互聯(lián)網(wǎng)信貸業(yè)務(wù)大數(shù)據(jù)風(fēng)控模型集群體系及核心風(fēng)險管理工具建設(shè)

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(wǎng)優(yōu)勢逐步發(fā)展的互聯(lián)網(wǎng)信貸業(yè)務(wù)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(wǎng)帶寬管理暫行辦法》已對商業(yè)銀行互聯(lián)網(wǎng)貸款業(yè)務(wù)進(jìn)一步規(guī)范。以下僅以中小型商業(yè)銀行為例，對互聯(lián)網(wǎng)信貸業(yè)務(wù)大數(shù)據(jù)風(fēng)控模型群體系及核心風(fēng)險管理工具建設(shè)情況進(jìn)行闡述。

1 建立大數(shù)據(jù)風(fēng)控風(fēng)險模型集群體系

穩(wěn)定建立互聯(lián)網(wǎng)信貸業(yè)務(wù)全生命周期風(fēng)險模型集群，包括身份驗(yàn)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(fēng)險預(yù)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(fēng)險模型均在開展的互聯(lián)網(wǎng)信貸業(yè)務(wù)中應(yīng)用，如螞蟻花唄、借唄、美團(tuán)生活費(fèi)、度小滿、平安普惠、小米等合作渠道業(yè)務(wù)及自營貸款產(chǎn)品中，能有效支撐線上貸款業(yè)務(wù)快速增長帶來的大數(shù)據(jù)風(fēng)控管理要求。

2 詳細(xì)風(fēng)險模型

2.1 身份驗(yàn)證模型

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

1.要素鑒權(quán)：通對接合規(guī)大數(shù)據(jù)廠商，進(jìn)行手機(jī)三要素、銀行卡四要素驗(yàn)證，對申請人進(jìn)行實(shí)名認(rèn)證。

2.地址核驗(yàn)：通過對接數(shù)據(jù)廠商，獲取運(yùn)營商基站定位信息，驗(yàn)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(shí)際地址經(jīng)緯度進(jìn)行比對，根據(jù)差異距離校驗(yàn)申請人地址真實(shí)性。

3.關(guān)聯(lián)人驗(yàn)證：通過數(shù)據(jù)提供服務(wù)，獲取申請人的關(guān)聯(lián)關(guān)系信息，驗(yàn)證申請人聯(lián)系人信息的真實(shí)性、聯(lián)系人的風(fēng)險行為。

4.人臉活體識別：通過商湯科技，連接公安去網(wǎng)紋證件照聯(lián)網(wǎng)核查，實(shí)現(xiàn)人臉活體識別功能，進(jìn)而實(shí)現(xiàn)對借款人本人身份的真實(shí)性進(jìn)行核實(shí)，防止身份冒用等風(fēng)險。

5.聲紋識別：通過對接騰訊云的聲紋識別服務(wù)，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(diào)低信用級別或直接拒絕。

2.2 反欺詐模型

線上互聯(lián)網(wǎng)貸款業(yè)務(wù)面臨最大的風(fēng)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(shè)置、交叉驗(yàn)證，最大程度識別和預(yù)防欺詐行為。

目前該行已經(jīng)實(shí)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(jī)器學(xué)習(xí)模型以及關(guān)聯(lián)圖譜模型（如圖1）。

圖1

通過多種模型組合構(gòu)建的反欺詐風(fēng)控策略，將實(shí)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(chǎn)中介、多頭借貸、逾期黑名單、涉訴黑名單、地址欺詐、團(tuán)伙欺詐等各類高風(fēng)險欺詐行為（如圖2）。部分關(guān)鍵的反欺詐手段如下。

圖2

1.黑名單：反欺詐第一關(guān)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(yùn)營商黑名單、其他行業(yè)關(guān)注名單等黑名單信息，簡單高效過濾嚴(yán)重高風(fēng)險客戶。

2.設(shè)備欺詐：對接外部數(shù)據(jù)平臺，獲得申請人設(shè)備指紋信息，識別申請人設(shè)備關(guān)聯(lián)多個不同身份信息的欺詐風(fēng)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(yán)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(jī)號欺詐：對接外部平臺建立的風(fēng)險號碼庫，識別申請人通信小號、虛擬號碼，高風(fēng)險號碼；通過手機(jī)號在網(wǎng)時長、狀態(tài)、消費(fèi)情況、使用習(xí)慣等信息，識別貓池養(yǎng)卡等手機(jī)號欺詐。

