0
雷鋒網(wǎng)AI金融評論按：本文授權轉載自公眾號：京東金融大數(shù)據(jù)，作者是京東金融數(shù)據(jù)分析師 圈 。
金融作為現(xiàn)代經(jīng)濟的核心，其風險的積累與爆發(fā)所形成的金融危機，已經(jīng)成為引發(fā)經(jīng)濟危機的直接原因。2008年爆發(fā)的金融危機及隨后發(fā)生的歐債危機，使得金融風險迅速成為人們關注的焦點。
隨著互聯(lián)網(wǎng)和通信技術的高速發(fā)展，互聯(lián)網(wǎng)金融已經(jīng)成為當前社會最熱門的話題。目前互聯(lián)網(wǎng)金融已經(jīng)滲透到人們衣、食、住、行的方方面面，包含支付、理財、眾籌、消費等功能的各類互聯(lián)網(wǎng)金融產(chǎn)品和平臺層出不窮。
互聯(lián)網(wǎng)金融是傳統(tǒng)金融與“互聯(lián)網(wǎng)+”相結合的產(chǎn)物，因此它的健康發(fā)展也要遵循金融業(yè)的基本規(guī)律和需求，其核心仍是風險控制。
風險是金融機構業(yè)務固有特性，與金融機構相伴而生。金融機構就是生產(chǎn)金融產(chǎn)品、提供金融服務、幫助客戶分擔風險同時能夠有效管理自身風險以獲利的機構，金融機構盈利的來源就是承擔風險的風險溢價。
金融機構中常見的6種風險：市場風險、信用風險、流動性風險、操作風險、聲譽風險及法律風險。其中最主要的是市場風險和信用風險。
1） 市場風險：包括利率風險、匯率風險、股票價格風險及商品價格風險。主要指市場波動而使得投資者不能獲得預期收益的風險。
2） 信用風險：即交易對手不能完全履行合同造成的風險。包括貸款、掉期、期權及在結算過程中的交易對手違約帶來損失的風險。
決定一家金融機構競爭力高低的關鍵，是其能否有效地對風險進行全面管理，建立良好的風險管理體系，以良好的風險定價策略獲得利潤，即金融風控。
互聯(lián)網(wǎng)金融是傳統(tǒng)金融與互聯(lián)網(wǎng)技術和信息通信技術有機融合，依托于大數(shù)據(jù)、云計算、人工智能等新技術，實現(xiàn)資金融通、支付和信息中介等業(yè)務的新興金融業(yè)務，其主要業(yè)務類型有網(wǎng)絡借貸、移動支付、理財、眾籌及保險等。
隨著互聯(lián)網(wǎng)金融業(yè)務的急劇擴張及金融創(chuàng)新產(chǎn)品的不斷涌現(xiàn)，互聯(lián)網(wǎng)金融從多個方面暴露了大量的風險。主要風險包括：信用違約和欺詐風險、消費者權益被侵犯風險、互聯(lián)網(wǎng)技術風險、資金流動風險、法律風險及政策與監(jiān)管風險等，主要體現(xiàn)在以下三個方面：
1） 傳統(tǒng)金融行業(yè)風險并沒有消失，信用風險、流動性風險、法律合規(guī)風險、操作風險等同樣存在。
2） 互聯(lián)網(wǎng)金融又有自己獨特的風險，比如：終端安全風險、平臺安全風險、網(wǎng)絡安全風險等。
3） 互聯(lián)網(wǎng)金融往往小額而分散，且受眾人群較為廣泛，一旦出現(xiàn)風險，社會影響巨大。
隨著互聯(lián)網(wǎng)金融消費場景的日益繁多，消費群體的逐漸壯大，互聯(lián)網(wǎng)金融風控在P2P網(wǎng)貸、支付、理財?shù)榷鄠€領域得到了高度的重視，在征信評估、反欺詐、預警監(jiān)控方面得到了很好的應用：
1） 征信評估：在業(yè)務發(fā)生前，依據(jù)廣泛收集的數(shù)據(jù)，利用大數(shù)據(jù)、人工智能等先進技術，借助互聯(lián)網(wǎng)金融企業(yè)建立的風控模型，為企業(yè)自身或其他金融相關企業(yè)提供快速、準確征信評估服務；
2） 反欺詐服務：在業(yè)務發(fā)生過程中，通過對用戶賬戶、營銷及交易的實時監(jiān)控與識別，及時、快速、準確的識別非正常交易，最大限度的避免和減少欺詐行為給企業(yè)和用戶帶來的損失；
3） 監(jiān)控預警：在業(yè)務發(fā)生后，持續(xù)的對用戶進行信用預警和貸后監(jiān)控，及時發(fā)現(xiàn)用戶的信用惡化及其他金融風險，實現(xiàn)對金融的風險態(tài)勢感知。
.
