互聯網信貸業務大數據風控模型集群體系及核心風險管理工具建設

呂傳寶

（盛京銀行股份有限公司沈陽分行，遼寧 沈陽 110000）

隨著金融科技高速發展，借助互聯網優勢逐步發展的互聯網信貸業務逐步搶占個人及小微企業市場。2020年7月17日，銀保監會發布《商業銀行互聯網帶寬管理暫行辦法》已對商業銀行互聯網貸款業務進一步規范。以下僅以中小型商業銀行為例，對互聯網信貸業務大數據風控模型群體系及核心風險管理工具建設情況進行闡述。

1 建立大數據風控風險模型集群體系

穩定建立互聯網信貸業務全生命周期風險模型集群，包括身份驗證模型、反欺詐模型、信用評估模型、授信額度模型、定價模型、風險預警模型、行為評分模型、催收評分模型等。

目前該行自主研發完成的風險模型均在開展的互聯網信貸業務中應用，如螞蟻花唄、借唄、美團生活費、度小滿、平安普惠、小米等合作渠道業務及自營貸款產品中，能有效支撐線上貸款業務快速增長帶來的大數據風控管理要求。

2 詳細風險模型

2.1 身份驗證模型

采用多種先進的大數據、人工智能等金融科技手段，實現申請人在線實時身份核驗，具體包括銀行卡四要素鑒權、手機三要素鑒權、地址信息驗證、人臉活體識別等驗證手段。

1.要素鑒權：通對接合規大數據廠商，進行手機三要素、銀行卡四要素驗證，對申請人進行實名認證。

2.地址核驗：通過對接數據廠商，獲取運營商基站定位信息，驗證申請人填寫的居住地、工作地與通過基站定位加邏輯計算后的實際地址經緯度進行比對，根據差異距離校驗申請人地址真實性。

3.關聯人驗證：通過數據提供服務，獲取申請人的關聯關系信息，驗證申請人聯系人信息的真實性、聯系人的風險行為。

4.人臉活體識別：通過商湯科技，連接公安去網紋證件照聯網核查，實現人臉活體識別功能，進而實現對借款人本人身份的真實性進行核實，防止身份冒用等風險。

5.聲紋識別：通過對接騰訊云的聲紋識別服務，將提取的申請人聲紋與黑名單庫中的聲紋做對比，如果命中黑名單，則可以調低信用級別或直接拒絕。

2.2 反欺詐模型

線上互聯網貸款業務面臨最大的風險就是欺詐，針對不同類型的欺詐，接入豐富的外部數據，通過規則設置、交叉驗證，最大程度識別和預防欺詐行為。

目前該行已經實現的反欺詐模型體系包括黑名單+反欺詐規則+欺詐評分模型，并逐步加入機器學習模型以及關聯圖譜模型（如圖1）。

圖1

通過多種模型組合構建的反欺詐風控策略，將實現多維度的欺詐防控體系，識別申請人養卡養號、黑產中介、多頭借貸、逾期黑名單、涉訴黑名單、地址欺詐、團伙欺詐等各類高風險欺詐行為（如圖2）。部分關鍵的反欺詐手段如下。

圖2

1.黑名單：反欺詐第一關即為黑名單過濾，通過對接多個外部平臺，盡最大努力覆蓋司法涉訴、外部逾期、中介包裝、運營商黑名單、其他行業關注名單等黑名單信息，簡單高效過濾嚴重高風險客戶。

2.設備欺詐：對接外部數據平臺，獲得申請人設備指紋信息，識別申請人設備關聯多個不同身份信息的欺詐風險反欺詐。

3.多頭借貸：對接外部數據平臺，獲得申請人的銀行或非銀類多嚴重頭借貸信息，識別申請人注冊多頭、申請多頭、放貸多頭等。

4.手機號欺詐：對接外部平臺建立的風險號碼庫，識別申請人通信小號、虛擬號碼，高風險號碼；通過手機號在網時長、狀態、消費情況、使用習慣等信息，識別貓池養卡等手機號欺詐。

5.欺詐評分：接入欺詐評分服務，對申請人從設備、身份證、手機等多角度關聯的欺詐行為進行綜合評分，對于欺詐分數較高的客戶，直接拒絕。

2.3 信用評估模型

通過構建申請評分模型評估客戶的信用風險，實現客戶風險等級的判定，根據風險等級進行準入決策。申請評分模型采用定量及定性分析方法，從穩定性、償債能力、還款意愿等多角度出發，整合客戶多維度信息，包括：基本信息、社會信息、消費信息、資產負債信息、電信信息、外部征信信息等，全面刻畫申請人信用風險。

根據業務場景實際情況，采用不同的模型構建方法，對于客群場景相同且已有足夠的放貸表現數據，采用標準的邏輯回歸方法構建申請評分卡；對于不滿足上述條件的情況，采用專家經驗冷啟動方法構建。將構建的申請評分模型部署到風控實時決策引擎AnyEST系統，則實現實時自動評估申請人信用風險，劃分信用等級，根據風險等級進行準入決策。

2.4 授信額度模型

根據產品特點、風險偏好，設計產品額度區間和件均額度，針對不同客戶風險差異，對客戶進行申請評分，根據申請評分評定的風險等級，確定調整幅度。

2.5 風險定價模型

不斷優化分客群、分場景的信用風險模型，區分不同客戶群體的違約風險，測算相應的風險溢價，對于不同風險、不同場景申請人實現差異化定價，適當提高風險客戶定價，降低優質客戶的成本，逐漸積累沉淀優質客戶。

