智慧风控在商业银行信贷领域的应用探索

■中国农业银行博士后科研工作站

对外经济与贸易大学金融学院 李爱娅

一、背景及现存问题

随着互联网贷款业务的发展，银行业对统一审批授信、贷款支付以及资金用途合规性管理提出进一步的要求，特别是将风险数据和风险智能模型用于身份认证、反欺诈、反洗钱、用途合规、风险评价、风险定价、授信审批、风险预警、贷款请收等领域。对此，我国于2020年7月和2021年2月分别出台了《商业银行互联网贷款管理暂行办法》和《关于进一步规范商业银行互联网贷款业务的通知》。

目前，尽管各大商业银行都在积极运用智慧风控这一新思路、新技术、新模式、新手段，完善或研发各类风险管理模型，并在风险防控方面发挥了重要作用，但智慧风控在商业银行信贷领域的探索和实践中，仍存在相应的难点和痛点。一是商业银行在运用新科技如大数据、人工智能等开展风险监测还处于探索阶段，风险预警和防控能力有待进一步提升。二是由于多个信贷类业务部门的竖井式管理，会导致建立多个重复性可合并的智慧风控系统，造成系统冗余。三是突破传统竖井式壁垒的风险智能模型的建立有一定的难度，并且模型质量不够完备。四是人才的储备需要进一步加强，联动“业务+技术”的人才队伍建设仍在初期。

（一）大数据的建设和应用不够多维

一是结构化数据价值未充分应用。各大商业银行在逐步建设数据中台，发挥数据价值，沉淀数据资产，将行内外结构化的数据沉淀至数据中台中，但受复合型人才短缺、固有惯性思维制约，数据价值挖掘仍不充分。二是非结构化数据梳理、清洗仍需加强。文件管理平台接入总分行应用系统的日志、视频、音频、图像、档案等非结构化数据亟待激活，数据挖掘空间巨大。三是外部数据仍需加大补充力度。智慧风控是以大数据为基础前提，大数据助力智慧风控多依赖于风控场景的布局，但商业银行已积累的海量数据仍不能完全支持在各类场景中构建客户画像和描述客户行为，因此仍需借助外部数据来增加数据维度，对客户进行一体化监测。

（二）智慧风险监控模型的共享复用能力有待提高

一是事后监测类模型存在重复建设。各条线在模型研发、使用方面缺乏协同联动，易导致重复建模。例如商业银行存在建立重复性贷款资金流向及还贷资金来源监测模型的问题。二是系统功能重复开发，缺乏共享复用。各风险监测系统搭建了独立的模型工厂或规则引擎，事后监测类模型在预警信号处置方面功能趋同，造成科技资源的浪费。

（三）风险监测模型构建方法仍有较大提升空间

一是监测视角局限。目前各业务条线主要依赖专家经验建模，这类模型囿于条线立场和数据限制，以单点离散监测为主，多点联动监测不足，难以从整体挖掘复杂的数据关联特征，缺乏系统观与全局风控视角。二是模型精度不高。部分风险监测模型运行提取预警信息过多、过频，精准度不高，分支机构疲于应付，无法及时有效核实风险信号。如何平衡模型覆盖面和精确度，避免“多而不精”或“少则遗漏”也是难题。

（四）智慧风控人才队伍建设亟待加强

智慧风控建模需要既懂业务、又懂技术，既是精细活，更是辛苦活，没有捷径可走，需要业务和技术融合的长期积累，也需要敬业精神和创新意识的紧密联结，应由信贷领域业务专家监测人员通过技术保障或者大数据技术专家运用业务经验研发智慧风控模型，这也是智慧风控最为关键和灵动的要素。

二、商业银行智慧风控方案

数字经济时代的来临，促使银行业加快步伐进行数字化转型，商业银行在智慧风控方面做了积极的实践探索，主要体现在智慧风控体系的建设、业务全流程风险的智能管理、风险智能预警闭环构建、多样化风险场景应用等方面。

