金融风控背后的技术综述

会员服务 ·

金融风控背后的技术综述

2019 年 2 月 28 日 七月在线实验室

undefined

今天，和大家分享一篇文章，来自于我们【金融风控实战课】的梅老师所写的一篇关于金融风控背后的技术综述，以下是原文：

其实所谓的信贷风控，就是有人缺钱想贷款，来平台借钱。平台不知道这个人会不会借了钱就跑路，于是产生了相应的风控。涉及的技术也是主要围绕着衡量用户还款意愿展开的。

整个贷款业务流程其实内容很多，从资金方运营，数据采集到放款和催收。

风控的角度来看，基本上可以归结为以下几个部分：

数据采集、反欺诈、策略、模型、催收。

数据采集会涉及到埋点和爬虫技术，基本上业内的数据都大同小异。免费的运营商数据，和安卓可爬的手机内部信息（app名称，手机设备信息，部分app内容信息），以及收费的征信数据，外部黑名单之类的。还有一些特定场景的现金贷和消费金融会有自有的数据可供使用，比如阿里京东自己的电商数据、滴滴满帮的司机数据、顺丰中通的快递数据等等。

反欺诈引擎主要包括两个部分，反欺诈规则和反欺诈模型。这里其实很少使用传统监督模型。涉及到的算法以无监督算法、社交网络算法、深度学习居多。大部分的公司都使用的是反欺诈规则，这也是主要提倡的。一个原因是欺诈标签不好得到，很难做监督学习的训练。还有一个原因是传统的机器学习对欺诈的检测效果很差。因为所谓欺诈，就是一些黑产或者个人将自己包装成信用良好的用户，进行借款后失联或者拒不还钱。既然都伪装成了好客户，基于风控人员主观思考建立的统计模型，又怎么可能有好的效果。但是经过一段时间的实验，这一块其实用深度学习反而有意想不到的效果，基本思想可以理解为，简单评分卡解释性强，带来的坏处就是可以被逆向破解，而复杂模型的黑箱操作虽然解释性差，却有一定的安全性，尤其是搭配了在线学习等动态手段之后。反向破解的成本极高。

规则引擎其实就是我们常说的策略，主要通过数据分析、挖掘手段以及一些监督、无监督算法，得到不同字段、各个区间的坏账率（badrate），找到最佳分段区间，然后得到筛选后信用较好的一批特定人群进行放款。这一块主要有单变量分析和一些关键指标的计算和监控，比如Rollrate、PSI、KS、AUC，等等。

风控模型是机器学习在风控领域的主要体现。当然前面提到的反欺诈模型也是重点之一。主要是通过监督算法构建违约概率预测模型。但是因为实际业务中，是数据的质量并不是永远那么完美，这里通常我们会使用到深度学习、半监督学习、弱监督学习等等方法去辅助传统监督学习算法。

风控模型其中包含了A/B/C卡。模型算法之间可以没有显著区别，而是根据其发生的时间点不同而进行划分的（贷前/贷中/贷后），也就是y产生的方式不一样。通常信贷领域都是用逾期天数来定义y。A卡可以用客户历史逾期天数最大的天数。B卡则可以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。比如你们公司有内催，有外催。外催肯定是回款率低，单价贵的。那么就可以根据是否被内催催回来定义y。

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。并且坏账的客户会被列入黑名单。其实只要是能被催回来的，都不是坏账。但是很多公司为了保险起见，逾期超过一定时间的客户，即使被催回来，也会被拉入黑名单。这里主要的算法就是催收模型相关的，可能是监督算法、无监督算法。也有基于社交网络算法构造的失联模型等等。

可以看到这个领域的水究竟有多深，远不止逻辑回归制作评分卡那么简单。那么问题来了，究竟怎么样才能真正接触到这个领域的核心技术呢？

有个好消息要告诉你。由梅老师倾力打造的金融风控实战，终于在七月在线平台上线了，将为我们首次公开金融风控背后的技术。

如果你对金融风控感兴趣...

如果你想成为风控从业者的一员...

如果你励志成为金融风控领域的大牛...

那么这一门课你非常有必要关注一下哦。

12大企业级实战项目为你保驾护航，帮你完成从小白到大神的完美蜕变。

下面是课程介绍