小额贷款风控建模电子书

㈠ 小额贷款被风控了是什么原因怎么解除风控

小额贷款因为申请较为方便，不少人缺钱时都习惯借小额贷款，其中一部分借款人想要再次贷款时，发现自己不能再借，被贷款机构风控了。小额贷款被风控了是什么原因呢？怎么解除风控？一起来看看吧。

小额贷款被风控了是什么原因？
为了减少贷款逾期带来的经济损失，贷款机构大多有一套完备的风险控制系统，主要是通过借款人提供的贷款资料、负债、还款记录等相关信息中，判断借款人的是否具有还款能力，贷中审核、贷后催收都是贷款机构风控手段的表现。
小额贷款被风控了，也就是借款人被贷款机构打上了高风险用户的标签，无法成功借款，原因一般有这些：
借款人的征信硬查询记录过多，会让贷款机构觉得借款人资金紧张，还款能力有可能降低。
借款人在使用贷款时，有逾期还款的欠款，无法再次顺利通过系统的审核。
借款人的负债增多，无法达到贷款机构的要求。
怎么解除风控？
想要解除风控，借款人可以跟贷款机构的客服沟通，得知自己被风控的具体原因。
如果是征信查询记录过多，那么不要再申请任何信贷产品，近三个月内的征信查询记录不要超过三次，养好征信再去申请贷款。
如果是小额贷款逾期了，那么先结清逾期贷款，等待逾期记录自动消除，或者主动联系贷款平台，开具结清证明，然后再等待系统审核。
如果是负债增多，则可以结清部分贷款，降低负债率，或者选择申请对负债率不敏感的贷款产品。
借款人如果被风控了，首先要弄清楚小额贷款被风控了是什么原因，然后再采取相关措施补救。

