淺析機(jī)器學(xué)習(xí)在風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

陸欣華

本文結(jié)合從事信息化領(lǐng)域工作的經(jīng)驗(yàn)和體會(huì)，提出如何在風(fēng)險(xiǎn)評(píng)估過程中，應(yīng)用大數(shù)據(jù)和機(jī)器學(xué)習(xí)等技術(shù)，供大家研究。

隨著互聯(lián)網(wǎng)的迅猛發(fā)展，數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)等技術(shù)開始興起。如何把這些新興技術(shù)應(yīng)用于企業(yè)經(jīng)營、科學(xué)決策過程當(dāng)中，越來越受到廣泛關(guān)注。本文結(jié)合從事信息化領(lǐng)域的經(jīng)驗(yàn)和體會(huì)，提出如何在風(fēng)險(xiǎn)評(píng)估過程中，應(yīng)用大數(shù)據(jù)和機(jī)器學(xué)習(xí)等技術(shù)，供大家研究。

風(fēng)險(xiǎn)管理的發(fā)展歷程

風(fēng)險(xiǎn)管理最早起源于美國。1931年由美國管理協(xié)會(huì)保險(xiǎn)部最先倡導(dǎo)風(fēng)險(xiǎn)管理。1932年美國紐約幾家大公司組織成立紐約保險(xiǎn)經(jīng)紀(jì)人協(xié)會(huì)，該協(xié)會(huì)定期討論有關(guān)風(fēng)險(xiǎn)管理的理論與實(shí)踐問題，并逐漸發(fā)展為全美范圍的風(fēng)險(xiǎn)研究所和美國保險(xiǎn)及風(fēng)險(xiǎn)管理協(xié)會(huì)。該協(xié)會(huì)的成立標(biāo)志著風(fēng)險(xiǎn)管理的興起。

1953年8月12日，美國通用汽車公司變速裝置廠發(fā)生了火災(zāi)，直接經(jīng)濟(jì)損失高達(dá)300萬美元。這場(chǎng)大火造成間接損失高達(dá)1億美元之巨。這一事件直接導(dǎo)致公司高層決策人員對(duì)風(fēng)險(xiǎn)管理的重視，進(jìn)而促進(jìn)了風(fēng)險(xiǎn)管理在全球的興起。到上世紀(jì)70年代，隨著項(xiàng)目管理的風(fēng)行，作為項(xiàng)目管理9大領(lǐng)域（項(xiàng)目整體管理、項(xiàng)目范圍管理、項(xiàng)目時(shí)間管理、項(xiàng)目成本管理、項(xiàng)目人力資源管理、項(xiàng)目質(zhì)量管理、項(xiàng)目溝通管理、項(xiàng)目風(fēng)險(xiǎn)管理、項(xiàng)目采購管理）之一的風(fēng)險(xiǎn)管理得到迅速發(fā)展。

時(shí)至今日，風(fēng)險(xiǎn)管理部門已經(jīng)成為多數(shù)企業(yè)中的一個(gè)重要職能部門，為實(shí)現(xiàn)企業(yè)的經(jīng)營目標(biāo)而努力。

然而，風(fēng)險(xiǎn)管理的方法和工具，近些年沒有重大的發(fā)展，仍然使用傳統(tǒng)的管理學(xué)工具進(jìn)行定性分析。隨著互聯(lián)網(wǎng)的迅猛發(fā)展，大數(shù)據(jù)、數(shù)據(jù)挖掘和機(jī)器學(xué)習(xí)等新興技術(shù)開始出現(xiàn)，并且在企業(yè)的經(jīng)營決策過程中得到應(yīng)用。

大數(shù)據(jù)

大數(shù)據(jù)作為新興的一項(xiàng)技術(shù)，還沒有特別權(quán)威的定義。有定義為海量數(shù)據(jù)的，有定義為全數(shù)據(jù)的。目前在IT界較為認(rèn)可的定義是，在可承受的時(shí)間范圍內(nèi)，無法用傳統(tǒng)數(shù)據(jù)庫軟件工具進(jìn)行分析利用的數(shù)據(jù)集都可稱為大數(shù)據(jù)。

大數(shù)據(jù)在風(fēng)險(xiǎn)管理中的應(yīng)用

最早應(yīng)用大數(shù)據(jù)管理風(fēng)險(xiǎn)的正是風(fēng)險(xiǎn)管理最早出現(xiàn)的保險(xiǎn)金融領(lǐng)域。他們通過收集銀行系統(tǒng)本身的征信數(shù)據(jù)以及用戶在互聯(lián)網(wǎng)上的的各種數(shù)據(jù)，包括人際關(guān)系、歷史消費(fèi)行為、身份特征等，通過大數(shù)據(jù)“畫像”技術(shù)，對(duì)用戶進(jìn)行全面的定位，由此來預(yù)測(cè)用戶的履約能力、降低信貸風(fēng)險(xiǎn)。

