风控手艺人,仍需要

时下的金融同仁在交流贷款风险控制时,往往会认为互联网金融机构所普遍采用的模型技术、机器决策是先进的,而传统银行的风控模式是落后的。其实,不能简单地进行这样的评判,由于面对的客户群体…

时下的金融同仁在交流贷款风险控制时,往往会认为互联网金融机构所普遍采用的模型技术、机器决策是先进的,而传统银行的风控模式是落后的。其实,不能简单地进行这样的评判,由于面对的客户群体不一样,面对的客户规模大小不一样,所能采用的风险控制方法措施自然也会不一样。传统金融所面对的客户数量并不多,单个客户的体量又比较大,客户的个性化特征比较明显,适合采用一户一策、一户一审的方案进行风险控制,比如公司类大客户,全行拢共也才几百户,历史数据太有限,单户特点很鲜明,你怎么运用模型决策?而互联网机构所要处理的,却是大批量成规模又必须要在较短的时间内服务好的客户群体,客户之间一般具有同质化的需求和特征,只有借助模型技术的批量化处理才能达成目标,微粒贷为近亿人授信,为几千万人贷款,没有自动化手段就不可能完成。这就如同格斗、战斗、战役对当事人的要求不同一个样,一位战略大家组织指挥战役游刃有余,可他可能弱不禁风,要是与人格斗,完全有可能会被对方一拳撂倒,而你要让一位格斗勇士去指挥战斗,十有八九他会冲向前线,与敌面对面拚刺刀。当然,历史上不乏武功高强的谋略家,既能格斗又善指挥千军万马,这里只是一个类比,为了说明问题。 互联网金融进行规模化风险控制大致分为三个阶段:规则控制、模型处理、机器学习。三个阶段一以贯之的是对客户进行分类分群,只是分类分群的手段和方法不同。然后再根据不同类群的风险属性采取不同的策略,有的可以直接通过,有的则立马拒绝,也有的需要人工干预,三个阶段所形成的各自类群结构存在较大的差异,一般来讲,人工参与的程度总体呈递减趋势,最终实现无人工介入(但专家策略和风控思想将会贯穿始终)。
规则控制一般是在专家经验的基础之上,辅之以一定的统计方法所划出的几道硬杠杠,比如,在一定时间范围内,客户的贷款历史上如有一次逾期超过90天的就不予贷款,实际上,就单个有过90天逾期贷款的客户来说,再贷款时未必就一定出现再逾期,但大量的统计结果显示,这样的客户出现再逾期的可能性很大,为了效率,为了成本,也为了风险,只能划下一道线,忍痛割爱,将这类客户全部拒之门外,这是最典型的规模化作业特点,也是从事风控人员最能理解接受的一条规则,类似这样的规则一道道落下去,就把庞大的客户群体分成一个个小部落,每一个小部落都具有共同的风险特性,再采取针对性的策略方案,就能省时省力地从事规模化风险控制了。
模型处理在很大程度上是以在规则控制的基础之上,甚至是在单笔人工审批的基础上所形成的一定数量的信贷“档案”客户为样本,分成两拨,一拨作为萃取风险特征训练之用,少不了要经过加水、加热、煮沸、蒸馏、烘干等等流程,然后再把萃取物——风险特征变量,运用到另一拨样本里进行验证,看看效果怎么样?如果显示绿色,那就通过,而且绿色越深说明效果越好,而如果验证显示的是红色,对不起再重新来一遍。当然也有可能是你的“档案”客户数量不够,萃取不出什么真正的干货来,你就得想办法拓宽增加“档案”客户数,也有可能是你的经验不够,没有找准需要萃取的方向,在这个阶段依旧离不开专家的专业积累。即便是验证通过并运用于实际,由于环境的变化、条件的变化,原本有效的萃取物,也会部分失效,而要保持疗效不减,就必须不断地迭代。不过,迭代与迭代之间,仍只是一个静态的模型。
机器学习,好热。模型处理是静态的,机器学习则是动态的,能够不断接受适应新的环境变化。由于每一天都会产生新的信贷结果——正常的贷款客户、逾期的贷款客户(未必是新客户),新的样本持续加进来,机器自动自主进行实时“学习”更新,不再像模型处理那样需要阶段性手工操作进行迭代(当然,技术要求也完全不一样),更新的速度不断加快,适应性实时性更强。
听起来,高大上,但也看你把它搁在哪儿?对于区域性银行金融机构就未必适用,客户数量有限,服务的地域范围也不大,不多的客户经理就能覆盖到所有的客户,何必投巨资引进什么人工智能做风控?即便引进,小规模小范围内也未必好使。当然,为了让客户满意,提升客户的体验,客户办理业务逐步移向线上,让客户随时随地享受金融服务,这又是另外一个话题了。
对于工行建行、招商银行等等大银行,个人客户体量足够大,如果通过APP能将客户全部迁到线上,让客户习惯于线上办理业务,或者是开放银行进展顺利,大部分银行实现客户数据共享,客户也都通过线上操作,大规模处理业务成为必要,这时候的银行也必然依靠先进的金融科技为客户提供快速周到满意的服务。即便此时,银行仍有个性化单笔处理业务的需要。
所以,任何技术,都需适生的土壤。

为您推荐

发表评论

邮箱地址不会被公开。 必填项已用*标注

返回顶部