2018-07-03 11:06
来源:
壹叁新消费
近年来，从互联网金融到比特币、区块链，金融科技发展得如火如荼，各种概念层出不穷；但在实践层面，金融科技的应用内涵并不清晰。
其实，“金融科技”（FinTech）是金融（Finance）和技术（Technology）的合成。按照金融稳定理事会（FSB）的定义，金融科技是指技术带来的金融创新，具体来说就是运用“A”（人工智能）“B”（区块链）“C”（云计算）“D”（大数据）等技术手段重塑传统金融产品、模式、流程及组织等。
其中，金融科技的四大代表性技术：云计算技术、大数据风控技术、人工智能风控技术、区块链技术在风险管理场景下的应用深度有所差异，侧重领域也各有不同，且存在一些交叉。
金融科技的四大代表性技术在风险管理场景下的应用深度有所差异，侧重领域也各有不同，且存在一些交叉。
云计算技术为海量数据的运算能力和速度提升带来了突破；大数据风控技术主要应用于互联网金融的信用风险管理领域，解决的是信息不对称问题；人工智能风控技术是在大数据技术的基础上，主要解决风控模型优化的问题；区块链技术主要应用于支付清算等操作风险管理中的技术安全领域。
那么具体到实际，如何将金融科技应用于风险管理中？
大数据技术在金融风险管理中的应用
大数据风控技术目前较多应用于P2P和网络小贷等互联网金融领域，针对的主要风险类型是以违约风险为主的信用风险。
优点在于与传统风控手段相比数据来源更为广泛，识别速度更快且成本更低，从而有助于更好地解决信息不对称问题。
缺点在于受制我国当前信用数据分散且质量不高的现状，一些风控模型过度依赖互联网和手机抓取数据进行分析，而对借款人财务状况和偿债能力等关键变量分析不足，这可能是“现金贷新规” 中有针对性地指出要“谨慎使用数据风控模型”的主要原因。
1.运用大数据技术进行欺诈识别
进行欺诈申请的客户由于编造了全部或部分信息，很可能在自行申报的相关信息中存在不符合常理的情况，这些信息项可以成为欺诈识别模型的重要变量。
（1）基于地理位置信息的欺诈识别：将客户填写的地址信息定位为地址位置坐标，并与客户常用物流地址位置坐标进行比对，如果发现客户提供了一个距离过大的地址，则该地址信息存在虚假的可能性。针对移动端渠道，可以定位互联网客户的具体申请位置，与申请信息中填写的地址信息或职业信息进行对比验证。
（2）基于申请信息填报行为的欺诈识别：通过收集分析客户填写申请过程的行为信息，如填写了多长时间、修改了几次、修改了哪些内容等进行识别。
（3）基于客户填报信息与公司存量信息交叉比对的欺诈识别：多个申请件填报的单位电话相同，而对应的单位名称及地址不同，则批量伪冒申请件的可能性就很高。
（4）基于外部信息的交叉对比的欺诈识别：恶意申请会隐瞒对其不利的事实，如负债、运营存在问题、法院执行信息等，而抓取互联网上申请人的企业经营信息、法院执行信息可以核实申请人的真实资质。
2.运用大数据技术进行授信评分
被排除欺诈可能并进入评分规则引擎的客户，会按类型被分发到不同的细分模块，以适应不同的细分模型，包括不同的产品、不同的行业、不同的客户群，如车贷、消费贷、抵押贷、个人经营贷等。不同类型的借款申请调用不同的信用评分规则引擎，该引擎将并根据用户授权许可自动抓取的数据，通过特定模型转化为个人授信评分数据与商户授信评分数据。
（1）基于个人信息抓取的授信评分：抓取用户在互联网上的购买数据、搜索引擎数据、社交数据、账单邮箱信息等多个维度的数据，得到用户性格、消费偏好、意愿、学历等个人信息。
（2）基于商户信息抓取的授信评分：抓取商户的交易数据（物流、现金流、信息流数据）和电商的经营数据（如访客量、交易量、用户评价、物流信息等）来对商户进行授信评分。
3.运用大数据技术进行贷后管理
针对“还款意愿差”和“还款能力不足”两大客户逾期的主要原因，大数据技术通过违约信息排查和监测预警及时跟踪违约风险。