十幾年前，電子器件、廚房用具、運(yùn)動(dòng)器材以及汽車配飾零售商Canadian Tire 曾做過一次突破性的調(diào)查，將消費(fèi)者行為和信用風(fēng)險(xiǎn)相掛鉤。通過詳細(xì)分析消費(fèi)者在多家店鋪使用 Canadian Tire 公司發(fā)行的信用卡消費(fèi)的情況，這家公司發(fā)現(xiàn)延遲交付、信用卡違約都是可以預(yù)測(cè)的。辦法就是通過研究人們購買的商品種類和品牌，以及他們所光顧的酒吧類型。比如，數(shù)據(jù)顯示那些購買金屬骷髏頭汽車配飾，或者改裝大排量排氣管的消費(fèi)者，最終有可能不會(huì)支付賬單。

而曾在蒙特利爾Sharx Pool Bar酒吧里消費(fèi)的顧客中，有47%的人消費(fèi)以后在12個(gè)月內(nèi)曾經(jīng)四次拖欠還款，令這家酒吧成為加拿大“風(fēng)險(xiǎn)最高”的酒館。事實(shí)證明，這種預(yù)測(cè)比傳統(tǒng)的行業(yè)預(yù)測(cè)方法更為精準(zhǔn)。

Canadian Tire后來決定放棄使用（在社會(huì)上比較敏感的）調(diào)查結(jié)果來管理客戶，但它的故事反映了大數(shù)據(jù)分析學(xué)的一個(gè)關(guān)鍵問題：它們能夠向你展現(xiàn)更為全面的景象（New York Times 2009）。

會(huì)計(jì)師和財(cái)會(huì)專業(yè)人士可以利用這種大數(shù)據(jù)的優(yōu)勢(shì)，通過將多樣化的數(shù)據(jù)集引入計(jì)算，提高對(duì)風(fēng)險(xiǎn)的防范意識(shí)并降低風(fēng)險(xiǎn)。

機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)技術(shù)并不是剛剛起步，而是隨著電子計(jì)算機(jī)的出現(xiàn)而出現(xiàn)的一種技術(shù)。但幾十年來一直沒有取得重大突破，直到互聯(lián)網(wǎng)的普及，機(jī)器學(xué)習(xí)以大數(shù)據(jù)應(yīng)用技術(shù)的全新面目呈現(xiàn)出了勃勃生機(jī)。簡單地說，機(jī)器學(xué)習(xí)就是通過各種算法對(duì)海量的歷史數(shù)據(jù)進(jìn)行有人監(jiān)督或無人監(jiān)督的學(xué)習(xí)分析，總結(jié)規(guī)律，并利用分析結(jié)果對(duì)未來數(shù)據(jù)進(jìn)行預(yù)測(cè)的一種技術(shù)。機(jī)器學(xué)習(xí)目前有很多的應(yīng)用方向，包括模式識(shí)別、圖像識(shí)別、智能決策等。在企業(yè)管理層面上，目前在智能決策方面的應(yīng)用較多。但個(gè)人認(rèn)為，機(jī)器學(xué)習(xí)更適用的領(lǐng)域是風(fēng)險(xiǎn)識(shí)別。

機(jī)器學(xué)習(xí)在企業(yè)風(fēng)險(xiǎn)評(píng)估中的應(yīng)用

一、適用性

機(jī)器學(xué)習(xí)是基于對(duì)大量的歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析的技術(shù)，由于大數(shù)據(jù)本身具有可能不真實(shí)的特性，以及機(jī)器學(xué)習(xí)算法本身的模糊特性，預(yù)測(cè)結(jié)果往往帶有不確定性，學(xué)習(xí)的數(shù)據(jù)量越大，預(yù)測(cè)的準(zhǔn)確性越高。然而，企業(yè)本身不太可能擁有像互聯(lián)網(wǎng)那樣的海量數(shù)據(jù)。

這樣使得預(yù)測(cè)結(jié)果的不確定性更大。事實(shí)上，許多機(jī)器學(xué)習(xí)算法給出的預(yù)測(cè)結(jié)論本身就是大概率的。這種大概率的預(yù)測(cè)結(jié)果用于決策恐怕會(huì)讓人無所適從，不過用于風(fēng)險(xiǎn)評(píng)估卻恰到好處。

風(fēng)險(xiǎn)的定義是在特定環(huán)境下、特定時(shí)間內(nèi)，預(yù)期結(jié)果偏離期望的可能性。用數(shù)學(xué)公式表示為：R=f（p，c），其中R表示風(fēng)險(xiǎn)，p表示不利事件發(fā)生的概率，c表示該事件發(fā)生的損害程度。

