文/新浪財經意見領袖專欄（微信公眾號kopleader）專欄作家 蔣韜

新的經濟環境下銀行風控成為大數據和人工智能（Artificial Intelligence，簡稱AI）的熱點應用領域。本文從大數據和人工智能角度出發分析了銀行風控的未來。

　　大數據和人工智能視角下的銀行業風險防控

在當前經濟大環境下，銀行業務風險水平上升，各家銀行對提升自身風險防控能力的需求日益迫切，而銀行傳統風險管理體系缺乏靈活性、防控手段較為落后等弊端，與大數據覆蓋面廣、維度豐富、實時性高和人工智能技術飛速發展的特點相呼應，使銀行風控成為大數據和人工智能的熱點應用領域和方向。

近日，央行發布120號文，要求全國性商業銀行于2017年8月底前，其他商業銀行于2017年12月底前，完成基于大數據技術的銀行卡風險防控系統建設，提升磁條交易風險管理水平。一紙明文，讓大數據風險防控系統建設進一步從銀行風控官的案頭設想變成了需要切實落地的工作要求。

基于大數據和人工智能技術，銀行業的風險管理體系如何定位、構建及應用，筆者試圖通過以下幾方面來做一些分析。

風險的“多”和“少”問題

可以毫不夸張地說，風險管理是銀行業可持續發展的根本。銀行風險管理體系建設的根本目的在于保持資產質量穩定，將風險抵補能力始終控制在合理水平。為實現這一目標，中國銀監會發布了《中國銀行業實施新監管標準指導意見》《商業銀行資本管理辦法（試行）》等一系列監管準則，旨在指導中國商業銀行依據巴塞爾新資本協議進行風險管理體系建設。

回到巴塞爾新資本協議，其主要包括三大支柱，其中以第一支柱—最低資本要求為核心。第一支柱明確了針對不同風險的資本充足率計算方法，包括市場風險、信用風險和操作風險，這便是普遍認可的銀行業三大風險。

其中，市場風險指由于利率、匯率、股票、商品等價格變化導致銀行損失的風險；信用風險又稱違約風險，是指借款人或交易對方因種種原因，不愿或無力履行合同條件而構成違約；操作風險是指由不完善或有問題的內部程序、員工和信息科技系統，以及外部事件所造成損失的風險。

從另一個角度講，銀行風險管理體系是從滿足監管要求出發構建管理體系，而落實需要具體風控手段的支撐，大數據風控便屬于具體風控手段支撐的范疇。結合目前大數據風控的主要熱點，如反欺詐，屬于操作風險范疇，而基于大數據的信用評分模型，則屬于信用風險范疇。

從大數據風控的應用環境來看，隨著國內普惠金融的快速發展，越來越多的人群需要享受現代金融服務帶來的便利，而現有征信體系覆蓋人群有限的弊端漸漸暴露，同時市場上各類騙貸、賴賬、交易欺詐的案件層出不窮，為普惠金融的發展帶來了不小的障礙。面對形形色色的風險問題，將大數據和人工智能應用于風險防控，既是機遇，又是挑戰。

人工智能應用的“深”和“淺”問題

人工智能是信息時代的尖端科技。雖然人工智能并不是一個新概念，但隨著過去5年到10年內數據量級的飛速增長、計算機硬件存儲和計算能力的強化和更好、更普遍可用的算法的應用，人工智能得以加速發展。在醫療領域，圖像識別技術可以幫助醫療機構診斷癌癥病例。在零售領域，機器學習算法幫助零售商在銷售預測、庫存管理和價格優化方面進行精準驅動。在銀行業務風控領域，實踐證明，遵循監管要求和技術進展，人工智能技術的應用也有深與淺之分。

初級階段，以短平快、切口小為特點，大數據和人工智能在此階段只是對傳統銀行風控手段的補充，如在開戶環節的信息核驗、黑白名單匹配、人臉識別等，通過簡單規則的判定和匹配，輔助銀行進行風險決策。規則的創建依賴專家經驗和已發生風險事實，無法針對新的風險模式自動更新，且風控規則容易被欺詐者得知后繞過。 總體來說，在此階段，模型算法需要依賴人工事先定義的規則告訴程序如何區分好與壞，還無法學會如何區分欺詐和正常案件。

高級階段，是在大數據和人工智能技術不斷成熟，相關外部數據進一步開放，市場培育達到一定階段后，通過使用人工智能技術構建風控模型，并將模型應用到如授信定價、貸前審核、貸后監控、交易欺詐偵測等細分業務流程中。在此階段，通過不斷向算法“喂數據”（訓練模型），算法自己學會了如何區分好與壞，在模型精度和適用性上有了質的提升。

