0
| 本文作者： 周蕾 | 2021-02-03 20:22 |
金融人手握大量數(shù)據(jù)、規(guī)則和算法，卻沒有讀懂真正的風(fēng)險(xiǎn)管理：
數(shù)據(jù)量越多、維度越全，就是更好的數(shù)據(jù)嗎？就能實(shí)現(xiàn)最好的風(fēng)控效果嗎？
風(fēng)險(xiǎn)管理是一門尋求平衡點(diǎn)的科學(xué)，那么我們應(yīng)該在什么問題上尋求平衡？只是風(fēng)控尺度和業(yè)務(wù)增長之間的問題嗎？
一個(gè)卓越的風(fēng)控模型，除了考慮算法、考慮數(shù)據(jù)，它到底還有多少細(xì)節(jié)是你錯(cuò)失的？
……
王勁曾是百度金融的CRO，也在有著“風(fēng)控黃埔軍?！敝Q的美國運(yùn)通工作了十七年。
次貸危機(jī)之后，美聯(lián)儲加強(qiáng)了對所有銀行機(jī)構(gòu)的風(fēng)險(xiǎn)模型管理，而他在美國運(yùn)通的最后五年，創(chuàng)建了運(yùn)通的模型監(jiān)管和驗(yàn)證中心，對全公司上千個(gè)模型進(jìn)行全面的管理——親身經(jīng)歷過次貸危機(jī)的他，對風(fēng)險(xiǎn)管理有著獨(dú)到的洞察。
近日，雷鋒網(wǎng)《銀行業(yè)AI生態(tài)云峰會(huì)》就邀請到融慧金科CEO王勁，作為「數(shù)字化風(fēng)控」賽道的科技專家，為大家?guī)硭阢y行智能信貸風(fēng)控的管理理念和應(yīng)用實(shí)踐。
以下為王勁的演講內(nèi)容，雷鋒網(wǎng)AI金融評論作了不改變原意的編輯：
大家好，非常高興今天有機(jī)會(huì)跟大家在線上分享我在管理風(fēng)險(xiǎn)的二十多年中，所沉淀的一些知識和經(jīng)驗(yàn)，希望對大家有所幫助。
近年來，隨著中國互聯(lián)網(wǎng)金融飛速發(fā)展，同時(shí)面臨著很多的難題和挑戰(zhàn)。
首先，如何定義風(fēng)險(xiǎn)的使命，風(fēng)險(xiǎn)管理人員的定位一定要準(zhǔn)確。
對于風(fēng)險(xiǎn)的使命，我實(shí)際上是借用美國運(yùn)通當(dāng)時(shí)的CRO在二十多年前的一個(gè)定義——推動(dòng)有利潤的業(yè)務(wù)增長，同時(shí)提供卓越的客戶體驗(yàn)，避免意外風(fēng)險(xiǎn)——整個(gè)描述并沒有表示要降低風(fēng)險(xiǎn)或者把風(fēng)險(xiǎn)降到零。
有利潤，意味著風(fēng)險(xiǎn)一定要在可控的范圍之內(nèi)。
增長，風(fēng)險(xiǎn)不是限制業(yè)務(wù)的發(fā)展，而是要幫助業(yè)務(wù)做有利潤的增長。
卓越的客戶體驗(yàn)。很多時(shí)候我們不是太關(guān)注，但是風(fēng)險(xiǎn)管理的每一個(gè)決策、每一個(gè)動(dòng)作實(shí)際上是會(huì)影響到客戶體驗(yàn)的。
避免意外風(fēng)險(xiǎn)。因?yàn)榻鹑诒旧砭褪窃谶\(yùn)營風(fēng)險(xiǎn)，沒有風(fēng)險(xiǎn)是不可能的，我們并不懼怕可預(yù)知的風(fēng)險(xiǎn)。
比如我們判斷一個(gè)客戶的壞賬率是2%~3%，這個(gè)并不是風(fēng)險(xiǎn)——但如果最后的實(shí)際結(jié)果是5%~10%，這個(gè)情況就是意外風(fēng)險(xiǎn)。
所以，我們做風(fēng)險(xiǎn)管理，一定要每時(shí)每刻預(yù)判未來可能發(fā)生的事情并及早應(yīng)對。例如壓力測試就是一個(gè)為了避免意外風(fēng)險(xiǎn)的風(fēng)險(xiǎn)管理動(dòng)作。
