為小微電商經營業主「解渴」。
010年和2011年，阿里金融分別於浙江和重慶成立了小額貸款公司，為阿里巴巴B2B業務、淘寶、天貓三個平台的商家提供訂單貸款和信用貸款。
訂單貸款是指，基於賣家店鋪已發貨、買家未確認的實物交易訂單金額，系統給出授信額度，到期自動還款，實際上是訂單質押貸款。訂單貸款日預期年化利率為累積年預期年化利率約18%。淘寶、天貓訂單貸款最高額度100萬元，周期30天。
信用貸款是無擔保、無抵押貸款，在綜合評價申請人的資信狀況、授信風險和信用需求等因素後核定授信額度，額度從5萬元-100萬元。信用貸款日預期年化利率為累積年預期年化利率約21%。信用貸款最高額度100萬元，貸款周期6個月。
阿里信用貸款又分為「循環貸」和「固定貸」兩種。「循環貸」指獲貸額度作為備用金，隨借隨還，免息同時不取用。固定貸指獲貸額度在獲貸後一次性發放。
從整體上講，阿里金融的小貸業務以淘寶、天貓平台的貸款居多。
截至2012年6月底，阿里小額貸款業務當年上半年投放貸款130億元，自2010年自營小貸業務以來累計投放280億元，為超過13萬家小微企業、個人創業者提供融資服務。
與國有銀行的小貸業務相比，130億元的投放額並不大，但這是由170萬筆貸款組成，在一段時間內曾創造日均完成貸款接近10000筆的業績。
阿里小貸公司最大的發展限制在於資金。互聯網資深評論人士魯振旺對21世紀網表示，放貸資金來源為兩種，一是股東的注冊資金，二是銀行貸款，不超過注冊資本金50%的部分可用於放貸。浙江和重慶兩家阿里小貸公司的注冊資本是16億元，意味著放貸資金最多24億元。
阿里金融絕招：數據+平台
進軍金融業僅五年時間，阿里金融已經擁有了銀行徵信系統無法企及的資料庫和資金流動性。
以淘寶訂單貸款為例，上海開淘寶女鞋店的賣家王樂(化名)對21世紀網表示，由於支付寶上資金需要一到兩周才能劃到賬戶，她經常通過訂單貸款周轉，每筆額度基本保持在八千到一萬，申請後幾秒鍾就能完成貸款，非常方便。
資料庫是阿里金融的最核心資產。
通過阿里巴巴、淘寶、天貓、支付寶等一系列平台，阿里金融對賣家進行定量分析，前期搜集包括平台認證和注冊信息、歷史交易記錄、客戶交互行為、海關進出口信息等信息，再加上賣家自己提供的銷售數據、銀行流水、水電繳納甚至結婚證等情況。同時，阿里金融還引入了心理測試系統，判斷企業主的性格特徵，主要通過模型測評小企業主對假設情景的掩飾程度和撒謊程度。所有信息匯總後，將數值輸入網路行為評分模型，進行信用評級。
阿里巴巴B2B業務貸款由於額度較大，阿里金融委託第三方機構於線下進行實地勘察。
貸款發放之後，可以通過支付寶等渠道監控其現金流，如果出現與貸款目的不符的資金運用，將立即經測算，阿里小貸發放的貸款，平均每筆7600元，由於大數據加平台檢測，貸款周期不超過半年，額度在一百萬內，阿里小貸的不良率控制在1%以內。
阿里的風控模型誕生於2002年誠信通。
當時阿里巴巴正處於創業早期，誠信通後要去企業在阿里巴巴建立信用檔案，買家可以在交易時瀏覽，此後阿里巴巴在「誠信通檔案」基礎上一套評分系統，即「誠信通指數」，由A&V認證，證書及榮譽，會員評價，經驗值等構成。
2007-2010年，阿里巴巴聯合建行、工行合作，向會員企業提供網路聯保貸款，無需抵押，由3家或3家以上企業組成一個聯合體，共同向銀行申請貸款，同時企業之間實現風險共擔。阿里巴巴將提交申請的會員信用記錄提交給銀行，最終由銀行決定是否發放貸款。
在此期間，阿里巴巴建立了信用評價體系和信用資料庫，及應對貸款風險的控制機制，藉助平台對客戶進行風控，並公布不良信用記錄。
由於雙方信貸理念的巨大差異，2010年合作戛然而止。同年6月，阿里巴巴調整方向，與復星、萬向、銀泰等股東共同推動，成立浙江阿里巴巴小額貸款公司，得到國內首張電子商務領域的小額貸款公司營業執照。
阿里金融批量放貸的核心，就是交易數據能否支撐金融模型、以及金融模型是否確定把違約率降低到一定概率。這不但需要長期沉澱，還需要相對穩定的市場環境，和持續防範系統性風險。

