智能风控——金融科技领域最主要的应用场景之一，借助大数据与人工智能技术提升风险管理能力，在银行、证券、保险、互联网金融等领域的应用愈加广泛。

  近年来，金融机构都很喜欢提智能风控这一概念，但市场上对智能风控并未有准确的定义。事实上，在AI潮到来之前，也没有人将风险管理与“智能”联系起来。大数据热逐渐降温后，随着人工智能的兴起，计量金融领域又迎来新一波热点：AI in Financial Risk Management。

  我很讨厌“智能”这个流行词，因为其不过是将机器学习进行了有目的的包装，而机器学习也远没有发展到一个可靠的工程原则，很多不确定性、规模化、推理性的问题都没解决。随着大数据、AI技术运用于风险管理已经越来越不鲜见，金融机构对于智能风控系统的建设需求迫切，市场成熟度和集中度也逐渐提升。我想聚焦于其内涵、应用模式和应用架构，谈一谈什么是智能风控。

  智能风控有很多种“别名”，我见过的像大数据风控、决策引擎、风险计量引擎、风险模型实验室...其实都可以纳入到这一概念范畴。其基本逻辑都是运用大数据平台的计算分析能力、机器学习或深度学习模型，运用于信贷风控、反欺诈、反洗钱、交易监控、保险理赔等场景。所以，本质上是以数据驱动的风险管控与运营优化。

  对于金融机构而言，智能风控并没改变底层业务逻辑，也和传统金融的风控模式、建模方法和原理没有本质区别。只是由于大数据的引入，可以获取到更多维度的外部数据，像客户行为、电商消费、运营商数据、地理位置、购物习惯等等。与传统金融数据相比(如央行征信、交易流水、资产状况、财务报表等)，虽然这一些数据与客户违约本质上没有必然关系，但增加了更多风险因子和变量，可以从更多层面刻画客户风险视图，能提高风险定价、违约计算的效果。

  智能风控改变了过去以合规、满足监管检查为导向的风险管理模式，强调用金融科技降低风险管理成本、提升客户体验、数据驱动风控能效，实质上代表了一种精益风险管理思维。如果说巴塞尔新资本协议的全面风险管理(资本计量、监督检查、市场纪律作为三大支柱)是传统风控的体现，那么智能风控则是网络、大数据时代风险管理实务的变革与创新。

  从前些年的大数据风控到如今的智能风控，并没改变数据+模型+规则的处理逻辑，而是突出了机器学习模型的应用，如线性回归、Logistic回归、支持向量机、神经网络、深度学习、集成学习等。对于金融机构的风险管理人员来说，随着外部数据获取途径的增加，对于过去无法获取有效风险特征的人员或中小企业，风险数据得到了有效的补充，从而能够为更多的场景、人群设计不同的金融理财产品，从而起到了金融科技赋能普惠金融的作用。

  智能风控在金融领域的应用模式应站在不一样的行业的视角来看。虽然本质上都是数据驱动的风险控制与管理决策，但由于银行、证券、保险的行业属性、业务场景差异较大，智能风控的应用模式也不同。

  虽然没有考证过，但我相信智能风控的称谓最初应来源于银行业在信贷风险管理、交易反欺诈、风险定价和关联关系监控中的大数据应用。像FICO、Experian(益百利)、Equifax(艾可菲)等公司早已通过各类风控模型来实现反欺诈或征信。随技术手段的丰富，数据获取的逐渐便利，商业银行能够最终靠外部数据合作的方式获取、存储、加工不同维度的数据。通过大数据基础平台的强大算力，计算用户之间的相关性，例如电话号、邮箱、地址、设备号等。

  以消费信贷风控为例，按照贷前、贷中、贷后作为风控的时间维度，以信用品质、偿还债务的能力、押品价值、财务情况、还款条件作为评估维度，时间和评估形成不同的信贷风险关注要点。商业银行结合不同信贷风险的关注要点，进行有关数据的获取。

