【干货】从信用评分剖析消费信贷智能风控“双刃剑”

  • 日期:08-12
  • 点击:(1310)


[干货]信用评分分析消费信贷智能风险控制“双刃剑”文/苏轼

Source/Sack研究所

风险控制是信用领域的重要生命线。自2019年以来,各信贷机构的信贷比率大幅上升,风险控制受到前所未有的关注。

消费信贷规模的扩大与智能风险控制的发展密切相关。然而,由于风控技术的大量运行,各公司使用的技术并不相同,因此相关的总结研究很少。

本文试图通过消费信贷行业智能风险控制的发展,重点研究信用评分产品在智能风险控制贷款管理中的应用,揭示智能风险控制作为一把双刃剑的一些弊端。

一,智能风险控制的兴起与发展

科学技术的发展日新月异,智能技术正在金融领域不断渗透。近年来,智能技术已应用于营销,风险控制,审计,投资,投资研究等领域,如下所示:

8d92b8cc961a447c9dd85f9b51a7e533.jpeg

其中,智能营销和智能风险控制广泛应用于消费信贷领域。智能风控是指将智能因素整合到传统风控中,结合大数据,人工智能,区块链等新技术,控制信用申请风险的技术。智能风控的概念在中国很长一段时间没有流行,自2017年起才开始流行。

二,个人定位识别和反欺诈

信贷机构与借款用户接触的第一步是他们的个人定位,如下:

1.身份证明

识别是判断借款人身份的第一步。它通常基于用户的许可证信息。使用的技术主要是生物识别和OCR技术。

生物识别技术将计算机与光学,声学,生物传感器和生物统计学等高科技方法相结合,利用物理特征识别个人身份。其中,指纹和人脸识别技术更为成熟。在消费者信用领域,指纹认证通常用于移动APP注册验证,而人脸识别技术更受欢迎。近年来,它已经广泛取代了传统的手持ID照片验证方法,如贷款用户申请阶段的面部认证。广泛使用。

OCR技术(Optical Character Recognition),光学字符识别技术的全称,原理是利用扫描等光学输入法将各种文件,材料和印刷品上的文字转换成图像信息,然后将其转换成通过文本识别技术输入计算机。技术。

身份证识别和银行卡绑定是消费者信贷中使用最广泛的两种OCR技术。一方面,通过OCR提取ID卡头像,可以获得快速获取身份识别的目标,并且可以实现人和卡的身份;另一方面,OCR可以快速识别银行卡号,持卡人,发卡银行等关键字段,并自动填写关键字段。所识别的信息内容不仅广泛用于信用平台,还广泛用于电子商务平台的交易支付。

2.用户肖像

该标识基于申请人的基本信息的基本描述,并且用户的肖像进一步被用户授权以查询多个维度,例如中央银行信用,第三方信用和在线交易行为,如下图:

e2c4c9aaff79405cb6140a6c3c89a836.jpeg

信用信息是判断借款人信用的最直接有效的方式。从数据来看,截至今年6月,央行的信用信息系统已经收集了9.9亿自然人,平均每日查询量达550万。在过去两年中,私人信贷巨头在消费者信贷使用方面也发挥了重要作用。此外,还有其他第三方信用信息,共享信用信息系统等,它们为信用审批机构的用户肖像和共同债务风险的识别提供帮助。

公共支付,网络消费,运营商数据等需要获得用户授权,从消费频率,金额等维度判断用户,并给予后续借款人评分程序的得分和信用。它还包含其他信息,如设备的使用(ID,设备型号等),帐户认证,学历等。

3.反欺诈模式构建

水平,涉及30,000多个诈骗团伙。

消费信贷领域的欺诈性贷款已经成为非法黑人生产中受打击最严重的地区,甚至还有专门的组织使用集团形式“支付贷款”和“赚口”。因此,建立以反欺诈为核心的防火墙势在必行。