㈡ 阿里小额贷款模式分析

阿里金融发展的势头越来越猛，阿里信贷业务向江浙地区普通会员放开，实现单日利息收入100万元，引发银行业震颤。接下来为大家分析一下阿里小贷贷款模式。
在这个年交易额过万亿元的中国最大的电子商务平台上，无担保、无抵押、纯信用的小贷模式不断刷新资金流转的速度。而阿里金融实现批量放贷的核心，正是阿里大数据。
阿里金融主要做小企业贷款，以日计息，随借随还，无担保无抵押。流动的资金不断为小微电商经营业主“解渴”。
010年和2011年，阿里金融分别于浙江和重庆成立了小额贷款公司，为阿里巴巴B2B业务、淘宝、天猫三个平台的商家提供订单贷款和信用贷款。
订单贷款是指，基于卖家店铺已发货、买家未确认的实物交易订单金额，系统给出授信额度，到期自动还款，实际上是订单质押贷款。订单贷款日预期年化利率为累积年预期年化利率约18%。淘宝、天猫订单贷款最高额度100万元，周期30天。
信用贷款是无担保、无抵押贷款，在综合评价申请人的资信状况、授信风险和信用需求等因素后核定授信额度，额度从5万元-100万元。信用贷款日预期年化利率为累积年预期年化利率约21%。信用贷款最高额度100万元，贷款周期6个月。
阿里信用贷款又分为“循环贷”和“固定贷”两种。“循环贷”指获贷额度作为备用金，随借随还，免息同时不取用。固定贷指获贷额度在获贷后一次性发放。
从整体上讲，阿里金融的小贷业务以淘宝、天猫平台的贷款居多。
截至2012年6月底，阿里小额贷款业务当年上半年投放贷款130亿元，自2010年自营小贷业务以来累计投放280亿元，为超过13万家小微企业、个人创业者提供融资服务。
与国有银行的小贷业务相比，130亿元的投放额并不大，但这是由170万笔贷款组成，在一段时间内曾创造日均完成贷款接近10000笔的业绩。
阿里小贷公司最大的发展限制在于资金。互联网资深评论人士鲁振旺对21世纪网表示，放贷资金来源为两种，一是股东的注册资金，二是银行贷款，不超过注册资本金50%的部分可用于放贷。浙江和重庆两家阿里小贷公司的注册资本是16亿元，意味着放贷资金最多24亿元。
阿里金融绝招：数据+平台
进军金融业仅五年时间，阿里金融已经拥有了银行征信系统无法企及的数据库和资金流动性。
以淘宝订单贷款为例，上海开淘宝女鞋店的卖家王乐(化名)对21世纪网表示，由于支付宝上资金需要一到两周才能划到账户，她经常通过订单贷款周转，每笔额度基本保持在八千到一万，申请后几秒钟就能完成贷款，非常方便。
数据库是阿里金融的最核心资产。
通过阿里巴巴、淘宝、天猫、支付宝等一系列平台，阿里金融对卖家进行定量分析，前期搜集包括平台认证和注册信息、历史交易记录、客户交互行为、海关进出口信息等信息，再加上卖家自己提供的销售数据、银行流水、水电缴纳甚至结婚证等情况。同时，阿里金融还引入了心理测试系统，判断企业主的性格特征，主要通过模型测评小企业主对假设情景的掩饰程度和撒谎程度。所有信息汇总后，将数值输入网络行为评分模型，进行信用评级。
阿里巴巴B2B业务贷款由于额度较大，阿里金融委托第三方机构于线下进行实地勘察。
贷款发放之后，可以通过支付宝等渠道监控其现金流，如果出现与贷款目的不符的资金运用，将立即经测算，阿里小贷发放的贷款，平均每笔7600元，由于大数据加平台检测，贷款周期不超过半年，额度在一百万内，阿里小贷的不良率控制在1%以内。
阿里的风控模型诞生于2002年诚信通。
当时阿里巴巴正处于创业早期，诚信通后要去企业在阿里巴巴建立信用档案，买家可以在交易时浏览，此后阿里巴巴在“诚信通档案”基础上一套评分系统，即“诚信通指数”，由A&V认证，证书及荣誉，会员评价，经验值等构成。
2007-2010年，阿里巴巴联合建行、工行合作，向会员企业提供网络联保贷款，无需抵押，由3家或3家以上企业组成一个联合体，共同向银行申请贷款，同时企业之间实现风险共担。阿里巴巴将提交申请的会员信用记录提交给银行，最终由银行决定是否发放贷款。
在此期间，阿里巴巴建立了信用评价体系和信用数据库，及应对贷款风险的控制机制，借助平台对客户进行风控，并公布不良信用记录。
由于双方信贷理念的巨大差异，2010年合作戛然而止。同年6月，阿里巴巴调整方向，与复星、万向、银泰等股东共同推动，成立浙江阿里巴巴小额贷款公司，得到国内首张电子商务领域的小额贷款公司营业执照。
阿里金融批量放贷的核心，就是交易数据能否支撑金融模型、以及金融模型是否确定把违约率降低到一定概率。这不但需要长期沉淀，还需要相对稳定的市场环境，和持续防范系统性风险。

㈢ 2021申请必下的小额贷款有吗试试这些门槛低的

2021年仍然有很多人要借小额贷款周转，相对大额贷款而言，小额贷款大都以信用贷为主，无需担保，通过率相对高些。但是要问2021申请必下的小额贷款有吗，这还真的没有，因为正规的小额贷款平台对借款人是有要求的，不是随随便便就能借款成功，不过倒是可以试试申请门槛低的小额贷款。

