智能風控始末：模式、應用與問題

智能風控——金融科技領域最主要的應用場景之一，藉助大數據與人工智慧技術提升風險管理能力，在銀行、證券、保險、互聯網金融等領域的應用愈加廣泛。

轉載請註明出處：微信公眾號fintechview

近年來，金融機構都很喜歡提智能風控這一概念，但市場上對智能風控並未有準確的定義。事實上，在AI潮到來之前，也沒有人將風險管理與「智能」聯繫起來。大數據熱逐漸降溫後，隨著人工智慧的興起，計量金融領域又迎來新一波熱點：AI in Financial Risk Management。

我很討厭「智能」這個流行詞，因為其不過是將機器學習進行了有目的的包裝，而機器學習也遠沒有發展到一個可靠的工程原則，很多不確定性、規模化、推理性的問題都沒有解決。隨著大數據、AI技術運用於風險管理已經越來越不鮮見，金融機構對於智能風控系統的建設需求迫切，市場成熟度和集中度也逐漸提升。我想聚焦於其內涵、應用模式和應用架構，談一談什麼是智能風控。

1

智能風控的定義

智能風控有很多種「別名」，我見過的像大數據風控、決策引擎、風險計量引擎、風險模型實驗室...其實都可以納入到這一概念範疇。其基本邏輯都是運用大數據平台的計算分析能力、機器學習或深度學習模型，運用於信貸風控、反欺詐、反洗錢、交易監控、保險理賠等場景。所以，本質上是以數據驅動的風險管控與運營優化。

對於金融機構而言，智能風控並沒有改變底層業務邏輯，也和傳統金融的風控模式、建模方法和原理沒有本質區別。只是由於大數據的引入，能夠獲取到更多維度的外部數據，像客戶行為、電商消費、運營商數據、地理位置、購物習慣等等。與傳統金融數據相比(如央行徵信、交易流水、資產狀況、財務報表等)，雖然這些數據與客戶違約本質上沒有必然關係，但增加了更多風險因子和變數，可以從更多層面刻畫客戶風險視圖，可以提升風險定價、違約計算的效果。

智能風控改變了過去以合規、滿足監管檢查為導向的風險管理模式，強調用金融科技降低風險管理成本、提升客戶體驗、數據驅動風控能效，實質上代表了一種精益風險管理思維。如果說巴塞爾新資本協議的全面風險管理(資本計量、監督檢查、市場紀律作為三大支柱)是傳統風控的體現，那麼智能風控則是互聯網、大數據時代風險管理實務的變革與創新。

從前些年的大數據風控到如今的智能風控，並沒有改變數據+模型+規則的處理邏輯，而是突出了機器學習模型的應用，如線性回歸、Logistic回歸、支持向量機、神經網路、深度學習、集成學習等。對於金融機構的風險管理人員來說，隨著外部數據獲取途徑的增加，對於過去無法獲取有效風險特徵的人員或中小企業，風險數據得到了有效的補充，從而能夠為更多的場景、人群設計不同的金融產品，從而起到了金融科技賦能普惠金融的作用。

2

智能風控的應用模式

智能風控在金融領域的應用模式應站在不同行業的視角來看。雖然本質上都是數據驅動的風險控制與管理決策，但由於銀行、證券、保險的行業屬性、業務場景差異較大，智能風控的應用模式也不同。

銀行業：信貸、反欺詐、關聯分析

雖然沒有考證過，但我相信智能風控的稱謂最初應來源於銀行業在信貸風險管理、交易反欺詐、風險定價和關聯關係監控中的大數據應用。像FICO、Experian(益百利)、Equifax(艾可菲)等公司早已通過各類風控模型來實現反欺詐或徵信。隨著技術手段的豐富，數據獲取的逐漸便利，商業銀行可以通過外部數據合作的方式獲取、存儲、加工不同維度的數據。通過大數據基礎平台的強大算力，計算用戶之間的相關性，例如電話號、郵箱、地址、設備號等。

