2020年8月7日-9日，第五屆CCF-GAIR全球人工智能與機器人峰會，于深圳隆重舉辦。

此次峰會由中國計算機學(xué)會主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）聯(lián)合承辦，鵬城實驗室、深圳市人工智能與機器人研究院協(xié)辦。

在大會第三日的「AI金融專場」中，《AI金融評論》邀請了6位最具代表性的頂尖AI金融專家，分享能夠代表未來10年風(fēng)向的智能技術(shù)方法論、產(chǎn)品邏輯和風(fēng)險管理理念；也在2020這個特別的時間節(jié)點上，展望他們眼中的「AI金融新十年」。

華爾街知名建模和風(fēng)控專家黃又鋼參加了此次會議，他曾任摩根大通執(zhí)行董事和花旗銀行高級副總裁，擁有數(shù)十年的海外零售銀行數(shù)據(jù)分析經(jīng)驗和前沿算法思維，今年回國與金融界頂尖技術(shù)大牛王強博士聯(lián)合創(chuàng)立了弘犀智能科技有限公司，出任首席風(fēng)控官。

以《小微貸款風(fēng)控模型中的算法探索》為主題，黃又鋼和嘉賓及與會朋友們分享了自己在風(fēng)控實踐中的一些心得體會。

黃又鋼認(rèn)為，中小微企業(yè)解決了國家80%的就業(yè)，這些企業(yè)的生存和貸款需求問題是需要關(guān)心和全力解決。但和上市的公司相比，這類企業(yè)信息透露不夠充分，數(shù)據(jù)來源紛雜，數(shù)據(jù)格式不標(biāo)準(zhǔn)，數(shù)據(jù)更新周期不穩(wěn)定，導(dǎo)致面向中小微企業(yè)的信貸產(chǎn)品難度更高。中小微企業(yè)信用貸款是一個世界性的難題，除了有國家層面的政策扶助，更需要頂尖人才的智慧和付出。

在現(xiàn)場，黃又鋼主要介紹了集成算法，降維算法、聚類算法和決策樹算法。他指出，現(xiàn)在弘犀智能建任何模型一定是“雙軌模型”， 即兩個算法同時進行。

此外，黃又鋼還解釋了實操“雙軌”建模中的幾大過程，詳細(xì)講述了人群分類在建模中的重要性，分享了算法探索與創(chuàng)新方面的兩個思路。

以下為黃又鋼演講全文，雷鋒網(wǎng)AI金融評論做了不改變原意的整理（關(guān)注《AI金融評論》公眾號，發(fā)送關(guān)鍵詞“黃又鋼”，獲取他的演講PPT。）：

首先，感謝雷鋒網(wǎng)提供這樣的平臺。

在美國，這樣的機會不是很多，各行業(yè)封閉得很厲害。能夠有平臺互相交流，特別是看到有這么多年輕的朋友在這里聽，真的很好。

我今天的主題是《小微貸款風(fēng)險模型中的算法探索》。首先，我想談?wù)劰墒泻托刨J誰更難這個問題。

股市VS信貸，誰更難？

從人才角度，信貸行業(yè)急需人才。

股票市場比較容易吸引人眼球，高大上的人都選擇去那兒。不光是中國，美國更是如此，華爾街吸引了全球最高端的人才。

但是，如果有人選擇信用貸款，特別是到小微貸款這個行業(yè)，給大家的感覺像是無奈之舉。

而且，兩者都是在處理非常復(fù)雜的問題，股票市場需要需要考慮幾千家上市公司和幾千萬散戶的博弈，而小微貸款也需要考慮到幾千萬家企業(yè)。

如何判斷一家企業(yè)的信用、以什么樣的利率貸款給企業(yè)、如何貸款后收到還款，這些都是非常復(fù)雜的問題，需要人才，尤其是頂尖人才去分析。

從數(shù)據(jù)層面，信貸比股票市場更難，信貸行業(yè)更需要標(biāo)準(zhǔn)和規(guī)范和確切的數(shù)據(jù)。

股票市場上，每家公司必須有財報，它的格式和框架是一致的。財報的數(shù)據(jù)是標(biāo)準(zhǔn)的、業(yè)績等信息發(fā)布的時間和周期是確定的，我們可以確切的得到股票市場里的許多重要信息。

和上市的公司相比，小微企業(yè)的信息透露不夠充分，數(shù)據(jù)來源紛雜，數(shù)據(jù)格式不標(biāo)準(zhǔn)，數(shù)據(jù)更新周期不穩(wěn)定，導(dǎo)致面向中小微企業(yè)的信貸產(chǎn)品難度更高。中小微企業(yè)信用貸款是一個世界性的難題。

