📚 课程目录第2章坏样本来源分析

2. 坏样本来源分析：多源数据中的识别方法

坏样本的识别与构建是精算建模的基石。不同数据源在覆盖范围、时效性、定义标准和噪声水平上存在显著差异，因此需要针对性地设计识别策略。本章系统梳理内部历史数据、外部征信数据、行业共享数据及监管数据四类核心来源，并给出每类来源中坏样本的识别方法与操作要点。

内部历史数据是保险公司或金融机构自有承保、理赔、续期记录的集合，通常包含最完整的客户行为轨迹。坏样本识别主要依赖以下维度：

  关键操作要点：内部数据中坏样本的“标签滞后”问题突出——理赔或欺诈事件往往在承保后数月甚至数年才暴露。建议采用“观察期+表现期”窗口设计，例如以承保后 12 个月为观察期，后续 6 个月为表现期，确保坏样本有足够时间暴露。

外部征信数据（如央行征信、百行征信、芝麻信用等）提供客户在金融体系内的信用表现，对保险坏样本识别具有重要补充价值。核心识别方法包括：

逾期映射法：将征信报告中贷款/信用卡逾期记录映射为保险坏样本标签。例如，近 12 个月内出现 M3+（逾期 90 天以上）记录的客户，在保险端出险概率显著上升。
多头借贷识别：征信查询次数过多（如近 3 个月≥6 次）或当前在贷机构数≥5 家，提示客户财务紧张，坏样本风险升高。
黑名单匹配：将客户身份信息与征信黑名单、失信被执行人名单进行精确匹配，匹配成功则直接标记为坏样本。

数据合规提示：外部征信数据的使用必须严格遵守《个人信息保护法》和征信业管理规定。建议采用“脱敏查询+结果标签化”模式，不直接存储原始征信字段，仅保留坏样本标记结果。

行业共享数据通常由保险行业协会、金融科技联盟或第三方数据平台运营，汇集多家机构的理赔、欺诈、黑名单信息。其坏样本识别方法具有“交叉验证”和“群体画像”特点：

共享数据类型	识别方法	优势	局限性
行业黑名单	精确匹配身份证号/手机号/设备指纹	直接获取其他机构已确认的坏样本	数据时效性差，更新周期通常为 T+1 至 T+7
理赔共享池	关联分析：同一客户跨机构短期多次理赔	识别“带病投保”和“跨机构骗保”	数据脱敏要求高，关联分析需授权
欺诈特征库	特征比对：IP 聚集、地址异常、关系网络	发现团伙欺诈模式	特征维度有限，需配合内部数据使用

实践建议：行业共享数据更适合作为“坏样本增强”而非“坏样本主体”。建议将共享数据中的坏样本标记作为模型训练的外部标签，与内部标签进行加权融合，权重建议为 0.3~0.5（内部标签权重 0.5~0.7）。

监管数据包括银保监会、人民银行等监管机构发布的处罚名单、风险提示、行业通报以及监管报表中的异常指标。这类数据中的坏样本识别更侧重于“合规风险”和“系统性风险”：

  监管数据特点：监管数据权威性最高，但覆盖范围有限（通常仅涉及违规机构或高风险领域）。建议将监管数据作为“硬标签”使用——一旦命中监管黑名单或处罚记录，直接赋予坏样本标签，不参与模型概率评分。

实际建模中，坏样本往往需要综合多源信息进行判定。下图展示了一个典型的多源坏样本识别流程：

为便于在实际项目中选择数据源优先级，下表从五个关键维度对四类数据源进行对比：

对比维度	内部历史数据	外部征信数据	行业共享数据	监管数据
覆盖广度	仅限自有客户	征信系统覆盖人群	联盟成员客户	违规机构/个人
标签时效性	实时（T+0）	T+1 ~ T+3	T+1 ~ T+7	T+7 ~ T+30
标签准确率	高（经内部复核）	中高（依赖征信机构）	中（存在跨机构偏差）	极高（监管权威）
获取成本	低（已有系统）	中（按查询次数计费）	中高（联盟费+数据费）	低（公开信息）
合规风险	低（自有数据）	中（需授权）	中高（脱敏要求严格）	低（监管公开数据）

选型建议：对于初创保险机构或新业务线，建议优先使用内部历史数据+监管数据构建基础坏样本集；当样本量不足（如坏样本率低于 1%）时，再引入外部征信数据和行业共享数据作为补充。融合时注意各数据源的时间窗口对齐，避免因标签时效差异导致模型偏差。