互聯(lián)網信貸業(yè)務大數(shù)據(jù)風控模型集群體系及核心風險管理工具建設

呂傳寶

（盛京銀行股份有限公司沈陽分行，遼寧 沈陽 110000）

隨著金融科技高速發(fā)展，借助互聯(lián)網優(yōu)勢逐步發(fā)展的互聯(lián)網信貸業(yè)務逐步搶占個人及小微企業(yè)市場。2020年7月17日，銀保監(jiān)會發(fā)布《商業(yè)銀行互聯(lián)網帶寬管理暫行辦法》已對商業(yè)銀行互聯(lián)網貸款業(yè)務進一步規(guī)范。以下僅以中小型商業(yè)銀行為例，對互聯(lián)網信貸業(yè)務大數(shù)據(jù)風控模型群體系及核心風險管理工具建設情況進行闡述。

1 建立大數(shù)據(jù)風控風險模型集群體系

穩(wěn)定建立互聯(lián)網信貸業(yè)務全生命周期風險模型集群，包括身份驗證模型、反欺詐模型、信用評估模型、授信額度模型、定價模型、風險預警模型、行為評分模型、催收評分模型等。

目前該行自主研發(fā)完成的風險模型均在開展的互聯(lián)網信貸業(yè)務中應用，如螞蟻花唄、借唄、美團生活費、度小滿、平安普惠、小米等合作渠道業(yè)務及自營貸款產品中，能有效支撐線上貸款業(yè)務快速增長帶來的大數(shù)據(jù)風控管理要求。

2 詳細風險模型

2.1 身份驗證模型

采用多種先進的大數(shù)據(jù)、人工智能等金融科技手段，實現(xiàn)申請人在線實時身份核驗，具體包括銀行卡四要素鑒權、手機三要素鑒權、地址信息驗證、人臉活體識別等驗證手段。

1.要素鑒權：通對接合規(guī)大數(shù)據(jù)廠商，進行手機三要素、銀行卡四要素驗證，對申請人進行實名認證。

2.地址核驗：通過對接數(shù)據(jù)廠商，獲取運營商基站定位信息，驗證申請人填寫的居住地、工作地與通過基站定位加邏輯計算后的實際地址經緯度進行比對，根據(jù)差異距離校驗申請人地址真實性。

3.關聯(lián)人驗證：通過數(shù)據(jù)提供服務，獲取申請人的關聯(lián)關系信息，驗證申請人聯(lián)系人信息的真實性、聯(lián)系人的風險行為。

4.人臉活體識別：通過商湯科技，連接公安去網紋證件照聯(lián)網核查，實現(xiàn)人臉活體識別功能，進而實現(xiàn)對借款人本人身份的真實性進行核實，防止身份冒用等風險。

5.聲紋識別：通過對接騰訊云的聲紋識別服務，將提取的申請人聲紋與黑名單庫中的聲紋做對比，如果命中黑名單，則可以調低信用級別或直接拒絕。

2.2 反欺詐模型

線上互聯(lián)網貸款業(yè)務面臨最大的風險就是欺詐，針對不同類型的欺詐，接入豐富的外部數(shù)據(jù)，通過規(guī)則設置、交叉驗證，最大程度識別和預防欺詐行為。

目前該行已經實現(xiàn)的反欺詐模型體系包括黑名單+反欺詐規(guī)則+欺詐評分模型，并逐步加入機器學習模型以及關聯(lián)圖譜模型（如圖1）。

圖1

通過多種模型組合構建的反欺詐風控策略，將實現(xiàn)多維度的欺詐防控體系，識別申請人養(yǎng)卡養(yǎng)號、黑產中介、多頭借貸、逾期黑名單、涉訴黑名單、地址欺詐、團伙欺詐等各類高風險欺詐行為（如圖2）。部分關鍵的反欺詐手段如下。

圖2

1.黑名單：反欺詐第一關即為黑名單過濾，通過對接多個外部平臺，盡最大努力覆蓋司法涉訴、外部逾期、中介包裝、運營商黑名單、其他行業(yè)關注名單等黑名單信息，簡單高效過濾嚴重高風險客戶。

2.設備欺詐：對接外部數(shù)據(jù)平臺，獲得申請人設備指紋信息，識別申請人設備關聯(lián)多個不同身份信息的欺詐風險反欺詐。

3.多頭借貸：對接外部數(shù)據(jù)平臺，獲得申請人的銀行或非銀類多嚴重頭借貸信息，識別申請人注冊多頭、申請多頭、放貸多頭等。

4.手機號欺詐：對接外部平臺建立的風險號碼庫，識別申請人通信小號、虛擬號碼，高風險號碼；通過手機號在網時長、狀態(tài)、消費情況、使用習慣等信息，識別貓池養(yǎng)卡等手機號欺詐。