（一）积极建设智慧风控体系

通过完善风险数据引入及治理机制、建立智慧风控监测一体化平台、配套风险管理规范和制度建设一体化风控体系。智慧风控体系建设中，通过打造统一的数据支撑底座，可在数据引入阶段打破平台间、系统间的数据壁垒，形成统一链路。在沉淀数据资产库时，不仅采用了数据引入的相关数据，更融入数据分析、数据挖掘和数据治理中生成的衍生资产，统一数据底座和数据资产库的建设，避免了传统“竖井式”和“烟囱式”的数据建设；结合科学的大数据管理理念和人工专家经验，打造专属智慧风控智能大脑，可实现全流程智慧风控管理，从贷款智能审批、智能控制，从而依据客户情况进行智能放款，对发放的每笔贷款进行智能分析、智能监测和风险智能预警，打造智慧风控监测一体化平台，助力商业银行风险管理实现先知、先觉、先行，以解决银行业务发展中存在的痛点，改善以往信贷业务决策靠经验、业务控制靠手工、业务信息不对称、管理不智能和审批放款不高效的状态；在风险规范和制度方面，依据国内外风险智能化管理经验，结合商业银行风险政策管理规范，建立健全覆盖全流程、全条线、全领域的风险管理规范，有效应对数字化转型进程中的各类风险情况。

（二）业务全流程的智能风险管理

智能风险管理业务全流程化，可支持全面、主动、全流程的风险预防、控制、监测和管理。将风险排查、风险模型管理、全面风险监控预警的应用提升至打造新的比较优势的战略高度，对整个风险管理实现全方位、无死角的覆盖。如信贷领域中的智能风险全流程化管理，即需要从反欺诈、客户合规校验、客户准入评价、风险主动监测预警、逾期贷款集中催清收等方面构建。反欺诈体系建设是基于公安案防、运营商黑名单、工商、税务等内外部数据，通过检测欺诈特征、建立欺诈监控指标、构建欺诈风险智能监测模型，甄别可能存在的欺诈风险，包括身份欺诈、信息内容欺诈、团伙欺诈、黑名单欺诈、账号欺诈、行为欺诈等几类主要欺诈风险；客户合规校验体系将监管政策、风险规则、合规要求予以落实，主要数据维度包括客户基本信息、信贷历史、司法诉讼、工商注册、公安数据、监管披露信息以及其他可获取的信息，从数据量化角度检测不符合风险合规要求的客户；客户准入评价体系的建设是以内外部数据为基础，构建客户准入评价特征，建立全方位客户画像，针对申请、欺诈、还款意愿、还款能力和资金需求情况进行评分卡构建；风险主动监测预警体系可实现风险前置管理、风险分类分场景管理、事前预警、事中阻拦、主动退出和有效传导；打造智能集中的逾期贷款催收清收体系，依照评分卡智能模型，分层分类管理逾期客户和不良资产，实现智能集中的催收和清收体系，实现对逾期客户的有效催收、不良资产的有效处置。

（三）实现智能风险预警监控排查管理闭环

风险预警监控主要由风险监控、风险排查、风险模型管理三方面构成。在风险监控预警方面，主要做法是利用全面风险监控预警推动风险信息的全面共享，促进风险及时、有效控制和化解。通过重构企业级风险信息管理体系，整合对公预警系统、接入零售系统，统一风险预警标准，确保预警信息一站式获取、管理响应的一次性完成。在全面风险管理的体系下，实现客户全敞口信息集成。自动智能生成多维立体的客户风险全貌，打通境内外机构的对公对私条线数据，从而实现全系统的信息共享，以及实现流程标准化、可追溯，多渠道访问和预警发布。确保预警信息一站式获取、管理响应一次性完成，支持事前、事中和事后风险防控的服务。在风险排查方面，通过不同维度的数据交叉验证、对客户精准画像，提前排除问题用户，实现客户贷前准入阶段风险底线的统一。在风险模型管理方面，依托海量数据，通过模型工场的打造，实现实时动态模型集中监测管理和参数灵活调整。

（四）智慧风控在服务银行多项业务方面的应用

在服务小微业务的过程中，通过智慧风控实时对接税务、工商等第三方数据，对申请人及其所使用的设备进行欺诈甄别，结合评分和核心风控体系进行智能决策，实现客户贷款申请的全线上操作和一站式服务，在提升客户体验的同时，实现降本增效；在零售相关业务领域采用的风控方法，主要是充分利用大数据挖掘技术，通过对线上业务数据进行大数据挖掘和数据分析，通过机器学习、人工智能中的XGBOOST、随机森林等算法，定位识别数据规律，挖掘风险信息，建立风险定价客户的智能风控模型。同时，借助金融技术手段和银行已有的数据资产，提高风险自动预警水平，将常见的信贷风险按照不同的主题进行归纳整理，通过梳理确定风险预警信号的处理流程，利用系统开发和数据推送，使业务人员可以在系统界面及时收到预警提示，并作出相应的处理措施。

