智能风控：实现金融变革

早在20世纪90年代，美国第一资本、发现金融等金融科技企业就开始介入银行风险管理领域，其很大程度上依赖于先进的征信与信息系统。而近年来，中国金融科技企业通过算法的改进升级和大数据的积累应用，通过技术手段推动中国传统金融行业实现了跨越式发展，进入智能化时代。在面对同一个用户时，传统风控模式下，银行使用的是传统评分卡模型和规则引擎等“强特征”来进行风险评分；而智能风控则会根据履约记录、社交行为、行为偏好、身份信息和设备安全等多方面行为特征去评判一个人的反欺诈和信用评估行为，从而形成信用画像，这正是人们常说的“弱特征”。过去，这两种风控模式可以自成一体，但进入互联网移动化时代后，智能风控的优势正在日益显现，成为传统风控的有效补充。智能风控侧重大数据、算法和计算能力，强调数据间的相关关系，其在风控环节中的应用主要有以下三点：计算机视觉和生物特征的识别，即利用人脸识别、指纹识别等活体识别来确认用户身份；反欺诈识别，智能风控利用多维度、多特征的数据预测用户的欺诈意愿和倾向；正常用户的还款意愿和能力的评估判断。对于交易、社交、居住环境的稳定性等用户行为数据，运用神经网络、决策树、梯度算法、随机森林等先进的机器学习算法进行加工处理。在用户体验上，智能风控的优化路径有两条：一是减少对用户的干扰。二是不断提升用户评估的准确率。

（一）揭开“智能风控”的神秘面纱

智能风控，是金融科技领域最主要的应用场景之一，借助大数据与人工智能技术，信贷经营机构可以有效地提升风险管理能力。智能风控有很多种“别名”，例如：大数据风控、决策引擎、风险计量引擎、风险模型实验室，其实都可以纳入到“智能风控”的概念范畴。其基本逻辑都是运用大数据平台的计算分析能力、机器学习或深度学习模型，运用于信贷风控、反欺诈、反洗钱、交易监控、保险理赔等场景。所以，从内涵上讲，智能风控本质上是以数据驱动为特征，强化金融科技运用，彰显精益风险管理思维导向的风控模式。

1.智能风控的逻辑基础是“大数据”，突出强调风险控制的“数据驱动”特征。“大数据”的概念是麦肯锡公司在2011年5月发布的报告中首次提及的，报告中指出：“数据已经渗透到当今每一个行业和业务职能领域，引起了社会各行业的强烈关注”。大数据具有数据量大、种类多样、速度快、价值密度低、真实性这五个特征。这五个特征反映了大数据巨大的商业价值，同时也决定了对其的处理方式与特殊要求，以大数据技术为代表的智能风控应运而生。智能风控模式下，大数据技术是一种高效的处理方法，能够通过更加快速、精准的方式挖掘并提升大数据的价值，能够满足各行各业对数据处理的需求。大数据是人工智能得以发展的前提。人工智能的目的是让机器人像人类一样学会学习和算法训练，深度学习都需要大数据。信贷机构通过对大数据的深度挖掘，为智能化风控的实现提供了逻辑基础。从某种意义上讲，大数据是智能风控的关键。例如，蚂蚁金服在风险控制技术上的核心是基于海量数据的智能风控大脑，通过搭建信用与风控体系，蚂蚁金服的上层业务板块得以构建，其中就包括广为人知的支付宝、余额宝、招财宝、芝麻信用、网商银行等业务。

2.智能风控的动力引擎是“金融科技”，注重金融科技的风控场景运用。对于金融科技内涵和外延，目前行业内尚未形成统一规范的定义。全球金融稳定理事会（FSB）认为金融科技是通过技术手段推动金融创新，以此形成对金融市场、机构和金融服务产生重大影响的业务模式、技术应用和流程、产品。根据目前发展态势，金融科技主要分为三个层面：以第五代通信、芯片技术为核心的基础科技层；以区块链、生物识别、大数据、云计算、物联网、机器学习、人工智能、机器人、虚拟现实技术为代表的应用科技层；以量化模型、大数据分析、大数据征信、第三方支付、互联网借贷、互联网理财、智能投顾、互联网保险、互联网证券、互联网银行、众筹等为代表的金融服务应用层。具体到银行信贷风控领域，金融科技将重塑银行风险管理模式，智能风控将成为金融科技的重要应用场景之一。当前大数据风控的深度和广度逐步提升，围绕个人客户建立客户画像，目前已逐步延伸到企业客户。未来基于大数据、云计算和人工智能技术的风险管理必将成为未来市场主流。风险管理作为银行业存在之本，商业银行一般不会主动透露各行核心技术，只有形成对外技术输出或特色产品时方能被市场感知。例如，招商银行的“闪电贷”产品，就是智能风控在信贷产品层面的具体体现。

