【摘要】
本文總結(jié)了大數(shù)據(jù)風(fēng)控技術(shù)的內(nèi)涵和特點，介紹了大數(shù)據(jù)風(fēng)控技術(shù)在我國傳統(tǒng)金融機構(gòu)、互聯(lián)網(wǎng)企業(yè)和新型金融機構(gòu)的應(yīng)用現(xiàn)狀，以及大數(shù)據(jù)風(fēng)控技術(shù)在流動性風(fēng)險管理、投資風(fēng)險管理、信用風(fēng)險管理、操作風(fēng)險管理等領(lǐng)域的應(yīng)用場景，最后提出了對資產(chǎn)管理行業(yè)風(fēng)險控制的建議與展望。
【編者按】
本文根據(jù)平安信托有限責(zé)任公司風(fēng)控經(jīng)理李龍濤在第五十一期“IAMAC微享匯”講話稿整理，僅代表嘉賓個人，不代表協(xié)會與所在機構(gòu)。轉(zhuǎn)載請注明出處。
作者|平安信托有限責(zé)任公司李龍濤
編輯|中國保險資產(chǎn)管理業(yè)協(xié)會葉璇
一、大數(shù)據(jù)風(fēng)控的內(nèi)涵、技術(shù)特點及模塊
大數(shù)據(jù)（Big Data）是一個寬泛的概念，業(yè)界沒有統(tǒng)一的定義，可以說大數(shù)據(jù)是指“超規(guī)格的數(shù)據(jù)集”，也可以說“大數(shù)據(jù)是信息資產(chǎn)”。
大數(shù)據(jù)的特征就是：數(shù)量（Volume）、速度（Velocity）、種類（Variety）、價值（Value）和真實性（Veracity）特征?？梢杂?個“V”來概括。大數(shù)據(jù)風(fēng)控，就是通過這5個V的數(shù)據(jù)，構(gòu)建模型對金融業(yè)務(wù)進行風(fēng)險監(jiān)測、預(yù)警、計量和控制。
圖1：大數(shù)據(jù)5“V”特征
隨著對大數(shù)據(jù)研究和實踐的深入，大數(shù)據(jù)風(fēng)控模型演化分四個階段：
圖2：大數(shù)據(jù)風(fēng)控模型發(fā)展的4個階段
第一階段：基于專家知識的規(guī)則
依賴基于專家知識的規(guī)則系統(tǒng)，進行現(xiàn)有規(guī)則優(yōu)化及關(guān)聯(lián)分析，規(guī)則系統(tǒng)常常被用于反欺詐，交易員監(jiān)控等業(yè)務(wù)中，例如利用規(guī)則識別信息造假，組團欺詐，信用卡支付欺詐等等。
第二階段：基于學(xué)習(xí)的異常行為檢測
后來隨著業(yè)務(wù)不斷發(fā)展以及規(guī)模擴大，這種補充日益頻繁，專家知識規(guī)則迅速擴大，這個時候就要求系統(tǒng)自動對數(shù)據(jù)進行學(xué)習(xí)，識別出異常行為。異常行為檢測的優(yōu)點是對任何可能帶來風(fēng)險的異常行為都很靈敏，缺點就是太敏感了，誤判率高。
第三階段：基于圖挖掘的分析
圖挖掘算法能夠高效分析各種關(guān)聯(lián)信息，例如通過圖挖掘找出環(huán)狀子圖可以識別信用卡開戶團體造假，貸款擔(dān)保圈、多人貸款歸集一人使用等；例如在企業(yè)逾期還款風(fēng)險分析當(dāng)中，若上游企業(yè)逾期還款，一般下游企業(yè)都會受到影響，通過圖挖掘的風(fēng)險擴散模型可以實現(xiàn)風(fēng)險預(yù)警從而提早采取相應(yīng)風(fēng)險控制措施。
第四階段：基于歷史數(shù)據(jù)建立分類模型