2.6 風險預警模型

對客戶在還款過程中的信用和行為進行監測，進而對高風險客戶進行識別和預警的模型。風險預警模型主要實現方式包括風險監測預警規則和行為評分模型。應綜合考慮數據查詢成本和違約風險，接入外部風險數據，構建監測風險預警規則，定期監測已放貸客戶的外部表現，如發現風險行為，及時觸發風險預警信號，進行風險預警。應通過構建行為評分模型，預測客戶違約概率，判定違約預警等級，對不同違約風險客戶，采取相應的貸后處理。

3 未來將實現的大數據風控模型

3.1 構建實時智能學習的反欺詐策略引擎

未來將通過統計分析與機器學習方法，構建自學習的反欺詐策略引擎，結合歷史放貸表現以及特征閾值的迭代智能學習，實現高精度反欺詐策略規則的自動發現、自動評估，實時輸出策略。

3.2 基于機器學習和關聯圖譜升級反欺詐模型體系

將采用更精準的XGBoost、隨機森林、深度學習等算法，構建二元欺詐客戶好壞分類模型，自動挖掘更多隱藏弱特征，在弱變量中挖掘更多潛在的欺詐風險。另外，也可以通過多模型的組合投票，對于申請人的風險分類給出更精準的結果，提升反欺詐精度。

在線上信貸市場中，黑產遍布、欺詐團伙盛行，對于線上信貸業務產生嚴重威脅。該行將通過關聯圖譜技術，構建群體欺詐檢測模型，嚴密防控團伙欺詐行為。

3.3 行為評分模型

還需要對接三方數據，監測資產的外部表現，如涉訴、逾期、多頭借貸等行為，并通過構建行為評分模型，預測客戶違約概率，判定違約預警等級，對不同違約風險客戶，采取相應的貸后處理。

3.4 貸后催收評分模型

根據歷史催收記錄，客戶賬齡、金額、風險等級等信息，構建的客戶逾期催回成功可能性的模型。

4 大數據風控核心風險管理工具建設

4.1 互聯網信貸業務智能風控決策引擎系統

為支持互聯網貸款實時自動化審批，該行目前已構建了一套100%面向業務團隊的可視化、分布式、多線程、支持高并發的智能風控決策引擎。該決策引擎可以實現規則的靈活配置與部署，支持基本準入、反欺詐規則及評分卡的部署與運行，實現在線自動化反欺詐檢測與信用風險評估。引擎具有以下特性。

4.1.1 圖形化操作，規則配置靈活易用

支持多種方式的規則配置，有規則集、決策樹、決策流、評分卡。規則的配置全部通過可視化界面鼠標點擊的方式完成，無需改動程序代碼，業務人員可以以較低的學習成本快速上手。

4.1.2 多數據源對接

系統可以集成多方數據來源，包括第三方數據和內部數據，可以根據業務需求選擇使用哪些數據進行查詢。基于不同的業務產品，可以配置通過界面可視化的方式選擇相應的第三方數據、內部數據。

4.1.3 與業務系統對接簡單

采用統一接口服務的方式，與業務系統對接簡單方便，減少對接工作量，支持業務快速開展。

4.1.4 支持規則熱部署

本產品支持對規則的熱部署，當需要變更規則時，可以在規則引擎中修改規則、對規則。

4.1.5 風控規則移植便捷

配置好規則以后，對于類似的業務條線，可通過對配置好的規則進行復制、導入導出，將規則移植到其它類似業務條線中，只需少量人工配置。

4.1.6 模型仿真測試

在模型正式部署至生產環境之前，可以對模型規則進行仿真測試，模擬輸入進件信息，驗證模型的正確性。

4.1.7 實時風險大盤

系統可以實時統計各類風險決策，并以表格、餅圖、柱狀圖等形式實時分析和直觀展現。

4.1.8 集群部署，支持大規模并發業務請求

性能方面，決策引擎系統支持集群部署，可隨著業務量的增大擴展硬件，提高系統吞吐量及處理能力，保障業務的高可用性。支持多線程并行批處理機制，充分利用服務器CPU資源，縮短批處理時間，實現秒級的結果返回。

4.1.9 未來將實現的決策引擎功能優化

（1）支持復雜機器學習模型部署。決策引擎系統支持基于機器學習語言的模型部署，如神經網絡模型等，充分利用人工智能等最新技術提升風控能力。支持將模型以pmml格式進行上傳，系統自動解析模型輸入和輸出參數，可配置在決策流中進行調用。

（2）支持各類模型優化部署方式。支持模型的優化，支持A/B測試、冠軍/挑戰者或規則回溯，可以對新舊模型的執行效果進行對比分析，以判斷模型優勢，進而決定是否需要對模型進行優化和部署新的模型。

（3）支持決策表功能。增決策表功能，使業務配置風控模型決策豐富化。

（4）將由目前的支持貸前實時審批功能，升級為支持貸前審批、貸中預警、貸后催收等全流程業務的功能更加全面、更加智能的風控決策引擎。

4.2 互聯網信貸業務智能催收系統

構建智能催收策略引擎，為不同程度、不同類型違約客戶配置相應的貸后預警或催收策略，當系統識別出違約風險，智能催收系統會生成相應的自動催收方式，例如自動短信提醒、智能外呼等。

結合歷史催收記錄、客戶行為等大數據信息，構建催收評分模型，配以相應的智能催收策略，提高催收成功率。