㈢ 2021申請必下的小額貸款有嗎試試這些門檻低的

2021年仍然有很多人要借小額貸款周轉，相對大額貸款而言，小額貸款大都以信用貸為主，無需擔保，通過率相對高些。但是要問2021申請必下的小額貸款有嗎，這還真的沒有，因為正規的小額貸款平台對借款人是有要求的，不是隨隨便便就能借款成功，不過倒是可以試試申請門檻低的小額貸款。

2021申請必下的小額貸款有嗎？
正規的小額貸款平台都有一套風控審核機制，只對綜合評分達標的借款人下款的，所以像無條件貸款的平台是不存在的，更別說申請必下的小額貸款自然也不會有。畢竟小額貸款平台並不是慈善機構，在放款前肯定得對借款人進行評估，以確保放款後能順利收回貸款。
一般小貸平台通常會從借款人的還款意願、還款能力進行分析，一般只會借給有還款意願，還款能力強的借款人。否則要是借款給沒有還款意願不強，或者是不具備還款能力的人，借出去的錢很可能會打水漂，連本金都收不回，還想要賺利息簡直是天方夜譚。
而借款人想貸款容易些，那麼得在小貸平台選擇上下一番功夫，比如可以申請有錢花、借唄、京東金條、微粒貸等門檻低的產品，對有良好的信用，還款能力強的借款人來說，基本不會有太大的問題。具體能否借款成功，還是頁面顯示的結果為准。
以上即是「2021申請必下的小額貸款」的相關介紹，希望對大家有所幫助。

㈣ 風控建模是什麼

風控建模是什麼？模型分為兩種：

1、一刀切，大於這個閥值的通過，小於這個閥值的拒絕。

2、分級，不確定的人工干預。

一刀切這種模型，首先聲明一點，在我的理解，應該沒有一家公司有種到，就靠一個模型就完全判定客戶好壞，給他放款與否，如果有這家公司的存在，請收下我的膝蓋，請大神收我為徒。畢竟我所在的公司不敢這么干。

一般這種一刀切的模型是放在很多的策略規則，反欺詐規則，各種驗證規則差不多最後一步步驟的模型，模型給客戶一個評分，利用評分劃分一個閥值，高於閥值的通過（假設越高分的客戶質量越高），低於閥值的拒絕。

這時候還需要提及一點就是，風控，全名是風險控制，風險控制的意思就是控制風險，但是並非完全沒有風險，所以閥值的劃分上，中心思想是：我能讓壞客戶進入造成的損失，是可以用好客戶的收益除去人工，數據，獲客各種雜七雜八的成本覆蓋以外，還可以獲得一個接受的收益的前提下，我去畫下這個閥值。這就意味著，閥值的確定並非高於閥值的客戶就一定是好客戶，你要都是好客戶，那你100個人進來，你就取那個最高分的，那麼逾期率肯定低的，但是這樣子你們市場部肯定跟你翻臉，老子拉100個客戶，你就給一個過，什麼意思，搞我啊！為了避免這種風控和市場的斗爭，你就需要找到一個權衡客戶以及效益的閥值。