這種模型要求相關(guān)業(yè)務(wù)需有一定的歷史數(shù)據(jù)，例如在反洗錢業(yè)務(wù)中要知道哪些帳號之前發(fā)生過洗錢行為，在銀行網(wǎng)點操作風(fēng)險預(yù)測中，要知道哪些網(wǎng)點之前發(fā)生過風(fēng)險事件。監(jiān)督學(xué)習(xí)的優(yōu)點是針對性強，分類模型多且結(jié)果會比規(guī)則系統(tǒng)及無監(jiān)督方法準確，無需人工干預(yù)。
二、國內(nèi)大數(shù)據(jù)風(fēng)控的研究與應(yīng)用現(xiàn)狀
目前，風(fēng)控已從業(yè)務(wù)發(fā)展與經(jīng)營管理中的重要要素逐步脫離，形成系統(tǒng)甚至行業(yè)。金融風(fēng)控體系層出不窮，既可以按照風(fēng)控主體劃分，又可以按照風(fēng)控體系的智能性與技術(shù)特點劃分，還可以按照風(fēng)控作用的流程與業(yè)務(wù)環(huán)節(jié)劃分。同時，根據(jù)風(fēng)控體系是否開放以及功能模塊的組合與刪減，又存在一些細分。
按風(fēng)控主體，分為以下3類：
表1：按風(fēng)控主體分類的風(fēng)控體系
第一，傳統(tǒng)金融機構(gòu)的風(fēng)控。
近幾年，德國IPC小微貸款評估技術(shù)不斷推廣，現(xiàn)在很多商業(yè)銀行或小額信貸公司都已經(jīng)廣泛運用。IPC小貸分析技術(shù)的核心，是評估客戶償還貸款的能力，主要包括三個部分：一是考察借款人償還貸款的能力，二是衡量借款人償還貸款的意愿，三是銀行內(nèi)部操作風(fēng)險的控制。每個部分，IPC 都進行了針對性的設(shè)計。
IPC微貸技術(shù)概括總結(jié)為四個要點：現(xiàn)金流分析、線上線下交叉檢驗、能力和意愿是唯一依據(jù)、勞動密集型業(yè)務(wù)。
第二，互聯(lián)網(wǎng)機構(gòu)的大數(shù)據(jù)風(fēng)控。
現(xiàn)在打開微信，不光能聊天，還能借錢，這就是微信微粒貸，通過建立6個模型找客戶：微信社交、QQ社交、財付通交易數(shù)據(jù)、銀行資產(chǎn)負債與還款狀況以及是否“饑渴”地需要資金。
微粒貸采取白名單制。所謂的白名單，其實就是一種優(yōu)選制，而不是逆向淘汰制。如果設(shè)立了白名單，則意味著信用較好的用戶會被列入在白名單中，根據(jù)互聯(lián)網(wǎng)采集的信用狀況數(shù)據(jù)來進行評估，推選出最優(yōu)的用戶。至少對于這款小額貸款產(chǎn)品而言，這一套方法是十分適用的，在有效的風(fēng)控基礎(chǔ)上，加上與QQ和微信的連接，微粒貸在短時間內(nèi)積累了近千萬的個人用戶?；ヂ?lián)網(wǎng)的風(fēng)控也帶有很強的社交屬性。
第三，新金融風(fēng)控模式。
近兩年伴隨著互聯(lián)網(wǎng)金融熱潮，各種大數(shù)據(jù)風(fēng)控體系層出不窮，比如玖富“火眼”、麥子金服水滴、融360的天機等。其中拍拍貸的魔鏡在國內(nèi)是比較領(lǐng)先，也是實際應(yīng)用效果得到檢驗的。
拍拍貸成立8年、有600萬在線用戶、積累近40億條數(shù)據(jù)，拍拍貸的“魔鏡”風(fēng)控系統(tǒng)就是在此基礎(chǔ)上而成的，主要包括：客戶來源的數(shù)據(jù)、平臺來源的信貸審核數(shù)據(jù)、網(wǎng)絡(luò)來源的網(wǎng)絡(luò)黑名單、網(wǎng)上行為數(shù)據(jù)、社交關(guān)系數(shù)據(jù)等，以及第三方渠道數(shù)據(jù)。