風(fēng)險(xiǎn)管理最重要的就是對數(shù)據(jù)的把控，思考數(shù)據(jù)的生命周期。首先要從對業(yè)務(wù)產(chǎn)品和客戶的選擇當(dāng)中，決定需要什么樣的數(shù)據(jù)。
基于業(yè)務(wù)方向，我們要對內(nèi)外部的數(shù)據(jù)進(jìn)行各種盤點(diǎn)，比如從客戶那里收集什么樣的數(shù)據(jù)？在人行要拿什么樣的征信數(shù)據(jù)？需要用什么樣的第三方數(shù)據(jù)進(jìn)行補(bǔ)充？為了服務(wù)客戶和達(dá)到業(yè)務(wù)目標(biāo)，必須要有足夠好的數(shù)據(jù)幫助我們進(jìn)行風(fēng)險(xiǎn)管理。
此外，立下數(shù)據(jù)選擇的原則和條件。因?yàn)樵诒姸嗟臄?shù)據(jù)中，有合規(guī)的和不合規(guī)的，并且存在著強(qiáng)弱之分，如果沒有制定相應(yīng)的原則和條件，在未來就會(huì)有很大的麻煩。
數(shù)據(jù)的分析和引入。我們要分析、評判市場上的各種數(shù)據(jù)源，再做引入，之后要對數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控，以保證其質(zhì)量和持續(xù)的效果，這就是數(shù)據(jù)戰(zhàn)略的一個(gè)閉環(huán)。
接下來跟大家分享一下，選擇數(shù)據(jù)的條件。
數(shù)據(jù)必須合規(guī)，必須要滿足國家和政府的要求且一定要有授權(quán)。
數(shù)據(jù)的全國人口覆蓋率要高，這是一個(gè)非常重要的要求。如果數(shù)據(jù)的覆蓋率不高，就會(huì)影響模型的識別度、穩(wěn)定度等。
數(shù)據(jù)的新鮮度和時(shí)效性要高。要達(dá)到日更新至少是t+3，即今天的決策一定要達(dá)到3天之內(nèi)的時(shí)效性。如果現(xiàn)在的決策數(shù)據(jù)是5天前的，那么現(xiàn)在這個(gè)模型決策的質(zhì)量就會(huì)相應(yīng)地打折扣。
數(shù)據(jù)的歷史長，可以回溯至12個(gè)月以上。因?yàn)楹芏嗟难苌兞繒?huì)回溯歷史，如果沒有可回溯的歷史，那么也不會(huì)形成這些非常重要的變量。
同時(shí)，可回溯也讓我們能夠驗(yàn)證一些歷史數(shù)據(jù)的效果，這個(gè)條件是非常重要的。
數(shù)據(jù)的穩(wěn)定性好，我們會(huì)跨時(shí)間窗觀察數(shù)據(jù)的波動(dòng)。如果數(shù)據(jù)波動(dòng)性太大，那穩(wěn)定性肯定是不好的。
數(shù)據(jù)戰(zhàn)略是一個(gè)相對長期的落地過程，在這個(gè)過程中，數(shù)據(jù)要達(dá)到怎樣的標(biāo)準(zhǔn)和維度？
覆蓋低到覆蓋高。
信息薄到信息厚。有些客戶可能有20個(gè)變量可以描述，那么可不可以將其演變成，平均有30~40個(gè)變量在描述客戶？這就是二者之間的關(guān)系。
質(zhì)量低到質(zhì)量高，不能用到一些垃圾數(shù)據(jù)。
弱相關(guān)到強(qiáng)相關(guān)。比如在剛開始的20個(gè)變量當(dāng)中，可能有80%的弱變量；如果剩下的20%的強(qiáng)相關(guān)演變成30%的強(qiáng)相關(guān)變量，模型的決策就會(huì)更好。
高成本到低成本。
源集中到源分散。大家通常把自己的一些策略和模型，特別地依賴于某一兩個(gè)數(shù)據(jù)源，這實(shí)際上存在著非常大的操作風(fēng)險(xiǎn)。我們一定要在數(shù)據(jù)戰(zhàn)略中將其來源盡量地分散開來，當(dāng)然也不是無限制的分散，而是要找到其中的平衡點(diǎn)。
