大數據時代下的互聯網金融風險管控研究

朱煜

摘 要：大數據早已滲透到人們生活的各個領域并發(fā)揮著重要的作用。大數據時代的到來給各行各業(yè)帶來了新的思維方式和解決問題的方式。對于金融行業(yè)而言，傳統(tǒng)的風險管控中數據維度單一，數據滯后性，審核效率低下的問題阻礙了業(yè)務的發(fā)展，因而需要使用大數據風險管控的優(yōu)勢進行補充，兩者相輔相成，共同促進金融行業(yè)的發(fā)展。

關鍵詞：大數據;互聯網金融;風險管控

數據，早已滲透到每一個行業(yè)和業(yè)務職能領域。數據與我們息息相關，我們每天都在和各種數據打交道，進入“大數據”時代。大數據技術依托現代互聯網技術而出現、興起、發(fā)展，網絡資源的海量存儲特性，為大數據存儲提供了必備的條件，大數據技術的分析特性及存儲特性，有助于收集更多的用戶信息。隨著金融機構業(yè)務的快速發(fā)展及服務人群的擴大，傳統(tǒng)的風險管控暴露出相關問題，例如人力成本高昂，審核流程冗長等，無法滿足當下業(yè)務中產生的海量數據實時分析和多樣化風險識別的要求。為了更好的開展業(yè)務與服務客戶，金融機構需要加強對大數據的使用。

一、大數據與金融

大數據的特征經歷了3V、4V到5V的演變，阿姆斯特丹大學提出了大數據體系架構框架的5V特征，分別是數量（Volume）、速度（Velocity）、種類（Variety）、價值（Value）及真實性（Veracity）。第一是數據體量巨大（Volume），體現在數據采集、存儲和計算的量都非常大，存儲單位從過去的GB到TB，直至PB、EB、ZB。第二是數據類型繁多（Variety），大數據包括多種格式和不同類型的數據，分為結構化、半結構化和非結構化數據。第三是價值密度低（Value），價值密度的高低與數據總量的大小成反比，要從海量的數據中挖掘出有價值的信息。第四是處理速度快（Velocity），這是大數據區(qū)別于傳統(tǒng)數據挖掘的最顯著的特征。在數據處理速度方面，有“1秒定律”之說，即數據如果沒有在秒級時間內給出分析結果，數據就失去價值了。第五是數據的真實性（Veracity），大數據都是在真實世界發(fā)生的，要保證數據的準確性和信賴性。

金融行業(yè)由于服務客戶眾多，業(yè)務類型復雜、信息化程度較高，天然具有“海量用戶和大數據”的特性。在規(guī)模上，金融機構積累了海量的數據，包括客戶信息、產品信息、交易信息、行情信息等，每時每刻都在進行數據的收集與處理。在速度上，為了滿足客戶、產品及交易要求，金融機構重視大數據技術的發(fā)展，提高業(yè)務的處理速度，不斷優(yōu)化數據的采集、存儲及分析平臺。在類型上，金融機構產生的數據中，不僅包含結構化的數據，但更多的是半結構及非結構數據。

二、傳統(tǒng)金融風險管控的痛點

（一）單一的數據維度

傳統(tǒng)金融風險管控數據來源單一，多基于征信信息及客戶主動提供的信息。金融機構多使用和客戶相關的強信用屬性數據，一般采用20個維度左右的數據，例如客戶的年齡、職業(yè)、學歷、收入、支出、還款情況、資產、負債等數據，利用評分模型來識別客戶的還款能力和還款意愿。金融機構利用這些強信用屬性的數據構建了不同的用戶畫像，對客戶的還款能力及還款意愿進行了差異性區(qū)分，依據最終的打分模型來決定是否貸款以及貸款額度。

相較于歐美國家，我國個人征信行業(yè)起步較晚，雖然央行征信中心個人征信系統(tǒng)經過不斷發(fā)展，已產生了較為顯著的成果，但是其覆蓋人群、覆蓋維度仍遠遠不足。數據顯示，央行個人征信記錄覆蓋率為35%，目前仍存在大量的征信白戶。對于此類人群，金融機構獲取的信用屬性數據有限，采用原有的方法對客戶進行評估存在偏頗，評估結果容易失效。其次，金融機構在使用數據不全面的情況下，沒有大數據的支持，缺乏有效的交叉核驗手段，對于欺詐風險的識別能力有限，容易遭受團伙欺詐及其他類型欺詐。