2021申请必下的小额贷款有吗？
正规的小额贷款平台都有一套风控审核机制，只对综合评分达标的借款人下款的，所以像无条件贷款的平台是不存在的，更别说申请必下的小额贷款自然也不会有。毕竟小额贷款平台并不是慈善机构，在放款前肯定得对借款人进行评估，以确保放款后能顺利收回贷款。
一般小贷平台通常会从借款人的还款意愿、还款能力进行分析，一般只会借给有还款意愿，还款能力强的借款人。否则要是借款给没有还款意愿不强，或者是不具备还款能力的人，借出去的钱很可能会打水漂，连本金都收不回，还想要赚利息简直是天方夜谭。
而借款人想贷款容易些，那么得在小贷平台选择上下一番功夫，比如可以申请有钱花、借呗、京东金条、微粒贷等门槛低的产品，对有良好的信用，还款能力强的借款人来说，基本不会有太大的问题。具体能否借款成功，还是页面显示的结果为准。
以上即是“2021申请必下的小额贷款”的相关介绍，希望对大家有所帮助。

㈣ 风控建模是什么

风控建模是什么？模型分为两种：

1、一刀切，大于这个阀值的通过，小于这个阀值的拒绝。

2、分级，不确定的人工干预。

一刀切这种模型，首先声明一点，在我的理解，应该没有一家公司有种到，就靠一个模型就完全判定客户好坏，给他放款与否，如果有这家公司的存在，请收下我的膝盖，请大神收我为徒。毕竟我所在的公司不敢这么干。

一般这种一刀切的模型是放在很多的策略规则，反欺诈规则，各种验证规则差不多最后一步步骤的模型，模型给客户一个评分，利用评分划分一个阀值，高于阀值的通过（假设越高分的客户质量越高），低于阀值的拒绝。

这时候还需要提及一点就是，风控，全名是风险控制，风险控制的意思就是控制风险，但是并非完全没有风险，所以阀值的划分上，中心思想是：我能让坏客户进入造成的损失，是可以用好客户的收益除去人工，数据，获客各种杂七杂八的成本覆盖以外，还可以获得一个接受的收益的前提下，我去画下这个阀值。这就意味着，阀值的确定并非高于阀值的客户就一定是好客户，你要都是好客户，那你100个人进来，你就取那个最高分的，那么逾期率肯定低的，但是这样子你们市场部肯定跟你翻脸，老子拉100个客户，你就给一个过，什么意思，搞我啊！为了避免这种风控和市场的斗争，你就需要找到一个权衡客户以及效益的阀值。

客户涉及的成本:（具体数字需要根据自己公司的数据做调整。）

获客成本：你们在该产品渠道投放的获客成本，这估计要跟市场部询问，你也可以估算，这不是精算，并非需要精细到真真切切的具体一个客户的获客成本，大概就可以了，应该你的阀值还会调整的。

资金成本：就是你借出去的钱，是属于那种渠道的资金，需要支付对方的利息，这个可以询问领导。因为每个客户的金额可能不同，无需统计你这批客户的放款金额，可以取一个平均贷款金额再乘以总的放款人数，毕竟你这些客户都是放款，模型要针对的是正在申请的客户。（资金渠道有多个，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：你都一个阀值确定好坏了，所以这个人力成本，tan90°啊

数据成本：每个客户都要多多少少接入你一些外部数据，客户接入的外部数据，估算一下外部数据的成本。（也可以问下你的领导）

如果以上的成本数据你拿不到，那你就不要做这个利润最大化的活了。我是说真的，毕竟我不知道你们公司这些信息是否可以告诉你。

㈤ 如何做好小额信贷风控

1、风控不能顾头不顾尾，也不能重贷后而轻贷前，流程让风控“思维清晰”。
2、需要将风险防控落实在每个环节，贷前严格审核，最大程度避免欺诈风险；
贷中有效监控，对还款状态进行实时监测跟踪，避免贷后风险；贷后跟踪管理，通过及时提醒还款、专业催收及相关法律手段应对逾期。
3、风险信息网信息完整，内容真实查询简便，实时查询企业的工商变更、经营异常、开庭公告、裁判文书、失信信息、网贷逾期信息，环保执法信息，股权出质、动产抵押、股权冻结等信息，帮助用户及时掌握企业异常情况。