客戶涉及的成本:（具體數字需要根據自己公司的數據做調整。）

獲客成本：你們在該產品渠道投放的獲客成本，這估計要跟市場部詢問，你也可以估算，這不是精算，並非需要精細到真真切切的具體一個客戶的獲客成本，大概就可以了，應該你的閥值還會調整的。

資金成本：就是你借出去的錢，是屬於那種渠道的資金，需要支付對方的利息，這個可以詢問領導。因為每個客戶的金額可能不同，無需統計你這批客戶的放款金額，可以取一個平均貸款金額再乘以總的放款人數，畢竟你這些客戶都是放款，模型要針對的是正在申請的客戶。（資金渠道有多個，可以取平均值，或者你想保守一些，平均值取上一些可是可以的。）

人力成本：你都一個閥值確定好壞了，所以這個人力成本，tan90°啊

數據成本：每個客戶都要多多少少接入你一些外部數據，客戶接入的外部數據，估算一下外部數據的成本。（也可以問下你的領導）

如果以上的成本數據你拿不到，那你就不要做這個利潤最大化的活了。我是說真的，畢竟我不知道你們公司這些信息是否可以告訴你。

㈤ 如何做好小額信貸風控

1、風控不能顧頭不顧尾，也不能重貸後而輕貸前，流程讓風控「思維清晰」。
2、需要將風險防控落實在每個環節，貸前嚴格審核，最大程度避免欺詐風險；
貸中有效監控，對還款狀態進行實時監測跟蹤，避免貸後風險；貸後跟蹤管理，通過及時提醒還款、專業催收及相關法律手段應對逾期。
3、風險信息網信息完整，內容真實查詢簡便，實時查詢企業的工商變更、經營異常、開庭公告、裁判文書、失信信息、網貸逾期信息，環保執法信息，股權出質、動產抵押、股權凍結等信息，幫助用戶及時掌握企業異常情況。

㈥ 數據分析之風控

上世紀90年代初，以美國運通（Amarican  Express）為首的美國信用卡金融公司開始運用數據建模來提升風控能力，解決精準營銷等問題。Discover，Capital  One緊隨其後

1995年，AMEX的風控模型開始試運行，1997年風控系統正式上線，此後幾年，AMEX保持高速增長且把不良貸款降到業內最低

2008年，discover將全球數據分析中心搬到上海。從這個中心流出的風控人才，填充了中國各大互金公司

業務類型：有抵押貸（房貸車貸）、信用貸（比如宜人貸）、消費分期貸（手機家電等）、小額現金貸（500/1000/1500）等

風控涉及業務：1）數據採集：包括徵信數據，運營商數據，爬蟲，網站埋點，歷史借款數據，黑名單，第三方數據等

                 2）反欺詐引擎：主要包括反欺詐規則與反欺詐模型。

                 3）規則引擎：即常說的策略。主要通過數據分析手段統計不同欄位和各個區間的壞賬率，然後篩選得到信用較好的人群進行放款

                4）風控模型&評分卡：模型演算法之間並無顯著不同，而是根據其發生的不同時間點進行劃分(貸前/貸中/貸後)，即目標產生的方式不一樣。通常信貸領域都是以逾期天數來定義目標變數。A卡可以用客戶歷史逾期天數最大值，B卡可以用多期借款中逾期最大的一次。C卡因為用途不同有不同的建立方法