（二）風險管控的滯后性

對金融機構而言，欺詐風險管理相比信用風險管理更為復雜。信用風險管理側重于對用戶的還款能力和還款意愿進行衡量，欺詐風險管理側重于評估用戶是否有主觀惡意騙貸的意圖或者行為。隨著社會的進步和科技的發(fā)展，新型欺詐也日益活躍，各類欺詐手段千變萬化，各種欺詐行為層出不窮，欺詐事件也從傳統(tǒng)的個人作案逐漸演變成了有組織、成規(guī)模的團伙作案，背后有一整條完整的犯罪產業(yè)鏈，所有人分工明確、緊密合作、協同作案。面對著層出不窮的欺詐事件，金融機構主要使用名單+規(guī)則+有監(jiān)督模型去進行風險管控，但以上三種方法均存在一定的滯后性問題。金融機構在業(yè)務的開展過程中，積累了一定數量的黑名單，通過黑名單過濾掉部分欺詐客戶，但機構在收集黑名單的過程中存在數據來源及準確性有限，數據時效性滯后的問題。

金融機構通過各種規(guī)則對不同的風險行為進行區(qū)分，有力的識別欺詐事件，但是現有規(guī)則的制定來源于已發(fā)生風險事件的分析以及過往的經驗，存在滯后性，對于新型欺詐事件的識別乏力。在積累了一定的風險數據之后，金融機構通過有監(jiān)督模型識別欺詐事件，有監(jiān)督模型需要高質量的標簽（已發(fā)生的風險事件）去不斷優(yōu)化，但機構所收集到的欺詐事件僅是所有欺詐行為中的小部分，模型對于新型未知欺詐的檢測仍顯得力不從心。數據是有時間價值的，金融機構利用滯后數據來識別欺詐事件，不能實時反映風險變化情況，存在一定程度上的結構性風險。

（三）風險管控的低效率

以往的風險管控措施中，客戶的負擔較重，金融機構的負擔較輕。金融機構在犧牲客戶體驗的前提下換取了風險的可控。比如說，客戶需要提供相應的資料，需要按照機構的要求進行申請、安裝、激活、更新等。金融機構在獲取了客戶的信息之后，還需要進行相應的審核流程，在將審核結果反饋給客戶。從客戶申請貸款到金融機構出具審核結果的耗時較長，客戶體驗度較差。

傳統(tǒng)的風險管控中，人起到了很大的作用。比如，需要人工對壞樣本進行標記，需要人工通過相關信息找出關聯標記樣本，需要人工對風險事件進行調查等。但是每個人的計算能力和理解能力各有不同，在調查中也會受限于個人的經驗，存在一定的主觀性，難以實現標準化及量化，缺乏整體的把控能力，使評估結果容易出現偏差。而隨著金融機構業(yè)務規(guī)模的擴大與服務人群的提升，傳統(tǒng)的依靠人來進行審核的風險管控中存在時效性差和風控水平參差不齊的問題。

三、大數據風險管控的優(yōu)勢

（一）豐富數據維度

大數據風險管控中涉及多維度的數據，對傳統(tǒng)金融風險管控的不足進行了補充。在風險管控中最好的數據依舊是強信用屬性的數據，這類數據的風險權重高，在信用評估中起到了重要的作用，能夠反映客戶的還款能力和還款意愿。但除了這些強相關數據，機構內部還積累了大量的非信用屬性數據，例如設備信息、網絡信息、運營商信息、用戶行為信息等。盡管這些數據并非直接影響金融借貸，但都存在一定的價值，對這類數據的挖掘與分析有助于金融機構從更全面的角度構建客戶的用戶畫像及對客戶進行風險評估。對于在傳統(tǒng)風險管控評估中存在偏差的群體，例如沒有信用卡、沒有房貸的征信白戶，金融機構通過對大數據的使用，從更多的維度對這類群體進行區(qū)分，在風險可控的前提下更好地服務于客戶。

