作者：黄天元，复旦大学博士在读，热爱数据科学与R，热衷推广R在工业界与学术界的应用。知乎专栏：R语言数据挖掘 邮箱：huang.tian-yuan@qq.com.欢迎合作交流。
相关连接：
HopeR：R语言信用评分卡：拒绝推断（7） 最小样本量确定
提要：
Hope现在作为金融风控分析师就职于A金融公司，之前的风控模型在1月份违约率为6.5%，2月份调整之后达到了4.7%，可喜可贺。但是公司领导Kate居安思危，认为目前市场的波动很大，用户的心理和行为的变化很敏感，因此要再次更新模型。Kate让Hope就1、2月份的所有数据（包括放款的数据和未放款的数据），对放款规则进行更新，来获得更加好的效果。就在2月末3月初，Hope开始做这个模型，尝试保持甚至提高3月份的业绩，并对4、5月份的决策做出指导。
拒绝推断要解决的问题，是因为用户违约特征及其重要性变化了，导致模型失效。能不能建立一个动态模型，像预测股市一样预测用户的违约行为呢？尽管要做这个尝试，但是我们还是不得不对数据的情境加深理解。我们知道这些款项是什么时候借出去的（loan_dt），但是我们得知这个用户有没有违约的时候，究竟是什么时候呢？这取决于这个用户接借出金额的应还日期。如果是每月返还，我们能够最短在一个月内就得到用户是否还款的信息，从而判断是违约还是没有违约。如果借款时间长达半年到一年，那么这个数据我们得到的时候，已经是一年半载以后了。模型是有一定时效性的，我们筛选出来的特征，如果是能够反映根本问题的稳健特征，那么可以用很久。但是注意，这些特征的相对重要性也是在改变的。就比如二十年前博士学位能够给个人带来好的薪酬，二十年后的今天也可以，但是我们明显发现二十年前的博士要值钱。反映在模型中，相对的回归系数就会变化。我们金融信贷模型也是一样的，随着时间变化，回归系数肯定在变化。如果随着时间的变化，变化比较多的话，那么模型很快就会失效。
由此看来，如果每次建模的时候，都只能用半年前的数据，但是半年后用户的整个行为特征都变化了，那么就永远踩不到点上。这种模型，不擅长捕捉用户的短期行为变化，尤其不能用所谓“准确率”比较高的模型，因为它的一呼一吸就是长时间尺度的，应该找长期的特征，并在一定的时长之后进行更新模型。这个一定时长，就是我们想要探讨的时间窗口长度。
在我们这个实际案例中，我们其实不知道每个款项借出了多久，也不知道每笔借了多少金额，这其实非常不利于建模。还有一个关键信息就是，我们不知道这个得知违约的具体时机是什么时候！不过我们可以大致猜测，早借出的交易能够早知道结果，按照这个时间顺序来计算，也能够大致模拟实际情况。不过我们现在的建模背景要改为如下：
现在每个用户都有其违约信息，而且每天我们都能够得知新的用户是否违约的信息（不管他们是什么时候借出款项的）。有这个动态变化的信息，我们希望能够通过定期更新模型，从而对后续用户违约行为进行更加精准的预测。究竟如何涉及算法来部署这个模型，是我们所感兴趣的话题。
其实用户借款到还款的时间，是比较重要的一个信息，但是我们没有。因为我们预测的时间窗口，必须要短于还款时间。如果等还款了才有足够的样本和特征建模，那也是枉然，我们的模型一定要保证一样的时效性才能够做到“有用”。目前，我们只能不断缩短这个时间，得到最短时间窗口。我们可以预料到，时间窗口越长，肯定能够积累的样本量越多，对于预测长期的违约行为就具有鲁棒性；时间窗口越短，能够捕捉的短期特征就越多，但是要在很短的时间范围内多次更新模型，带来了额外的成本。而且多次更新模型，出错的概率也很高，万一学习了错误的模型，下一期的预测就会出问题，敏捷模型究竟好不好，还是要事实来说话。所幸这份数据还有时间信息，我们可以按照时间序列的方法，来做滑动窗口的模型预测，相信这是一个非常有价值的测试。在开始玩耍这个模型之前，让我们重温一次数据的模样：
与此同时，我们前面的分析也不会白费，我们会沿用在1月份选取的特征，先默认这些特征具有一定的稳健性，不会随着时间发展而发生重大改变。后面这个假设也许会变更，到时候再建立新的算法模型。目前先设计到这里，下一步计划：确定动态模型的时间窗口长度。
原文作者：；如有侵权，请联系管理员删除。