魔鏡基于嚴格的6大環(huán)節(jié)風(fēng)控流程，獲取用戶2千多個字段信息；再經(jīng)過篩選，轉(zhuǎn)化，加工，最終對每個借貸標的風(fēng)險概率進行預(yù)測，給出一個風(fēng)險評分，并對借款做出定價。
圖3：大數(shù)據(jù)風(fēng)控流程
三、大數(shù)據(jù)風(fēng)控技術(shù)在資產(chǎn)管理中的應(yīng)用與實踐
對于資產(chǎn)管理行業(yè)，大數(shù)據(jù)的核心價值在于高效地實現(xiàn)大規(guī)模，多類型數(shù)據(jù)的擷取與處理，發(fā)掘出關(guān)于產(chǎn)品、客戶、市場的高價值信息，輔助資產(chǎn)管理者做出更加合理的決策。
在產(chǎn)品開發(fā)上，借助大數(shù)據(jù)技術(shù)，從海量數(shù)據(jù)中提取客戶的資金使用習(xí)慣，從而開發(fā)新型“碎片化”理財產(chǎn)品，更充分地滿足多元需求。
在風(fēng)險控制上，通過多種類型數(shù)據(jù)挖掘，進行全面分析和預(yù)測風(fēng)險，并提供資產(chǎn)配置、投資節(jié)奏的調(diào)整策略。
在市場營銷上，立足于客戶信息庫和互聯(lián)網(wǎng)數(shù)據(jù)，分析推算出客戶的產(chǎn)品偏好，實現(xiàn)客戶的精準分層和產(chǎn)品的精準推送。
（一）大數(shù)據(jù)在流動性風(fēng)險管理中的運用
通過大數(shù)據(jù)，進一步拓寬風(fēng)險管理范圍?？梢猿浞诌\用在風(fēng)險限額管理、對外擔(dān)保額度統(tǒng)計、監(jiān)測資產(chǎn)結(jié)構(gòu)比例、資產(chǎn)負債流動性匹配管理上，還可以納入原本復(fù)雜的投資資產(chǎn)結(jié)構(gòu)測算、量化金融市場環(huán)境對投資的影響，分析外部融資能力等。
通過大數(shù)據(jù)，完善風(fēng)險監(jiān)測指標體系。實務(wù)中，根據(jù)數(shù)據(jù)積累及可得性，可以凈現(xiàn)金流、綜合流動比率和流動性覆蓋率等指標基礎(chǔ)上，自主增加資產(chǎn)集中度、融資回購率、累計退保率等流動性風(fēng)險監(jiān)測指標。通過借鑒和運用金融保險行業(yè)較為成熟的監(jiān)測指標體系可確保及時準確地管理流動性風(fēng)險，做到防患于未然。
通過大數(shù)據(jù)，穿透識別底層資產(chǎn)風(fēng)險。對市場信用風(fēng)險涉及的資管產(chǎn)品、未上市股權(quán)投資計劃、信托計劃等金融資產(chǎn)進行穿透，識別這些金融產(chǎn)品所投資的具體、明確的基礎(chǔ)資產(chǎn)的風(fēng)險暴露和風(fēng)險因子，還可以評估金融產(chǎn)品的市場信用風(fēng)險定價是否合理，以及在壓力情景下它們是否變?yōu)榱鲃有詥栴}，以便及時采取應(yīng)急計劃，化解流動性風(fēng)險。
通過大數(shù)據(jù)，評估公司資本充足狀況?？梢罁?jù)數(shù)據(jù)信息，采用VAR（在險價值）和ES（預(yù)期不足）等方法計算出潛在的最大損失，并基于謹慎的原則，持有一定數(shù)量的高流動性資產(chǎn)以應(yīng)對可能發(fā)生的這些潛在損失。