5.欺詐評分：接入欺詐評分服務，對申請人從設備、身份證、手機等多角度關聯(lián)的欺詐行為進行綜合評分，對于欺詐分數(shù)較高的客戶，直接拒絕。

2.3 信用評估模型

通過構建申請評分模型評估客戶的信用風險，實現(xiàn)客戶風險等級的判定，根據(jù)風險等級進行準入決策。申請評分模型采用定量及定性分析方法，從穩(wěn)定性、償債能力、還款意愿等多角度出發(fā)，整合客戶多維度信息，包括：基本信息、社會信息、消費信息、資產負債信息、電信信息、外部征信信息等，全面刻畫申請人信用風險。

根據(jù)業(yè)務場景實際情況，采用不同的模型構建方法，對于客群場景相同且已有足夠的放貸表現(xiàn)數(shù)據(jù)，采用標準的邏輯回歸方法構建申請評分卡；對于不滿足上述條件的情況，采用專家經驗冷啟動方法構建。將構建的申請評分模型部署到風控實時決策引擎AnyEST系統(tǒng)，則實現(xiàn)實時自動評估申請人信用風險，劃分信用等級，根據(jù)風險等級進行準入決策。

2.4 授信額度模型

根據(jù)產品特點、風險偏好，設計產品額度區(qū)間和件均額度，針對不同客戶風險差異，對客戶進行申請評分，根據(jù)申請評分評定的風險等級，確定調整幅度。

2.5 風險定價模型

不斷優(yōu)化分客群、分場景的信用風險模型，區(qū)分不同客戶群體的違約風險，測算相應的風險溢價，對于不同風險、不同場景申請人實現(xiàn)差異化定價，適當提高風險客戶定價，降低優(yōu)質客戶的成本，逐漸積累沉淀優(yōu)質客戶。

2.6 風險預警模型

對客戶在還款過程中的信用和行為進行監(jiān)測，進而對高風險客戶進行識別和預警的模型。風險預警模型主要實現(xiàn)方式包括風險監(jiān)測預警規(guī)則和行為評分模型。應綜合考慮數(shù)據(jù)查詢成本和違約風險，接入外部風險數(shù)據(jù)，構建監(jiān)測風險預警規(guī)則，定期監(jiān)測已放貸客戶的外部表現(xiàn)，如發(fā)現(xiàn)風險行為，及時觸發(fā)風險預警信號，進行風險預警。應通過構建行為評分模型，預測客戶違約概率，判定違約預警等級，對不同違約風險客戶，采取相應的貸后處理。

3 未來將實現(xiàn)的大數(shù)據(jù)風控模型

3.1 構建實時智能學習的反欺詐策略引擎

未來將通過統(tǒng)計分析與機器學習方法，構建自學習的反欺詐策略引擎，結合歷史放貸表現(xiàn)以及特征閾值的迭代智能學習，實現(xiàn)高精度反欺詐策略規(guī)則的自動發(fā)現(xiàn)、自動評估，實時輸出策略。

3.2 基于機器學習和關聯(lián)圖譜升級反欺詐模型體系

將采用更精準的XGBoost、隨機森林、深度學習等算法，構建二元欺詐客戶好壞分類模型，自動挖掘更多隱藏弱特征，在弱變量中挖掘更多潛在的欺詐風險。另外，也可以通過多模型的組合投票，對于申請人的風險分類給出更精準的結果，提升反欺詐精度。

在線上信貸市場中，黑產遍布、欺詐團伙盛行，對于線上信貸業(yè)務產生嚴重威脅。該行將通過關聯(lián)圖譜技術，構建群體欺詐檢測模型，嚴密防控團伙欺詐行為。

3.3 行為評分模型

還需要對接三方數(shù)據(jù)，監(jiān)測資產的外部表現(xiàn)，如涉訴、逾期、多頭借貸等行為，并通過構建行為評分模型，預測客戶違約概率，判定違約預警等級，對不同違約風險客戶，采取相應的貸后處理。