在股票市場，我們要關(guān)注兩件事：價格和數(shù)量。什么價格買？高價買，還是低價買？買多少數(shù)量？1千股還是1萬股？

而在信用貸款行業(yè)中，我們需要關(guān)注它的四個維度：

 一是風(fēng)險程度，我要判斷你這個人是否靠譜；二是給你放貸，我給你多少利息，價格是高是低；三是我給你多少錢，借你1000元、1萬元還是300萬元；四是期限，我是按天、按月計算還是按年計算？

在我國，中小微企業(yè)解決了國家80%的就業(yè)，這些企業(yè)的生存和貸款需求問題是需要持續(xù)關(guān)心和全力解決的。

2006年，諾貝爾和平獎給了孟加拉國的經(jīng)濟學(xué)家，當(dāng)時我在花旗銀行，聽到這個故事非常感動。經(jīng)濟學(xué)家真正去底層考察和生活，把27美元借給40多人，每人幾毛錢、幾美分地貸，這很難得。

當(dāng)時花旗銀行沒有小微貸款，也沒有普惠的概念。我直接找到我老板，我問他看和平獎了嗎？他說看了。我問他花旗銀行怎么沒有普惠性的東西？他聳了聳肩，沒搭理我。我問我們能否做這樣的事情，他回答我“做好你的工作就行了，別管那么多閑事”。

美國的銀行在為富人服務(wù)，他們并不關(guān)心底下的中小企業(yè)。而在中國，國家真的會把錢傾斜到中小企業(yè)身上。

機器學(xué)習(xí)算法概述

機器學(xué)習(xí)是AI的分支，現(xiàn)在機器學(xué)習(xí)有非常成熟的算法。我很喜歡這個圖片，雖然這張并不是最新的圖片。

它列出的算法比較規(guī)范、有條理性。深度學(xué)習(xí)、集成算法、神經(jīng)網(wǎng)絡(luò)、正則化算法、規(guī)則算法、回歸算法、貝葉斯算法、決策樹算法、降維算法、實例算法、聚類算法，這些算法十幾年前就有了，有些仍在不斷更新。

如果一個人想做機器學(xué)習(xí)，至少要懂每個算法的原理，這些算法背后的邏輯是什么？其底層數(shù)據(jù)是怎么回事？

我今天主要介紹集成算法、降維算法、聚類算法和決策樹算法。每個算法都有實實在在的應(yīng)用和意義，不是為了算法而算法。

如何應(yīng)用算法？我們現(xiàn)在做任何模型一定是兩個算法同時進行，既要做傳統(tǒng)模型回歸算法，也要做機器學(xué)習(xí)算法。傳統(tǒng)模型主要指的是回歸算法（LR），取決于應(yīng)用場景。機器學(xué)習(xí)模型，我們主要指的是XGB，集成隨機樹的算法。

經(jīng)典風(fēng)控領(lǐng)域全都是以回歸模型為主導(dǎo)。原因在于其穩(wěn)定性好，可解釋性非常強。

在美國，機器學(xué)習(xí)在任何信貸場景都不能落地，也不能使用，原因在于我們無法解釋底層拒絕貸款申請的原因是什么。由于不能解釋，在美國的法規(guī)下就不能應(yīng)用。所以機器學(xué)習(xí)只能在底層，我們分析團隊、模型團隊可以高大上地玩，但只能玩而已，真正實戰(zhàn)一律不許用。

在中國，我們不僅玩，還有機會可以使用。至少從法規(guī)層面，我們還沒有嚴(yán)格要求拒絕一個貸款必須跟企業(yè)或者客戶解釋理由。

實操“雙軌”建模有幾大過程：一是預(yù)測能力的比較； 二是變量維度的判斷；三是對比同一個觀測值，如何交叉使用；四是策略應(yīng)用，即如何使用這個模型。

如何使用這兩個模型？我們可以將數(shù)據(jù)集分為兩類（路徑）：一類是傳統(tǒng)模型，另一類是機器學(xué)習(xí)模型。

建完模型一定要有預(yù)測能力，假如用KS表述模型的準(zhǔn)確率，你可以通過ROC、AUC等統(tǒng)計控制。

假如我們用（統(tǒng)計）變量（做評估），不管（使用）哪個統(tǒng)計變量一定有好壞的比較。機器學(xué)習(xí)好或者不好的比較，首先是評測模型的層面。

有了模型層面的比較后，（談）模型一定會牽扯具體的特征值或者變量。

它用哪些變量，在變量的層面上我們也進行比較。真正實際應(yīng)用的是特征（變量），關(guān)鍵特征特別是關(guān)鍵維度覆蓋性怎么樣？傳統(tǒng)模型覆蓋了多少？10個維度還是20個維度？機器學(xué)習(xí)的維度到底是多少？都是我們需要考慮的。

由于傳統(tǒng)模型回歸算法的局限性，它是線性（關(guān)系）的，維度一般在10～30個變量。而機器學(xué)習(xí)在準(zhǔn)確性等方面比傳統(tǒng)模型要好；