通過大數(shù)據(jù)，審慎評估流動性項目。在評估流動性涉及的資產(chǎn)或負債項目時，為有效防范流動性風(fēng)險設(shè)定安全閾和防火墻。
（二）大數(shù)據(jù)風(fēng)控對投資風(fēng)險的控制
1.大數(shù)據(jù)+量化，輔助投資決策
量化是一種工具，它收集、歸納、總結(jié)交易數(shù)據(jù)以及回測、驗證交易設(shè)想，從而幫助作出交易決策。大數(shù)據(jù)量化投資，可以擴大投資范圍，提高投資效率，更主要的是降低風(fēng)險，減少投資的不確定性，模型是獨立自主和自我學(xué)習(xí)的，最大限度地減少了人為帶來的錯誤，通過對基本面觀點系統(tǒng)性地執(zhí)行，使交易回測更準確。近些年機器學(xué)習(xí)崛起，數(shù)據(jù)可以快速、海量地進行分析、擬合、預(yù)測，人工智能與量化交易聯(lián)系得更加緊密，甚至可以說人工智能的三個領(lǐng)域——機器學(xué)習(xí)、自然語言處理和知識圖譜，貫穿了量化投資的始終。
2.大數(shù)據(jù)對投資全流程的把控
以國內(nèi)某家大數(shù)據(jù)風(fēng)控平臺為例，投資全流程分為投前準備、投中運營、投后跟進3個階段。投前準備階段，通過該平臺，可以了解企業(yè)詳情、歷史和當(dāng)前的風(fēng)險預(yù)警信息、風(fēng)險評級報告。投中運營階段，該平臺對企業(yè)實時監(jiān)控，同時輔助機構(gòu)進行審核審批決策，定期推送預(yù)警信號。投后跟進階段，平臺會在觸發(fā)條件時提供早期風(fēng)險提示、風(fēng)險分析，并通過抵押品估值模型實施跟進押品管理、黑灰名單管理等。
圖4：國內(nèi)大數(shù)據(jù)平臺投資風(fēng)控流程
（三）大數(shù)據(jù)在信用風(fēng)險中的運用
目前，大數(shù)據(jù)風(fēng)控最主要的解決方案還是在信用風(fēng)險上，而更多的是針對個人的小額的消費金融業(yè)務(wù)。麥子金服對房產(chǎn)抵押借款引入大數(shù)據(jù)，但也有較多的限制，比如不做商住和廠房房產(chǎn)，只選擇像上海這樣房產(chǎn)價值穩(wěn)定并處于上升階段的城市，而且還要結(jié)合實地考察抵押物狀況。但總體來說，利用大數(shù)據(jù)分析監(jiān)測客戶信用風(fēng)險，是未來信用風(fēng)險管理一個不可阻擋的趨勢。
借助大數(shù)據(jù)技術(shù)，信用風(fēng)險控制方案逐步流程和標準化：
1.貸前環(huán)節(jié)
主要包括初審、一審和二審。
初審主要是自動化識別欺詐，包括：準入門檻、身份驗證、基本要素驗證、資產(chǎn)及社會關(guān)系驗證。大數(shù)據(jù)技術(shù)使得在以上環(huán)節(jié)提高效率和批量處理成為可能，比如人臉識別、人像對比，能夠強力驗證客戶身份；在廣泛積累地址、學(xué)歷、銀行卡、手機號碼等數(shù)據(jù)的基礎(chǔ)上，驗證基本要素不再只是簡單地比對，而是能夠深層次帶出信息的查詢。
一審?fù)ㄟ^自動化匹配政府機構(gòu)、金融機構(gòu)風(fēng)險名單，聯(lián)網(wǎng)公安、法院數(shù)據(jù)核查。這種匹配是自動化，而且實時的，能夠有效遏制信用劇變風(fēng)險，這點傳統(tǒng)的貸前方式難以做到。
