編者按：去年P(guān)2P公司遇冷后，紛紛轉(zhuǎn)型稱會(huì)用大數(shù)據(jù)、機(jī)器學(xué)習(xí)等科技手段服務(wù)金融，搖身一變成為時(shí)髦的Fintech金融科技公司。但實(shí)現(xiàn)過(guò)程并不簡(jiǎn)單，讓機(jī)器代替人去處理數(shù)據(jù)做判斷，在國(guó)內(nèi)金融領(lǐng)域才剛剛起步。

CreditX氪信是雷鋒網(wǎng)接觸的一家用機(jī)器學(xué)習(xí)做風(fēng)控的公司，在金融領(lǐng)域擁有不少實(shí)驗(yàn)經(jīng)驗(yàn)和思考。本文援引CreditX氪信在招商銀行信用卡中心年度務(wù)虛會(huì)培訓(xùn)干貨內(nèi)容為例， 來(lái)解析人工智能和機(jī)器學(xué)習(xí)將會(huì)如何登上金融風(fēng)控的主要舞臺(tái)。

對(duì)于躲在觸屏手機(jī)背后的客戶，更廣范圍缺失征信數(shù)據(jù)的客戶，金融風(fēng)控體系已愈發(fā)難以通過(guò)傳統(tǒng)風(fēng)控手段去判斷用戶是謙謙君子還是騙子流氓，而人工智能作為過(guò)去互聯(lián)網(wǎng)搜索、推薦處理上百萬(wàn)維數(shù)據(jù)的最重要手段，在處理新金融業(yè)務(wù)萬(wàn)維數(shù)據(jù)方面，正形成有效的降維顛覆。

新金融風(fēng)控領(lǐng)域面對(duì)的數(shù)據(jù)痛點(diǎn)

在談及機(jī)器學(xué)習(xí)在金融場(chǎng)景中的實(shí)際應(yīng)用之前，首先我們以金融風(fēng)控信用貸業(yè)務(wù)流程舉例進(jìn)行梳理，通常一個(gè)風(fēng)控業(yè)務(wù)包括前端頁(yè)面用戶資料申請(qǐng)?zhí)峤缓褪占雌墼p、合規(guī)、邏輯校驗(yàn)，核心決策授信包括申請(qǐng)?jiān)u分和電調(diào)，以及最后的催收。

面對(duì)這套業(yè)務(wù)流程， 新金融風(fēng)控領(lǐng)域面對(duì)的數(shù)據(jù)痛點(diǎn)，一般有幾大類：

反欺詐

業(yè)務(wù)流程上，機(jī)器學(xué)習(xí)已經(jīng)在每個(gè)風(fēng)控節(jié)點(diǎn)發(fā)揮作用。比如反欺詐環(huán)節(jié)，在泛互聯(lián)網(wǎng)的環(huán)境里， 金融風(fēng)控面臨的傳統(tǒng)個(gè)體欺詐已迅速演變?yōu)橛薪M織、有規(guī)模的群體欺詐和關(guān)聯(lián)風(fēng)險(xiǎn)。而傳統(tǒng)反欺詐還停留在識(shí)別一度風(fēng)險(xiǎn)等這種簡(jiǎn)單規(guī)則方式，如聯(lián)系人中借貸人個(gè)數(shù)等，對(duì)于二度、三度乃至更廣范圍的網(wǎng)絡(luò)全局風(fēng)險(xiǎn)苦無(wú)良策。機(jī)器學(xué)習(xí)里面基于圖的半監(jiān)督算法很好地解決了這一訴求，基于申請(qǐng)人、手機(jī)號(hào)、設(shè)備、IP地址等各類信息建立節(jié)點(diǎn)，再根據(jù)其申請(qǐng)關(guān)系、電話關(guān)系、擁有關(guān)系等生成邊，我們就可以構(gòu)建龐大網(wǎng)絡(luò)圖并在此之上可進(jìn)行基于規(guī)則和機(jī)器學(xué)習(xí)的反欺詐模型實(shí)時(shí)識(shí)別。

核心授信決策

在申請(qǐng)?jiān)u分環(huán)節(jié)，傳統(tǒng)金融風(fēng)控往往是基于評(píng)分卡體系對(duì)強(qiáng)征信數(shù)據(jù)如銀行借貸記錄等進(jìn)行建模，而新金融的業(yè)務(wù)下，客群的進(jìn)一步“下沉”，覆蓋更多收入群體，新增群體的強(qiáng)征信數(shù)據(jù)往往大量缺失，金融機(jī)構(gòu)不得不使用更多弱金融數(shù)據(jù)， 辟如消費(fèi)數(shù)據(jù)、運(yùn)營(yíng)商數(shù)據(jù)、互聯(lián)網(wǎng)行為數(shù)據(jù)等。這類底層數(shù)據(jù)的改變，對(duì)傳統(tǒng)信用評(píng)分卡造成了巨大的困難，具體體現(xiàn)在：