㈥ 数据分析之风控

上世纪90年代初，以美国运通（Amarican  Express）为首的美国信用卡金融公司开始运用数据建模来提升风控能力，解决精准营销等问题。Discover，Capital  One紧随其后

1995年，AMEX的风控模型开始试运行，1997年风控系统正式上线，此后几年，AMEX保持高速增长且把不良贷款降到业内最低

2008年，discover将全球数据分析中心搬到上海。从这个中心流出的风控人才，填充了中国各大互金公司

业务类型：有抵押贷（房贷车贷）、信用贷（比如宜人贷）、消费分期贷（手机家电等）、小额现金贷（500/1000/1500）等

风控涉及业务：1）数据采集：包括征信数据，运营商数据，爬虫，网站埋点，历史借款数据，黑名单，第三方数据等

                 2）反欺诈引擎：主要包括反欺诈规则与反欺诈模型。

                 3）规则引擎：即常说的策略。主要通过数据分析手段统计不同字段和各个区间的坏账率，然后筛选得到信用较好的人群进行放款

                4）风控模型&评分卡：模型算法之间并无显著不同，而是根据其发生的不同时间点进行划分(贷前/贷中/贷后)，即目标产生的方式不一样。通常信贷领域都是以逾期天数来定义目标变量。A卡可以用客户历史逾期天数最大值，B卡可以用多期借款中逾期最大的一次。C卡因为用途不同有不同的建立方法

                5）催收：是风控的最终手段。这个环节可以产生很多对模型有帮助的数据，比如催收记录的文字描述，触达率，欺诈标签等等

1）爬虫可以爬取手机APP的信息。我们可以将手机APP分成4类：工具，社交、娱乐、金融。计算每种APP的个数，这样就有了4个特征

2）从运营商数据可以知道客户打了多少电话，发了多少短信，用了多少流量，是否有过欠费等信息

3）征信报告很多时候都是一个简单的征信分数，一般都是得分越高，客户质量越好

4）从基本信息中获取用户画像，比如从身份证中得到年龄、性别、户籍3个特征

黑名单的升级版本就是规则引擎。然而它是靠经验生成的。比如保险公司可能会拒绝连续退货5次或者退货比例达到80%的人购买退货险。规则通常需要投入大量的精力维护，不断更新修改，否则会造成大量的误判。对疑似套现金额、笔数超过一定数目，建议拒绝准入，或做重点关注。XX天内申请借贷数大于某个值，建议拒绝

比如我们可以设定一个准入规则，如职业为公务员、医生、律师等。

还可以设置直接放款原则，比如芝麻分大于750分

目标变量如何确定：以A卡为例，主要通过roll-rate与vintage。举个例子，我们可以定义在8个月逾期超过60天的客户为坏客户，8个月未逾期的为好客户。而八个月逾期在0-60天内为不确定客户，从样本中排除。

1）前期准备工作：不同的模型针对不同的业务场景，在建模项目开始前需要对业务的逻辑和需求有清晰的理解

2）模型设计：包括模型的选择（评分卡还是集成模型），单个模型还是做模型细分。是否需要做拒绝推断，怎么定义观察期、表现期、好坏用户。确定数据来源

3）数据拉取及清洗：根据观察期和表现期的定义从数据池中取数，并进行数据清洗和稳定性验证。数据清洗包括异常、缺失、重复。稳定性验证主要考察变量在时间序列上的稳定性，指标有PSI,IV,平均值/方差等

4）特征工程：主要是特征的预处理和筛选。评分卡主要是通过IV进行筛选。另外会基于对业务的理解进行特征构造，包括特征交叉（两个或以上特征相乘/相除/笛卡尔积），特征转换等