在將大數據和人工智能技術應用于風險管理領域，已經有了一系列的應用實踐和解決方案。其一是智能模型。智能模型是一種欺詐風險量化的模型，最典型的是監督型機器學習模型，基于可觀察到的交易特征變量和給定“正確答案”的案件數據，模型從正確的答案中學習什么是好的，什么是壞的案件，從而進行正確的風險預測。同時，在一些交易、賬戶登錄等場景應用無監督機器學習模型，在沒有“正確答案”的標簽數據的情況下，通過分析欺詐用戶和正常用戶行為模式的異同，識別欺詐風險。其二是在信貸場景中，基于用戶的多維度數據，利用信用評分的建模方法，研發一款大數據產品。它綜合了用戶信用相關的多維度信息，描述了用戶的信用等級，衡量用戶的還款能力和還款意愿。

數據的“大”和“小”問題

大數據的大和小，其實很多人可能會有誤解。

大數據的大，除了基數意義上的大之外，更體現在很多層面。大數據對風控行業的進化之“大”也體現在幾個方面：其一，評估維度多元化。從單純依托金融體系數據向跨領域跨行業融合數據演進；其二，參與機構多元化。市場化的征信機構、智能風控分析公司以及三方數據公司各自貢獻力量；最后，應用場景多元化。通過市場化不斷推動信用產品和應用場景的創新。

而關于大數據的“小”其實更應該這么表述：大數據風控的應用場景和模式越來越小，越來越細。國外的大數據專家有這樣一個說法：大數據就像是一個顯微鏡，一個分析企業中細小但是非常重要的特征的偉大工具，只要你知道你自己在找什么。

大數據很重要，但是真正帶來價值的是應用上的越來越細的模式和場景。模式和場景之所以關鍵，是因為從科學到商業、從治理到社會政策，它們都代表著競爭的前沿。

對于風控而言，大數據風控能夠過濾掉絕大多數帶惡意欺詐目的人群，也能動態監控到沒有欺詐意圖但實際還款能力和還款意愿出現波動的客戶。即使出現違約和失聯情況，大數據還能重新挖掘到借款人的關聯信息，降低不良率。

風控的前、中、后問題

移動互聯網時代，當應對繁雜和多樣的風險事件，欺詐分子像特種部隊一樣利用各種工具，尋找每一個可能風控的漏洞，從而在一個點能夠突破整個防線，面對這種“非對稱”式的風險變化，商業銀行應該著力構建從事前預警、事中監控、事后分析等集“防控避處”為一體的風險防控體系。

事前預警。風控前置一直是整個商業銀行孜孜追求的，理論上通過技術手段可以實現。

事中監控。一個簡單的例子，如果一群欺詐分子在攻擊你的系統，如果你的風控平臺直到攻擊完畢才能做出應對，那這個風控平臺就沒有任何意義。隨著銀行業務快速變化，以及新欺詐技術的出現，導致風控規則也需要實時順應市場外部的變化，這就要求設計出來的應用系統能夠適應這種快速變化。有了風險規則引擎就可以將不斷變化的業務規則剝離出來，動態管理和修改，從而使系統變得更加靈活，適用范圍更加廣泛。

事后分析。通過復雜網絡技術，打通跨行業數據，實現對多場景大數據的自動化關聯分析與可視化。呈現設備、IP、手機號、身份證號、地址、電子郵件等多個維度關聯有助于識別支付盜卡、多頭申請、團伙作案、刷單、撞庫登錄等多種欺詐風險。

基于主動預防、多維度場景實時監控、立體化的風控反欺詐理念，才能在未來銀行的智慧競爭中立于不敗之地。事實上，業內關于這個理念比較集中的表述是信貸全生命周期的風控理念，從貸前的客戶畫像、反欺詐環節，到貸中授信、貸中跟蹤，再到貸后監控、貸后管理、逾期管理、挽救不良各個環節，大數據智能風控都有相應的技術實現。

通過上文的分析，我們相信未來大數據和人工智能技術在風險管理領域將大有可為。銀行業的訴求將包括自建AI基礎設施和應用、利用專業咨詢公司的咨詢能力，和直接使用第三方的AI服務，其中，垂直行業的AI-aas（AIas a Service，AI即服務）將成為銀行進行風險管理的左膀右臂。同時，我們也認識到，銀行的風險管理需要具備穩健、快速、準確的特點，以平衡業務拓展、客戶體驗和風險控制三方的矛盾，從這個方面來說，大數據智能風控的應用還有更多可以深挖的地方，更值得研究討論。

(本文作者介紹：杭州同盾科技CEO)