5.欺詐評分：接入欺詐評分服務(wù)，對申請人從設(shè)備、身份證、手機(jī)等多角度關(guān)聯(lián)的欺詐行為進(jìn)行綜合評分，對于欺詐分?jǐn)?shù)較高的客戶，直接拒絕。

2.3 信用評估模型

通過構(gòu)建申請?jiān)u分模型評估客戶的信用風(fēng)險，實(shí)現(xiàn)客戶風(fēng)險等級的判定，根據(jù)風(fēng)險等級進(jìn)行準(zhǔn)入決策。申請?jiān)u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(fèi)信息、資產(chǎn)負(fù)債信息、電信信息、外部征信信息等，全面刻畫申請人信用風(fēng)險。

根據(jù)業(yè)務(wù)場景實(shí)際情況，采用不同的模型構(gòu)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(biāo)準(zhǔn)的邏輯回歸方法構(gòu)建申請?jiān)u分卡；對于不滿足上述條件的情況，采用專家經(jīng)驗(yàn)冷啟動方法構(gòu)建。將構(gòu)建的申請?jiān)u分模型部署到風(fēng)控實(shí)時決策引擎AnyEST系統(tǒng)，則實(shí)現(xiàn)實(shí)時自動評估申請人信用風(fēng)險，劃分信用等級，根據(jù)風(fēng)險等級進(jìn)行準(zhǔn)入決策。

2.4 授信額度模型

根據(jù)產(chǎn)品特點(diǎn)、風(fēng)險偏好，設(shè)計產(chǎn)品額度區(qū)間和件均額度，針對不同客戶風(fēng)險差異，對客戶進(jìn)行申請?jiān)u分，根據(jù)申請?jiān)u分評定的風(fēng)險等級，確定調(diào)整幅度。

2.5 風(fēng)險定價模型

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

2.6 風(fēng)險預(yù)警模型

對客戶在還款過程中的信用和行為進(jìn)行監(jiān)測，進(jìn)而對高風(fēng)險客戶進(jìn)行識別和預(yù)警的模型。風(fēng)險預(yù)警模型主要實(shí)現(xiàn)方式包括風(fēng)險監(jiān)測預(yù)警規(guī)則和行為評分模型。應(yīng)綜合考慮數(shù)據(jù)查詢成本和違約風(fēng)險，接入外部風(fēng)險數(shù)據(jù)，構(gòu)建監(jiān)測風(fēng)險預(yù)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(fēng)險行為，及時觸發(fā)風(fēng)險預(yù)警信號，進(jìn)行風(fēng)險預(yù)警。應(yīng)通過構(gòu)建行為評分模型，預(yù)測客戶違約概率，判定違約預(yù)警等級，對不同違約風(fēng)險客戶，采取相應(yīng)的貸后處理。

3 未來將實(shí)現(xiàn)的大數(shù)據(jù)風(fēng)控模型

3.1 構(gòu)建實(shí)時智能學(xué)習(xí)的反欺詐策略引擎

未來將通過統(tǒng)計分析與機(jī)器學(xué)習(xí)方法，構(gòu)建自學(xué)習(xí)的反欺詐策略引擎，結(jié)合歷史放貸表現(xiàn)以及特征閾值的迭代智能學(xué)習(xí)，實(shí)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(shí)時輸出策略。

3.2 基于機(jī)器學(xué)習(xí)和關(guān)聯(lián)圖譜升級反欺詐模型體系

將采用更精準(zhǔn)的XGBoost、隨機(jī)森林、深度學(xué)習(xí)等算法，構(gòu)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(fēng)險。另外，也可以通過多模型的組合投票，對于申請人的風(fēng)險分類給出更精準(zhǔn)的結(jié)果，提升反欺詐精度。