互聯(lián)網(wǎng)金融風控與傳統(tǒng)金融風控的一個重要區(qū)別在于大數(shù)據(jù)的應用更加廣泛。除了傳統(tǒng)的征信信息之外，互聯(lián)網(wǎng)金融企業(yè)常用的數(shù)據(jù)獲取以及風控手段還有：
生物特征識別技術，即人臉識別、語音識別以及不限于圖像、語音、觸摸和身體語言識別的生物特征識別技術。
利用人臉識別技術將采集的照片與已存照片、身份證照片進行比對并提供人臉相似值，風控人員可根據(jù)相似值的高低判斷是否直接通過或進行人工審核。
同時，也可以通過人臉聯(lián)網(wǎng)核查，將采集的照片與公安部已存的身份證照片進行比對、核查，更客觀、科學的實現(xiàn)“人證合一”，降低“肉眼”觀察的主觀意識和失誤辨認。
此外，語音識別、指紋識別及圖像識別的技術也可以幫助風控人員進行風控判斷，提高風控水平。
機器學習是把人類思考歸納經(jīng)驗的過程轉化為計算機對數(shù)據(jù)處理計算模型的過程。
反欺詐應用：與傳統(tǒng)金融風控依賴復雜且嚴格的規(guī)章制度進行欺詐識別不同，互聯(lián)網(wǎng)金融風控使用機器學習技術，能夠積極的學習并識別特殊或異常行為對其進行標注識別。
信用預測：機器學習算法能夠根據(jù)數(shù)百萬消費者案例數(shù)據(jù)，如：資產(chǎn)、履約、身份、偏好、社會關系及借貸情況等進行開發(fā)和訓練，利用算法評估預測用戶是否會違約、是否會按時歸還貸款等。對貸中的借款人還貸能力進行實時監(jiān)控，以及時對后續(xù)可能無法還貸的人進行事前的干預，從而減少因壞賬而帶來的損失。
自然語言處理技術，引入新聞、政策及社交網(wǎng)絡中的非結構化數(shù)據(jù)，進行結構化處理后，運用于風控與征信評估。
在新金融風控場景中，諸如個人及企業(yè)在其主頁、社交媒體等數(shù)據(jù)蘊含著與違約風險深度關聯(lián)的深層含義，而通過傳統(tǒng)方式很難充分挖掘其風險價值。
自然語言處理技術，通過復雜的詞向量模型將文本轉化為計算機能夠識別和計算的詞向量表征，并基于深度學習技術對其進行特征提取，最終運用成熟的分類器網(wǎng)絡將文本數(shù)據(jù)與違約風險實現(xiàn)高度的風險掛鉤。
爬蟲（web crawler）是一種專門的程序，用于在互聯(lián)網(wǎng)上自動抓取內(nèi)容。爬蟲技術主要用于個人征信評估、關系圖譜及風險分析等方向。
由于個人隱私的原因，我們無法得到一個人的全方位數(shù)據(jù)，只能截取其中的一個或幾個片面(交易紀錄，信用卡信息等)。而爬蟲技術正式補充數(shù)據(jù)信息的利器， 比如，有許多專門曝光騙子老賴的網(wǎng)站，也有許多騙子在一些社交網(wǎng)站上發(fā)布信息。針對這些曝光的數(shù)據(jù)，利用爬蟲技術清洗轉換后，就能輔助個人信用評估。
此外，物以類聚，人與群分。通過爬蟲爬取各大社交網(wǎng)站數(shù)據(jù)，建立人物關系網(wǎng)絡，通過關系網(wǎng)對個人進行信用評價。
ID-Mapping能把碎片化的數(shù)據(jù)全部串聯(lián)起來，消除數(shù)據(jù)孤島，提供一個用戶的完整信息視圖，有利于對用戶進行個人風險評估。
ID-Mapping技術可以用在跨屏、跨設備跟蹤，將一個用戶的手機、PC、平板等設備的上的行為信息串聯(lián)到一起，充分聚合個人身份及行為信息。
在“互聯(lián)網(wǎng)金融合規(guī)管理元年”的2016年，隨著國家對互聯(lián)網(wǎng)金融的全面監(jiān)管，互聯(lián)網(wǎng)金融從“野蠻生長”進入了“規(guī)范化”階段。
無論是傳統(tǒng)金融，還是互聯(lián)網(wǎng)金融，加強風險控制，建立完善的信用評估體系與防控機制，對存在的信用違約和欺詐風險、消費者權益被侵犯風險、互聯(lián)網(wǎng)技術風險、資金流動風險、法律風險及政策與監(jiān)管風險進行控制，最終實現(xiàn)企業(yè)內(nèi)控、政府監(jiān)管及行業(yè)自律的生態(tài)發(fā)展。
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