                5）催收：是風控的最終手段。這個環節可以產生很多對模型有幫助的數據，比如催收記錄的文字描述，觸達率，欺詐標簽等等

1）爬蟲可以爬取手機APP的信息。我們可以將手機APP分成4類：工具，社交、娛樂、金融。計算每種APP的個數，這樣就有了4個特徵

2）從運營商數據可以知道客戶打了多少電話，發了多少簡訊，用了多少流量，是否有過欠費等信息

3）徵信報告很多時候都是一個簡單的徵信分數，一般都是得分越高，客戶質量越好

4）從基本信息中獲取用戶畫像，比如從身份證中得到年齡、性別、戶籍3個特徵

黑名單的升級版本就是規則引擎。然而它是靠經驗生成的。比如保險公司可能會拒絕連續退貨5次或者退貨比例達到80%的人購買退貨險。規則通常需要投入大量的精力維護，不斷更新修改，否則會造成大量的誤判。對疑似套現金額、筆數超過一定數目，建議拒絕准入，或做重點關注。XX天內申請借貸數大於某個值，建議拒絕

比如我們可以設定一個准入規則，如職業為公務員、醫生、律師等。

還可以設置直接放款原則，比如芝麻分大於750分

目標變數如何確定：以A卡為例，主要通過roll-rate與vintage。舉個例子，我們可以定義在8個月逾期超過60天的客戶為壞客戶，8個月未逾期的為好客戶。而八個月逾期在0-60天內為不確定客戶，從樣本中排除。

1）前期准備工作：不同的模型針對不同的業務場景，在建模項目開始前需要對業務的邏輯和需求有清晰的理解

2）模型設計：包括模型的選擇（評分卡還是集成模型），單個模型還是做模型細分。是否需要做拒絕推斷，怎麼定義觀察期、表現期、好壞用戶。確定數據來源

3）數據拉取及清洗：根據觀察期和表現期的定義從數據池中取數，並進行數據清洗和穩定性驗證。數據清洗包括異常、缺失、重復。穩定性驗證主要考察變數在時間序列上的穩定性，指標有PSI,IV,平均值/方差等

4）特徵工程：主要是特徵的預處理和篩選。評分卡主要是通過IV進行篩選。另外會基於對業務的理解進行特徵構造，包括特徵交叉（兩個或以上特徵相乘/相除/笛卡爾積），特徵轉換等

5）模型建立和評估：評分卡可以用邏輯回歸，只需要做二分類預測可以選擇xgb.模型建好後需要進行模型評估，計算auc,ks。並對模型做交叉驗證來評估泛化能力

6）模型上線部署：在風控後台配置模型規則，對於一些復雜的模型比如xgb,一般是將模型文件轉換為pmml格式，並封裝。在後台上傳文件與配置參數

7）模型監控：前期主要是監控模型整體與變數的穩定性。衡量標准主要是PSI（population stability  index）。其實psi 就是按分數分區間後，各個分數區間實際與期望佔比的差異。如果小於10%，無需更新模型。小於25%，就需要重點關注模型了。如果大於25%就需要更新模型。計算模型psi一般用等頻，可以分10箱

1.A卡B卡C卡含義與區別 

A卡（application score card）：即申請評分卡，在客戶申請處理期，預測客戶開戶後一定時期內違約拖欠的風險概率，有效的排除了信用不良客戶和非目標客戶的申請。同時對客戶進行風險定價----確定額度與利率。用到的數據主要是用戶以往的信用歷史，多頭借貸，消費記錄等信息。

B卡（behavior score   card）：行為評分卡，在賬戶管理期，根據賬戶歷史上所表現出的各種行為特徵來預測該賬戶未來的信貸表現。一是防控貸中風險，二是對用戶的額度做一個調整。用到的數據主要是用戶在本平台的登錄、瀏覽、消費行為等數據。還有借還款，逾期等借貸表現數據。

