基于海量弱特征的AI风控模型正渐渐到来

在AlphaGo击败世界围棋冠军、职业九段选手李世石后，人工智能的发展与应用再一次成为人们的视线焦点，同时也引发了人们对人工智能的无限想象。



最早提出这一概念的约翰·麦卡锡认为，人工智能就是要让机器的行为看起来像人所表现出的智能行为一样。尽管目前对人工智能的定义并未完全统一，但都体现出人工智能效率高、稳定性高、安全性高等特点。在很多领域中，我们已经发现机器有可能超越人类。

人工智能学会主席Ben Goertzel在2015年的博鳌亚洲论坛上认为，十年以后，人工智能可能会介入世界上大部分的金融交易。

目前，人工智能在金融领域的应用已经可圈可点：智能投顾方面，位于美国的世界著名智能投顾公司Wealthfront和Betterment做得有声有色，Wealthfront 掌控的资金已超过数十亿美元；交易预测方面，全球第一个以人工智能驱动的基金Rebellion曾预测了2008年股市崩盘，并在2009年9月给希腊债券F评级，比惠誉提前了一个月。

从金融活动的流程来看，人工智能将可以贯穿全程：在前端应用于服务客户，在中端支持授信、各类金融交易和金融分析中的决策，在后端用于风险防控和监测，使金融服务更加精细化、个性化，以及效率和风控能力的提升。

可以预见的是，金融变革正在到来，引领这场变革之一的正是人工智能。

传统金融信贷服务面临挑战

在传统金融尤其是传统信贷服务领域,信息、信用、渠道、成本等困境正在逐渐显现。传统的银行服务主要依托其网点开展，在业务中极其依赖有无房产、工资流水、征信报告、社保证明等强特征数据，通过这些强金融特征数据筛选出与风险敞口契合的客户。所谓强特征，即能否获得信贷服务的关键因素。

但事实是，中国有相当一部分人不具备这些强特征数据，从而被排除在银行服务体系之外。有数据显示，在我国,传统信贷能服务的客户群仅占总人口的15%左右。尽管传统信贷机构想服务更多的人群，但风控模型的局限性导致其可望而不可及。

首先，少量的强特征无法全面评估一个人，而每个人在强特征之外还存在成千上万的弱特征，但传统信贷的风控模型是基于少量强特征人工智能引领金融变革，并不适用于处理海量的弱特征数据。

其次，传统信贷服务需要依托线下网点展开，资质审核、合同签订等流程都需面对面进行，服务效率低下。同时，由于人的参与，每个人的经验、情感状态等存在差异，其服务的安全性和稳定性必然受到影响。

再次，由于传统信贷风控模型的数据维度比较单一，其模型的优化、迭代周期较长，一般需半年至一年。这不能适应快速变化的市场坏境，无法有效满足客户需求。

人工智能凸显技术优势

随着互联网不断渗透到生活中，在强特征之外，每个人都会产生成千上万有价值的海量弱特征数据。

如果把一个人的数据比作一座冰山，那么强特征数据仅是冰山的一角，之下还存在着海量的弱特征数据，例如电商数据、设备数据、位置数据等等。

同时,作为百业之母的金融行业与整个社会存在巨大的交织网络，本身沉淀了大量有用或者无用数据，其中包括各类金融交易、客户信息、市场分析、风险控制、投资顾问等。这些数据单位都是海量级，且大量数据又以非结构化的方式存在，无法转换成可分析数据。

人工智能要做的，就是充分挖掘并有效地利用这些海量弱特征数据。虽然无法凭借其中少数几条数据就做出借贷决定，但如果把几百个甚至几千个维度的数据综合起来，就可以训练出有效的风控模型，并以此为风控依据为用户做出借贷决定。

弱特征和强特征数据的区别在于，强特征是非0即1；而单独的某一项弱特征，对于用户的信用评估和逾期率没有绝对性的指导意义，但很多弱特征放在一起，就能对用户进行相对精确的评估。

舍恩伯格在《大数据时代》中写道： “我们没有必要非得知道现象背后的原因，而是要让数据自己发声。”人工智能并不擅长推理，但数据和数据之间的关系都被记录下来，就具备了逻辑基础，可以进行深入的推理继尔产生结果。

目前，人工智能已经广泛运用于国内外金融领域。人工智能技术已经能够挖掘多维度的海量数据，构建和优化风控模型，准确且快速地判断贷款的合理性，从而大大降低了用户申请提交和数据收集、反欺诈、核心决策授信和模型评分、以及催收等的服务成本。深度学习促使不断优化在苹果公司推出Siri之初，很多人都把它当成玩具，认为它没有真实的用处，会问它诸如“你是男是女”等这种看似无聊的问题。但苹果公司把这些无聊的问题进行深度分析，了解人们最常问的问题并不断优化，问题越问越多，苹果也就可以得到更多的数据，更好地提升其实用性。这便是人工智能的深度学习。