根据工作原理,反欺诈模型可分为“基于规则的系统”和“基于行为的系统反欺诈模型”。相似之处和不同之处如下表所示:p>

130b057e8b3849559de2245d09bd177f.jpeg

从核心架构的角度来看,基于规则的反欺诈模型主要建立规则库,其规则包括基本客户属性和基本账户属性。基于用户行为的反欺诈模型需要基于过去用户数据的集合建立用户行为库,因此其缺点也很明显:对用户数据的大小和累积时间有一定的要求。

在实践中,一些企业将这两种模型完全结合起来,通过设置规则库来识别可疑用户,然后通过收集的用户行为不断更新规则库,并结合专家经验来纠正模型。目前,消费者信用领域反欺诈模型构建的研究方法包括但不限于神经网络,决策树,机器学习和随机森林。

例如,一家在美国上市的金融科技公司已经积累了数以千万计的黑名单和数亿个列入白名单的图书馆。它在操作系统中有200多个风控子模型,能够实时自动更新模型。一些风险模型的迭代时间是每周一次。

三,资格测量信用评分和风险定价

完成身份识别,用户肖像和反欺诈工作后,合格用户将输入信用评分和信用链接,流程图如下:

9aa08379583b435ebeca06834362ca1e.jpeg

1.信用评分

中国信用评分业务的发展可以追溯到20世纪80年代。基于模型的来源,信用领域可以分为三类:独立建模,联合建模和完全外包。

有限的访问外部帮助。在监管强调持牌金融机构不应将核心风险控制外包的一般环境下,这种评分方法的空间正在大大减少。

以大数据风险控制公司为例,有三种主要类型的评分系统,如下表所示:

f00d08e6d1f54c83ad6d66524d07fd13.jpeg

在公司提供的解决方案中,A和C学分可以应用于多种场景; B信用是最有针对性的,根据不同的消费信贷情景,它们被分为小/大现金贷款和小额贷款。金额/大额消费金融,银行和汽车金融应用程序。此外,反欺诈和信用评分不是两个孤立的环节。一些机构将评估关于申请人欺诈可能性的特殊“欺诈评分”,这也是对信用评分的有力支持。

2.风险定价

以上链接都为最终风险定价和信贷放宽铺平了道路。从各种风险控制环节中消除的借款用户比例是多少?以下是一家上市的共同黄金公司的例子:

1d4f8f2377ce4e9aab59b2004bc3da5e.jpeg

在共同基金机构的反欺诈环节中,80%的用户被拒绝; 90%进入定价链接,然后生成四个不同级别的A,B,C和D并给出相应的信用额度。不同程度对贷款利率有何影响?列举如下:

e5fb93ef3585405285f9cefc0beaa6c7.jpeg

四,智能风险控制的风险与对策

尽管近年来智能风控技术蓬勃发展,作为一把双刃剑,智能风控也存在一些缺陷,如下:

1.用户授权和隐私信息管理

消费者信贷的智能风险控制是基于大数据的决策,而基础数据的来源存在争议。一些信用应用程序绕过用户授权并直接捕获甚至监控用户个人数据,例如今年第315方公开的“探测盒”,京东财经因为保留用户手机的屏幕截图而被命名。 APP特别治理工作组一再公布未能保护个人信息的主要机构。基于金融和信贷的APP已成为受灾最严重的领域。

2.“信用点”岛

2013年,业内两位学者利用美国Lending Club平台基础数据的研究来返回FICO和违约率,并得出FICO得分与违约率具有强正相关性的结论。并指出,国内信用行业应建立一个全国性的信用评级体系。

但是,目前中国还没有这样的系统。一些“信用积分”过于依赖历史信用还款记录,甚至导致每月债务,还贷“老兄”信用额度高于正常消费的办公室白领。此外,一些电子商务平台过分依赖自己的生态容量消费记录,其信用评分的累积规则尚未与其他机构开放,并且仍处于孤立状态。