5）模型建立和评估：评分卡可以用逻辑回归，只需要做二分类预测可以选择xgb.模型建好后需要进行模型评估，计算auc,ks。并对模型做交叉验证来评估泛化能力

6）模型上线部署：在风控后台配置模型规则，对于一些复杂的模型比如xgb,一般是将模型文件转换为pmml格式，并封装。在后台上传文件与配置参数

7）模型监控：前期主要是监控模型整体与变量的稳定性。衡量标准主要是PSI（population stability  index）。其实psi 就是按分数分区间后，各个分数区间实际与期望占比的差异。如果小于10%，无需更新模型。小于25%，就需要重点关注模型了。如果大于25%就需要更新模型。计算模型psi一般用等频，可以分10箱

1.A卡B卡C卡含义与区别 

A卡（application score card）：即申请评分卡，在客户申请处理期，预测客户开户后一定时期内违约拖欠的风险概率，有效的排除了信用不良客户和非目标客户的申请。同时对客户进行风险定价----确定额度与利率。用到的数据主要是用户以往的信用历史，多头借贷，消费记录等信息。

B卡（behavior score   card）：行为评分卡，在账户管理期，根据账户历史上所表现出的各种行为特征来预测该账户未来的信贷表现。一是防控贷中风险，二是对用户的额度做一个调整。用到的数据主要是用户在本平台的登录、浏览、消费行为等数据。还有借还款，逾期等借贷表现数据。

C卡（collection  score  card）：催收评分卡，对逾期账户预测催收策略反应的概率，从而采取相应的催收措施

三张卡的区别：

数据要求不同：A卡一般可做贷款0-1年的信用分析。B卡则是在申请人有了一定行为后，有了较大数据进行的分析。C卡则对数据要求更大，需加入催收后客户反应等属性数据

特征不同：A卡用到的大部分是申请者的背景信息，比如客户填写的基本信息，以及第三方信息。而且这个模型一般也会比较谨慎。B卡利用了很多基于交易的特征。

2.风控领域为何选择逻辑回归模型，有哪些局限性

1）首先是因为逻辑回归客群变化的敏感度不如其他高复杂度模型，因此稳健性好

2）模型直观，系数含义好阐述，易理解

缺点是容易欠拟合，准确度不是很高。另外对数据要求比较高，缺失、异常、特征共线性都比较敏感

3.为何用IV而不是WOE筛选特征

因为IV考虑了分组中样本比例的影响。即使这个分组的WOE很高，但是分组的样本占比很小的话，最终这个特征的预测能力可能还是很小

4.ROC与KS指标(ks在0.2-0.75，auc在0.5-0.9较好)

ROC曲线把TP,FP当作横纵坐标，而KS曲线把TP,FP都当成是纵坐标，横坐标是阀值。KS能找出模型中差异最大的一个分组，大于0.2即可认为有比较好的预测准确性。而ROC能反应整体区分效果

5.分箱方法与badrate单调

目前在行业里，大家用贪心算法进行分箱的比较多，比如best_ks,卡方分箱等。badrate单调性只在连续型数值变量与有序型离散变量（如学历/尺码）分箱的过程中才会考虑。至于为何要考虑badrate单调性，主要是出于业务理解，比如历史逾期越多那么badrate越大。

6.为何不同的风控模型，一般都不会选用相同的特征

被拒绝的人，是因为某些特征表现差。如果用相同的特征做重复筛选，那么随着时间推移，以后建模的样本里面就没有这些人了。这样特征上的样本分布就变了。

7.风控中用的无监督算法有哪些

聚类算法，基于图的离群检测，LOF(局部异常因子)，孤立森林等

8.卡方分箱

卡方分箱是基于合并的数据离散化方法.基本思想是相邻的区间具有类似的类分布,则将之合并.而卡方值是衡量两个区间相似性的标准,卡方值越低越相似.当然也不可能无限合并下去,我们给它设定一个阀值.根据自由度与置信度得到.比如类别数是N，那么自由度就是N-1.而置信度表示发生的概率。一般可以取90%。