在線上信貸市場中，黑產(chǎn)遍布、欺詐團(tuán)伙盛行，對于線上信貸業(yè)務(wù)產(chǎn)生嚴(yán)重威脅。該行將通過關(guān)聯(lián)圖譜技術(shù)，構(gòu)建群體欺詐檢測模型，嚴(yán)密防控團(tuán)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(chǎn)的外部表現(xiàn)，如涉訴、逾期、多頭借貸等行為，并通過構(gòu)建行為評分模型，預(yù)測客戶違約概率，判定違約預(yù)警等級，對不同違約風(fēng)險客戶，采取相應(yīng)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(fēng)險等級等信息，構(gòu)建的客戶逾期催回成功可能性的模型。

4 大數(shù)據(jù)風(fēng)控核心風(fēng)險管理工具建設(shè)

4.1 互聯(lián)網(wǎng)信貸業(yè)務(wù)智能風(fēng)控決策引擎系統(tǒng)

為支持互聯(lián)網(wǎng)貸款實(shí)時自動化審批，該行目前已構(gòu)建了一套100%面向業(yè)務(wù)團(tuán)隊(duì)的可視化、分布式、多線程、支持高并發(fā)的智能風(fēng)控決策引擎。該決策引擎可以實(shí)現(xiàn)規(guī)則的靈活配置與部署，支持基本準(zhǔn)入、反欺詐規(guī)則及評分卡的部署與運(yùn)行，實(shí)現(xiàn)在線自動化反欺詐檢測與信用風(fēng)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(biāo)點(diǎn)擊的方式完成，無需改動程序代碼，業(yè)務(wù)人員可以以較低的學(xué)習(xí)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(nèi)部數(shù)據(jù)，可以根據(jù)業(yè)務(wù)需求選擇使用哪些數(shù)據(jù)進(jìn)行查詢?；诓煌臉I(yè)務(wù)產(chǎn)品，可以配置通過界面可視化的方式選擇相應(yīng)的第三方數(shù)據(jù)、內(nèi)部數(shù)據(jù)。

4.1.3 與業(yè)務(wù)系統(tǒng)對接簡單

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

4.1.4 支持規(guī)則熱部署

本產(chǎn)品支持對規(guī)則的熱部署，當(dāng)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(fēng)控規(guī)則移植便捷

配置好規(guī)則以后，對于類似的業(yè)務(wù)條線，可通過對配置好的規(guī)則進(jìn)行復(fù)制、導(dǎo)入導(dǎo)出，將規(guī)則移植到其它類似業(yè)務(wù)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(chǎn)環(huán)境之前，可以對模型規(guī)則進(jìn)行仿真測試，模擬輸入進(jìn)件信息，驗(yàn)證模型的正確性。

4.1.7 實(shí)時風(fēng)險大盤

系統(tǒng)可以實(shí)時統(tǒng)計各類風(fēng)險決策，并以表格、餅圖、柱狀圖等形式實(shí)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(wù)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(wù)量的增大擴(kuò)展硬件，提高系統(tǒng)吞吐量及處理能力，保障業(yè)務(wù)的高可用性。支持多線程并行批處理機(jī)制，充分利用服務(wù)器CPU資源，縮短批處理時間，實(shí)現(xiàn)秒級的結(jié)果返回。

4.1.9 未來將實(shí)現(xiàn)的決策引擎功能優(yōu)化

（1）支持復(fù)雜機(jī)器學(xué)習(xí)模型部署。決策引擎系統(tǒng)支持基于機(jī)器學(xué)習(xí)語言的模型部署，如神經(jīng)網(wǎng)絡(luò)模型等，充分利用人工智能等最新技術(shù)提升風(fēng)控能力。支持將模型以pmml格式進(jìn)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(jìn)行調(diào)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(jìn)行對比分析，以判斷模型優(yōu)勢，進(jìn)而決定是否需要對模型進(jìn)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(wù)配置風(fēng)控模型決策豐富化。

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

4.2 互聯(lián)網(wǎng)信貸業(yè)務(wù)智能催收系統(tǒng)

構(gòu)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(yīng)的貸后預(yù)警或催收策略，當(dāng)系統(tǒng)識別出違約風(fēng)險，智能催收系統(tǒng)會生成相應(yīng)的自動催收方式，例如自動短信提醒、智能外呼等。

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