大数据时代下零售信贷智能风控体系建设的思考

苟志龙  民生银行信息科技部数据模型管理中心

 

一、数据驱动下的银行业风控升级之路

（一）浪潮褪去：新形势下国内银行业的困局 

随着中国经济告别高速增长以及外部环境快速变化，国内银行业正逐渐远离昔日辉煌。过往高速增长所依赖的时代红利正在消散，目前国内银行业已走到某个十字路口，困惑于坚守传统与变革创新的两难选择中，这种困惑在信贷风险管理领域尤为明显。

困惑的源头，是对创新尺度的拿捏和对新技术、新能力的接受与掌握的程度。诞生并成熟于传统高利差年代的信贷风险管理理念及方法，并不适应如今有限的利差空间和激烈的泛同业竞争，在业务规模与资产质量的权衡中，管理的天秤通常易倒向资产质量端，这造成我们的信贷服务很难触及长尾客群，引发出创新发展和严控风险之间的矛盾。

（二）待浪再起：智能风控变革

回顾全球的信贷风控发展史，不难发现每个时代的风控技术都在一定程度上解决了当时的信贷难题，可以说他们是应运而生，但同时也不可避免地带有某种时代局限性。因此，新旧风控技术不断更迭，推动了全球信贷风险管理的发展。身处当前的困局中，国内银行业需要把握好各类新技术赋予的时代红利，积极探索大数据及人工智能等技术，以数据驱动的理念对传统风险管理进行创新与变革，这将有望掀起新一轮的信贷发展浪潮。

站在这个十字路口眺望未来，危中亦有转机。国内银行业目前面临的发展机遇，需要将战略和文化不断落实到数字化转型的变革中去，在退潮期持续修炼内功，形成可支撑下阶段发展的核心竞争力。

（三）回归本源：用第一性原理想问题

国内银行业探索信贷业务风控创新的过程中，需要回归两个本源：其一是金融本源，蚂蚁集团事件之后监管导向明显，信贷业务需要回归金融本源，信贷机构要敬畏风险，做好风险管理内功的修炼。其二是商业本源，开展信贷业务过程中需要在战略、业务、技术等高维空间中想问题，回归商业本源，对内部以利润目标为导向进行各类经营管理决策。具体到风控领域来说，做好四件事情将是有益的。

第一，明确利润为导向的风险管理目标。 传统理念是风险把控优先，现在需要回归商业本源，以利润优先来消除风控与营销之间的矛盾。

第二，践行数据量化及动态迭代的风控方法论。 采用动态迭代的风控方法，以量化、理解、控制、改变为行动指针进行风控升级。

第三，建设并利用好数据科学实验环境及工具。 建设开展数据科学工作所需要的实验环境，基于此开展智能化风控的实践和迭代。

第四，建立复合型人力敏捷组织及配套机制。 消除部门墙的不利影响，建立具备复合型能力结构的敏捷组织及配套机制，将数据、技术、人才的效能发挥到最大。

二、基于负反馈调节的风控体系

通过对当前国内银行业信贷风险管理现状的问题诊断，我们需要重新明确零售信贷风险管理目标、厘清信贷风险管理的核心逻辑、科学优化信贷风险管理过程、积极打破部门职能藩篱，积极构建起具备迭代反馈调节能力的智能风控体系。

这套全新的智能风控体系，可以让风险持续处于可感知、可调控的监控迭代闭环中，以高效响应的可视化界面打消对不确定性的忧虑，以商业利润为导向的策略迭代来平衡业务规模与风险管理间的矛盾。

（一）控制论思想的迁移

具体来说，这种基于负反馈调节理论的智能风控体系设计，源于一次对控制论思想的 “迁移学习”。随着普惠金融以及互联网技术的发展，国内银行业的零售信贷业务客群逐渐下沉、线上业务份额日渐增多，随之而来的风险种类更多、变化更快，如何保证风险始终可控并持续向利润最大化目标发展？

做个类比，这有点像老鹰捉兔子，大家知道兔子在地上跑，老鹰在天上飞，离得那么远，为什么鹰可以捉到兔子？答案是老鹰为了生存净化出一套优秀的控制系统。如果我们放慢动作的话，老鹰发现兔子后，鹰眼的视觉信号经过大脑处理，可以判断自身和兔子之间的相对位置和距离，这些信息给到运动系统，通过调整翅膀来修正飞行方向与速度，控制过程只要不断的重复，就形成了鹰抓兔子的连续行为。

控制论中把这类控制称为负反馈调节。我们以控制论的英文名称 Cybernetics为这套智能风控体系命名，借鉴这种反馈闭环的动态迭代理念，打破旧有的风险管理模式，将利润最大化作为风险管理目标，应用大数据与人工智能技术提升对风险的识别和排序能力，通过及时迭代更新的反馈调节机制，在零售信贷全生命周期中实现风险的及时预警、尽早处置。这样的风控是形意兼备的，相较于银行业传统的“静态”风控更具生命力，效果更加可期。