  除大数据外，智能风控的“智能”大多数表现在机器学习算法构建模型。在授信申请、违约损失计算、逾期预测、反欺诈等业务目标确定后，通过内外部数据的整合、预处理(如采样、PCA、缺失值填充、归一化)、特征统计等方法，再选择正真适合的算法做多元化的分析。而在基础工具的运用上，由于运用到大数据技术，多离不开Hadoop/Spark这样的基础计算平台，R/Python这一些数据分析工具。当前一些专注于机器学习厂商如第四范式、阿里云也研发了可拖拽的建模工具，部分降低了机器学习的学习成本和门槛。

  无论是对个人或是企业的银行贷款、抵质押或担保贷款，亦或是供应链贷款、评分卡、巴塞尔协议中的贷款，还是当前热门的智能风控，根本原理都是衡量客户还款能力和意愿。智能风控只是通过更多的数据维度来刻画客户特征，从而更准确的量化客户违约成本，实现对客户的合理授信。能够准确的看出，其原理和方法论和传统金融风控没有区别，但能够最终靠自动化审批来替代人工审核，降低人力成本。

  与银行业的智能风控专注于信贷风控、反欺诈等不同的是，证券公司、交易所更关注于“实时”、“事中”交易违反相关规定的行为的侦测。从监督管理要求方面，沪深交易所近期也发布了《关于加强重点监控账户管理工作的通知》，要求强化交易一线监管、突出事中监管，明确了严重异常交易行为的重点监控账户监控；从技术方面，由于每日盘中连续交易阶段的数据量大、并发性高，对于低延迟实时计算、机器学习和复杂事件处理是证券智能交易风控的设计要点。

  异常交易行为特征描述本质上是一个用户画像项目，对高频交易客户进行群体划分，建立用户画像体系，基于客户交易行为中的各种指标提取特征，使用这一些特征作为模型的输入，输出为该用户所属的类别。特征指标如交易活跃度(下单次数，下单频率等)，每单报价，持有标的、总资产、资金与持仓信息等。在证券业务层面，则需要覆盖经纪业务、自营、资管等业务。

  第一，市场上很多所谓的智能风控系统仍谈不上什么“智能”。大部分仍是基于规则组合、条件筛选来实现风险预警、半自动化的方式来辅助人来判断。一些系统其实是做了一个客户画像和标签体系，另有一些甚至把风险指标和报表系统也包装成为智能风控平台。行业没有标准，不乏有故意夸大和蹭热度的现象。

  第二，对于金融机构来说，智能风控的前提是大数据的运用，而大数据则完全依赖于场景的布局。网络公司由于具备稳定的场景优势自然能够积累海量数据来刻画用户行为，而绝大多数金融机构仍需借助于外部数据交易的方法来补充数据维度的不足。一方面买来的数据可能缺乏金融属性，不具备参考意义；另一方面由于金融机构缺乏像互联网那样稳定可持续的场景和数据运营体系，也很难形成真正的作用和价值。所以有些机构也干脆直接买同盾分、芝麻信用分，而并不自己来建设系统。

  第三、大数据强调相关性而不是因果性，且基于机器学习模型的评估和结果不具备可解释性，将其运用到实际风险审核、侦测场景中的可行性有待商榷。

  所以对于智能风控，只可看作是当下大数据、人工智能风口中，风险管理领域的一种新兴技术运用模式。在风险管理的方法论上、风险管理的计量标准和监督管理要求上，都与传统金融风险管理模式并无区别。其特色在于，通过引入更多维的客户数据(如客户线上消费、电商、运营商、行为)，重构数据和应用架构，借助分布式大数据平台的能力、机器学习或深度学习模型，可以在一定程度上完成大批量、快速、精准的风险事件过滤或预测，从而能够在风险管理的时效性、前瞻性、精准性、技术先进性上寻求突破。未来随着生物特征识别、图像识别、区块链等技术的成熟，或可运用于风险管理领域，形成更多智能风控应用模式。返回搜狐，查看更加多