大數據風控在互聯網金融領域的應用

重慶市第八中學 張李遙

大數據風控在互聯網金融領域的應用

重慶市第八中學 張李遙

大數據時代下互聯網技術的發展，使得大數據風險控制在金融行業得到了較為廣泛的應用。目前，許多金融機構都在各自的風險控制體系中加入大數據處理技術，以提高風險控制系統的準確度和性能。本文首先介紹了大數據風控的基本概念和特點；然后，分析了大數據風控在互聯網金融領域的應用；在此基礎上，引出互聯網征信和互聯網借貸案例，詳細分析大數據技術在金融風險控制中的具體應用，最后對本次研究做出總結。

風險控制；大數據；互聯網金融

互聯網金融是指依托大數據、云計算等互聯網技術，實現金融業務的一種新興金融。互聯網金融是大數據時代的新產物，它不是互聯網技術和金融的簡單結合，而是將互聯網思維融入到具體的金融業務中，深度融合了傳統金融和互聯網精神的新型金融。

大數據環境下，互聯網金融市場的競爭轉變為平臺、數據、金融相互滲透、影響的格局。隨著數據資源化這一趨勢，金融領域海量數據的收集和處理顯得十分關鍵。那么，將大數據技術應用到金融風險控制中，就尤為必要。

1 大數據風險控制

大數據風險控制（簡稱“大數據風控”）是基于大數據技術的風險控制和風險提示。風控的核心方法在于通過對相似群體的相關數據的分析，用機器學習建模的方法來評估用戶違約率。大數據風險控制具有三個特點：

（1）數據維度大：采用的數據全面，涵蓋社會行為、人際關系等各個方面。

（2）數據實時有效：實時有效的數據對于風險評估結果影響很大，所以大數據信用評估體系重視用戶的最新信息。

（3）結果精準：大數據風控模型由海量數據訓練得出，分析角度多樣，評分結果更加準確。

2 大數據風控在互聯網金融領域的應用

互聯網金融領域中大數據風控的基本過程是：從數據源出發，首先對數據進行預處理操作；然后，進行特征提取；最后，研究和比較多個先進的算法，訓練得出最優的風控模型。由此得出準確性、穩定性和普適性都相對較高的信用評級體系，最后將其應用到互聯網金融產品中。下面將針對幾個關鍵點進行詳細介紹。

2.1 數據來源

數據源主要分為三大類：

（1）互聯網數據，例如IP位置、網絡行為數據等。除此之外，借貸機構較看重各類黑名單數據。

（2）用戶授權數據，例如運營商數據、電商數據、信用卡數據等。

（3）第三方數據，例如傳統信貸數據、合作機構數據等。

2.2 應用模式

互聯網金融企業的風控模式主要分為兩種，一種是利用已有的大量數據獨立建立風控模型和信用評級體系，這種模式一般出現于阿里巴巴、京東商城等擁有海量用戶數據的大型平臺；另一種是通過第三方平臺共享數據來獲得信用評級和風險控制服務，這種模式多應用于中小金融機構。

2.3 與傳統金融風控的對比

相比于傳統金融風控，大數據風控具有適用性更廣、數據更全面、建模方法更科學、變量更豐富、運行效率更高效等特點，這使大數據風控在金融領域中的地位逐步提高。

3 案例分析

大數據風控在互聯網金融領域的應用范圍較廣，本次研究著重選擇互聯網征信和互聯網借貸中的大數據風控展開論述。本節將舉例介紹芝麻信用（征信領域）和拍拍貸（網絡借貸領域）的現狀、存在的問題和解決方法。

3.1 互聯網征信案例——芝麻信用

3.1.1 數據來源和數據類型

芝麻信用的主要數據來自阿里巴巴的互聯網產品，數據類型分為基本信息、注冊類型、興趣愛好、支付和資金、人脈關系、黑名單和外部應用等。

3.1.2 芝麻分計算模型

信用評分有三個目標：準確性、普適性和可解釋性。其中，準確性是信用評級體系的基本要求。由于黑箱模型缺乏可解釋性，芝麻信用評分體系選擇了透明模型和分群評分卡機制。分群評分卡可以在模型訓練中將企業自身的理解與專業經驗結合，使之更具有普適性。分群的準確合理是分群評分卡的關鍵，芝麻信用為了模型的適用，應用多種方法得出了最優的分群方案。