9.best-ks分箱

与卡方分箱相反，best-ks分箱是一个逐步拆分的过程。将特征值从小到大排序，KS最大的那个值即为切点，然后把数据分为两部分。重复这个过程，直到箱体数达到我们的预设的阀值即可。

10.拒绝推断（reject  inference）

申请评分卡是利用通过审核的授信客户的历史数据来建立模型，但是此模型会忽略原先被拒绝的这部分客群对评分卡模型的影响。需要通过拒绝推论来对模型进行修正，以便使模型更加的精确与稳定。另外，公司的规则变化也可能让过去被拒绝的客户现在能通过。适用于中低通过率的场景。

常用方法：硬性截断法---先用初始模型对拒绝用户进行打分，设置一个阀值。高于此分数标记为好用户，反之为坏用户。然后把标记后的拒绝用户加入样本中重新训练模型。分配法---此方法适用于评分卡。将样本根据评分高低进行分组，并计算各组的违约率。然后对拒绝用户进行打分并按照之前的方法分组，以各组的违约率为抽样比例，随机抽取该分组下的违约用户，指定为坏用户，剩下的标记为好用户。然后将标记好的拒绝用户加入样本重新训练

11.建模过程中如何保证模型的稳定性

1）在数据预处理阶段可以验证变量在时间序列上的稳定性，方法有：计算月IV的差异，观察变量覆盖率的变化，两个时间点的PSI差异等。例如我们选取1-10月的数据集，借鉴K折验证的思想，得到10组验证结果。观察随着月份的推移，模型的变化是否有比较大的趋势变化

2）在变量筛选阶段剔除与业务理解相悖的变量。如果是评分卡，可以剔除区分度太强的变量，模型受这个变量影响太大，稳定性会下降

3）做交叉验证，一种是时间序列上的交叉验证，一种是K折交叉验证

4）选择稳定性好的模型。比如xgb  随机森林等

12.怎么处理高维稀疏特征与弱特征

对于高维稀疏特征，逻辑回归比gbdt效果好。后者的惩罚项主要是树深度与叶子数目，这对稀疏数据来说惩罚并不严厉，容易过拟合。使用逻辑回归评分卡，则可以把特征离散化为0与非0，然后再进行woe编码。

如果用评分卡建模，弱特征一般会被舍弃掉。评分卡的入模特征数不宜过多，一般在15个以下。而xgb对数据的要求不高，而且精度好。一些弱特征进行交叉组合也许有意想不到的效果。

13.模型上线后发现稳定性不佳，或者线上的区分效果不好，怎么调整

模型稳定性不佳首先检查当初建模时有没有考虑特征的稳定性。在模型前期发现稳定性不佳的变量，考虑弃用或用其他变量代替。另外分析线上线下用户和建模时用户的分布差异，考虑在建模时增加拒绝推断的步骤，让建模样本的分布更加接近实际的整体申请用户

线上的效果不好可以从变量角度分析。剔除掉效果不好的变量，挖掘新的变量入模。如果一个模型已上线较长的时间，用户的属性也慢慢发生偏移，那么重新取数做下模型

14.怎么做风控模型冷启动

产品刚上线时，没有积累的用户数据，或者用户没有表现出好坏，此时可以考虑：           1）不做模型，只做规则。凭借业务经验，做一些硬性规则，比如设定用户的准入门槛，考量用户的信用历史与多头风险，可以接入第三方的反欺诈服务和数据产品的规则。也可以结合人工审核来对用户的申请资料做风险评估                                                                               2）借助相近模型的数据来建模。

15.样本不平衡问题

除了调整类权重以外，主要采用采样方法来解决。常见的有朴素随机过采样，SMOTE,ADASYN（自适应综合过采样）

16.运营商数据处理

根据通话日期，可以将通话记录分为近7天，近半月，近一月，近三月，近6月等时间窗口。也可以按具体日期划分为工作日、节假日等。根据通话时间，可以将一天划为凌晨、上午、下午、晚上。至于电话号码，一种思路是按照归属地划分为 省市，另一种思路是对号码打标签，根据电话邦、网络手机卫士、搜狗号码通的标记，区分出快递外卖、骚扰电话、金融机构、中介等。甚至根据业务积累区分号码是否是黑名单用户、申请用户或申请被拒用户。用户与不同号码标签的通话情况，可以侧面反应用户的通话习惯和生活特点