22: 15

来源:互联网金融

[干货]信用评分分析消费信贷智能风险控制“双刃剑”文/苏轼

Source/Sack研究所

风险控制是信用领域的重要生命线。自2019年以来,各信贷机构的信贷比率大幅上升,风险控制受到前所未有的关注。

消费信贷规模的扩大与智能风险控制的发展密切相关。然而,由于风控技术的大量运行,各公司使用的技术并不相同,因此相关的总结研究很少。

本文试图通过消费信贷行业智能风险控制的发展,重点研究信用评分产品在智能风险控制贷款管理中的应用,揭示智能风险控制作为一把双刃剑的一些弊端。

一,智能风险控制的兴起与发展

科学技术的发展日新月异,智能技术正在金融领域不断渗透。近年来,智能技术已应用于营销,风险控制,审计,投资,投资研究等领域,如下所示:

8d92b8cc961a447c9dd85f9b51a7e533.jpeg

其中,智能营销和智能风险控制广泛应用于消费信贷领域。智能风控是指将智能因素整合到传统风控中,结合大数据,人工智能,区块链等新技术,控制信用申请风险的技术。智能风控的概念在中国很长一段时间没有流行,自2017年起才开始流行。

二,个人定位识别和反欺诈

信贷机构与借款用户接触的第一步是他们的个人定位,如下:

1.身份证明

识别是判断借款人身份的第一步。它通常基于用户的许可证信息。使用的技术主要是生物识别和OCR技术。

生物识别技术将计算机与光学,声学,生物传感器和生物统计学等高科技方法相结合,利用物理特征识别个人身份。其中,指纹和人脸识别技术更为成熟。在消费者信用领域,指纹认证通常用于移动APP注册验证,而人脸识别技术更受欢迎。近年来,它已经广泛取代了传统的手持ID照片验证方法,如贷款用户申请阶段的面部认证。广泛使用。

OCR技术(Optical Character Recognition),光学字符识别技术的全称,原理是利用扫描等光学输入法将各种文件,材料和印刷品上的文字转换成图像信息,然后将其转换成通过文本识别技术输入计算机。技术。

身份证识别和银行卡绑定是消费者信贷中使用最广泛的两种OCR技术。一方面,通过OCR提取ID卡头像,可以获得快速获取身份识别的目标,并且可以实现人和卡的身份;另一方面,OCR可以快速识别银行卡号,持卡人,发卡银行等关键字段,并自动填写关键字段。所识别的信息内容不仅广泛用于信用平台,还广泛用于电子商务平台的交易支付。

2.用户肖像

该标识基于申请人的基本信息的基本描述,并且用户的肖像进一步被用户授权以查询多个维度,例如中央银行信用,第三方信用和在线交易行为,如下图:

e2c4c9aaff79405cb6140a6c3c89a836.jpeg

信用信息是判断借款人信用的最直接有效的方式。从数据来看,截至今年6月,央行的信用信息系统已经收集了9.9亿自然人,平均每日查询量达550万。在过去两年中,私人信贷巨头在消费者信贷使用方面也发挥了重要作用。此外,还有其他第三方信用信息,共享信用信息系统等,它们为信用审批机构的用户肖像和共同债务风险的识别提供帮助。

公共支付,网络消费,运营商数据等需要获得用户授权,从消费频率,金额等维度判断用户,并给予后续借款人评分程序的得分和信用。它还包含其他信息,如设备的使用(ID,设备型号等),帐户认证,学历等。

3.反欺诈模式构建

水平,涉及30,000多个诈骗团伙。

消费信贷领域的欺诈性贷款已经成为非法黑人生产中受打击最严重的地区,甚至还有专门的组织使用集团形式“支付贷款”和“赚口”。因此,建立以反欺诈为核心的防火墙势在必行。

