我已授权

注册

苟志龙:新时代背景下机器学习技术对传统风控的变革

2019-05-08 13:06:16 和讯网 

  5月8日,由中国民生银行(600016)研究院主办的“金融科技助力实体经济高质量新发展青年论坛”在北京召开。中国民生银行信息科技部苟志龙发表“新时代背景下机器学习技术对传统风控的变革”的主题发言。

  以下为嘉宾发言全文:

  尊敬的各位与会领导及专家,大家上午好!我是来自民生银行总行信息科技部的苟志龙,今天我带来的主题是“新时代背景下机器学习技术对传统风控的变革”。今天的内容分为四个部分,首先我们来看看新时代背景下银行业的经营困局,接下来简要回顾个人信贷风控技术的发展历史,第三部分将重点介绍民生在机器学习量化风控领域的一些实践,最后是对新技术下量化风控实践的意义与价值的总结。下面我们进入第一部分。

  首先我们来看看新时代下银行业的经营困局,近年来经济进入新常态、利差空间收窄、新资本协议推行,以及互联网金融介入导致的泛同业竞争加剧,这些外在变化导致了银行业经营压力持续增大,商业银行传统的经营及管理模式已开始显得力不从心。穷则变,变则通。近几年大家都在谈数据驱动,数据驱动是一种新的技术驱动经营的理念,她使得银行业转换增长模式成为可能。面对世界的不确定性,通过对携带信息的数据进行场景化建模,找出业务问题的内在规律,降低不确定性后制定策略并执行,最后达成业务目标,这是数据驱动产生作用的内在机理。银行业的很多业务问题可以通过模型的构建与应用得到解决,数据+算法正在驱动银行业发生前所未有的变革。数据驱动为银行业提供了全新的增长动力,聚焦到零售业务领域,可以通过数据驱动持续优化零售资产质量,降低风险损失来增加盈利,这种观点已取得了很多人的共识。为了更好地优化民生的零售资产管理,我们先简要回顾下全球个人信贷风控技术的发展历程,希望可以从中获得启示和有所借鉴。

  总结起来,个人信贷领域风控技术的发展大致经历了四个阶段。每个时代的风控技术都解决了当时的风险识别及管理等问题,他们应运而生,但又不可避免地充满着时代局限性,因此新旧风控技术不断更迭,但大致呈现出这样的规律:从专家经验到数据驱动,从传统统计到机器学习,从手工化到自动化再到智能化。风控领域,传统统计学习方案采用的是类FICO的方法,是将风险问题投射到低维空间里进行分析的思路,通常模型较稳定,但性能可优化空间较大;随着大数据及各类算法的发展,如今我们可以借由高阶机器学习技术将风险问题投射到足够高维的空间里进行深入地、透彻地分析,容易取得超过传统统计学习的效果。这是新时代新技术带来的红利,我们应该把握好她。

  自2014年起,民生积极将机器学习技术引入行内量化风控领域,通过贷前、贷后等风控项目的实践,沉淀出多项自主技术(他们分别是自定义机器学习技术、精确制导训练轨迹技术、样本及特征的智能去噪技术,还有局部线性逼近的黑盒模型解析技术),这几项技术的使用使得模型性能表现优异,业务使用效果显著。下面我们一起来看看民生将机器学习技术引入量化风控领域做了哪些探索,实际效果如何。

  近几年民生将机器学习技术广泛应用于贷前准入、贷后预警等领域,下面跟大家分享两个案例:第一个是消费贷款贷前准入风控,主要解决的下沉消贷客群在整体风险偏高、历史信用数据少等背景下如何做好贷前准入信用评估工作的问题;另一个是零售贷款贷后早期预警,主要解决的是民生过往在零售贷后领域存在的风险监测手段滞后导致风险管理被动的问题。先来看下第一个案例,这是我们针对民生下沉消贷客群设计的应用于贷前准入环节的信用评估方案,这套方案通过诊断分析传统解决方案,积极采用高阶机器学习及多项自主技术,实现了更好的准入风险识别,该方案最终获得了超过FICO标准近30%的性能优势,并且能够针对民生的消贷客群提供覆盖范围更广、风险区分更好的贷前准入风险防护。与行内在线服役的消贷A卡模型相比,本方案中模型的风险区分度有17个点的提升,技术性能的优势显著!目前该模型处于灰度运行状态,正式上线后可提供以下收益:1.至少提高贷款通过率9%以上,贷款规模将同比例增长;2. 至少减少20%以上高风险贷款的产生。

  接下来的案例是机器学习应用于贷后风险管理。这个案例中,我们设计了一系列贷后预警模型,覆盖了零售贷款全品类,每个品类下4个模型各司其职,分别完成缓解催收压力、减少早期逾期、压降高风险贷款规模、监控资产质量变化等目标。这些模型可以监控零售贷款贷后的全生命周期,科学使用后实现了贷款风险的早发现早处置,真正做到防患于未然。银行业以往的贷后风控模型多采用上世纪FICO公司所推行的类线性建模方法,算法多采用逻辑回归,入模变量通常较少(不多于30个);本方案中我们采用了高阶机器学习算法,深度解析150个核心变量,反复调试完成建模。如图所示,相较于老技术,我们的新技术可以在相同的变量基础上取得20%的提升,模型性能优势显著!模型为贷款提供了风险的量化依据,配上各场景下的差异化策略,可以实现管理资源的有效配置,提升贷后管理效率和资产质量水平。举例来说,针对A类低风险客户,在营销场景下应重点关注主动营销;对于C类客户,风险判断置信度较低,在续授信场景下需要结合其他外部信息来进一步决策;对于E类高风险客户,应重点关注救济重整或视个体情况选择有效的催清收手段来降低贷款损失。从本方案的应用效果来看:预警模型可较好地识别临时性逾期贷款,有效降低催收成本,释放客户经理产能;另一方面通过模型的精准预测,提前锁定未来资产下行压力较大的贷款,试点期间累计退出高风险贷款超过2亿元,2018年本方案在全行推广落地,全年主动退出了可观规模的高风险贷款,为提升零售资产质量做出了较大贡献。

  以上是我们将机器学习应用于民生量化风控领域的一点成果,最后让我们来总结一下风控新技术实践的意义与价值。新时代下传统风控方案已逐渐暴露出自身的时代局限性,我们基于机器学习技术设计出全新的贷前、贷后风控解决方案,零售资产业务可以基于这些方案获得更好的发展;价值:新技术实践效果显著,切实可提升民生银行的零售资产质量。同时新方案具备了专业性及业内的领先性,可助力我行快速达成风险领域的数据驱动目标。

  几百年来,人类社会发生了翻天覆地的变化。我们从书本上了解到前两次工业革命对人类社会的深刻变革,亲眼见证了互联网及移动互联网浪潮对人类社会的影响,现在我们正在经历新一轮的技术革命,衷心祝愿中国银行业可以在这次技术革命的东风里扬帆远航,再创辉煌。谢谢各位!

(责任编辑:王刚 HF004)
看全文
写评论已有条评论跟帖用户自律公约
提 交还可输入500

最新评论

查看剩下100条评论

热门新闻排行榜

推荐阅读

    和讯热销金融证券产品

    【免责声明】本文仅代表作者本人观点,与和讯网无关。和讯网站对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考,并请自行承担全部责任。