PINTEC品钛研究院：消费金融风控全解析

本篇文章2368字，读完约6分钟

品泰学院品泰研究所

近年来，许多新技术越来越多地应用于金融风险控制领域。作为一名已经深入传统金融和网络金融十多年的风险控制老手，笔者也给出了自己的思考和判断。

建国初期，消费金融市场基本上以银行消费信贷为主，消费形式主要是信用卡。五年来，随着电子商务平台和互联网消费金融的快速发展，消费金融市场呈现出百花齐放的格局。

在消费金融业的早期发展中，出现了一些问题，如过度授信、高利率和个人信息保护不足等。在新兴的信贷市场中，风险控制是消费者金融长期立足和发展的关键。

1.人、商、景的风险点:不同层次的控制

当用户消费信贷时，他们通常涉及三个要素:消费者、商家和场景。风力控制也可以通过这三个要素将消费链分开，并讨论应该为每个要素做些什么。

首先，从消费者的角度来看。消费者风险通常可分为欺诈风险和信用风险。简而言之，它们是消费者是否想还钱(欺诈风险)以及他们是否能还钱(信用风险)。

衡量欺诈风险的关键环节之一是判断信贷消费申请是否由信贷申请人自己完成。此时，消费者通常会提供一些与身份识别和第三方数据授权相关的信息。

人脸识别等授权方法越复杂，验证的可靠性越高，但对客户体验的影响也会增加，这可能会导致客户流失。因此，选择一种可靠的、有经验的、低损耗的核机构授权方式是一个需要综合考虑的问题。

第二，商业风险的视角。例如，用户通过分期付款完成交易，但商家在分期付款周期结束前就倒闭了——这种情况在教育、美容和健身场景中很常见。如果一个客户在12门课程中只上了3门课程后就倒闭了，他有时会认为课程的钱以后就不用还了。

虽然这种行为在法律上是违反合同的，机构可以向其收钱，但从实际情况和公众舆论的角度来看，在大多数情况下这样做是“不好的”。企业的运营风险通常是进行风险控制时需要提前考虑的一点。

第三，情景风险的视角。情景风险是判断消费环境是否真实。通过虚拟和伪造的交易场景获取交易激励甚至信用额度是防控的关键。

这类似于传统的信贷消费情景。如果一张信用卡在中国很少使用，但有一天突然在国外奢侈品商店有了巨额消费，交易很可能会受到限制，或者银行会通过电话或其他方式验证交易的真实性。

2数据、战略和模型的“冠军挑战”

信贷消费风险控制中的每一个得分和预测都应该是“数据驱动的”，这意味着数据源本身非常重要。风控方可以通过“冠军挑战”的方式过滤其采用的数据源(以及相应的策略和模型)。

当接收数据时，风控制侧将对数据侧进行一些测试，但是该测试通常是用历史数据来测量的。这伴随着一个问题:历史上对用户测试过的数据在今天判断新客户时是否同样有效。

因为在任何情况下，基于历史和历史中获得的经验所做的假设都可能不完全适用于未来。为了控制由未来和历史经验之间的差异所导致的决策风险，有必要设计一个“冠军挑战”机制。

“冠军挑战赛”的运作方式如下:目前表现良好的策略、数据和模型被定义为“冠军组”，这些数据在历史的前半段可能对几组用户有效。为了判断这个“冠军组”是否适合新的一批客户，在连接了这个数据源之后，使用测试组来测试它在当前一批客户上的性能。

测试开始后，测试组的业务自然增长。一段时间后，这种策略的效果就可以体现出来。此时，我们可以根据这个策略的实际效果来判断它对新客户是否真的有效。

在当前策略、模型和数据的输出被实际表达之前，它是一个“挑战组”。如果“挑战小组”能够达到预期或表现得比目前的“冠军小组”更好，它可以正式升级这个“挑战小组”的内容，并将其与“冠军小组”进行比较。

这样，总会有一些群体不断挑战当前的“冠军群体”，他们将击败“冠军群体”成为新的冠军，并最终被智能信用数据决策系统所使用。

持续保持冠军挑战的战略机制，可以形成内部竞争，提高战略效果，形成持续优化的有效机制。

3思考:风险控制的过去、现在和未来

当然，这些做法是基于当前国内数据的可用性、互联网生态环境和金融风险的本质特征。

基于数据和技术的风险管理是行业未来发展不可逆转的趋势，金融机构应积极拥抱这一发展趋势。

同时，我们也应该认识到，我国的信用信息系统、大数据系统和数据环境还处于逐步完善的过程中，各种数据的质量和可靠性也不尽相同，参差不齐，这给模型能力和技术能力带来了很大的挑战。

一方面，必须具备收集、整理和总结海量数据的能力，同时，必须具备识别和清理“脏”数据的能力，并在沙子中寻找金子。

到目前为止，有一种观点认为风力控制可以完全依靠数据和模型，而不需要人类的经验——这显然是一个极端。

作者认为，目前的环境还没有完全达到机器决策可以完全取代人类判断的水平。对于一些问题，如控制数据偏差或控制因数据本身不佳而导致的模型风险，需要人为地进行调整和决策。

消费信贷行业已经存在了数百年，而银行家们积累和锤炼了数百年的风险管理理论和原则似乎仍然有效。这一原则和思想对于发现和纠正由数据偏差引起的模型风险和决策风险非常有用。

观察风力控制发展的另一个角度是模型技术和模型能力的演变。

从传统的基于经验的专家模型，到定量的线性评分模型，再到结构复杂的非线性模型，越来越多的复杂模型能够越来越精细地描述客户的风险特征，但与此同时，模型本身复杂性的增加使得模型的可解释性越来越困难。

例如，机器学习和深度学习的模型基本上都是“黑箱”。多层神经网络是如此复杂，以至于它不能直观地理解其影响的来源。尽管这些模型目前的结果可能是“好的”，但不确定这些模型和结构是否能被复制并随着时间的推移继续下去。

我们不能掌握模型策略的健壮性和可伸缩性，甚至不能很好地满足监管要求的可解释性。这也是一个行业和监管者都需要探索和解决的难题。

钛研究院是智能金融服务提供商pintec的研究机构，专注于金融技术、数据科学、人工智能、智能借贷、智能投资、商业机构和金融机构的智能改造等。

来源：央视线