在變量層面，總體來說機器學(xué)習(xí)完全沒有概念和業(yè)務(wù)場景的限制，可以按照數(shù)據(jù)結(jié)構(gòu)往下走，使用的變量相對較多。比如XGboost有一兩百個變量是常態(tài)，三五百個變量也是常態(tài)。

我們比較兩個模型時，在變量維度之間要做一個比較。

一般來講我們建回歸模型，在處理變量時，我們做了數(shù)據(jù)本身的轉(zhuǎn)換，可以在變量維度上做聚類分析，控制變量維度。假定回歸有20個變量，回歸模型一般就（代表）有20個維度。

雖然機器學(xué)習(xí)的變量很多，但是我們至少可以判斷維度上是不是有問題。

而每個觀測值的評分，也是需要具體比較的。如果評分一致，我可以確定這個企業(yè)的評分比較準(zhǔn)確。但是，如果兩個評分出現(xiàn)差異怎么辦？如一家企業(yè)用傳統(tǒng)模型測出720分，用機器學(xué)習(xí)測出來可能只有600分。

（也即）回歸模型說這個人風(fēng)險低，機器學(xué)習(xí)說這個人風(fēng)險高，那我們?nèi)绾螞Q策？這是我們后端策略上要解決的問題。

綜上所述，每一個評分的好壞，可以通過三個層面的比較：模型層面、變量層面、觀測者層面。

人群分類是建模中十分重要的環(huán)節(jié)。如圖示，這里有多個子人群。如果我能把人群打開，按照其實際狀態(tài)，分為紅、綠、黃等圖中標(biāo)注的群體，在每一個人群上做獨立的測試，可能會做出更好的預(yù)測。

這是人群分類的基本點。任何人群可能會存在不同的子人群中。每個子人群可能會有其獨立的特征和趨勢。問題是我們能否找到這樣的趨勢和特征。

而前提條件是我們能否把人群分開，每個人（建模師）的經(jīng)驗不同所以做到的程度不同。

決策樹算法和聚類算法是人群分類中常用的兩個算法。決策樹算法，是用樹的方法把底下人群分為幾個葉子，每個葉子為一個子人群。

聚類算法，是以每個觀測點（如企業(yè)）的相似性為基礎(chǔ)，將相似的企業(yè)分為一類。“相似性”是由統(tǒng)計學(xué)上的距離來決定的。從機器學(xué)習(xí)角度分為有監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)。有監(jiān)督，指的是知道Y是什么，在有Y標(biāo)簽的前提下進行訓(xùn)練。無監(jiān)督，指的是不知道Y，只知道X變量。決策樹算法是有監(jiān)督算法的一種，而聚類算法是無監(jiān)督算法的一種。

這兩種算法都非常有用。

目前的算法變量越多，計算量越大，信息多了可以做更好的事情，信息多了可以分析各個層面，可能會有更好的結(jié)果，所以我們引入特征變量端。

但是，在實際的統(tǒng)計分析上并非如此，信息多了可能會帶來更多的噪音，當(dāng)你無法區(qū)分噪音和有效數(shù)值時，你可能把噪音當(dāng)做有用的。

變量越多，算力肯定很沉重，如果我們涉及幾千萬人，算法用到幾百棵樹的時候，我們算力的時間不是按小時、分鐘，可能是按天計算。

特征少自然最好，我們能判斷我們的特征是否是真的重要特征。我有5萬個變量、1萬個變量，過程中我選出20個變量，這20個變量是不是真正的主要變量？

在1000個、10000個變量里如何選擇20個你認(rèn)為關(guān)鍵的，這是我們算法上要解決的問題。

人群分類實際操作的第一步，是構(gòu)造分類。

我們從模型數(shù)據(jù)中判斷，最上面的分支我們不做任何人群分類，全體人群做回歸模型。出來的20個變量、30個變量，我們暫時判定經(jīng)過一個算法（如LR），這20個變量是主要的變量、主要的特征。

我把這個主要特征應(yīng)用到后面的人群分類，通過回歸模型判斷主要特征。

在此之后做人群分類，不管任何時候，數(shù)據(jù)驅(qū)動一定是我們的方法之一。

人的經(jīng)驗（業(yè)務(wù)經(jīng)驗）一定有意義，人（的經(jīng)驗）和數(shù)據(jù)驅(qū)動永遠(yuǎn)是相輔相成的。如果你只靠機器學(xué)習(xí)做所有決策，不能說絕對不對，但可能走到比較危險的地方。