1.諸如互聯(lián)網(wǎng)行為、運(yùn)營(yíng)商數(shù)據(jù)很多都是非結(jié)構(gòu)化數(shù)據(jù)，數(shù)據(jù)繁雜， 建模前的特征工程很難用傳統(tǒng)人工的方式完成加工。

2.由于數(shù)據(jù)類型和范圍的大幅擴(kuò)大，新模型面對(duì)的往往是加工出來(lái)的上千維弱變量特征，評(píng)分卡體系根本無(wú)法融合吸收這些特征。

3.機(jī)器學(xué)習(xí)先進(jìn)風(fēng)控技術(shù)也帶來(lái)了模型“黑盒”的問(wèn)題，如何理解和把控黑盒結(jié)果與風(fēng)險(xiǎn)之間的關(guān)系已成為AI技術(shù)在金融領(lǐng)域應(yīng)用的一大門檻。

機(jī)器學(xué)習(xí)將如何處理？

人工智能和機(jī)器學(xué)習(xí)對(duì)上述問(wèn)題有獨(dú)到處理：

面對(duì)數(shù)據(jù)繁雜的問(wèn)題，基于深度學(xué)習(xí)的特征生成框架已被成熟運(yùn)用于大型風(fēng)控場(chǎng)景中，通過(guò)如RNN、詞嵌入、LSTM、CNN等深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可成熟實(shí)現(xiàn)對(duì)時(shí)序、文本、圖像等稀疏屬性數(shù)據(jù)的特征逐層提取。僅以CNN或LSTM提取短信文本特征為例，文本通過(guò)訓(xùn)練好的詞向量模型映射到嵌入向量，通過(guò)CNN完成特征提取，最終進(jìn)入分類器網(wǎng)絡(luò)即可將文本數(shù)據(jù)與違約風(fēng)險(xiǎn)實(shí)現(xiàn)深度掛鉤。

而成熟場(chǎng)景上的實(shí)踐也證明，機(jī)器生成特征正顯現(xiàn)出對(duì)模型效果超出想象的提升，深度學(xué)習(xí)對(duì)于挖掘深層時(shí)序關(guān)系，文本內(nèi)容深層含義等都超越了人工定義的深度。

【圖注】上圖為大型信用貸場(chǎng)景中模型重要性特征列表，機(jī)器學(xué)習(xí)特征比例已經(jīng)超過(guò)專家人工特征。

針對(duì)數(shù)據(jù)駕馭難的挑戰(zhàn)，由于傳統(tǒng)評(píng)分卡模型在面對(duì)上千維度弱變量且存在大量缺失值的情況下無(wú)法應(yīng)對(duì)，目前氪信在大型金融場(chǎng)景核心風(fēng)控系統(tǒng)中的成熟實(shí)踐經(jīng)驗(yàn)是復(fù)雜集成模型。通過(guò)對(duì)機(jī)器學(xué)習(xí)特征和專家人工特征構(gòu)建規(guī)則模型、機(jī)器學(xué)習(xí)模型、深度學(xué)習(xí)模型等并進(jìn)行復(fù)雜集成，即可靈活應(yīng)對(duì)客戶全方位需求，實(shí)現(xiàn)對(duì)不同用戶的高度差異化定價(jià)，同時(shí)充分利用不斷產(chǎn)生的數(shù)據(jù)和監(jiān)控模型性能持續(xù)進(jìn)行模型在線快速自迭代，為客戶實(shí)現(xiàn)自適應(yīng)的外部風(fēng)險(xiǎn)變化。

此外，我們知道金融風(fēng)控專家都很關(guān)心模型的可解釋性，而機(jī)器學(xué)習(xí)是一個(gè)“黑盒”，其中的風(fēng)險(xiǎn)很難去把控和估計(jì)，這與金融場(chǎng)景的訴求是矛盾的。目前氪信通過(guò)不斷地驗(yàn)證，已成熟實(shí)現(xiàn)LIME模型解釋器在風(fēng)控場(chǎng)景中的應(yīng)用。其原理在于對(duì)局部分界面以線性函數(shù)擬合部分曲線，就能夠做到捕獲影響結(jié)果的關(guān)鍵變量，并展示給我們的風(fēng)控專家讓其迅速理解結(jié)果和特征之間的內(nèi)在聯(lián)系。

事實(shí)上，機(jī)器學(xué)習(xí)要解決的問(wèn)題很清晰，所有的這一套數(shù)據(jù)適配融合、群體反欺詐、特征工程、模型構(gòu)建和訓(xùn)練、性能監(jiān)控與自迭代的機(jī)制，包括深度學(xué)習(xí)，半監(jiān)督學(xué)習(xí)，在線學(xué)習(xí)等技術(shù)，核心都是為了將互聯(lián)網(wǎng)級(jí)別的機(jī)器學(xué)習(xí)技術(shù)“降維”應(yīng)用到金融領(lǐng)域，解決新金融場(chǎng)景上數(shù)據(jù)的獨(dú)特性，一方面可用數(shù)據(jù)比互聯(lián)網(wǎng)要少，另一方面又比傳統(tǒng)評(píng)分卡體系多了很多不可解釋、高維稀疏的大數(shù)據(jù)。

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。