第1章

智能风控的发展

金融信贷行业是一个古老的行业。世界上已知最早的信贷法出自大约公元前1776年颁布的法律汇编《汉谟拉比法典》，它规范了贷款发放、还贷方式、担保模式、债权债务等业务流程和风险管理过程。风控技术经历了漫长的发展，逐渐从基于人工经验的方法，过渡到统计量化的方法。近些年，随着云计算、大数据、人工智能（AI）等技术的爆发式发展，风控已经进入全新的智能风控时代。

根据风控技术在各个阶段采用的主要方式和方法，作者将其大致总结为3个层次——基于人工经验的风控、传统统计量化的风控、智能风控。3个层次分别对应着风控技术的3个发展阶段。

1.1

早期的风控技术

早期的风控技术主要是指基于人工经验的风控技术和传统统计量化的风控技术，这一时期的风控技术正处于从单纯的基于人工经验的风控逐步过渡到具备一定量化风控的阶段。

1.1.1

基于人工经验的风控

从最早的信贷活动开始，从业者就采用基于人工经验的方式来判断风险。经过多年的发展，人工经验的风控发展出了多种模式，比如信贷员模式、审贷会模式。信贷员模式比较简单，完全由信贷员发展客户，收集客户资料，对客户真实性和风险进行审核，负责客户的贷后跟进。随着小额信贷的进一步发展，审批机构中逐步引入了审贷会，信贷审批不再由一个信贷员单独决定，而是由专业化的审核员进行风险评估。

人工经验风控模式整体流程如图1-1所示，金融机构需要借款人提供各式各样的证件资料，资料审核人员对资料的真伪进行人工辨别，风控审核人员基于经验判断欺诈风险、还款意愿和还款能力等。客户通常还需要到信贷机构线下网点进行资质审核、合同签订等流程。对于更大额的贷款，风控审核人员需要到申请人的工作现场进行尽调，以评估借款风险。此时，风控审核人员是风控中非常重要的角色，掌握着借款申请是否通过的关键决策权。

图1-1　人工经验风控模式整体流程

基于人工经验的风控具备非常好的灵活性，只要招募合适的风控审核人员，就能够快速建立风控团队并开展风险审核工作。但人工经验风控模式存在一系列弊端：风控审核人员的能力和经验有差异，审核质量、准确性无法保证；受限于审核人力瓶颈，效率低、成本高；人工经验，以及数据的收集和处理能力有限，难以评估信用资质欠缺的申请人；人工操作风险和道德风险难以避免。

1.1.2

传统统计量化的风控

随着20世纪50年代美国信用卡的快速发展，人工经验风控已经不能适应小额消费信贷发展的需求。此时，数据库技术、统计学、计算机的发展为量化风控奠定了基础。信贷活动中积累的大量数据能够反映客户的还款意愿和还款能力，以TransUnion、Equifax和Experian三大征信机构为代表的社会征信数据体系随之建立。利用统计量化的方法建立信用评分模型来进行风控逐渐成为主流。

传统统计量化的风控模式如图1-2所示，它为集中审核的模式。集中审核模式中所有的信贷申请都会统一流转到风控中心，审核过程中引入信用评分对客户风险进行分层，自动拒绝高风险客户，其他客户进入人工审核。风控中心还设立反欺诈人工调查等部门，对欺诈案件进行排查。

图1-2　传统统计量化的风控模式

其中，信用评分的发展经历了以下两个阶段，第一阶段是以客户分类为核心的信用分析，主要进行单个维度的统计分析，在此基础上，对客户进行分类处理；第二阶段是以预测模型为核心的信用评分模型，通过借款人自身属性信息和外部征信机构信息，提取特征，运用统计方法，预测借款人的风险水平，然后进行分级处理。信用评分模型中的典型技术是信用评分卡技术。信用评分卡基于逻辑斯谛回归模型建立，以信用分来表示风险高低，并将信贷借款人的各个特征维度以分数的方式量化，便于风控业务人员理解。

统计量化模型的应用为风控带来了诸多好处：①更加客观，避免了审核人员的偏见；②更加准确，以历史数据表现为决策依据；③更加稳定，基于客观数据决策，没有人为操作风险；④更加高效，可以达到部分自动实时决策。但是这个阶段的风控仍面临诸多挑战：①数据维度不够充足，主要还是依赖强征信数据，对征信数据较少或缺失的客户的识别不准确；②信用评分卡技术处理的数据维度有限，模型只用到几个到几十个数据维度；③虽然已经减少了人工操作，但是诸如电话审批这些环节依然依赖人工。