（二）大数据时代下对风控本质的思考

我们在信息化时代下对控制论的思想进行一定的迁移和映射后，不难归纳出：风控的本质是对信息的获取、知识的萃取和付诸策略实践后的持续迭代优化。

风控 = 信息 + 知识 + 应用及迭代

其中，信息是用来降低不确定性的东西，可帮助识别风险模式的信息蕴含在数据中，这是信息时代赋予我们的宝藏，如何更全面、更高质量地获取信息决定了风控效果的上限。通过人工智能等算法对信息进行加工，挖掘出数据要素与风险目标之间的复杂非线性关系，沉淀为可落地应用的风险知识或模型规则。最后通过在风险管理实践中进行应用和检验，反复监控迭代策略的有效性，完成风险知识的新陈代谢，持续为零售信贷业务保驾护航。

前面各位专家谈了较多的新技术（物联网、计算机视觉、语音识别等）在风险管理领域里的探索性应用，在我的认知框架中，这些技术更多地是在解决从信息获取到知识形成过程中的问题。相比之下， Cybernetics风控体系更侧重于怎么去构建一个闭环，来保证透过信息得到的风险知识在应用中持续有效。这是一个较大的不同点。

（三）Cybernetics风控引擎设计

结合前面我们对信贷风险管理的认知和思考，下面简要介绍下 Cybernetics风控体系的运转流程。Cybernetics智能风控体系分为四层，具体包含工具层、监控层、决策层和业务层。

工具层通过建设完善数据存储、数据分析、数据挖掘等一系列基础设施，为风险管理过程中的数据驱动方案提供基础支持。监控层犹如老鹰的眼睛全面精确地获取风险信号，主动发现并及时传递风险信号。决策层类似老鹰的大脑，利用人工智能技术整合内外部高维数据，深度挖掘风险信息，实现更精准的前瞻性预测，支持策略制定及调整。

这种数据驱动下的风险管理新模式，可类比为老鹰的翅膀对策略进行持续调整、快速迭代优化，实现对风险的早发现、早处置。过程中，大数据平台作为信息基础设施，将风险相关的信息传到模型实验室，信息在这里被转化为风险知识，之后这些风险知识通过数据中台被各业务系统进行场景化调用，完成申请反欺诈、贷前准入、贷中后预警、催清收、资产处置等一系列的风控赋能。

三、智能风控赋能经营管理决策

下面我们一起来看看，这套体系是如何赋能于银行业的信贷风险管理实务的。 Cybernetics智能风控体系可以为零售信贷全流程提供整套的解决方案，下面分别从贷前审批、贷中管理和贷后预警三个方面介绍贯穿零售信贷业务全流程的智能风控体系应用方案。

（一）贷前：客户准入策略动态调整

我们先来看贷前准入阶段，在零售信贷业务开展初期，通过对业务表现的及时监控、可视化分析和基于人工智能算法的风险预判， Cybernetics智能风控体系可实现高频快速的策略迭代。

这张图是对信贷业务开展过程中的各项业务指标进行监控分析的图例，全面的监控和预判功能可确保信贷业务顺利开展且风险持续可控。例如，对准入客户贷后的即期风险表现进行持续监控，逐期使用基于 Vintage的风险预估技术推演预测最终风险。有效解决贷款期限长，风险暴露慢的问题，实现对风险的提前预判，为通过率的量化调整及时提供方向和尺度的建议，持续优化信贷产品的准入调控策略。

（二）贷中：客户价值进一步提升

在贷中管理阶段，以客户为中心，以利润为导向，依托大数据与人工智能技术，从客户风险、渠道等多个维度进行客户细分，基于历史数据构建客户对贷款价格的接受度模型，预估不同定价方案下客户的接受程度，量化预期收益。基于征信数据构建同业定价预测模型，以同业定价作为参考，将风险补偿和市场竞争优势作为定价的两大核心考量要素，为不同客户提供差异化的利率和额度，进一步发掘客户的潜在价值。

（三）贷后：客户风险提前预警

最后是贷后管理环节。贷款资产质量的劣化过程类似于人生病的过程，从亚健康、小病、大病甚至到不治是有一个发展过程的，通过贷后系列预警模型完成对贷款不同生命周期窗口内潜在风险进行精准预测，尽早发现风险，做到防患于未然。

我们针对经营性贷款、消费贷款及住房贷款等不同信贷场景开发出近期预警、短期预警、中期预警及长期预警总计 12个模型。12个模型各司其职，分别助力完成缓解催收压力、降低早期逾期、压降风险敞口、追踪资产质量、调整资产结构等零售贷后管理工作。“天眼”系列模型在全行推广落地后成效显著，为行内优化零售资产质量作出了较大贡献。值得一提的是，这套贷后解决方案在2018年荣获了人民银行颁发的银行科技发展奖。 

四、一点展望

当前，各类信息技术的深入应用正在不断改变金融业态，变革正逐渐成为一种内生的共同诉求，大数据及人工智能等新技术的应用为实现该诉求提供了新的可能。接下来我们将围绕技术生态、数据生态、产品生态和客户生态不断优化金融产品及服务，提升客户体验和管理效率，实现以客户为中心的数字化转型之路。

以上是我们在大数据时代下对智能风控体系建设的一些思考和实践，基于这些探索，下一步我们将依托行内的大数据基础平台建设，不断加强金融科技领域的复合型人才培养，探索跨部门的敏捷型组织，将迭代闭环的数据驱动思想深入应用到精准营销、智能风控、精细化运营等各类经营管理场景中，通过 “数据+技术”双轮驱动我行的数字化转型。

 

来源：本文为苟志龙先生在第十六届中国金融风险经理年度总论坛，专题研讨会NO.11“ 智能风控 ”的发言实录全文，供读者参阅。