引入數(shù)據(jù)之后，它的價(jià)值轉(zhuǎn)化分為哪些部分？
首先，是基礎(chǔ)的數(shù)據(jù)層，數(shù)據(jù)源包含了客戶提供的數(shù)據(jù)、征信數(shù)據(jù)、第三方數(shù)據(jù)等等。
數(shù)據(jù)層之上，是工序#1的加工層，將對各種數(shù)據(jù)源進(jìn)行衍生，否則原始數(shù)據(jù)就不會(huì)得到很好的利用。
在衍生變量這一層，要著眼于這些變量的使用場景。有些衍生變量與欺詐相關(guān)，有的與信用相關(guān)，有些則是與精準(zhǔn)獲客相關(guān)。
工序#2是集成層，因?yàn)檠苌兞靠赡苁腔谀硞€(gè)數(shù)據(jù)源而成，那么，模型和規(guī)則就會(huì)幫助我們把各個(gè)數(shù)據(jù)源的衍生變量進(jìn)行再集成，使其成為一個(gè)子模型或者是一套規(guī)則。
工序#3是解決方案層，反欺詐的解決方案可能會(huì)有上百個(gè)規(guī)則，這上百個(gè)規(guī)則可能用到十個(gè)模型，相當(dāng)于將各種各樣的材料修建成一所房子，最后輸出給持牌的金融機(jī)構(gòu)。
從最底層的征信數(shù)據(jù)層到各種加工層，金融行業(yè)里的參與者承擔(dān)著不同的角色。當(dāng)每個(gè)銀行和消金要進(jìn)行自身轉(zhuǎn)換時(shí)，他們也需要承擔(dān)加工、集成和解決方案的角色。
很多人并不是特別理解，風(fēng)險(xiǎn)管理永遠(yuǎn)是一個(gè)尋找平衡點(diǎn)的科學(xué)。除了要用到人工智能、非常多的數(shù)據(jù)、算法之外，實(shí)際上，很大一部分風(fēng)險(xiǎn)管理是在尋求平衡。
平衡點(diǎn)之一：風(fēng)控和業(yè)務(wù)增長之間的平衡。
比如在產(chǎn)品人群額度的選擇上，我們可以操作高利率、低質(zhì)人群、低額度。
雖然風(fēng)險(xiǎn)高，但是獲客成本低，業(yè)務(wù)量也會(huì)加大，這些大量有貸款需求的人，他們的風(fēng)險(xiǎn)是比較高的。
與此同時(shí)，也可以操作低利率、優(yōu)質(zhì)人群、高額度，這部分人群可能風(fēng)險(xiǎn)比較低，但是獲客成本高。
優(yōu)質(zhì)人群對信貸的需求相對較低，所以業(yè)務(wù)量也較少。大銀行吸引的是大批的優(yōu)質(zhì)人群，其他的小銀行和金融機(jī)構(gòu)，可能在這方面的挑戰(zhàn)就相對大一些。
所以，在運(yùn)營當(dāng)中，要在高利率和低利率，優(yōu)質(zhì)人群和和低質(zhì)人群，高額度還是低額度之間尋找平衡點(diǎn)。
平衡點(diǎn)之二：在風(fēng)險(xiǎn)管理的數(shù)據(jù)、模型以及策略中，如何平衡簡單和復(fù)雜。
這也是非?？简?yàn)人——簡單意味著準(zhǔn)確度低，合規(guī)操作風(fēng)險(xiǎn)低，相應(yīng)的成本也低。
而復(fù)雜，模型用到了非常多的變量，非常復(fù)雜的算法，那么準(zhǔn)確度可能會(huì)相應(yīng)提高，但是合規(guī)操作的風(fēng)險(xiǎn)也變高了，成本也會(huì)增加。
所以，如何在業(yè)務(wù)的初期、業(yè)務(wù)的增長期以及成熟期，找到其中的平衡點(diǎn)，是一個(gè)具有挑戰(zhàn)性的課題。
平衡點(diǎn)之三：“科學(xué)”和“藝術(shù)”之間的平衡。