C卡（collection  score  card）：催收評分卡，對逾期賬戶預測催收策略反應的概率，從而採取相應的催收措施

三張卡的區別：

數據要求不同：A卡一般可做貸款0-1年的信用分析。B卡則是在申請人有了一定行為後，有了較大數據進行的分析。C卡則對數據要求更大，需加入催收後客戶反應等屬性數據

特徵不同：A卡用到的大部分是申請者的背景信息，比如客戶填寫的基本信息，以及第三方信息。而且這個模型一般也會比較謹慎。B卡利用了很多基於交易的特徵。

2.風控領域為何選擇邏輯回歸模型，有哪些局限性

1）首先是因為邏輯回歸客群變化的敏感度不如其他高復雜度模型，因此穩健性好

2）模型直觀，系數含義好闡述，易理解

缺點是容易欠擬合，准確度不是很高。另外對數據要求比較高，缺失、異常、特徵共線性都比較敏感

3.為何用IV而不是WOE篩選特徵

因為IV考慮了分組中樣本比例的影響。即使這個分組的WOE很高，但是分組的樣本佔比很小的話，最終這個特徵的預測能力可能還是很小

4.ROC與KS指標(ks在0.2-0.75，auc在0.5-0.9較好)

ROC曲線把TP,FP當作橫縱坐標，而KS曲線把TP,FP都當成是縱坐標，橫坐標是閥值。KS能找出模型中差異最大的一個分組，大於0.2即可認為有比較好的預測准確性。而ROC能反應整體區分效果

5.分箱方法與badrate單調

目前在行業里，大家用貪心演算法進行分箱的比較多，比如best_ks,卡方分箱等。badrate單調性只在連續型數值變數與有序型離散變數（如學歷/尺碼）分箱的過程中才會考慮。至於為何要考慮badrate單調性，主要是出於業務理解，比如歷史逾期越多那麼badrate越大。

6.為何不同的風控模型，一般都不會選用相同的特徵

被拒絕的人，是因為某些特徵表現差。如果用相同的特徵做重復篩選，那麼隨著時間推移，以後建模的樣本裡面就沒有這些人了。這樣特徵上的樣本分布就變了。

7.風控中用的無監督演算法有哪些

聚類演算法，基於圖的離群檢測，LOF(局部異常因子)，孤立森林等

8.卡方分箱

卡方分箱是基於合並的數據離散化方法.基本思想是相鄰的區間具有類似的類分布,則將之合並.而卡方值是衡量兩個區間相似性的標准,卡方值越低越相似.當然也不可能無限合並下去,我們給它設定一個閥值.根據自由度與置信度得到.比如類別數是N，那麼自由度就是N-1.而置信度表示發生的概率。一般可以取90%。

9.best-ks分箱

與卡方分箱相反，best-ks分箱是一個逐步拆分的過程。將特徵值從小到大排序，KS最大的那個值即為切點，然後把數據分為兩部分。重復這個過程，直到箱體數達到我們的預設的閥值即可。

10.拒絕推斷（reject  inference）

申請評分卡是利用通過審核的授信客戶的歷史數據來建立模型，但是此模型會忽略原先被拒絕的這部分客群對評分卡模型的影響。需要通過拒絕推論來對模型進行修正，以便使模型更加的精確與穩定。另外，公司的規則變化也可能讓過去被拒絕的客戶現在能通過。適用於中低通過率的場景。

常用方法：硬性截斷法---先用初始模型對拒絕用戶進行打分，設置一個閥值。高於此分數標記為好用戶，反之為壞用戶。然後把標記後的拒絕用戶加入樣本中重新訓練模型。分配法---此方法適用於評分卡。將樣本根據評分高低進行分組，並計算各組的違約率。然後對拒絕用戶進行打分並按照之前的方法分組，以各組的違約率為抽樣比例，隨機抽取該分組下的違約用戶，指定為壞用戶，剩下的標記為好用戶。然後將標記好的拒絕用戶加入樣本重新訓練

11.建模過程中如何保證模型的穩定性

1）在數據預處理階段可以驗證變數在時間序列上的穩定性，方法有：計算月IV的差異，觀察變數覆蓋率的變化，兩個時間點的PSI差異等。例如我們選取1-10月的數據集，借鑒K折驗證的思想，得到10組驗證結果。觀察隨著月份的推移，模型的變化是否有比較大的趨勢變化