3.智能风控的思维导向是“精益风险管理”，更加注重精细化的风险控制。智能风控改变了过去以合规、满足监管检查为导向的风险管理模式，强调用金融科技降低风险管理成本、提升客户体验、数据驱动风控能效，实质上代表了一种“精益风险管理”的思维价值导向。如果说巴塞尔新资本协议的全面风险管理（资本计量、监督检查、市场纪律作为三大支柱）是传统风控的体现，那么智能风控则是互联网、大数据时代风险管理实务的变革与创新。智能风控是对传统风控的一种变革，也是对大数据和互联网潮流的时代响应，通过先进技术的引进，来实现信贷风险的技术控制，是银行信贷风险管理的未来趋势。智能风控思维导向的背后体现的是金融科技的时代浪潮和信贷经营机构的风险经营策略，体现了信贷风控演进过程中的变革思辨和技术图强。目前，在智能风控的思维导向下，银行业积极开展风控技术创新应用，强化“互联网”思维，加快研究应用互联网金融风控模式和技术。商业银行积极借鉴“大数据”应用经验，开展风险数据质量治理，深入挖掘内部数据应用价值，适度引入有价值的外部数据，提升各类风险量化、精确化管理水平，积极参与云计算、区块链、人工智能、生物识别等前沿信息技术研究，借助金融科技和大数据力量，培育风险管理核心竞争力。(www.xing528.com)

（二）直击“智能风控”的场景应用

智能风控是“数据+模型+规则”的应用模式，其实仍是一种决策信息系统，其技术和应用架构离不开数据采集、数据加工处理、数据挖掘与分析、算法模型上线等关键环节。只是相比于传统的管理信息系统，其架构多引入基于分布式架构的计算引擎（处理离线大数据）、实时流计算引擎（处理线上实时数据）、策略模型平台（算法和建模）。在商业银行中，智能风控组件多集成于电子银行、互联网金融等业务部门的后端平台中，作为线上秒贷平台、反欺诈、反洗钱等系统的独立的规则或决策单元。还有一些商业银行基于大数据构建了新一代风险管理体系，其本质也是依托于大数据平台的计算能力以及大数据金融风险计量模型，为智能化、自动化风控决策提供支持。这类风险管理体系从全行角度接入包括客户信息、对公信贷、个贷、信用卡、外部数据（工商、税务、司法等）。基于大数据平台建设风险数据集市和模型实验室，综合运用了数据仓库、知识图谱、商业智能、数据挖掘与机器学习等多种技术，为多种风险类别提供决策支持，如客户信用风险、抵质押品风险、异常交易风险、操作行为风险、机构行为风险、授信风险等等。

具体来讲，智能风控在场景应用方面，有诸多体现，例如：银行业的反欺诈、信贷风控和关联分析等，保险业的风险定价、反欺诈和智能理赔，证券业的异常交易行为、违规账户侦测等情景。下面以银行业为例，重点分析以下智能风控的场景应用。随着技术手段的丰富，数据获取的逐渐便利，商业银行可以通过外部数据合作的方式获取、存储、加工不同维度的数据。通过大数据基础平台的强大算力，计算用户之间的相关性，例如电话号、邮箱、地址、设备号等。以消费信贷风控为例，按照贷前、贷中、贷后作为风控的时间维度，以信用品质、偿债能力、押品价值、财务状况、还款条件作为评估维度，时间和评估形成不同的信贷风险关注要点。商业银行结合不同信贷风险的关注要点，进行相关数据的获取。除大数据外，智能风控的“智能”主要体现在机器学习算法构建模型。在授信申请、违约损失计算、逾期预测、反欺诈等业务目标确定后，通过内外部数据的整合、预处理（如采样、PCA、缺失值填充、归一化）、特征统计等方法，再选择合适的算法进行分析。无论是对个人或是企业的银行贷款、抵质押或担保贷款，亦或是供应链贷款、评分卡、巴塞尔协议中的贷款，还是当前热门的智能风控，根本原理都是衡量客户还款能力和意愿。智能风控只是通过更多的数据维度来刻画客户特征，从而更准确的量化客户违约成本，实现对客户的合理授信。可以看出，其原理和方法论和传统金融风控没有区别，但可以通过自动化审批来替代人工审核，降低人力成本。在实际应用方面，江苏银行基于Hadoop打造了面向全行的开放共享大数据平台，并且推出了个人消费贷款产品“享e融”和小微金融贷款产品“税e融”；招商银行利用大数据分析进行精准营销，对客户的购物、上网习惯等进行精准细分，推出“凡客卡”“魔兽卡”等等；摩根大通为了防止诈骗，引入了信用卡和借记卡数据在业务交易中进行检验等。

【信贷反思录】为什么说智能风控是传统金融的“变革之翼”？