二審是評分卡評級。與金融機構(gòu)的信用評分相比，評分卡更基于社交維度、信用歷史以及網(wǎng)絡(luò)行為，相對數(shù)據(jù)更加全面，比如可以引用芝麻信用得分、摩拜信用分、易到或滴滴會員等級，而且這種維度是可以隨著交易、支付、社交方式的變化而更新的。形成授信額度后進行放款。
圖5：信用風(fēng)險監(jiān)測模型
2．貸中環(huán)節(jié)
貸中監(jiān)控對風(fēng)險預(yù)警客戶自動打標簽，大大加強了客戶的信用風(fēng)險監(jiān)測。比如在客戶授權(quán)下綁定客戶的銀行卡信息，監(jiān)測客戶的大額度資金收支；在還款日前幾日提前核對還款銀行卡余額，提前監(jiān)測逾期風(fēng)險；甚至通過APP或者驗證方式歸集客戶所有的銀行卡信息并實時更新，在這些信息基礎(chǔ)上測算收入和還款之間的缺口，進行實時監(jiān)控。
3．貸后環(huán)節(jié)
輔助進行失聯(lián)客戶催收，借助第三方機構(gòu)失聯(lián)修復(fù)。大數(shù)據(jù)方式可以有效對失聯(lián)人進行失聯(lián)修復(fù)，還原其關(guān)聯(lián)人信息、時空信息，修復(fù)聯(lián)系方式。同時可以借助網(wǎng)絡(luò)催收、熟人催收等方式。
大數(shù)據(jù)風(fēng)控系統(tǒng)，絕對不是一個簡單的管理系統(tǒng)，它上面一定會有廣告、有業(yè)務(wù)撮合模塊（比如不良資產(chǎn)撮合交易）、信息共享（黑灰名單）等。
（四）操作風(fēng)險高級計量法的應(yīng)用
近兩年國內(nèi)很多使用基本指標法和標準法的金融機構(gòu)都在主動或被動的逐步學(xué)習(xí)運用高級計量法。高級計量法的核準要求更為嚴格，比如要求應(yīng)具備至少5年觀測期的內(nèi)部損失數(shù)據(jù)，數(shù)據(jù)應(yīng)充分反映操作風(fēng)險的實際情況等。要深化大數(shù)據(jù)在操作風(fēng)險管理上的應(yīng)用，主要還是積累數(shù)據(jù)。
高級計量法的實施，最大的痛點就是數(shù)據(jù)不全。內(nèi)部損失數(shù)據(jù)（ILD）、外部損失數(shù)據(jù)（ELD）、情景分析（SA）、業(yè)務(wù)經(jīng)營環(huán)境和內(nèi)部控制要素（BEICF）四種數(shù)據(jù)，最關(guān)鍵的是內(nèi)部損失數(shù)據(jù)的收集。在LDC數(shù)據(jù)庫建設(shè)上，除了做好數(shù)據(jù)收集，還要建立常規(guī)化的數(shù)據(jù)報送、核對、補充、更新機制，輔之以完善的數(shù)據(jù)輸入輸出體系。而對于自身數(shù)據(jù)庫建設(shè)緩慢，歷史積累不夠的一些金融機構(gòu)，也可以采取購買的方式，例如韓國成立了一個專門的操作風(fēng)險損失數(shù)據(jù)交換協(xié)會，業(yè)內(nèi)也有專門的數(shù)據(jù)公司。再在數(shù)據(jù)基礎(chǔ)上，基于自身維度，通過蒙特卡洛模擬合并嚴重性分布和頻率分布，建模和建系統(tǒng)。
四、資管行業(yè)風(fēng)險控制建議與展望
無論從金融行業(yè)還是從互聯(lián)網(wǎng)行業(yè)來看，大數(shù)據(jù)風(fēng)控技術(shù)都越來越受到重視并得到廣泛的運用。由之也導(dǎo)致風(fēng)險控制不再僅僅是一個部門的工作，不再是一項支持性的工作，而逐步衍生、獨立出來，成為一類群體，甚至一個行業(yè)，就像同盾慢慢從阿里巴巴脫離出來一樣。立足當(dāng)前大數(shù)據(jù)發(fā)展趨勢，結(jié)合很多金融機構(gòu)風(fēng)險控制實操中的痛點，我認為在以下方面值得注意：