（1）违约信息排查：通过实时监测存量客户早期逾期、连续多期不还欠款、联系方式失效等情况，并将存量客户与新增的黑名单、灰名单数据匹配，及时发现潜在违约客户。
（2）小微商户流水监测预警：利用从数据合作方获取的商户交易流水信息，对其交易流水进行监测预警。突然出现的资金流入、流出，不符合经营规则的交易流水下滑情况，正常营业的大额交易等均可以触发预警。
（3）负面信息监测预警：通过大数据实时监测，一旦发现客户的负面信息、公安违法信息、法院执行信息、税务缴税信息、行业重要新闻、借款人社交关系网中的负面情况、借款人的网络浏览行为、资金支付结算情况等，及时触发预警。
人工智能在金融风险管理中的应用
与互联网领域相比，金融场景上数据具有两大独特性：一方面可用数据比互联网要少，另一方面又比传统评分卡体系多了很多不可解释、高维稀疏的大数据。机器学习要解决的问题主要是模型构建和训练、性能监控与自迭代的机制，包括深度学习、半监督学习、在线学习等技术，核心都是为了将互联网级别的机器学习技术“降维”应用到金融领域。
目前人工智能和大数据技术的紧密结合已成为风险管理的核心技术，其基本逻辑是通过在深度学习和数据挖掘中自我更新、自我调整和自我迭代，进而从更多维度的大数据中把握风险规律。
1.提取数据深层特征
在数据繁杂的大型风控场景中，运用基于深度学习的人工智能特征生成框架，对时序、文本、影像等互联网行为、非结构化数据深层特征加工提取，大大提升了模型效果。比如消费信贷风险管理通过知识图谱、自然语言处理、机器学习等人工智能技术，发现借款人、企业、行业等不同主体间的有效信息维度关联，深度挖掘企业集团、上下游合作商、竞争对手、管理人员信息等关键信息。
2.提高风控模型与数据的匹配度
不同数据需用合适的模型才能挖掘出最大价值。机器学习方法在互联网广告、搜索、推荐等应用是对不同类型的数据用不同的机器学习模型处理，金融场景中，采用复杂集成模型也可以处理上千维度的弱变量，精准地估计违约风险。
3.加快风控模型迭代速度
互联网每天都生成海量用户数据，搜索、推荐模型需要持续频繁地优化，自迭代频次比金融领域更快、更准确，通过机器学习可以解决模型人工迭代慢的问题。在金融风险管理中，通过对模型特征性能、借贷群体和业务反馈等多方面的监控，机器学习模型能有效地快速自迭代。
4.无监督机器学习反欺诈
欺诈风险量化也使用智能模型，比如无监督机器学习模型，基于可观察到的交易特征变量和案件数据，学习什么是好的，和坏的样本进行风险预测；在没有标签数据的情况下，交易、账户登录等场景应用无监督机器学习模型，通过分析欺诈和正常用户行为模式的异同，识别欺诈风险。
区块链技术在金融风险管理中的应用
目前区块链技术主要应用于操作风险管理中的身份验证、支付安全等领域，重点针对的是人工操作中验证困难带来的风险。
1.身份验证
当身份证件需要取消或者重新签发时，在跨国操作的情境下，金融机构需很长时间才知道该身份撤销了，区块链技术使，此类敏感信息的传递过程更加便捷和高效。身份验证系统利用区块链特有的智能合约，可有选择地显示身份信息，实现信息在相关者范围内局部共享，防止身份被盗和加强用户隐私保护。
2.票据业务风险管理
票据业务具备低频大额交易及存在人工操作风险的特点，基于区块链技术的数字票据具有独特的风险防控优势：一是能够有效防范票据市场风险，避免了纸票“一票多卖”、电票打款背书不同步等问题；二是可以大大降低监管的调阅成本，完全透明的数据管理体系提供了可信任的追溯途径。
3.保险公司道德风险防范
在保险受理阶段，区块链技术可以将不同公司之间的数据打通，相互参考，从而及时发现重复投保、历史理赔等信息，及时发现高风险用户。在理赔阶段，基于在区块链上记录了的客户所有投保信息，很快可以发现并骗保行为并及时采取措施。
更多资讯关注美债所公众号（meizhaisuolc）返回搜狐，查看更多
责任编辑：}