小微信贷风控数字化转型技术和探索

      首先给大家介绍一下孚临科技，孚临科技于2017年成立，其核心定位是帮助银行进行数字化转型，在获客和对应的风控领域提高效率，降低风险。孚临科技成立到现在已经累计融资超过1亿，并且在杭州有一个数字经济运营智能技术的重点研发中心。2020年孚临科技落地河南省衡阳市，与衡阳市政府子公司成立合资公司，打造衡阳数字信用体系，提供数字金融服务。

一、普惠金融发展

      我认为中国普惠金融的发展基于三个阶段。早期是惠而不普，银行的风险偏好过低，对于坏账容忍度非常低，原因包括监管、文化、问责制三个方面，银行的整体文化属于追求低风险与超低坏账，利率也相对比较低。在2015年慢慢开始有一批互联网小贷公司开始从事相对下沉的客群业务，追求高风险和高收益这时利率也相对较高。在5年前征信白户十分多，大概有几个亿，有征信记录的小几个亿，但是在过去5年有征信记录的已经接近7亿了，这就是过去几年民间金融的兴起导致的一个比较正面的后果。同时也有一些负面后果，所以才会有强监管、强整治的到来。今年最高法院出现了民间借贷利率4倍LPR的要求，民间借贷利率的司法保护上限为15.4%，相对银行来讲风险收益就会有一个比较大的变化。当前所有金融机构、科技公司都在做相应的调整，尤其是小贷公司受到的打击十分大。

二、小微风控现状及解决方案

      当前小微风控有几大难题：

      一是获客过度依赖平台巨头。通过线下客户经理获客对于中小银行来说较难，但对于全国性银行则较为容易，这是因为全国性银行网点较为密集，在网格式营销、获客密度上有一定优势，而中小型银行获客效率较低，获客渠道有限，有时会依赖人海战术。当前可以用RPA机器人流程自动化在很多方面解决线下获客效率的问题。做普惠金融一方面是较低的利率，另一方面是客户下沉，客户下沉的核心就是如何找准合适的客户，找到合适的客户需要的是营销和风控的联动。

      二是风控过度依赖抵押。绝大部分中国的小微企业90%不超过两年就会死掉，在两年之内去找准好的小微客群并给他们提供服务是一个精细活，对于大行来讲，只为三年以上、有一定规模的小微企业服务是完全行得通的，也有足够的市场，但是对于中小银行来说，就会存在获客成本不足以与大行竞争的问题，所以如何进行客户下沉是一个难题。许多小企业没有抵押，尤其是一些轻资产运营公司、科技公司、特许经营公司等，它们本身有非常好的前景，但是完全依赖抵押贷款不太现实。

      三是大数据面临隐私保护。早期对个人的隐私保护较为关注，但现在也慢慢开始关注对企业的隐私保护。在隐私保护问题中也需要有对应的几种路径，一种是联邦学习路径，包括分割式神经网络技术框架，另外一个是多方安全计算，它主要是一种分布式的数据库，这两种路径目前分别被蚂蚁金服、腾讯采用。这两种方法本质上都是解决如何在数据不交换，但是关键核心信息可以交换的基础上去进行的。

      最后通过“RPA机器人流程自动化+DCS数字信用分析体系+MPC多方安全计算技术”数字决策工具，能够实现小微信贷的“可得性、便捷性、惠民性和安全性”。在美国，已经有RPA做到百亿美金的科技公司，而中国的RPA刚刚开始。数字信用分析体系相对较为成熟，但是主要是在互联网公司相对比较成熟，在传统银行还是有大量的工作要做，尤其是对中小银行来讲，一是自身的数据积累，历史的数据中台并没有搭建完善，二是由于监管要求，外部数据的挖掘相对来讲比较保守，因此还需要在数字信用体系搭建上做进一步的挖掘。

三、数字信用分析体系与多方安全计算

      数字信用分析体系包括小微数据体系、小微模型体系、小微策略体系。数据体系是基础，通过数据去建设对应的模型。模型总体来讲是偏硬的，如何基于模型的基础去设计对应的策略，这是属于偏软的。因此在其中还有模型风险管理，但是在目前的大数据风控体系容易被忽略。

      我做了一个大致的归纳分类，数据体系包括宏观、财务、经营、行业、法人数据。在做普惠金融贷款时，我们要拿到宏观数据，例如区域的风险数据，就可能会看到一些经济发达的地方反而风险高，这是因为经济发达地区骗贷相对成熟，而且黄赌毒也相对较多，因此并不是经济越发达，坏账率就越低。财务数据中一个核心的难点就是更新频次太低，另一个就是人工操作痕迹比较明显，因此在经营数据中，从经营流水、经营明细到发票，这里面还是有很多风险分析工作要做，尤其是流水数据造假非常严重。

      在行业数据中，科技公司、零售行业、制造业的数据都是不一样的。科技公司一个大的特点就是前期投入高，但是发展前景好，但是也属于轻资产。零售行业一个很大的问题就是它的现金流非常好，比如餐饮店现在都实时到账，昨天订的货今天就已经就变成现金收到收款，所以这里面的营销是一个难点，风控对应也有它的周期性。现在有些制造业开始做数字化转型，使用物联网传感器等，包括工业控制都开始数字化，如果能够拿到这些数据就会有很大帮助。农村金融现在一个比较大的趋势就是基于GIS数据，所谓的GIS就是地理位置信息处理，地理位置信息比如遥感对于种植是非常有帮助的，但是养殖户相关的数据很难拿到，而且养殖行业对宏观周期有比较大的影响，比如说猪周期，因此如果一家银行针对养殖户做了较大的投入，贷款集中度过高的话，就会十分危险。

      在个人信息方面，一些企业由于实控人、股东或者高管的一些操作，或者外部的多头经营，也会导致这个公司发生很大的麻烦，因此法人相关的信息也很重要。此外还有很多软风险数据是没办法反映出来的，因此风险主管还要根据自身的行业经验和经济周期经验进行主观判断，并与数据模型和策略结合起来。

      在动态决策管理模块中也会有比较多的复杂工作要做，要牵涉到几万张表，每个表可能有1000个变量，其中也有上万条策略规则，然后有几百个模型。互联网公司一整套的大数据风控是相当复杂的，整个团队可能需要十个人做模型维护，几百个模型库可能不是针对十几个产品，而是只针对一个产品，针对这一个产品的客户全生命周期，再综合行业模型、财务模型、经营模型、现金流模型等以及打分卡，最后这些模型会被几百上千条规则来调用，因此这是一个比较大的工程。一个产品刚刚启动时完全没有任何样本，这时就非常考验风险管理的功底，开始逐步启动，积累样本，然后动态地调整模型，并根据样本偏差在不同的模型阶段设计不同的模型和策略。 

      目前多方安全计算市场主流一个是MPC，另一个是联邦学习。其中有一个核心的点就是要确保数据的输入是真实的。最终实现从区块链再到多方安全计算，最终再到交互过程中来完成整体的风险算法的不断调优。

      来源：2020（第十六届）中国金融风险经理年度总论坛系列5：金融科技创新和展望——唐科伟《小微信贷风控数字化转型技术和探索》