3.1.3 靈芝系統

靈芝系統是芝麻信用為小微企業定制的信用評分系統。它的數據源更為豐富，數據形式更加多樣，信用評估的計算采用更大規模的機器學習算法。同時，它的信用評估和風險預測因人而異。靈芝系統通過信用評分和指數、風險監控預警、關注名單、風險云圖和信用報告五方面測評得出不同的風險策略。

3.1.4 存在問題與解決方法

目前，互聯網征信中依舊存在很多問題。其中，數據的質量問題和電商平臺的刷單問題最為嚴重，這導致了征信公司的信息數據嚴重失真。除此之外，身份欺詐、冒用等問題更是給金融領域的風險控制體系帶來了巨大的挑戰。

針對這些問題，阿里巴巴在不斷完善數據類型，提高數據質量。一方面，菜鳥裹裹、螞蟻金服能通過一些常規數據來確認信息真實性。另一方面，面部識別、指紋識別等高科技手段也逐漸開始應用于互聯網金融行業。除此之外，還有一些手段可以被展望。

第一，打破數據孤島。大數據資源的透明化程度對征信系統有著重要作用。目前，我國互聯網金融公司各自為營，將信息數據隱私化，各公司的風險控制系統僅僅局限于分析自己獨有的數據，導致征信體系難以完善。因此，打破數據孤島，各公司團結協作，讓更多的信息數據共享于企業間，可以極大地完善征信系統。

第二，推動物聯網+。在物聯網的全面覆蓋下，生產交易過程的數據都可以被獲取，從而提高數據的真實性。因此，金融企業想要獲取更全面的數據信息，積極布局“物聯網+”是必不可少的。

3.2 互聯網借貸案例——拍拍貸

2015年3月24日，由拍拍貸歷時八年研發而成的基于大數據的風控模型“魔鏡風控系統”問世。該系統擁有600萬在線用戶和近40億條數據，被行業內認為是首個大數據風險控制系統。

3.2.1 魔鏡系統的風控流程

魔鏡風控系統采用2000多個數據維度，評判材料全面。該系統繼往開來，新收納了海量互聯網行為數據。這些豐富多樣的數據信息大大降低了風險。

在風險控制階段，拍拍貸構建了反欺詐系統、魔鏡評級系統和風險定價系統來綜合全面地分析數據。其中，反欺詐系統決定是否放貸，魔鏡評級系統決定放貸額度，風險定價系統決定放貸利率。最終，根據以上三個風險控制系統準確匹配出借貸人的借貸方案，有效避免違約風險。

3.2.2 存在的問題和解決方案

大量非活躍用戶以占便宜為目的，投資新平臺拿到獎勵后便撤資離開，這就是“羊毛黨”現象。他們的出現大大增加了新平臺的負擔，擾亂了平臺的運營秩序。針對上述問題，提出如下解決方案。一方面，適當提高投資門檻，使“羊毛黨”因害怕風險而拒絕投資，減少“羊毛黨”數量；另一方面，完善實名認證制度，保證用戶質量。

4 總結

大數據風險控制打破了傳統的風控思維，通過多維度分析海量用戶數據，得出更為高效、準確的風控體系。隨著大數據技術的日臻成熟，大數據風險控制在互聯網金融領域的應用越來越多，應用范圍也越來越廣泛。雖然大數據風控尚存在用戶線上線下狀態迥異、互聯網社會行為數據真實性低等問題，但是業界也逐漸在利用技術手段，從經濟學、金融學、社會學等多個角度改善風控體系，并取得了較好的成效。

[1]巴曙松,侯暢,唐時達.大數據風控的現狀、問題及優化路徑[J].金融理論與實踐,2016,(02):23-26.

[2]俞楓,苑博,葉小同,馮必成,侯秦.大數據技術在金融行業風險控制中的應用探討[J].新經濟,2016,(36):52-53.

[3]葉文輝.大數據征信機構的運作模式及監管對策——以阿里巴巴芝麻信用為例[J].新金融,2015,(07):60-63.

[4]唐時達,李智華,李曉宏.供應鏈金融新趨勢[J].中國金融,2015,(10):40-41.

[5]倪海鷺.P2P網絡借貸平臺征信需求與管理研究[J].征信,2014,32(05):46-49.

[6]梁偉利.P2P網絡借貸平臺風險管理研究[D].西南財經大學,2016.

[7]曹亞廷.P2P網貸與征信系統關系研究[J].征信,2014,32(11):15-18.

[8]董明,劉娜娜,王允保.構建大數據風控平臺 嚴控互聯網金融風險[J].金融電子化,2016,(11):28-30.

張李遙（2000—），男，重慶人，重慶市第八中學高三學生，研究方向：計算機科學與技術。