比如在風(fēng)險(xiǎn)管理當(dāng)中，我們會(huì)用到大量的數(shù)據(jù)，用科學(xué)的方法對數(shù)據(jù)進(jìn)行回歸和分析，它的好處就是客觀的，而不是主觀的。
因?yàn)橐跀?shù)據(jù)過去的表現(xiàn)做策略和模型，其不利的地方就在于局限于數(shù)據(jù)的好壞，在一個(gè)混亂的P2P和payday loan的時(shí)代收集到的數(shù)據(jù)，我們要對其科學(xué)性進(jìn)行質(zhì)疑。
過去的數(shù)據(jù)并不能夠代表未來。過去的利率可能做到50%、甚至100%，但是監(jiān)管加強(qiáng)之后，利率就得下調(diào)，這是對科學(xué)的一些挑戰(zhàn)。
“藝術(shù)”則依賴于實(shí)踐的經(jīng)驗(yàn)，宏觀的發(fā)展方向，包括監(jiān)管、競爭環(huán)境以及社會(huì)行為。人們?yōu)槭裁匆栀J？為什么還不上貸款？這些都是基于經(jīng)驗(yàn)所沉淀下來的一些東西。
其壞處在于局限于個(gè)人的經(jīng)歷，如果CRO或者總經(jīng)理在風(fēng)險(xiǎn)管理方面的經(jīng)驗(yàn)不夠，在決策上就會(huì)遇到一些問題。
所以，風(fēng)險(xiǎn)管理既不能夠完全的依靠數(shù)據(jù)科學(xué)，也不能夠完全依靠主觀經(jīng)驗(yàn)，關(guān)鍵在于找到其中的平衡點(diǎn)。
在模型風(fēng)險(xiǎn)管理當(dāng)中，現(xiàn)今的大數(shù)據(jù)以及互聯(lián)網(wǎng)金融時(shí)代是離不開模型的，在互聯(lián)網(wǎng)金融管理的原則方面，就是要充分的利用概率，而這個(gè)概率是通過模型實(shí)現(xiàn)的。
一個(gè)卓越的模型需要有哪些要求？
數(shù)據(jù)選擇，一定要考慮數(shù)據(jù)的覆蓋率、缺失率、新鮮度和穩(wěn)定性。
衍生創(chuàng)新，一個(gè)模型的好壞與否，前兩點(diǎn)是非常重要的，如果衍生變量做得不是特別好，那么數(shù)據(jù)本身跟所要預(yù)測的東西的相關(guān)性就會(huì)比較弱。所以在衍生的過程當(dāng)中，要增強(qiáng)其穩(wěn)定性。
架構(gòu)選擇，有了原料和衍生品之后，應(yīng)該怎樣架構(gòu)模型？用不用子模型，要不要做人群分割？這些因素將會(huì)影響最后模型的中長期的表現(xiàn)，以及維護(hù)的成本。
算法選擇，要用傳統(tǒng)的邏輯回歸，還是有一些簡單的決策樹，或者用機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，需要對這些技術(shù)加以選擇。
監(jiān)控迭代，每一個(gè)模型都有其對應(yīng)的生命周期，所以我們一定要知道每一個(gè)模型什么時(shí)候失效，什么時(shí)候應(yīng)該迭代，我們一定要打造一個(gè)能夠?qū)崟r(shí)跟蹤的平臺，在衰退后又能夠快速的迭代。
y的定義和樣本的篩選。
雖然擁有了優(yōu)質(zhì)的原材料、數(shù)據(jù)、衍生變量，但是如果y的定義出現(xiàn)問題，是要將逾期30天定義成壞樣本，還是將60天的逾期定義為壞樣本？是否在其中增加額度的一些條件，而不是壞賬的金額條件。
樣本的選擇也是如此。歷史上的樣本可能是有波動(dòng)的，如何選擇能夠帶來對未來預(yù)測的樣本，也是一個(gè)非常重要的因素。
評判的標(biāo)準(zhǔn)，除了辨別力之外，精準(zhǔn)度要高、穩(wěn)定性和復(fù)雜性要強(qiáng)以及可解釋性。
所以模型的建設(shè)不僅僅只是算法，也并非是對數(shù)據(jù)的選擇，而是一個(gè)非常復(fù)雜的提煉的過程。
