意見領袖丨高聲談　

　　以融資性信用保證險為主體的信保行業自2017年的迅速發展得益于我國互聯網消費貸和汽車金融市場的快速崛起（詳見《我國信用保證險的現狀——信保系列談之二》，高聲談公眾號進門右轉），以融資信用為投保標的的信保機構通過為次級客戶提供增信參與到信貸產業鏈條中，提高了信貸、保險的普惠性。

　　當前，信保業務的風控手段與信貸業務的高度一致，因此，對新形勢下互聯網信貸業務的風險理解與風控能力掌握，應是信保機構的基礎能力。隨著線上信貸技術日臻成熟，具備市場一流的線上量化風控能力是信保部門的必修課。這需要體制機制的保駕護航，必須建立一個與市場充分接軌的量化風控團隊。

　　場景風控：信保機構的優先選擇

　　在自有風控能力自信面對“全敞口風險”前，場景風控是實現風險閉環的好方法——即通過主業對借款群體的“影響力”或資金閉環等控制手段，達到對借款人正常履約足夠的“威脅”作用；同時結合對可控、真實數據的量化分析，形成風險認識與控制的“組合拳”。如保險分期產品，可通過逾期退保方式實現資金閉環；再如修理廠貸款，可通過理賠款閉環償付鎖定本金安全。

　　筆者認為：場景閉環有兩個層次。第一個層次是信息流閉環，即信保機構掌握借款人生產、生活用款過程中的信息流，可以準確了解借款人經營狀況、項目進展、產品或服務購買或使用進度等情況。在此基礎上通過運用合適的風險分析和控制手段，據此判斷借款人的資信狀況較為客觀準確。

　　第二個層次是資金流閉環，即信保機構自身或者通過合作可以掌握借款人的回流資金，通過回款強管控適度降低對借款主體的資質水平和授信評估，極大提高了風險的可控性，是最為簡單、直接的風控方式。就目前銀行等資金方合作意愿看，雙閉環的合作意愿最強，其中資金流閉環最為重要。基于資金流閉環的產品設計，如果市場規模足夠大，同時有嚴格的操作流程，銀行便具備較強的合作意愿。

　　單純基于信息流閉環的信保產品，只有在相關領域有長期放貸經驗，或是與風險偏好和創新性較強的銀行合作方有可行性，與此同時銀行的資金成本往往較高，符合高風險與高收益的匹配原理。隨著普惠金融滲透率的不斷提升，能夠掌握資金閉環的信貸產品越來越少，倒逼著信保機構進一步夯實內功，在某一領域、某一產品中打磨好風控手段和產品打法，不斷提煉形成核心競爭力。

　　對還款意愿的把控：一個容易忽視的問題

　　再高超的風控技術最多只能解決借款人的還款能力問題，但始終無法解決還款意愿問題。還款意愿取決人心，而人心并不是穩定不變的。現有的信貸技術只能通過分析借款人過去的信用執行記錄來延續對其信用狀況水平的看法，如果借款人因為突發事件變壞了呢？或者過往信用記錄不好的人發自肺腑“改過自新”了呢？信貸或信保機構其實無從判別。

　　好的方法是，通過加大對客戶逾期行為的“威脅”力度，加大違約成本和懲罰力度，迫使其保持較好的還款意愿。因此大家才會喜歡資金閉環，或是基于生態控制力設計的可增加對借款人“逾期威脅”的產品流程。筆者始終認為，螞蟻的信貸產品表現優異，不僅僅是螞蟻金服風控團隊的功勞，更是與阿里打造的淘寶生態對借款人的控制及“逾期威脅”程度息息相關。

　　量化風控方法論詳解

　　經過多年實踐，大數據量化風控的效果得到了科學驗證。IMF2020年課題《中國中小企業金融科技信貸風險評估》指出：“隨機森林+大數據”的模型效果整體上優于傳統評分卡，并且由于數據維度更廣、模型迭代頻次更高，其對規模以上信貸產品效果更優。

　　量化風控的工作思路是：通過對壞樣本大數據參數字段的特征挖掘，提煉反欺詐或拒絕策略；通過分析不同因素（參數字段）與收入能力、負債規模、還款能力、還款意愿、違約概率等Y值的關聯度與影響因子，結合風控偏好選擇入模參數，進而形成判定分數支持具體決策。

　　經過多年工作經驗總結，筆者認為做好量化風控必須注意以下幾點：

　　01

　　數據的全面、穩定輸入

　　圍繞個人行為的數據維度越多，挖掘出有用參數的可能性越大。其中，強金融屬性數據的價值更高，央行征信、保險行為、支付行為、稅收或公積金等是需要重點引入的數據源。其余還有如手機行為、網上行為、購物行為、位置與出行、學位學歷等普適性較好的數據源以及ETC、車輛GPS軌跡、駕駛行為、種植地塊面積掃描等個性化應用數據等等。

　　由于涉及個人隱私保護要注意從合法途徑獲取。我國數據產業處于高速發展階段，要時刻保持與市場前沿的同步交流，及時引入有用數據。

　　02

　　機器學習、隨機森林、知識圖譜是發展方向

　　隨機森林已經被廣泛的應用于貸前風險策略挖掘，相較于傳統評分卡和專家經驗模型，對特定客群定制化程度強，迭代效率更高。知識圖譜是基于圖的數據結構通過點和邊來對客戶進行畫像，在特征挖掘和反欺詐領域應用廣泛，其中聚類和關聯算法對于團伙欺詐和黑產識別具有不可比擬的優勢；知識圖譜可以有效還原客戶的關系網絡，識別關聯風險，進行風險預警和失聯修復。

　　除此以外，還有XGBOOST、LigntGBM、Kmeans聚類、LSTM等算法工具均各有各自特點和適用場景，可以靈活運用并最終為模型效果服務。

　　03

　　強化數據中臺的功能定位

　　數據清理與結構化是提高建模效率的最主要環節，好的做法是：將應用到不同方向的數據集市建設納入中臺管理，數據基礎清理、衍生變量生成甚至一些簡單加工策略指標均直接由中臺完成，或建立單獨風控數據集市。這需要風控等數據需求部門提前明確數據加工要求，將穩定、固化的清洗或提取方法論告知中臺部門予以實現。

　　04

　　支持高效部署與迭代的決策引擎

　　決策引擎對模型或策略部署、效果監測和更新迭代效率影響明顯：要具備串聯、并聯及多級管理的策略部署方式，同時支持不同權限的賬戶設置功能。更重要的是，要具備支持模型或策略的AB測試機制，支持樣本的隨機、同質劃分并實時生成模型結果指標，甚至能夠識別異常抖動參數，為建模人員觀察、分析模型效果，優化模型策略提供高頻的參考依據。

　　(本文作者介紹：保險信貸人，就職于國有大型保險公司，長期關注信用保證保險、線上信貸、數據經濟和隱私計算。)