金融的本质是将风险偏好不同的资金供给方和风险不同的资金需求方匹配起来。而大数据风控看两个方面的能力,一个是数据积累,另一个就是技术能力。分析可知,大数据风控模型的基本流程来主要分为四个部分:数据收集、数据建模、构建数据画像和风险定价。
因为大数据风控模型是各家平台的核心商业机密,我们不得而知。但我们可以从大数据风控模型的建立过程来窥知一二。大数据风控模型的基本流程来主要分为四个部分:数据收集、数据建模、构建数据画像和风险定价。
数据收集
大数据精准营销的蓝海领域,消费金融数据。这里简要归纳一下,互联网大数据包括:
用户行为数据(精准广告投放、内容推荐、行为习惯和喜好分析、产品优化等)
用户消费数据(精准营销、信用记录分析、活动促销、理财等)
用户地理位置数据(O2O推广,商家推荐,交友推荐等)
互联网金融数据(P2P,小额贷款,支付,信用,供应链金融等)
用户社交等UGC数据(趋势分析、流行元素分析、受欢迎程度分析、舆论监控分析、社会问题分析等)
数据建模
模型包含四大方面的数据:
一、个人/公司的基本信息,包括个人资历、个人/公司的信用信息、公司财务指标、家庭结构关系、家庭社会地位关系、个人社交关系、工商注册信息等;
二、个人/公司商务信息,包括线上零售交易信息、专利信息、个人/公司资质、土地出让/转让信息、质押抵押信息等;
三、个人/公司社会公众信息,包括涉诉信息、专利信息、被执行人信息等;
四、个人/公司社会关联方信息,包括自媒体、证券社区、行政监管/许可、行业背景、商标、招中标、行政处罚、抵押担保等。
常使用的模型:
1.聚类: 比如常见的相似文本聚类,大量用户发相似帖子是常见的灌水行为,需要处理。
2.分类:比如我们根据已经识别的有风险和无风险的行为,去预测现在正在发生的行为,根据关键字动态去识别预测效果不错。
3.离群点检测:比如登录行为,当同ip登录大量登录失败,这种行为可能是暴力破解,当同ip登录基本全部成功,这种行为可能是机器登录,采用离群点检测发现这两类行为并处理等。
目前国内90%以上的建模团队都使用Logistic回归做评分卡,当然还有少数人使用决策树,神经网络和机器学习目前还没在此行业有显著成果。Logistic制作评分卡模型的衡量标准是K-S值的大小,依据数据质量和建模能力在0-0.5之间,一般在0.3以上才可用,好的模型可以达到0.35。芝麻分模型的K-S值在0.32左右。
应用案例:
1、欺诈风险用到模型主要是社会关系网络模型,通过每笔案件之间的关系,判断新案件是欺诈申请的可能性。
2、信用风险主要用到模型是逻辑回归建立评分卡(也有的用决策树),量化新申请人可能违约的概率,根据评分高低制定不同的授信规则和催收策略。
3、贷后管理也用到行为评分卡,例如额度调整和客户风险分池管理等。
大数据风控对模型的挑战:
1.模型的泛化能力:复杂的特征和模型可以增强模型的泛化能力,采用复杂特征和更多维度的特征是很有效的。
2.模型的可解释性:风控模型识别出来的数据需要做相应的处理,任何机器识别处理都不可能完全避免用户的投诉和异义,对于模型一定要了解业务特征,能够转化为客服和用户可以理解的语言去解释,使得任何处理我们都有理有据。
3.模型的更新速度:高对抗性场景下,模型快速更新是关键。
数据画像
用户画像的底层是机器学习,那么无论是要做客户分群还是精准营销,都先要将用户数据进行规整处理,转化为相同维度的特征向量,诸多华丽的算法才可以有用武之地,像是聚类,回归,关联,各种分类器等等。
对于结构化数据而言,特征提取工作往往都是从给数据打标签开始的。比如购买渠道,消费频率,年龄性别,家庭状况等等。好的特征标签的选择可以使对用户刻画变得更丰富,也能提升机器学习算法的效果(准确度,收敛速度等)。
我们在项目中根据不同维度提取了数十个多个标签,下图展示了其中的一部分。这些标签主要有三个来源:
一个类是在IT系统中可以取得的信息,比如办会员卡时留下的信息(性别,年龄,生日),购买渠道,积分情况等;
第二类是可以通过计算或是统计所获得的,比如用户对某类促销活动的参与程度,对某种颜色/款式商品的偏好程度,是否进行过跨品牌的购买等;
第三类则是通过推测所得,比如送货地址中出现“宿舍”,“学校”,“大学”等字样,则用户身份可以推测为学生,出现“腾讯大厦”,“科技园”等信息时,则可判断是上班族,并有很大概率是技术从业者。
在标签的设计上也带有较强的行业性,比如是否偏好购买当季爆款或是新品多于经典款(时尚度);是否更倾向购买低价或打折商品(价格敏感度);是否喜欢购买高价商品或限量版(反向价格敏感度)。
对于已经打好的标签,根据不同的分析场景进行离散化,或将分类类型的标签拆成多个0/1标签,就可以进行一些机器学习的建模了,比如聚类,分类,预测,或者关联性分析,最终生成的向量维度在数千个。
风险定价
量化风险管理的一个核心是风险定价,根据银行自身的风险偏好来对资产进行定价,高风险资产定价较高,低风险产品定价较低,根据风险高低来制定资产收益,RBP(基于风险定价)已经成为主流。虽然对技术的应用日趋成熟,但现实的情况是,行业的业务模式仍然大量基于人海战术,与上世纪八九十年代传统金融企业的业务模式类似,在信用评级和风险定价方面过多依赖人的经验。
目前的互联网数据+金融已经开始改变这一状况。尤其是在P2P风控领域,互联网大数据积累已经让风控进入2.0时代。通过数据的积累,可以实现客户开发和数据采集通过人工完成。
多维度的风险定价系统
中国现实的难处是,个人信用数据缺失,央行征信只能覆盖25%人群。同时金融机构风险定价水平不高,导致市场难以发展。目前京东用定价自己积累的数据推出了“京东白条”,蚂蚁金服开发淘宝购买者数据推出了“花呗”,这些都有一个限制就是只能在指定的服务商消费才可以用。但这也从一定程度上说明利用大数据可以实现业务的功能。目前,已有一些P2P平台通过接入了多家第三方数据用于风控。通过对数据的整合、补充、调用、评判等,使风控模型运算结果更加准确。
定制化的风险定价系统
从商务智能的角度说,模型、评分、策略等都是为具体的业务服务的,脱离了具体场景的模型和评分是无本之木,无源之水,脱离了业务场景谈模型的准确性,没有意义。不同的业务场景,产生了不同的数据,不同的数据包含的规律,体现在数据分析中就是模型、参数和评分。
这也要求评分的模型在设计之初,就要考虑如何更加智能。不同的人风控模型也会不同,因此定制化的风险定价系统将成为未来的趋势。