浅谈金融场景的风控策略

news2024/11/24 4:36:26

随着互联网垂直电商、消费金融等领域的快速崛起，用户及互联网、金融平台受到欺诈的风险也急剧增加。网络黑灰产已形成完整的、成熟的产业链，每年千亿级别的投入规模，超过1000万的“从业者”，其专业度也高于大多数技术人员，给互联网及金融平台的攻防对抗带来严峻的挑战。

而我们通过风控可以为互联网、银行及金融场景下的业务反欺诈和信用风控管理，提供一站式全流程的自动化决策服务。通过配置可视化的方式让业务人员能够简单高效的配置出不同场景、不同风险下的风险防控策略。同时还支持与模型、数据的对接，通过离线分析实现自我演进，更好的适应业务风险的变化速度。

实时反欺诈：

信贷风控：

今天我们就来讲一下金融场景的风控策略要如何布置。

01 我们要如何制定风控规则

在风控层面，我们如果要制定风控系统，要考虑3个点：准确率、召回率和稳定性。

准确率是说命中的人当中坏用户占比要尽量高。

召回率指的是命中的坏用户要足够多，一条规则只找出了几个人，即使都是坏人，也没有意义。

稳定性当然很重要，命中的人数、命中的人当中坏用户占比，都需要持续稳定。否则要频繁跟踪调整。

所以我们制定的细则应该：

信用风险规则：
- 基于客户的信用评分或信用历史，设定风险等级，并根据等级确定授信额度。
- 根据客户的还款记录和债务负担，设定逾期还款阈值，并触发相应的风险警报或措施。
- 设定借贷利率和贷款期限的上限，以限制风险暴露。
欺诈风险规则：
- 基于历史欺诈案例和模式，设定欺诈指标和风险评估模型，识别潜在的欺诈行为。
- 监测不寻常的交易模式，如大额交易、频繁的跨境交易等，触发风险警报进行进一步调查。
- 建立黑名单或异常行为数据库，将已知的欺诈行为和涉案人员列入其中，用于实时风险识别。
客户身份验证规则：
- 采用多因素身份验证措施，如密码、指纹识别、短信验证码等，确保客户身份的真实性和合法性。
- 设定风险等级和限额，根据客户的身份验证方式和历史交易行为，决定是否需要进一步的验证或限制。
交易监测规则：
- 监测异常交易模式，如大额转账、频繁的资金转移等，触发风险警报以进行实时监控和调查。
- 建立规则和模型，检测异常的交易行为，如异常的交易时间、地点、金额等，并采取相应的措施。

当然，其中有一条是要符合合规监管规则，比如说，确保符合反洗钱（AML）和反恐怖融资（CFT）的要求，这里就不列举上去了。

02 策略的核心能力应该包括什么

决策引擎是一套决策流程，它的要素组成是规则清单和规则被执行的顺序。前者要求全面且高区分性，后者对成本优化至关重要。

所以我们策略的核心能力需要一方面能够利用数据智能分析技术，对大量数据进行高效分析和挖掘，识别出潜在风险和异常模式，以降低误报率和成本。

另一方面，根据不同风险水平和特征，对客户进行细分和分层，制定针对性的风险控制策略，避免一刀切的成本浪费。

同时，建立精确的风险评估模型，能够准确预测和评估不同风险的可能性和严重程度，以实现精准的风险区分和决策。

例如，某些月份的逾期相对较高，新增了一些规则，后期监控到这些规则发现其区分能力明显下降，就应该适当取消。

但是，不管是规则还是模型，一定会有很多误杀，但误杀是允许的，因为贷款本金的损失往往是利息收益的几十甚至数百倍。

平衡决策对通过率的影响和对风险的影响，对成本的影响和对收益的影响，是一个好的风控系统应该具备的核心能力。

案例展示

我们简单写一个案例：

假设我们有以下数据集，用于评估是否批准一笔贷款申请：

序号	年龄	收入	工作类型	是否批准
1	30	50	自雇人士	是
2	25	40	上班族	否
3	35	60	自雇人士	否
4	40	70	上班族	是
5	28	45	自雇人士	否

基于这个简化的数据集，我们可以构建一个简单的决策树，以帮助决策是否批准贷款申请。以下是一个可能的决策树示例：

                        年龄 <= 30?
                     /                     \
                  是 /                       \ 否
                   /                         \
            收入 <= 50?                   批准贷款
          /                   \
       是 /                     \ 否
        /                       \
    批准贷款                  工作类型 = 自雇人士?
       /       \
    是 /         \ 否
     /           \
  批准贷款      拒绝贷款

决策树通过比较样本的年龄、收入和工作类型来决定是否批准贷款申请。根据不同的特征取值，决策树分支到相应的节点，最终决定是否批准贷款。同时，在工作类型为自雇人士的分支下添加了一个新的节点，用于评估欺诈风险。这一节点可以根据具体的反欺诈规则和特征进行进一步的判断，例如检测是否存在欺诈记录、异常交易行为等。

案例是蛮简单的，具体还得具体分析。