金融领域亦是如此。一个借款人是否还款、有无逾期、是否足额还款等都有相应的特征数据。人脑虽然能识别单个业务，但很难快速处理庞大的数据量，发现其中的逻辑规律并做出高效判断。人工智能用机器取代了人脑，可学习覆盖的数据范畴极大，处理的效率也极大提高。

随着人工智能在金融层面应用范围的展开，系统获得的数据不断增加，通过对这些数据的深度学习，将更进一步提升自身的风控能力。基于此，与传统金融机构看中借款额度不同，金融科技公司更加看中借款笔数，因为笔数代表着样本，代表着能够让模型得到更好训练的数据。

随着人脸识别、指纹识别、虹膜识别、声纹识别等技术不断应用于身份验证和金融反欺诈等业务环节，尤其是随着语义分析、机器学习的技术进步，将进一步加速风控模型的迭代，大幅提升金融业务的自动化水平和个性化的服务效率。

智慧金融时代正在来临

金融领域“高度数据化、正负样本清晰、迭代目标明确、容错率高等”特点让人工智能天然适合金融领域。

巨大的金融服务空白促使人工智能加速进入，基于人工智能技术的新金融科技公司涌现。它们可充分运用技术，对庞大非银行人群的海量弱特征数据进行定量风险分析，得到一个连续的风险定价，并在此基础上提供与之相匹配的金融产品与服务。

近两年来“金融科技”被越来越多的人提起并被诸多公司追捧。尽管这个词最早由美国提出，但得益于特有的市场和环境，中国“金融科技”正在以前所未有的速度赶超美国，一个由人工智能引领的智慧金融时代正在到来。

一方面，目前国内外人工智能在金融领域的应用已有诸多成功案例。美国的Wealthfront和Betterment、英国的Money on toast、德国的Finance Scout 24、法国的Marie Quantier等均成功将人工智能引入投资理财，目前智能顾问已掌握大量资产；第一个以人工智能驱动的基金Rebellion曾成功预测了08年股市崩盘；掌管900亿美元的对冲基金Cerebellum，自2009年使用了人工智能技术以来一直处于盈利状态。在国内，蚂蚁金服已成功将人工智能运用于互联网小贷、保险、征信、资产配置、客户服务等领域；智融金服利用人工智能风控系统已经实现月均120万笔以上的放款，常规机器审核速度用时仅8秒；招商银行的可视化柜台、交通银行推出的人工智能机器人“娇娇”等都是国内金融领域人工智能应用的成功案例。

另一方面，未来人工智能在金融领域的应用极具想象力。高盛、摩根、花旗等国外金融巨头正在不断加大人工智能领域的投入。国内更是如此，不少机构通过自建团队、兼并收购和外部合作的方式涉足人工智能领域。如中国平安、招商银行、华泰证券等均涉猎了智能投顾、网络借贷、大数据征信等领域。互联网巨头也在纷纷布局，BATJ等互联网巨头公司拥有强大的技术、资本、人才、数据实力和优势，在智能量化交易、智能投顾、智能客服和生物身份识别等新技术应用方面都已进入实战阶段。

人工智能因其更适合进行大规模数据处理的定量分析、不受主观因素影响，效果更稳定可靠、可根据数据表现快速迭代，自动优化、无道德风险，反作弊能力强、审批效率更高，实时性更好等天然优势，正在越来越多的被用于金融业的核心业务信贷尤其是小额短期信贷领域。

在投资理财领域，海外咨询机构科尔尼（A.T.Kearney）2016年曾预计，机器人顾问未来3年到5年将成为主流，年复合增长率将达68%，到2020年其管理的资产规模有望达到2.2万亿美元。花旗银行研究也预测，人工智能投资顾问管理的资产，未来10年将实现指数级增长，总额将达到5万亿美元。

如今， “互联网+”对金融的改造已经进入尾声，而“人工智能+”正风起云涌。在经过“互联网+金融”的铺垫后，“人工智能+金融”似乎来得更快、更猛。

我们不妨想象一下，在不久的将来，人工智能大范围运用到金融领域，成为传统金融的有效补充，能够让金融业务中的信用分析、风险控制、贷款审批等变得高效而准确，让每个人都拥有金融的意识、习惯和能力，最终让金融成为人们的一种生活方式，让每个人都能享受智慧的金融。