解密合众e贷风控“黑科技”：风险定价与反欺诈的突破

金融的核心就是风险控制,互联网金融的兴起和繁荣很大程度取决于智能风控技术的发展成熟,在大数据、机器学习、人工智能等金融科技的帮助下可以更准确地度量和防范风险。

 互金平台合众e贷注重对风控的投入,在大数据领域研发了一系列金融“黑科技”,解决了业界风控难题并在业务实践中取得了理想效果,其神豸风控系统实现了对信用风险的定价及欺诈风险防范,已成为合众e贷科技创新道路上独特的竞争力。

 以大数据技术对信用风险精准定价

 网贷风险主要包括信用风险和欺诈风险,信用风险并非要完全规避,而是进行精准定价。一些风险定价模式过于简单,只是将资金成本、运营成本、风险成本和利润等加在一起,用足够高的利差覆盖风险,从而确定价格。这种做法会导致借款利率高企,优质借款人容易出现逆向选择,结果降低了平台的资产质量。

 合众e贷的神豸风控系统通过采集和分析大量数据,根据不同维度对借款用户进行分群和预测,给用户更加匹配的、差异化的风险定价,使得风险始终可控,同时也让借款利率更加合理化。这不仅保障了出借人的利益,也促进了借款人对个人信用的维护。

 神豸风控系统是一个通过逻辑回归、神经网络、决策树、XGBoost等建模手段设计的风控模型。海量数据是风控的基础,数据量越大、越多样化,系统分析的准确度和可靠性就越高。神豸风控系统通过对借款用户的基础数据、征信数据、行为数据、网购消费数据等大量不同类型数据的整理、分析和挖掘,并运用XGB等先进算法建立模型,对导致用户违约的核心因素进行预测,多维度刻画用户“画像”,最终得出用户信用分值,即神豸分。通过神豸分将用户分为优质用户、良好用户、中等风险用户和高风险用户,从而准确地揭示和计量用户的信用风险,并以此作为风险定价的指标。

 图:神豸风控系统的模型训练

 风控系统会对借款用户采取三种处理措施,一种是自动通过审核,一种需要进入人工审核,还有一种是借款人信用状况太差或有欺诈行为被直接拒绝。随后,系统再根据用户不同的信用等级匹配不同的授信模式和还款计划。

 神豸分目前已覆盖了信用卡客群、支付宝客群和手机运营商客群,客群范围持续扩大,也降低了进件门槛和成本。另外,神豸风控系统已实现纯线上进件,通过APP申请的贷款有97%由系统判断是否通过,3%由人工进行判断,可以做到实时进件并出结果,最快1分钟放款。该系统有助于服务无贷款记录的借款用户,以及银行无法服务的传统务工人员,大大提升了金融服务的可获得性。

 大数据风控存在一个问题,就是风控模型缺乏可解释性,风控结果无法解释,风险特征难以被理解,那么便不利于风险把控和估计。合众e贷不断探索将风控人员的经验介入到机器学习建模中,在神豸风控系统将人的风控经验与数据表现关联起来,加强模型对业务的了解,促使机器的处理能够达到有理有据。

借鉴PageRank算法实现智能反欺诈

 在化解欺诈风险方面,合众e贷尝试利用机器学习与人工智能进一步提升欺诈检测技术。

 欺诈风险通常具有更强的隐蔽性和复杂性,采用常规风控手段无法有效、精准地防范欺诈风险。神豸风控系统通过用户多源异构数据维度(申请数据、设备指纹数据、通话记录和财务数据等),构建多层次用户的社交关系网络,并从社交网络关系中衍生出一系列的关联特征,然后利用深度神经网络技术学习用户欺诈行为模型。经过业务验证发现该欺诈侦测技术对于精准识别欺诈用户较为显著,并具有自动化和及时响应等特点。

 图:社交网络和深度学习融合的欺诈检测技术框架

 合众e贷的欺诈检测技术开发重点在于社交网络关系结构生成与其衍生的关联特征集,其中关联特征集包括:用户的度degree,用户重要性度量指标People Rank等,而关键指标People Rank的底层计算逻辑借鉴了Google公司PageRank算法。

 People Rank算法为每个借贷用户设置初始权重值,根据用户间的关联关系,在不断迭代中更新每个用户的权重,直至每个用户的权重值达到稳定,最后稳定权重值将作为用户的重要性度量指标。

 目前,合众e贷平台建立了智能反欺诈和传统反欺诈技术相结合的联动防控机制,主要针对贷前和贷中环节的潜在欺诈风险进行早期预警、识别、评分和定性,能够及时挽回欺诈损失。

 通过探索新技术在防范金融风险中的应用,合众e贷建立起了更加灵活、高效与智能化的风控体系,充分发挥出金融科技推动普惠金融发展的优势。