設備信息、網絡信息、用戶行為信息一般不是客戶主動提供，很大程度上是大數據采集和分析的結果。大數據技術對零散的碎片數據具有更好的整合能力，將零散的數據整合輸出規(guī)律性的數據，便于金融機構的使用。大數據也給金融機構提供了新的思維方式，即直接從海量數據出發(fā)，關注數據本身，通過大量的數據分析得出結論，不容易受到以前經驗的影響。

（二）實時風險管控

傳統(tǒng)的風險管控中存在著一定的數據滯后性問題，而大數據通過強大的數據采集和計算能力，能夠幫助金融機構建立實時的風險管控，隨時監(jiān)控客戶的申請、交易行為，發(fā)現警報馬上處理，停止相關交易，減少損失。

大數據風險管控下，多樣的數據維度對原有規(guī)則以及有監(jiān)督模型進行了擴充，提升了使用范圍和效用。雖然有監(jiān)督模型在預測的準確性上有不錯的表現，但由于其天然存在的數據滯后性以及數據標簽難以獲取的問題，大數據風險管控中同時強調對無監(jiān)督模型的使用，無監(jiān)督模型在進行學習時并不知道其分類結果是否準確，也不知道何種學習是正確的，通過給模型輸入大量范例，使之自動識別出潛在的風險并輸出相應類別規(guī)則。通過模型的不斷自我迭代，模型在識別新型欺詐方面有著不錯的表現。面對欺詐行為日益呈現團伙化特征，關系網絡提供了全新的反欺詐視角，通過無監(jiān)督學習算法，挖掘詐騙團伙的特征，進而識別詐騙團伙。關系網絡通過基于圖的數據結構，把不同的個體按照其關系連接在了一起，提供了從“關系”角度分析問題的能力，通過對個體與個體之間的關系的分析，使我們更能從正常行為中識別出異常的特征，有效的提高風險管控的精準度，實現復雜環(huán)境下的反欺詐。

（三）提升客戶滿意度

傳統(tǒng)風險管控中，機構往往要求客戶提供大量的資料來進行輔助審核。這個過程涉及到了大量的人工及時間成本，為了提高效率，機構必須搭建一套自動化程度較高的后臺管理系統(tǒng)，具備數據采集、數據存儲、數據清理、數據建模及數據輸出的功能。機構要重視大數據技術，加強底層技術架構搭建能力，加強技術基礎設施的建設。

相對于傳統(tǒng)金融風險管控，大數據風險管控通過大規(guī)模的數據運算，完成大量用戶的貸款申請審核工作，提升工作效率。傳統(tǒng)金融的審核中人占據了很大的作用，因而效率相對有限。大數據風險管控中，通過全方位收集客戶的各項信息，進行有效的分析、建模、迭代，對客戶的信用情況進行評價，使客戶在申請之后能迅速得到審核結果，大大減少了等待時間，提升了用戶體驗。大數據技術的運用幫助機構簡化信貸業(yè)務辦理流程，實現申請過程的電子化，節(jié)省重復和無效的信息輸入，更加高效、低成本、低風險的服務客戶，在某些信貸領域甚至實現“秒貸”，擺脫了工作時間的限制。大數據技術的運用，實現了實時及自動化審核，覆蓋了很多以前無法觸及的更廣泛的人群。

結束語：

傳統(tǒng)金融風險管控使用有限的數據維度，強調變量之間的因果關系，講究邏輯性。即使變量與審核結果存在相關性，但是如果不能在邏輯上講通，也不會采用。大數據風險管控，核心在于利用更多維的數據，不強調因果性，更著重于統(tǒng)計學上的相關性，通過數據間的弱相關性來加強傳統(tǒng)的強因果性。這些弱相關變量看起來和結果沒有直接關系，但通過大量的數據累積及數據間的相互作用，能產生有效的識別客戶的能力。大數據風險管控并不是取代傳統(tǒng)風險管控，而是在一定程度上加強傳統(tǒng)風險管控，對傳統(tǒng)風險管控進行補充。

參考文獻：

[1]劉英，羅明雄.互聯網金融模式及風險監(jiān)管思考[J].中國市場，2013（43）：29-36.

[2]李思遠.基于大數據的互聯網金融研究[J].消費導刊，2017（01）：131-132.