三、商业银行智慧风控实践探索

现阶段，商业银行在信贷领域的智慧风控方面，也做了很多积极地应用实践。商业银行在信贷领域的智慧风控模型是以既有风险为发端，以专家经验为助推，通过对风险事件的还原分析，提炼核心特征，形成模型规则，实现智慧监控风险的目标任务。目前，商业银行在信贷领域的智慧风控模型涵盖了交易的事前、事中、事后监测，基本满足了主要风险的识别、预警、拦截、阻断功能。以商业银行线上信贷产品智慧风控管理为例的主要实施流程。如图1所示。

图1 信贷业务场景的流程管理

（一）事前识别类模型

主要采用黑名单、授权控制等手段，在交易发起前，阻断禁止类交易发生。在信贷领域，通常嵌入信贷管理平台的业务办理流程中，实现对风险的事前识别和阻断。贷前管理流程是：申请发起、基本政策准入、反欺诈规则校验、内部数据规则校验、外部数据策略判断、申请评分／模型、定额／定价模型、批复。如图2所示。

图2 贷前流程风险管理

在风险模型建立管理方面，一是针对信用事前风险，建立信用风险客户名单筛查模型，应用于贷款申请前，校验客户信用情况，阻止向信用风险客户发放贷款。二是针对制裁的合规性，建立制裁黑名单模型，应用于开户交易中，验证客户是否符合准入条件，防范制裁合规风险。三是针对贷款准入，完成对线上信贷产品建立线上贷款准入评分模型，实现申请评分测算，应用于相关业务的贷款准入。

（二）事中拦截类模型

主要运用名单、规则等风控策略，一般应用于信用卡欺诈、关联交易等领域。通常嵌入反欺诈平台，在交易进行中，实时监测每笔交易，实现欺诈、异常交易等风险的事中预警或阻断。贷中管理流程是：电子签约、支用款项、支用决策、放款入账、贷款核算、贷中预警。如图3所示。

图3 贷中流程风险管理

在风险模型建立管理方面，一是针对信用卡欺诈风险监控，建立贷中风险智能监控模型，推动依赖专家经验规则的模型向“专家经验规则+机器学习”模型组合转变。其中，静态码商户套现交易侦测模型及侦测规则优化提高了风险管理的准确率和覆盖率。二是针对关联交易名单风险监测，建立关联交易监测模型，根据关联方名单，及时发现并预警关联交易，按处置流程核实确认，防范监管风险。

（三）事后监测类模型

主要以风险为导向，依据专家经验，对案件、风险事件、检查发现的问题进行解构复盘，提炼风险特征形成监控规则，应用发现潜在的同类风险并及时化解。一般用于监测资金用途是否合规、是否存在虚假按揭、贷款案防等风险。如图4所示。

图4 贷后流程风险管理

在风险模型建立管理方面，一是针对资金用途合规风险监测，建立贷款资金挪用智能监测模型。通过关联分析贷款借款人及相关借记卡交易明细，构建模型识别存在挪用信贷资金嫌疑的贷款，应用识别出的风险线索，由贷款部门组织核查，形成数据管理部门、风险监测部门、信贷管理部门联动的监测、核查、整改机制。二是针对虚假按揭风险，建立贷款欺诈风险监测模型。针对假按揭和特定贷款对象的贷款被挪用两类风险，构建多维度风险识别数据模型，重点实现模型的定期运行和配套风险管控措施的制定。三是针对案防风险，建立贷款案防风险智能监测模型。通过知识图谱方法，利用智能分团算法定位可疑团伙，发现特定贷款对象在贷款中潜在的风险信贷交易线索。

