当前位置:   article > 正文

2024-02-26(金融AI行业概览与大数据生态圈)

2024-02-26(金融AI行业概览与大数据生态圈)

1.最开始的风控是怎么做的?

人审

吃业务经验

不能大批量处理,效率低下

不适用于移动互联网的金融场景

2.建模的概念

建模就是构造一个数学公式,能将我们手上有的数据输入进去,通过计算得到一些预测结果。

比如初高中学习的线性回归,就是最简单的建模过程。

风控模型最原始的思路就是输入一个用户的信息,得到这个人是“会还钱”还是“不会还钱”。这是个二分类问题。

而评分卡模型其实就是希望能将一系列的个人信息输入模型,然后得到一个用户的还款概率。概率越大,评分越高,越容易还钱。概率越小,评分越低,越容易跑路。典型例子就是芝麻信用分。

3.为什么一定要映射成某种分数呢?

我们可以随时根据业务需求调整通过率。

更容易向用户解释他的信用评级。

更容易向领导解释一个用户被拒绝的原因。

更容易监控一个模型的效果。

4.风控的流程

风控的角度来看,一般可以分为以下几个部分:

数据采集、反欺诈、策略、模型、催收。

数据采集

数据采集会涉及到埋点和爬中技术,基本上业的数据都大同小异,免费的运营商数据、和安卓可爬的手机内部信息app名称,手机设备信息,部分app内容信息)、以及收费的征信数据、各种信息校验、外部黑名单之类的。还有一些特定场景的现金贷和消费金融会有自有的数据可供使用,比如阿里京东自己的电商数据、滴滴的司机数据、顺丰中通的快递数据等等。

反欺诈引擎

反欺诈引肇主要包括两个部分,反欺诈规则和反欺诈模型,这里其实很少使用传统监督模型。涉及到的算法以无监督算法、社交网络算法、深度学习居多。大部分的公司都使用的是反欺诈规则,这也是主要提倡的。一个原因是欺诈标签不好得到,很难做监督学习的训练。还有一个原因是传统的机器学习对欺诈的检测果很差。因为所谓欺诈,就是一些黑产或者个人将自己包装成信用良好的用户,进行借款后失联或者拒不还钱,既然都伪装成了好客户,基于风控人员主观思考建立的统计模型,又怎么可能有好的效果,但是经过一段时间的实验,这一块其实用深度学习反而有意想不到的效果,基本思想可以理解为,简单评分卡解释性强,带来的坏处就是可以被逆向破解,而复杂模型的黑箱操作虽然解释性差,却有一定的安全性,尤其是搭配了在线学习等动态手段之后。反向破解的成本极高。此外还有很多算法诸如异常检测和知识图谱都在这一块有所应用。

规则引擎

规则擎其实就是我们常说的策略,主要通过数据分析、挖掘手段以及一些监督、无监督算法,得到不同字段、各个区间的坏账率 (badrate) ,找到最佳分段区间,然后得到筛选后信用较好的一批特定人群进行放款。这一块主要有单变量分析和一些关键指标的计算和监控,比Rorate、PSI、KS、AUC,等等。通常规则和模型是组合使用的,尤其在反欺诈场景中。

风控模型

风控模型是机器学习在风控领域的主要体现。当然前面提到的反欺诈模型也是重点之一,主要是通过监督算法构建违约概率预测模型。但是因为实际业务中,是数据的质量并不是永远那么完美,这里通常我们会使用到深度学习、无监督、弱监督等等方法去辅助 传统监督学习算法。
风控模型其中包含了A/B/C卡,模型算法之间可以没有显著区别,而是根据其发生的时间点不同而进行划分的(货前/贷中/贷后),也就是y产生的方式不一样。通常信贷领域都是用逾期天数来定义。A卡可以用客户历史逾期天数最大的天数。B卡则可以多期借款中逾期最大的一次。C卡因为用途不同有不同的建立方法。比如你们公司有内催,有外催。外催肯定是回款率低,单价贵的。那么就可以根据是否被内催催回来定义y。

催收

催收是风控的最终手段,这个环节可以产生很多对模型有帮助的数据。比如懂收记录的文字描述、触达率、欺诈标签等等。并且坏账的客户会被列入黑名单。其实只要是能被惟回来的,都不是坏账,但是很多公司为了保险起见,逾期超过一定时间的客户,即使被懂回来,也会被拉入黑名单。这里主要的算法就是催收模型相关的,可能是监督、无监督算法。也有基于社交网络算法构造的失联模型等等。

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/菜鸟追梦旅行/article/detail/157682
推荐阅读
相关标签
  

闽ICP备14008679号