2）在變數篩選階段剔除與業務理解相悖的變數。如果是評分卡，可以剔除區分度太強的變數，模型受這個變數影響太大，穩定性會下降

3）做交叉驗證，一種是時間序列上的交叉驗證，一種是K折交叉驗證

4）選擇穩定性好的模型。比如xgb  隨機森林等

12.怎麼處理高維稀疏特徵與弱特徵

對於高維稀疏特徵，邏輯回歸比gbdt效果好。後者的懲罰項主要是樹深度與葉子數目，這對稀疏數據來說懲罰並不嚴厲，容易過擬合。使用邏輯回歸評分卡，則可以把特徵離散化為0與非0，然後再進行woe編碼。

如果用評分卡建模，弱特徵一般會被舍棄掉。評分卡的入模特徵數不宜過多，一般在15個以下。而xgb對數據的要求不高，而且精度好。一些弱特徵進行交叉組合也許有意想不到的效果。

13.模型上線後發現穩定性不佳，或者線上的區分效果不好，怎麼調整

模型穩定性不佳首先檢查當初建模時有沒有考慮特徵的穩定性。在模型前期發現穩定性不佳的變數，考慮棄用或用其他變數代替。另外分析線上線下用戶和建模時用戶的分布差異，考慮在建模時增加拒絕推斷的步驟，讓建模樣本的分布更加接近實際的整體申請用戶

線上的效果不好可以從變數角度分析。剔除掉效果不好的變數，挖掘新的變數入模。如果一個模型已上線較長的時間，用戶的屬性也慢慢發生偏移，那麼重新取數做下模型

14.怎麼做風控模型冷啟動

產品剛上線時，沒有積累的用戶數據，或者用戶沒有表現出好壞，此時可以考慮：           1）不做模型，只做規則。憑借業務經驗，做一些硬性規則，比如設定用戶的准入門檻，考量用戶的信用歷史與多頭風險，可以接入第三方的反欺詐服務和數據產品的規則。也可以結合人工審核來對用戶的申請資料做風險評估                                                                               2）藉助相近模型的數據來建模。

15.樣本不平衡問題

除了調整類權重以外，主要採用采樣方法來解決。常見的有樸素隨機過采樣，SMOTE,ADASYN（自適應綜合過采樣）

16.運營商數據處理

根據通話日期，可以將通話記錄分為近7天，近半月，近一月，近三月，近6月等時間窗口。也可以按具體日期劃分為工作日、節假日等。根據通話時間，可以將一天劃為凌晨、上午、下午、晚上。至於電話號碼，一種思路是按照歸屬地劃分為 省市，另一種思路是對號碼打標簽，根據電話邦、網路手機衛士、搜狗號碼通的標記，區分出快遞外賣、騷擾電話、金融機構、中介等。甚至根據業務積累區分號碼是否是黑名單用戶、申請用戶或申請被拒用戶。用戶與不同號碼標簽的通話情況，可以側面反應用戶的通話習慣和生活特點

17.逐步回歸

當自變數之間的關系比較復雜，對於變數的取捨不易把握時，我們可以使用逐步回歸的方法進行變數篩選。逐步回歸的基本思想是將變數逐個引入模型，每引入一個變數進行F檢驗，並對已經選入的變數進行t檢驗，當原來引入的變數在後面的變數引入之後不再顯著時，則將原來的變數刪除。以確保每次引入引入新的變數之前回歸方程中只包含顯著性變數