第一個(gè)架構(gòu)方式：比如有三個(gè)數(shù)據(jù)源，先將其集成到內(nèi)部的數(shù)據(jù)庫里，再利用這些幾百至上千的數(shù)據(jù)，做出一個(gè)模型A。
第二個(gè)架構(gòu)方式：基于每個(gè)數(shù)據(jù)源建立一個(gè)子模型，然后將這些子模型再集成為另外一個(gè)模型A。
這兩種都有各自的優(yōu)劣勢。
第一種，識別率和精準(zhǔn)度相對較高。因?yàn)樗腔谙鄬Φ讓拥臄?shù)據(jù)集成起來的，每一個(gè)子數(shù)據(jù)都有相應(yīng)的權(quán)重，其精準(zhǔn)度會(huì)相對高一些。
劣勢是穩(wěn)定性弱，操作風(fēng)險(xiǎn)高。如果把這三個(gè)數(shù)據(jù)源的數(shù)據(jù)混雜在一起，那么一個(gè)數(shù)據(jù)源出了問題，就會(huì)影響模型A的迭代速度和效果。
第二個(gè)的優(yōu)勢在于穩(wěn)定性強(qiáng)，通過集成數(shù)據(jù)源一和數(shù)據(jù)源二，就會(huì)削弱一些波動(dòng)，穩(wěn)定性得到增強(qiáng)的同時(shí)，操作風(fēng)險(xiǎn)也比較低。
如果數(shù)據(jù)源三出了問題，將子模型一和二并列，雖然還是同一個(gè)模型，但是識別率和精準(zhǔn)度會(huì)受到損傷。兩個(gè)不同的模型架構(gòu)，將影響到未來的表現(xiàn)結(jié)果。
很多信貸公司都會(huì)遇到的課題就是，在不同的流量入口的條件下，每一個(gè)渠道的人群和風(fēng)險(xiǎn)特征是不相同的。
那么，是將每一個(gè)渠道做一個(gè)模型？還是將流量渠道1和2合并形成模型A，之后通過再流量渠道3形成模型C？
什么情況下可以合并呢？當(dāng)某一個(gè)渠道的樣本很少，并且一和二的風(fēng)險(xiǎn)特征相近，同時(shí)某一個(gè)渠道的樣本也不充足時(shí)，合并會(huì)產(chǎn)生更好的效果。
那么，該怎樣有效使用模型？模型只是一個(gè)工具而已，定義模型就像一個(gè)溫度計(jì)，高燒定義在什么位置？低燒定義在哪個(gè)溫度點(diǎn)？在使用時(shí)一定要明確模型的優(yōu)點(diǎn)和局限性，否則就會(huì)出問題。
優(yōu)點(diǎn)是客觀的，能夠進(jìn)行比較精準(zhǔn)的排序，高效率地處理客戶，同時(shí)依靠統(tǒng)計(jì)技術(shù)調(diào)整業(yè)務(wù)、變動(dòng)閾值，以影響通過率和壞賬結(jié)果。
局限性在于開發(fā)時(shí)間較長，過去的表現(xiàn)不能完全預(yù)測未來，所以一定要有“藝術(shù)”判斷的部分；模型也是對現(xiàn)實(shí)的簡化。
比如用戶不能還款的原因，有可能是失業(yè)、生病或者離婚，面對這些復(fù)雜的因素，模型是無法判斷每一個(gè)逾期的原因。
當(dāng)模型用到了非常多的變量之后，透明度、穩(wěn)定性、可解釋性都會(huì)受到挑戰(zhàn)。在強(qiáng)監(jiān)管的金融環(huán)境里，都需要將這些因素考慮進(jìn)去。
風(fēng)險(xiǎn)管理會(huì)受到宏觀政策、國際環(huán)境、經(jīng)濟(jì)周期、監(jiān)管和競爭環(huán)境等因素的影響，所以要增強(qiáng)動(dòng)態(tài)管理的理念。
具體分為以下三個(gè)方面：
第一，實(shí)時(shí)了解客戶，其中包括時(shí)效性很高的征信信息、客戶信息、公開信息，以及第三方的信息，一定不能是非常陳舊的信息，那樣無法做到動(dòng)態(tài)的風(fēng)險(xiǎn)管理。