以消費信貸風控為例，按照貸前、貸中、貸後作為風控的時間維度，以信用品質、償債能力、押品價值、財務狀況、還款條件作為評估維度，時間和評估形成不同的信貸風險關注要點。商業銀行結合不同信貸風險的關注要點，進行相關數據的獲取。

圖：信貸風險管理控制體系

除大數據外，智能風控的「智能」主要體現在機器學習演算法構建模型。在授信申請、違約損失計算、逾期預測、反欺詐等業務目標確定後，通過內外部數據的整合、預處理(如採樣、PCA、缺失值填充、歸一化)、特徵統計等方法，再選擇合適的演算法進行分析。而在基礎工具的運用上，由於運用到大數據技術，多離不開Hadoop/Spark這樣的基礎計算平台，R/Python這些數據分析工具。當前一些專註於機器學習廠商如第四範式、阿里雲也研發了可拖拽的建模工具，部分降低了機器學習的學習成本和門檻。

圖：智能風控的分析流程

無論是對個人或是企業的銀行貸款、抵質押或擔保貸款，亦或是供應鏈貸款、評分卡、巴塞爾協議中的貸款，還是當前熱門的智能風控，根本原理都是衡量客戶還款能力和意願。智能風控只是通過更多的數據維度來刻畫客戶特徵，從而更準確的量化客戶違約成本，實現對客戶的合理授信。可以看出，其原理和方法論和傳統金融風控沒有區別，但可以通過自動化審批來替代人工審核，降低人力成本。

證券業：異常交易行為、違規賬戶偵測

與銀行業的智能風控專註於信貸風控、反欺詐等不同的是，證券公司、交易所更關注於「實時」、「事中」交易違規行為的偵測。從監管要求方面，滬深交易所近期也發布了《關於加強重點監控賬戶管理工作的通知》，要求強化交易一線監管、突出事中監管，明確了嚴重異常交易行為的重點監控賬戶監控；從技術方面，由於每日盤中連續交易階段的數據量大、並發性高，對於低延遲實時計算、機器學習和複雜事件處理是證券智能交易風控的設計要點。

異常交易行為特徵描述本質上是一個用戶畫像項目，對高頻交易客戶進行群體劃分，建立用戶畫像體系，基於客戶交易行為中的各種指標提取特徵，使用這些特徵作為模型的輸入，輸出為該用戶所屬的類別。特徵指標如交易活躍度(下單次數，下單頻率等)，每單報價，持有標的、總資產、資金與持倉信息等。在證券業務層面，則需要覆蓋經紀業務、自營、資管等業務。

保險業：風險定價、反欺詐與智能理賠

保險風控的主要應用領域在防騙保和反欺詐。近年來險企運用大數據技術的越來越多，基本思路是藉助內外部數據在財產險的查勘、定損、核算等環節識別風險特徵。以眾安保險為例，其對接了央行徵信、公安、前海徵信、芝麻信用等外部大數據，其中公安數據包含所有已識別到的風險電話數據、簡訊數據等。此外，智能風控也逐漸加入生物特徵識別、人臉與圖像識別等AI技術，提高欺詐識別率、降低理賠成本。

3

智能風控的應用架構

前文說到智能風控是數據+模型+規則的應用模式，其實仍是一種決策信息系統，其技術和應用架構離不開數據採集、數據加工處理、數據挖掘與分析、演算法模型上線等關鍵環節。只是相比於傳統的管理信息系統，其架構多引入基於分散式架構的計算引擎(處理離線大數據)、實時流計算引擎(處理線上實時數據)、策略模型平台(演算法和建模)。