從算法層面，我用兩類算法，監(jiān)督和無監(jiān)督。

在特征變量上，我給出兩個的維度（主要變量和全量變量），主要變量可以方便我們快速有效地分類。而全量變量可以全面考查各方面的信息。

第二步是比較評估，我們用兩個算法，決策樹和

Cluster（聚類算法），及在特征變量上兩個維度，那麼我們一起構(gòu)成4個人群分類的方法。決策樹用關(guān)鍵（主要）變量（ST2），SK1用聚類算法用全量變量。說是4個方法 （4個圈）， 可是每個圈可以是非常復(fù)雜的東西。

假定用決策樹，如果特征有2000個變量，這個樹可以長到幾百個，非常容易。

決策樹要對著2000個變量找樹，統(tǒng)計上可以做限制。每一層分多少？葉子最多是多少？分多少層？有2000個變量足夠你找?guī)装倏脴洌趲装倏脴湎?，至少有幾百個子集。

你用聚類也可以做很多的聚類人群。

在做了決策樹等4個方法后，怎么知道哪個人群分類的方法就是好的呢？

我們最終談的是預(yù)期模型和預(yù)測。在一個方法中可能出了200個子集，在另一個方法中出了40個子集。每一個子集要建模型，重新合起來，直到可以判斷總?cè)巳旱降资呛眠€是不好。

這四個方法，上面有一個LR模型，這是主模型，合到最后是5個模型。這5個模型之間的KS預(yù)測值誰好誰壞，可以判斷最終的效果。

不管分成多少個子集，我們最終要回歸到總?cè)巳荷媳容^，才能證明哪個方法好還是不好。

如果一個決策樹分為300個人群，那麼就會有300個模型，再加上總量的一個模型，就是301個模型。任何一個方法底層意味著幾百個模型。

人群分類的概念聽起來非常簡單，實際操作相當(dāng)復(fù)雜。最終的結(jié)果有明確的評判好壞的標(biāo)準(zhǔn)，一是算法層面，二是參數(shù)層面，最終的效果必須匯總到整體后才可以評判。

算法及應(yīng)用的探索

前面談到如何分類人群，最后我們講一講算法的探索。

我回到中國學(xué)到一個詞叫混搭，衣服、鞋子都可以混搭，我的女兒告訴我她左腳穿紅襪子，右腳穿藍襪子，這就是混搭。

混搭的概念在統(tǒng)計里早就應(yīng)用到。比如兩種算法相互匹配，兩種算法相互兼容，兩種算法相互嵌入，就可能做新的算法。

如何做回歸算法和集成隨機決策樹算法二者之間的交互？

我們可以先訓(xùn)練LR模型，然后分箱（分層），分箱后每個點之間一定有誤差值。在誤差值的基礎(chǔ)上，哪個層面的誤差值最大，就在哪個層面直接插入XGboost。用 XGboost在這一層上單獨進行計算以減小預(yù)測誤差。至于如何使用，是屬于技術(shù)上的問題了。

算法探索與創(chuàng)新方面有兩個思路。

一是在單一算法層面，從數(shù)學(xué)角度和（或）計算機角度，產(chǎn)生新的突破。

二是兩種（或多種）算法的相互嵌入和混搭形成新的算法。比如XGboost的算法就是這樣混搭出來的。從實際應(yīng)用的層面，“匹配”可能會更快地實現(xiàn)突破， 即現(xiàn)成的算法匹配特定的人群和特定的特征，就可能產(chǎn)生非常成功的應(yīng)用，比如CNN算法在圖像識別上的應(yīng)用效果就是一個事例。

未來的方向是“算法+人群+特征”，也即，算法的突破，人群的細(xì)分，數(shù)據(jù)的深挖，及相互之間適當(dāng)?shù)钠ヅ涠伎赡墚a(chǎn)生革命性的突破。

關(guān)于 CCF-GAIR 2020 AI金融專場

「AI金融專場」是CCF-GAIR 2020最受關(guān)注的主題論壇之一，其余5位嘉賓分別是：國際人工智能聯(lián)合會首位華人理事會主席楊強、平安集團首席科學(xué)家肖京、京東數(shù)字科技集團副總裁程建波、移卡集團副總裁奚少杰、統(tǒng)計學(xué)諾貝爾-COPSS總統(tǒng)獎得主范劍青。

「AI金融專場」除了擁有業(yè)內(nèi)最頂尖的陣容外，每年都會吸引中國及歐美地區(qū)眾多AI金融專家到場。在上一屆論壇中，加拿大工程院院士、Citadel首席人工智能官鄧力博士，加拿大工程院院士凌曉峰教授等多位重量級人物來到現(xiàn)場學(xué)習(xí)交流。

而在今年，包括黃鎧、劉江川、王強等十多位IEEE Fellow以及各大金融機構(gòu)的首席信息官/科學(xué)家來到現(xiàn)場，共同促進AI金融的產(chǎn)學(xué)融合與商業(yè)應(yīng)用。（雷鋒網(wǎng)雷鋒網(wǎng)）

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。