從定義看，不利事件發(fā)生的概率p恰恰可以通過機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)，而整個(gè)風(fēng)險(xiǎn)評(píng)估的數(shù)學(xué)模型都可以沿用。

二、實(shí)施途徑

隨著企業(yè)信息化水平的提高，特別是隨著德國工業(yè)4.0和中國制造2025等發(fā)展戰(zhàn)略的推進(jìn)，物聯(lián)網(wǎng)、企業(yè)云等新技術(shù)的應(yīng)用，企業(yè)數(shù)據(jù)將迅猛增長。機(jī)器學(xué)習(xí)應(yīng)用到風(fēng)險(xiǎn)評(píng)估領(lǐng)域應(yīng)該越來越快。

1.數(shù)據(jù)準(zhǔn)備

信息化部門要積極配合風(fēng)險(xiǎn)管理部門，打通各類數(shù)據(jù)的采集提取接口，消除信息孤島，建立適用于大數(shù)據(jù)處理的數(shù)據(jù)中心。

與某疑似風(fēng)險(xiǎn)事件相關(guān)聯(lián)的信息越多（人工、機(jī)械、材料、方法、環(huán)境等），越有利于機(jī)器學(xué)習(xí)算法的預(yù)測(cè)。風(fēng)險(xiǎn)管理部門應(yīng)該盡量保證歷史風(fēng)險(xiǎn)評(píng)估信息的完備和準(zhǔn)確，對(duì)已經(jīng)發(fā)生的風(fēng)險(xiǎn)要特別重視，對(duì)沒有評(píng)估出來而實(shí)際發(fā)生的事故、問題、損失等要及時(shí)總結(jié)，錄入到風(fēng)險(xiǎn)案例庫中。這可能是現(xiàn)有風(fēng)險(xiǎn)管理方面較為薄弱的環(huán)節(jié)，但對(duì)機(jī)器學(xué)習(xí)來說，這些都是特別寶貴的歷史數(shù)據(jù)。

2.算法研究

機(jī)器學(xué)習(xí)的算法本身并不復(fù)雜，但種類很多，目前較為流行的包括樸素貝葉斯、邏輯回歸、線性回歸、決策樹、支持向量機(jī)SVM、人工神經(jīng)網(wǎng)絡(luò)、聚類分析等。不同的算法針對(duì)不同的數(shù)據(jù)集、應(yīng)用方式和預(yù)測(cè)目標(biāo)，預(yù)測(cè)的效果也不盡相同。這需要經(jīng)過反復(fù)的測(cè)試才能得到較好的應(yīng)用效果。各類算法的優(yōu)缺點(diǎn)就不在這里討論了。

3.迭代學(xué)習(xí)

機(jī)器學(xué)習(xí)不是一次性的，而是可以不斷自我迭代，修正已有的經(jīng)驗(yàn)?zāi)Ｐ秃瓦壿?。因此，?yīng)用機(jī)器學(xué)習(xí)進(jìn)行風(fēng)險(xiǎn)評(píng)估是一個(gè)持續(xù)不斷的學(xué)習(xí)、總結(jié)、再學(xué)習(xí)的過程，從而實(shí)現(xiàn)良性循環(huán)，提高風(fēng)險(xiǎn)識(shí)別的準(zhǔn)確率。

三、用機(jī)器學(xué)習(xí)進(jìn)行風(fēng)險(xiǎn)評(píng)估的缺陷

用大數(shù)據(jù)技術(shù)進(jìn)行預(yù)測(cè)近些年取得了不俗的成績，特別在保險(xiǎn)和銀行信貸領(lǐng)域有著不錯(cuò)的效果。但在股票、期貨等投資領(lǐng)域一直沒有重大突破，一方面這些領(lǐng)域的影響因素過于復(fù)雜，另一方面是因?yàn)槿绻妙A(yù)測(cè)結(jié)果進(jìn)行投資，那么預(yù)測(cè)結(jié)果就直接干預(yù)了最終結(jié)果，導(dǎo)致預(yù)測(cè)不準(zhǔn).

在風(fēng)險(xiǎn)評(píng)估中其實(shí)也存在這樣的情況。評(píng)估有風(fēng)險(xiǎn)，采取了預(yù)防措施，防止了風(fēng)險(xiǎn)發(fā)生。結(jié)果可能導(dǎo)致進(jìn)一步進(jìn)行機(jī)器學(xué)習(xí)時(shí)，此類事件被模型修正為沒有風(fēng)險(xiǎn)，從而導(dǎo)致重大風(fēng)險(xiǎn)事件的遺漏。這可能需要在機(jī)器學(xué)習(xí)過程中進(jìn)行有效的監(jiān)督，加大評(píng)估數(shù)據(jù)在學(xué)習(xí)過程中的權(quán)重，減少類似情況的出現(xiàn)。