从精准度到稳定性，向前金服智能风控模型的进阶之道

作为人工智能技术在国内金融科技领域应用的典型代表,智能风控以秒极时效、精准评估和预测风险成为从业平台的建设重点和竞争核心。而智能风控体系,简单来说可以理解为使用大数据、人工智能技术打造风控模型,再通过不同风控策略的实施来进行风险预测与定价。

“模型就像一把尺子,精度就是它的刻度,应用不同的策略可以画出不同的形状。”向前金服模型与应用团队负责人杨林说。

向前金服在今年8月上线了其智能风控平台“听风者”的3.0版本,从前期进件到后期资产管理,对若干个模型进行了不同程度的迭代。而“听风者”的大版本迭代,主要参考贷前审批模型的改版来划定。

显而易见,这套用以对借款行为进行风险评估和定价的模型,是整个“听风者”体系升级的核心,也一定程度上代表着向前金服对于现阶段行业发展的理解和自身业务的侧重。

着力打造稳定型模型,保障智能化策略实施

向前金服在2017年推出大数据智能风控平台“听风者”1.0,从1.0到如今的3.0,随着企业发展阶段的变化,对审批模型的要求也不尽相同。

1.0是向前金服探索智能风控模型的开端,是从零到一的突破,更强调基础功能的实现。“对1.0 来说,‘我们有了这把尺子’的意义更重一些。”杨林说。2.0的主要目的则是快速提升模型效果,在精度上达到行业先进水平,根据用户不同风险等级进行量化授信,得到一个“相对好用的尺子”。

到了3.0时代,对向前金服这套模型来说,精度已经不是最为重要的一个指标。“事实上,对于相对成熟的模型来说,精确度提升有一定的天花板,边际效益也非常低。”杨林认为,3.0的重点发力在稳定性上。“不需要一把精度特别高的尺子,但要求这把尺子要足够稳定,可以配合很多自动化方式、大胆的策略,这才是提升公司运营效率的关键。”

为达到对稳定性的要求,特征工程是升级的重头任务,也就是通过对底层数据的清洗、衍生,提取对训练模型有价值的特征这一过程。模型团队对市面上几乎所有数据源进行筛选,通过大量样本测试,打造出规模上万的衍生变量池,并从中提取对风险识别和定价有价值的变量。

这部分基础但重要的工作,从数据质量优质与变量维度丰富两个层面保证了模型的稳定性。而模型稳定,才能实施更多自动化审批策略。

衡量一个模型的准确性,常用的指标是KS值。KS值越大,模型的预测准确性越好。一般情况下,KS>0.3即可认为模型有比较好的预测准确性,而“听风者”3.0的KS值超过0.4。

采用融合模型架构,千人千面的定制化授信

不同阶段的模型,有着不同的标准要求,也承担着不同的使命。

“听风者”1.0作为向前金服智能风控的开山鼻祖,更重要的任务是进行“用户教育”,为相关使用部门展示智能风控模型的运行方式和作用,成为业务团队提升效率的全新助推器。所以,这个版本的模型,可解释性非常重要。在算法上,采用的是传统的逻辑回归模型,最终形成一个标准的评分卡,评分过程清晰透明。

经过两年的使用,到了3.0版本,应用团队无论是从实际操作还是对模型的信赖度等方面,都已经有了相对成熟的认识。所以,“听风者”3.0承载了更多自动化审批的期待,在自动化程度方面取得了更多突破。

一方面,在算法技术上,“听风者”3.0的贷前审批模型采用了XGBoost、随机森林等更高级、更主流的机器学习算法。这类算法精度更高,但是作为黑箱算法,可解释性相对弱一些,得到的是一个过程不透明的综合运算结果。

另一方面,在模型架构上,“听风者”3.0采用的是包含多个子模型的融合模型设计。首先,根据客群和数据源两个维度打造多个单独模型,再通过目前国际上先进的模型融合技术形成融合模型。这样,不同的客群、不一样的数据变量交叉融合,实现千人千面的授信结果。

得益于审批模型在整体表现稳定性、模型架构先进性等方面的升级,“听风者”3.0的审批准确性、自动化、定制化能力大幅提升。对向前金服的优质用户来说,风控已然实现“无感化”,向着更高阶的智能模型迈进。这不仅仅是用户体验的进阶,也从运营成本、精益管理等方面提升了向前金服的综合竞争力。