18.在邏輯回歸中，為什麼常常要做特徵組合（特徵交叉）

邏輯回歸屬於廣義線性模型，特徵組合可以引入非線性特徵，提升模型的表達能力

部分引用文章： https://www.jianshu.com/u/0ce0500106d              https://new.qq.com/omn/20180115/20180115A0RUEZ.html                    https://www.ixueshu.com/document/.html                                                                                                                                      https://www.e-learn.cn/content/qita/775233                                                                                https://cloud.tencent.com/developer/article/144 8182                                                                 https://www.shangyexin.com/article/details/id-171268/                                                          https://blog.csdn.net/sunyaowu315/article/details/87162765                                                      https://www.yuque.com/rookie-ywx0p/sm8coc/ll43oc                                                                  https://zhuanlan.hu.com/p/56474197                                                                                     https://www.infoq.cn/article/jXwvkaB9t7mPWHxj9ymu                                                             https://cloud.tencent.com/developer/article/1489429                                                                  https://cloud.tencent.com/developer/article/1059236                                                                  https://github.com/taenggu0309/Scorecard--Function

㈦ 農行小額貸款條件

（1）具有中華人民國國籍，年齡在18周歲以上(含18周歲)，且申請借款時年齡和借款期限之和不超過65（含65）；在農村區域有固定住所,身體健康,具有完全民事行為能力和勞動能力，農業貸款條件持有有效身份證件。

（2）具有按期貸款本息的能力。

（3）所從事的生產經營活動，符合國家法律法規及產業政策。

（4）我行的其他條件。

農戶小額貸款特色：

1、貸款方式靈活。農戶在滿足條件的情況下，可採用保證、抵押、質押、農戶聯保等多種方式申請貸款。

2、用款方式靈活。根據用款方式不同，農戶小額貸款分為自助可循環方式和一般方式。自助可循環方式下，在核定的最高額度和期限內，借款人可隨借隨還，通過自助借款方式提款、還款；一般方式下，我行對借款人實行一次性放款，一次或分次收回。具體用款方式由借款人與我行協商決定。

3、節省利息。自助可循環方式下，農戶小額貸款按照貸款的實際使用天數計息，可最大程度的減少借款人的利息支出。

(7)小額貸款風控建模電子書擴展閱讀：

農業銀行出台《中國農業銀行互聯網小額貸款業務管理辦法（試行）》，該《辦法》是農業銀行首次針對單戶授信1000萬元（含）以下小微企業互聯網貸款業務（簡稱「小額網貸業務」）出台的基本管理制度，旨在打造線上化、批量化、自動化、工廠化、便捷化的小微金融服務新模式。

提高小微客戶的貸款可獲得性、便捷性，是農業銀行深化小微金融服務、把握小額貸款發展規律、適應小額貸款線上化發展趨勢的重要制度創新。

《辦法》充分體現小額貸款業務線上化運行特徵，貫徹「小額分散高效」原則，運用互聯網和大數據技術，依託信息化平台，從多方渠道採集整合數據，建立並運用各種評價決策模型，推行線上化運作與自動化審批，實現批量獲客、快捷審批、便利用信。

◉《辦法》明確了小額網貸業務定義、基本准入條件和貸款要素；

◉規定了開辦業務必須具備系統平台、客戶數據和風控模型三項基本要素，堅持「系統管控為主、人工干預為輔、數據真實為先」，運用風控模型實現自動審批、自動放款、自動風險預警處置的線上自動化運作；

◉規定了合法合規、業務真實、便捷快速、批量運作和風險可控五項基本原則；

◉明確了制定整體業務方案→配套產品制度→上線風控模型「三步走」業務流程；

◉規定了信息核查、「白名單」准入、業務審批、用信審核、貸後管理等各業務環節的管理要求；

◉同時根據小微客戶集群差異化特點明確了便捷貸、供應鏈、政府增信、電商平台、區域集群、產業集群6種批量化服務模式。

◉推進農業銀行小微金融服務從單點碎片化營銷向批量化集群營銷轉變，從人工管控向數據模型自動管控轉變，從高成本低效率向「小額分散高效」轉變，全面提升小微金融服務水平。