第二，尋找風(fēng)險(xiǎn)和回報(bào)的平衡點(diǎn)。風(fēng)險(xiǎn)管理就是要不斷地尋找平衡點(diǎn)，風(fēng)險(xiǎn)管理和業(yè)務(wù)的博弈，簡單和復(fù)雜的博弈，都需要不斷地進(jìn)行調(diào)整。
最好基于利潤的角度，平衡風(fēng)險(xiǎn)和回報(bào)。例如投入和回報(bào)的比例，利率應(yīng)該定在哪個(gè)點(diǎn)，才能得到恰當(dāng)?shù)幕貓?bào)。
風(fēng)險(xiǎn)管理一定不能只看到當(dāng)今的風(fēng)險(xiǎn)，只參考當(dāng)今的數(shù)據(jù)。
我們一定要從計(jì)量和定性的角度，判斷在壓力狀況下評估的這部分優(yōu)勢人群和組合；如何判斷他們在壓力情況下的壞賬情況，是否會(huì)讓我們從賺錢到虧本，這些都是風(fēng)險(xiǎn)管理中非常重要的理念。
第三，經(jīng)驗(yàn)判斷，我們一定要利用經(jīng)驗(yàn)來補(bǔ)充科學(xué)，其中包含市場、競對、員工、監(jiān)管學(xué)習(xí)新的思想和方法，例如在次貸危機(jī)當(dāng)中，很多機(jī)構(gòu)關(guān)張或受到重創(chuàng)，但也有很多機(jī)構(gòu)變得非常成功。
例如當(dāng)時(shí)的摩根，就是在次貸危機(jī)里相對成功的案例，但是美雷曼還有AIG保險(xiǎn)公司都受到了重創(chuàng)，主要原因在于缺乏經(jīng)驗(yàn)的判斷和果斷的決策。
需要利用經(jīng)驗(yàn)來判斷現(xiàn)今的時(shí)事，哪些需要相信模型，哪些要繞過模型做決策，都是動(dòng)態(tài)風(fēng)險(xiǎn)管理的理由。
最近兩三年，國家把金融環(huán)境梳理得非常干凈、健康，有利于國家經(jīng)濟(jì)的正常發(fā)展。銀行、消金公司等持牌金融機(jī)構(gòu)都要面臨合規(guī)治理。
怎樣利用技術(shù)手段，在達(dá)到國家要求的同時(shí)，提升金融合規(guī)的自動(dòng)化、專業(yè)性、時(shí)效性、包容性、協(xié)調(diào)性？需要做到以下四大方面：
第一，身份識別和控制，如何做好KYC（Know Your Customer），明確用戶資產(chǎn)能力和還款能力。國家一直在強(qiáng)調(diào)要合理不能過度借貸給客戶，這些都是KYC的一部分。
第二，數(shù)據(jù)安全管理，數(shù)據(jù)安全包括隱私、來源、使用、保管、質(zhì)量的保障。
第三，風(fēng)險(xiǎn)模型管理，在次貸危機(jī)之后，美聯(lián)儲加強(qiáng)了對所有銀行機(jī)構(gòu)的風(fēng)險(xiǎn)模型的管理。我在美國運(yùn)通的最后5年創(chuàng)建了運(yùn)通的模型監(jiān)管和驗(yàn)證中心，對全公司的1000個(gè)模型進(jìn)行全面的管理。
第四，自動(dòng)化監(jiān)控體系，如何實(shí)時(shí)監(jiān)控業(yè)務(wù)、風(fēng)險(xiǎn)指標(biāo)、數(shù)據(jù)、模型、穩(wěn)定性、衰退情況，及時(shí)地預(yù)警和快速的應(yīng)對，以對操作風(fēng)險(xiǎn)進(jìn)行有效把控。
一家金融機(jī)構(gòu)如果能在以上四個(gè)方面做到高效并加以完善，將會(huì)是非常不錯(cuò)的一種狀態(tài)。
掃碼關(guān)注公眾號“AI金融評論”（ID: aijinrongpinglun），加入專家直播群，觀看全部云峰會(huì)內(nèi)容回放。
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