17.逐步回归

当自变量之间的关系比较复杂，对于变量的取舍不易把握时，我们可以使用逐步回归的方法进行变量筛选。逐步回归的基本思想是将变量逐个引入模型，每引入一个变量进行F检验，并对已经选入的变量进行t检验，当原来引入的变量在后面的变量引入之后不再显著时，则将原来的变量删除。以确保每次引入引入新的变量之前回归方程中只包含显著性变量

18.在逻辑回归中，为什么常常要做特征组合（特征交叉）

逻辑回归属于广义线性模型，特征组合可以引入非线性特征，提升模型的表达能力

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 农行小额贷款条件

（1）具有中华人民国国籍，年龄在18周岁以上(含18周岁)，且申请借款时年龄和借款期限之和不超过65（含65）；在农村区域有固定住所,身体健康,具有完全民事行为能力和劳动能力，农业贷款条件持有有效身份证件。

（2）具有按期贷款本息的能力。

（3）所从事的生产经营活动，符合国家法律法规及产业政策。

（4）我行的其他条件。

农户小额贷款特色：

1、贷款方式灵活。农户在满足条件的情况下，可采用保证、抵押、质押、农户联保等多种方式申请贷款。

2、用款方式灵活。根据用款方式不同，农户小额贷款分为自助可循环方式和一般方式。自助可循环方式下，在核定的最高额度和期限内，借款人可随借随还，通过自助借款方式提款、还款；一般方式下，我行对借款人实行一次性放款，一次或分次收回。具体用款方式由借款人与我行协商决定。

3、节省利息。自助可循环方式下，农户小额贷款按照贷款的实际使用天数计息，可最大程度的减少借款人的利息支出。

(7)小额贷款风控建模电子书扩展阅读：

农业银行出台《中国农业银行互联网小额贷款业务管理办法（试行）》，该《办法》是农业银行首次针对单户授信1000万元（含）以下小微企业互联网贷款业务（简称“小额网贷业务”）出台的基本管理制度，旨在打造线上化、批量化、自动化、工厂化、便捷化的小微金融服务新模式。

提高小微客户的贷款可获得性、便捷性，是农业银行深化小微金融服务、把握小额贷款发展规律、适应小额贷款线上化发展趋势的重要制度创新。

《办法》充分体现小额贷款业务线上化运行特征，贯彻“小额分散高效”原则，运用互联网和大数据技术，依托信息化平台，从多方渠道采集整合数据，建立并运用各种评价决策模型，推行线上化运作与自动化审批，实现批量获客、快捷审批、便利用信。

◉《办法》明确了小额网贷业务定义、基本准入条件和贷款要素；

◉规定了开办业务必须具备系统平台、客户数据和风控模型三项基本要素，坚持“系统管控为主、人工干预为辅、数据真实为先”，运用风控模型实现自动审批、自动放款、自动风险预警处置的线上自动化运作；

◉规定了合法合规、业务真实、便捷快速、批量运作和风险可控五项基本原则；

◉明确了制定整体业务方案→配套产品制度→上线风控模型“三步走”业务流程；

◉规定了信息核查、“白名单”准入、业务审批、用信审核、贷后管理等各业务环节的管理要求；

◉同时根据小微客户集群差异化特点明确了便捷贷、供应链、政府增信、电商平台、区域集群、产业集群6种批量化服务模式。

◉推进农业银行小微金融服务从单点碎片化营销向批量化集群营销转变，从人工管控向数据模型自动管控转变，从高成本低效率向“小额分散高效”转变，全面提升小微金融服务水平。