第一，進一步完善更適應(yīng)數(shù)據(jù)管理的大數(shù)據(jù)治理架構(gòu)。目前大部分機構(gòu)還沒有建立統(tǒng)一的數(shù)據(jù)治理架構(gòu)，對數(shù)據(jù)的收集、管理、分析、運用還沒有歸集到一個部門；在職能定位上，往往是被動地進行數(shù)據(jù)收集、整理，還沒有進行主動的數(shù)據(jù)管理、分析；在數(shù)據(jù)運用上，往往是較狹窄地相關(guān)性分析與使用，對非相關(guān)性數(shù)據(jù)缺少保護與開發(fā)。
第二，夯實大數(shù)據(jù)風(fēng)控基礎(chǔ)，建立一套適合自己的系統(tǒng)。首先相關(guān)機構(gòu)要認真審慎分析自身大數(shù)據(jù)需求，切忌追風(fēng)建系統(tǒng)。在合理需求的基礎(chǔ)上，在系統(tǒng)建設(shè)上，有條件和物力、人力支持的應(yīng)當(dāng)進行自主開發(fā)，沒有條件的可以選擇購買或外包模式。
第三，大數(shù)據(jù)人才觀糾偏。之前很多新金融機構(gòu)招聘了大量的非金融行業(yè)的IT人士，事后往往發(fā)現(xiàn)這些IT人士技術(shù)很好，但實用性較差，這就是前期的需求分析和后期應(yīng)用不到位。大數(shù)據(jù)人才歸根到底是金融人才，其次才是科技人才，傳統(tǒng)金融機構(gòu)積累的大量的風(fēng)控數(shù)據(jù)和持續(xù)的風(fēng)控經(jīng)驗，這些在大數(shù)據(jù)風(fēng)控建設(shè)上能夠起到非常直接和至關(guān)重要的作用，尤其在風(fēng)險分析、評估及決策環(huán)節(jié)。
第四，不可盲目一味追求完全去人工的智能風(fēng)控模式。當(dāng)前一些互聯(lián)網(wǎng)企業(yè)也為金融機構(gòu)提供了一站式的大數(shù)據(jù)風(fēng)控解決方案，過分強調(diào)其智能型、完全去人工化。要知道，智能風(fēng)控也是基于傳統(tǒng)的風(fēng)控經(jīng)驗，而這種經(jīng)驗也正是歷史數(shù)據(jù)，摒棄這種數(shù)據(jù)，只會讓大數(shù)據(jù)風(fēng)控高高在上，脫離實際。因此在實際操作中，很多金融機構(gòu)風(fēng)控模式上仍在沿用機器與人工交替式、各有分工的模式。
主講嘉賓簡介
李龍濤，平安信托有限責(zé)任公司風(fēng)控經(jīng)理，主要研究互聯(lián)網(wǎng)金融風(fēng)險管理及綜合金融風(fēng)險控制。曾就職于某國有銀行擔(dān)任高級風(fēng)險管理師。畢業(yè)于北京國家會計學(xué)院，研究生學(xué)歷，具備中級審計師、中級經(jīng)濟師職稱，現(xiàn)兼任深圳市財政局內(nèi)控評價專家委員會顧問，中國保險資產(chǎn)管理協(xié)會會員服務(wù)評價專家委員會委員、專家講師等。
曾主持中國內(nèi)審協(xié)會、廣東省金融學(xué)會、中國郵政儲蓄銀行等多項全國性或省部級課題，獲得廣東省金融科研創(chuàng)新成果三等獎、中國內(nèi)審協(xié)會優(yōu)秀課題三等獎、中國會計學(xué)會管理會計委員會優(yōu)秀課題獎等多項榮譽。
京公網(wǎng)安備11010202008757號