3.4 貸后催收評分模型

根據(jù)歷史催收記錄，客戶賬齡、金額、風險等級等信息，構建的客戶逾期催回成功可能性的模型。

4 大數(shù)據(jù)風控核心風險管理工具建設

4.1 互聯(lián)網信貸業(yè)務智能風控決策引擎系統(tǒng)

為支持互聯(lián)網貸款實時自動化審批，該行目前已構建了一套100%面向業(yè)務團隊的可視化、分布式、多線程、支持高并發(fā)的智能風控決策引擎。該決策引擎可以實現(xiàn)規(guī)則的靈活配置與部署，支持基本準入、反欺詐規(guī)則及評分卡的部署與運行，實現(xiàn)在線自動化反欺詐檢測與信用風險評估。引擎具有以下特性。

4.1.1 圖形化操作，規(guī)則配置靈活易用

支持多種方式的規(guī)則配置，有規(guī)則集、決策樹、決策流、評分卡。規(guī)則的配置全部通過可視化界面鼠標點擊的方式完成，無需改動程序代碼，業(yè)務人員可以以較低的學習成本快速上手。

4.1.2 多數(shù)據(jù)源對接

系統(tǒng)可以集成多方數(shù)據(jù)來源，包括第三方數(shù)據(jù)和內部數(shù)據(jù)，可以根據(jù)業(yè)務需求選擇使用哪些數(shù)據(jù)進行查詢。基于不同的業(yè)務產品，可以配置通過界面可視化的方式選擇相應的第三方數(shù)據(jù)、內部數(shù)據(jù)。

4.1.3 與業(yè)務系統(tǒng)對接簡單

采用統(tǒng)一接口服務的方式，與業(yè)務系統(tǒng)對接簡單方便，減少對接工作量，支持業(yè)務快速開展。

4.1.4 支持規(guī)則熱部署

本產品支持對規(guī)則的熱部署，當需要變更規(guī)則時，可以在規(guī)則引擎中修改規(guī)則、對規(guī)則。

4.1.5 風控規(guī)則移植便捷

配置好規(guī)則以后，對于類似的業(yè)務條線，可通過對配置好的規(guī)則進行復制、導入導出，將規(guī)則移植到其它類似業(yè)務條線中，只需少量人工配置。

4.1.6 模型仿真測試

在模型正式部署至生產環(huán)境之前，可以對模型規(guī)則進行仿真測試，模擬輸入進件信息，驗證模型的正確性。

4.1.7 實時風險大盤

系統(tǒng)可以實時統(tǒng)計各類風險決策，并以表格、餅圖、柱狀圖等形式實時分析和直觀展現(xiàn)。

4.1.8 集群部署，支持大規(guī)模并發(fā)業(yè)務請求

性能方面，決策引擎系統(tǒng)支持集群部署，可隨著業(yè)務量的增大擴展硬件，提高系統(tǒng)吞吐量及處理能力，保障業(yè)務的高可用性。支持多線程并行批處理機制，充分利用服務器CPU資源，縮短批處理時間，實現(xiàn)秒級的結果返回。

4.1.9 未來將實現(xiàn)的決策引擎功能優(yōu)化

（1）支持復雜機器學習模型部署。決策引擎系統(tǒng)支持基于機器學習語言的模型部署，如神經網絡模型等，充分利用人工智能等最新技術提升風控能力。支持將模型以pmml格式進行上傳，系統(tǒng)自動解析模型輸入和輸出參數(shù)，可配置在決策流中進行調用。

（2）支持各類模型優(yōu)化部署方式。支持模型的優(yōu)化，支持A/B測試、冠軍/挑戰(zhàn)者或規(guī)則回溯，可以對新舊模型的執(zhí)行效果進行對比分析，以判斷模型優(yōu)勢，進而決定是否需要對模型進行優(yōu)化和部署新的模型。

（3）支持決策表功能。增決策表功能，使業(yè)務配置風控模型決策豐富化。

（4）將由目前的支持貸前實時審批功能，升級為支持貸前審批、貸中預警、貸后催收等全流程業(yè)務的功能更加全面、更加智能的風控決策引擎。

4.2 互聯(lián)網信貸業(yè)務智能催收系統(tǒng)

構建智能催收策略引擎，為不同程度、不同類型違約客戶配置相應的貸后預警或催收策略，當系統(tǒng)識別出違約風險，智能催收系統(tǒng)會生成相應的自動催收方式，例如自動短信提醒、智能外呼等。

結合歷史催收記錄、客戶行為等大數(shù)據(jù)信息，構建催收評分模型，配以相應的智能催收策略，提高催收成功率。