根据工作原理,反欺诈模型可分为“基于规则的系统”和“基于行为的系统反欺诈模型”。相似之处和不同之处如下表所示:p>

130b057e8b3849559de2245d09bd177f.jpeg

从核心架构的角度来看,基于规则的反欺诈模型主要建立规则库,其规则包括基本客户属性和基本账户属性。基于用户行为的反欺诈模型需要基于过去用户数据的集合建立用户行为库,因此其缺点也很明显:对用户数据的大小和累积时间有一定的要求。

在实践中,一些企业将这两种模型完全结合起来,通过设置规则库来识别可疑用户,然后通过收集的用户行为不断更新规则库,并结合专家经验来纠正模型。目前,消费者信用领域反欺诈模型构建的研究方法包括但不限于神经网络,决策树,机器学习和随机森林。

例如,一家在美国上市的金融科技公司已经积累了数以千万计的黑名单和数亿个列入白名单的图书馆。它在操作系统中有200多个风控子模型,能够实时自动更新模型。一些风险模型的迭代时间是每周一次。

三,资格测量信用评分和风险定价

完成身份识别,用户肖像和反欺诈工作后,合格用户将输入信用评分和信用链接,流程图如下:

9aa08379583b435ebeca06834362ca1e.jpeg

1.信用评分

中国信用评分业务的发展可以追溯到20世纪80年代。基于模型的来源,信用领域可以分为三类:独立建模,联合建模和完全外包。

有限的访问外部帮助。在监管强调持牌金融机构不应将核心风险控制外包的一般环境下,这种评分方法的空间正在大大减少。

以大数据风险控制公司为例,有三种主要类型的评分系统,如下表所示:

f00d08e6d1f54c83ad6d66524d07fd13.jpeg

在公司提供的解决方案中,A和C学分可以应用于多种场景; B信用是最有针对性的,根据不同的消费信贷情景,它们被分为小/大现金贷款和小额贷款。金额/大额消费金融,银行和汽车金融应用程序。此外,反欺诈和信用评分不是两个孤立的环节。一些机构将评估关于申请人欺诈可能性的特殊“欺诈评分”,这也是对信用评分的有力支持。

2.风险定价

以上链接都为最终风险定价和信贷放宽铺平了道路。从各种风险控制环节中消除的借款用户比例是多少?以下是一家上市的共同黄金公司的例子:

1d4f8f2377ce4e9aab59b2004bc3da5e.jpeg

在共同基金机构的反欺诈环节中,80%的用户被拒绝; 90%进入定价链接,然后生成四个不同级别的A,B,C和D并给出相应的信用额度。不同程度对贷款利率有何影响?列举如下:

e5fb93ef3585405285f9cefc0beaa6c7.jpeg

四,智能风险控制的风险与对策

尽管近年来智能风控技术蓬勃发展,作为一把双刃剑,智能风控也存在一些缺陷,如下:

1.用户授权和隐私信息管理

消费者信贷的智能风险控制是基于大数据的决策,而基础数据的来源存在争议。一些信用应用程序绕过用户授权并直接捕获甚至监控用户个人数据,例如今年第315方公开的“探测盒”,京东财经因为保留用户手机的屏幕截图而被命名。 APP特别治理工作组一再公布未能保护个人信息的主要机构。基于金融和信贷的APP已成为受灾最严重的领域。

2.“信用点”岛

2013年,业内两位学者利用美国Lending Club平台基础数据的研究来返回FICO和违约率,并得出FICO得分与违约率具有强正相关性的结论。并指出,国内信用行业应建立一个全国性的信用评级体系。

但是,目前中国还没有这样的系统。一些“信用积分”过于依赖历史信用还款记录,甚至导致每月债务,还贷“老兄”信用额度高于正常消费的办公室白领。此外,一些电子商务平台过分依赖自己的生态容量消费记录,其信用评分的累积规则尚未与其他机构开放,并且仍处于孤立状态。

仅提供信息存储空间服务。

信用

风控

用户

信用

模型

阅读()

投诉