在商業銀行中，智能風控組件多集成於電子銀行、互聯網金融等業務部門的後端平台中，作為線上秒貸平台、反欺詐、反洗錢等系統的獨立的規則或決策單元。

圖：基於大數據技術的秒貸平台

還有一些商業銀行基於大數據構建了新一代風險管理體系，其本質也是依託於大數據平台的計算能力以及大數據金融風險計量模型，為智能化、自動化風控決策提供支持。這類風險管理體系從全行角度接入包括客戶信息、對公信貸、個貸、信用卡、外部數據(工商、稅務、司法等)。基於大數據平台建設風險數據集市和模型實驗室，綜合運用了數據倉庫、知識圖譜、商業智能、數據挖掘與機器學習等多種技術，為多種風險類別提供決策支持，如客戶信用風險、抵質押品風險、異常交易風險、操作行為風險、機構行為風險、授信風險等等。另外，也會與行內基於巴塞爾III的全面風險管理系統、經濟資本計量系統進行打通，整合全行全面風險管理與控制體系。

圖：基於大數據的全行綜合風險管理體系

對於銀行的大數據風險計量引擎，包括不限於小微企業貸款、對公客戶評級與債項評級、個貸申請評分、對公風險指標計算、信用卡申請與分期評分、零售LGD與RAROC等風險指標計算，實現對零售、對公業務風險管理的全面覆蓋。而人工智慧技術的應用，則仍體現在機器學習、神經網路與深度學習模型在客戶行為分析、反欺詐等應用領域。

除商業銀行外，證券公司、交易所、保險公司的智能風控系統架構，也多數都是依賴於分散式大數據計算引擎+實時流計算引擎，將其作為獨立的系統組件、或模塊整合於風險預警單元、商業智能系統之中。

圖：基於大數據的風險模型實驗室

4

智能風控的問題

我過去曾寫過一篇文章《大數據時代的金融風險管理》，談到的主要是數據挖掘、機器學習等技術在傳統金融風險管理中的應用方法。例如，以新資本協議為核心，以風險治理、風險限額、監控指標和內控體系為要素的傳統金融風險管理，已經具備了基於模型的定量風險分析(如風險價值度VaR、債券久期與凸性分析、希臘字母分析、信用風險LGD與RAROC等)，以及基於傳統集中式架構的管理信息系統的支撐。

對於當下熱鬧的智能風控市場，我認為其問題可以歸納為三點：

第一，市場上很多所謂的智能風控系統仍談不上什麼「智能」。大部分仍是基於規則組合、條件篩選來實現風險預警、半自動化的方式來輔助人來判斷。一些系統其實是做了一個客戶畫像和標籤體系，另有一些甚至把風險指標和報表系統也包裝成為智能風控平台。行業沒有標準，不乏有故意誇大和蹭熱度的現象。

第二，對於金融機構來說，智能風控的前提是大數據的運用，而大數據則完全依賴於場景的布局。互聯網公司由於具備穩定的場景優勢自然能夠積累海量數據來刻畫用戶行為，而絕大多數金融機構仍需藉助於外部數據交易的方法來補充數據維度的不足。一方面買來的數據可能缺乏金融屬性，不具備參考意義；另一方面由於金融機構缺乏像互聯網那樣穩定可持續的場景和數據運營體系，也很難形成真正的作用和價值。所以有些機構也乾脆直接買同盾分、芝麻信用分，而並不自己來建設系統。

第三、大數據強調相關性而不是因果性，且基於機器學習模型的評估和結果不具備可解釋性，將其運用到實際風險審核、偵測場景中的可行性有待商榷。

所以對於智能風控，只可看作是當下大數據、人工智慧風口中，風險管理領域的一種新興技術運用模式。在風險管理的方法論上、風險管理的計量標準和監管要求上，都與傳統金融風險管理模式並無區別。其特色在於，通過引入更多維的客戶數據(如客戶線上消費、電商、運營商、行為)，重構數據和應用架構，藉助分散式大數據平台的能力、機器學習或深度學習模型，能夠實現大批量、快速、精準的風險事件過濾或預測，從而能夠在風險管理的時效性、前瞻性、精準性、技術先進性上尋求突破。未來隨著生物特徵識別、圖像識別、區塊鏈等技術的成熟，或可運用於風險管理領域，形成更多智能風控應用模式。

金融科技精華文章

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！