四、管理启示

在智慧风控研究的探索上，商业银行利用大数据等科技手段研发应用智慧风险监测模型仍处于探索阶段，当前应着重激励建设智慧风控管理人才的创新动力，汇聚创新成果，在灵活专业和统一集约之间寻求适度平衡。因此，商业银行可在智慧风控管理中以积极探索智慧风控监测中心建设为首要，以加强风险数据的沉淀及质量管控为风险管理基础，以完善风险数据管理和共享复用机制为手段，以加快推进全行层面的智慧风控人才队伍建设作为风险管理的基本保障，全面激发创新活力，快速应对信贷领域风险，提升全行智慧风控水平。

（一）加强沉淀数据资产及管控数据质量

基于大数据平台的智慧风控平台，已整合了内、外部风险数据资产，但仍需进一步加强数据资产的沉淀和风险数据质量的管控，并实现数据的可视化管理，以便为后续数据处理、数据分析和数据挖掘工作的开展提供有效、便捷的服务，为智能风控提供数据支撑。一是尽可能消除风险管理的障碍，明确数据部门、科技部门、系统业务主管部门的职责，保障风险数据能够及时、全面、持续地沉淀。二是不断完善数据集市。依托数据中台，整合行内行外各类风险相关数据，打通内外部数据关联，进一步扩展数据集市对风险监测的支撑能力。三是持续完善数据标准体系，按照数据标准统一关键字段定义，排除数据歧义，便于沉淀标准统一的风险数据。四是加强数据质量控制体系的建设。建立规则定义、质量核验、整改跟踪、考核评估的管理闭环，持续提升数据质量，夯实数据分析及挖掘基础。

（二）完善智慧风控监测模型共享机制

一是完善跨业务条线的“聚合监测”，促进常态化的条线交流和互动，提升各个业务条线合作共享、协同共治的能力。二是构建统一风险监测模型库。建立模型共享激励机制，推动各条线依托智慧风控平台运行成熟的风险监测模型，不断扩展风险监测模型目录，实现模型的可展示、可查询，减少重复研发及资源浪费。三是统一智慧风控监测模型研发规范。将风险监测模型研发、运行规范作为建模的基本标准，引导风控模型研发人员贯彻实施，推动提升模型建立方法论的水平，从而综合提高智慧风控的质量。

（三）积极探索智慧风控监测中心的建设

在商业银行信贷领域的智慧风控监测中心方面，风控管理的基础保障是底层海量数据，技术支持是云计算、人工智能和机器学习等新兴技术，风控场景基于信贷审批、授信、反欺诈等信贷环节， 提升风控效率和精度，降低风控成本，形成集数据、模型、规则为一体的风控中枢。并且，着力从根源上避免风控系统和功能的重复建设，实现全业务流程的风险监测统一平台作业，完善跨部门的联合监测，为智能风控监测中心的模型开发、决策分析和场景落地提供系统支持。闭环风险监控流程，建立信贷领域智慧风控监测中心规范化、标准化流程，将风险监测结果更好的服务于客户营销、市场拓展和贷前、贷中、贷后环节，推动风险防控走向智能化时代。

（四）加快推进智慧风控人才队伍建设

一是明确智慧风控人才的职责和协作方式，形成良性互动。智慧风控业务经理要通过风控专家经验提出需求、数据分析师要运用大数据分析、机器学习和人工智能等技能建立风险智能模型，数据工程师需要将模型沉淀投产至系统中，为智慧风控提供持续动力。二是要持续壮大智慧风控人才培养。强化人员管理和培养，通过对知识图谱、机器学习、自然语言处理等大数据分析方法的专业应用技能培训，培养更多既懂数据又懂风控的复合型人才，能快速洞察业务需求，为智慧风控建设提供有效保障。三是完善考核激励机制。探索智慧风控人才的成长路径，不断激发队伍活力。

综上，商业银行在信贷领域智慧风控建设方面，通过打造智能风控模型体系，组合规则模型和算法模型，丰富风控监测指标体系，发挥“数据底座”作用，不断优化智能风控监控模型，提升风险监测效果，实现智慧风控全渠道、全流程、全生命周期的管理。未来，商业银行在信贷领域智慧风控方向的应用探索，将依然是银行风险管理的重要领域，也是进一步提升商业银行智慧风控智能化、自动化、现代化水平的主战场，对建立全系统的智慧风控体系有着至关重要的意义。