金融风控与反欺诈业务解释
金融风控与反欺诈业务解释
- 金融风控基本概念及流程
- 最开始的信贷风控是怎么做的?
- 金融风控建模的概念
- 有分数刻度的好处
- 风控流程
- 数据采集
- 反欺诈引擎
- 规则引擎
- 风控模型
- 催收
- 几个概念
- 反欺诈常用特征汇总
- 用户基本属性
- 设备指纹
- 中文错别字可以考虑转换成拼音做相似度匹配
- 第三方数据
金融风控基本概念及流程
最开始的信贷风控是怎么做的?
人审
吃业务经验
不能大批量处理,效率低下
不适用于移动互联网时代的金融场景
金融风控建模的概念
建模就是构造一个数学公式,能将我们手上有的数据输入进去,通过计算得到一些预测出来的结果。
比如大家初中/高中学习的线性回归,就是最简单的建模过程。
风控模型最原始的思路就是输入一个用户的信息,得到这个人是 “会还钱” 还是 “不会还钱”。这就是个二分类问题。
而评分卡模型其实就是希望能将一系列的个人信息输入模型,然后得到一个用户的还款概率。概率越大,评分越高,越容易还钱。概率越小,评分越低,越容易跑路。典型例子就是芝麻信用分。
那为什么一定要应射成某种分数呢?
有分数刻度的好处
我们可以随时根据业务需求调整通过率
更容易向用户解释他的信用评级
更容易向领导解释一个用户被拒绝的原因
更容易监控一个模型的效果
风控流程
风控的角度来看,基本上可以归结为以下几个部分:
数据采集
反欺诈
策略
模型
催收
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
数据采集
数据采集会涉及到埋点和爬虫技术,基本上业内的数据都大同小异。免费的运营商数据、和安卓可爬的手机内部
信息(app名称,手机设备信息,部分app内容信息)、以及收费的征信数据、各种信息校验、外部黑名单之类
的。还有一些特定场景的现金贷和消费金融会有自有的数据可供使用,比如阿里京东自己的电商数据、滴滴的司
机数据、顺丰中通的快递数据等等。由于不涉及爬虫,这一块主要让大家理解一下都可以做些什么变量。
反欺诈引擎
反欺诈引擎主要包括两个部分,反欺诈规则和反欺诈模型。这里其实很少使用传统监督模型。涉及到的算法以无
监督算法、社交网络算法、深度学习居多。大部分的公司都使用的是反欺诈规则,这也是主要提倡的。一个原因
是欺诈标签不好得到,很难做监督学习的训练。还有一个原因是传统的机器学习对欺诈的检测效果很差。因为所
谓欺诈,就是一些黑产或者个人将自己包装成信用良好的用户,进行借款后失联或者拒不还钱。既然都伪装成了
好客户,基于风控人员主观思考建立的统计模型,又怎么可能有好的效果。但是经过一段时间的实验,这一块其
实用深度学习反而有意想不到的效果,基本思想可以理解为,简单评分卡解释性强,带来的坏处就是可以被逆向
破解,而复杂模型的黑箱操作虽然解释性差,却有一定的安全性,尤其是搭配了在线学习等动态手段之后。反向
破解的成本极高。此外还有很多算法诸如异常检测和知识图谱都在这一块有所应用。
规则引擎
规则引擎其实就是我们常说的策略,主要通过数据分析、挖掘手段以及一些监督、无监督算法,得到不同字段、
各个区间的坏账率(badrate),找到最佳分段区间,然后得到筛选后信用较好的一批特定人群进行放款。这一块
主要有单变量分析和一些关键指标的计算和监控,比如Rollrate、PSI、KS、AUC,等等。通常规则和模型是组
合使用的,尤其在反欺诈场景中。
风控模型
风控模型是机器学习在风控领域的主要体现。当然前面提到的反欺诈模型也是重点之一。主要是通过监督算法构
建违约概率预测模型。但是因为实际业务中,是数据的质量并不是永远那么完美,这里通常我们会使用到深度学
习、无监督、弱监督等等方法去辅助 传统监督学习算法。
风控模型其中包含了A/B/C卡。模型算法之间可以没有显著区别,而是根据其发生的时间点不同而进行划分的
(贷前/贷中/贷后),也就是y产生的方式不一样。通常信贷领域都是用逾期天数来定义y。A卡可以用客户历史逾
期天数最大的天数。B卡则可以多期借款中逾期最大的一次。C卡因为用途不同有不同的建立方法。比如你们公司
有内催,有外催。外催肯定是回款率低,单价贵的。那么就可以根据是否被内催催回来定义y。
催收
催收是风控的最终手段。这个环节可以产生很多对模型有帮助的数据。比如催收记录的文字描述、触达率、欺诈
标签等等。并且坏账的客户会被列入黑名单。其实只要是能被催回来的,都不是坏账。但是很多公司为了保险起
见,逾期超过一定时间的客户,即使被催回来,也会被拉入黑名单。这里主要的算法就是催收模型相关的,可能
是监督、无监督算法。也有基于社交网络算法构造的失联模型等等。
几个概念
Badrate: 坏人占比
MOB (month on book):开卡时长
Vintage分析法是一种动态分析法,用来分析不同时期资产的表现情况,它以贷款的账龄为基础,观察每批放
款贷后1,2,3…N个月时的逾期情况。
Roll-Rate分析追溯贷款状态之间每月的迁移情况,展示了每批贷款进入下一个逾期状态的概率。
反欺诈常用特征汇总
用户基本属性
phone_nember
- 手机号前缀是否相同
- 手机号归属地是否相同
- 是否是虚拟运营商
- 流量卡还是通话卡
nickname
- 昵称符合固定的规律(中文+数字)
- 备注是否符合某种亲密的称呼
birthday
- 年纪
- 星座
- 生肖
sex
- 性别是否失衡
password
- 是否都相同
身份证号码
- 年龄 核对
- 性比 核对
- 城市
邮箱
- 是否是一次性邮箱
- username 满足规律
- 是否同一邮箱服务商
- 邮箱里面的数据(账单)
学历
- 相似性
住房
- 租房情况是否雷同
积分
- 是不是超过某个阈值
签到
- 相似性
ip
- 是否是同一个号段
- 每次登录ip地址是否相同
- 是不是临时ip 和 gps
- ip 和 gps 是否能对的上
gps
- 经纬度相似性分析
- 国家 省份 城市 相似性
- ip 和 gps 是否能对的上
wifi
- ssid
- wifi list
- 贷款前的几分钟有没有切换过wifi
application time
- 时间切片
- 注册用了多长时间(太快太慢都有问题)
- 一共申请了几次
login time
- 时间切片
- 登陆了几次、频率
- 最后一次登录时间距贷款时间的间隔
- 同一时间登录做一个校验(同一时间多人登录)
ua(user agent)
- 每次打开是否是同一个ua
渠道
- app/H5/微信
- 渠道ID属于违规渠道
app version
- 每次app的版本号是否相同
- app版本会不会太老了(老版本的app有bug,可能会被黑中介用来攻击我们)
推荐人/联系人
- 名字匹配
- 手机号匹配
设备指纹
imei
- 是否都相同
- 每次登录imei号是否都相同
device id
- 是否都相同
- 每次登录device id号是否都相同
分辨率
- 手机型号和屏幕分辨率是否一致
mobile type
- 手机品牌
- 手机型号
os(operating system)
- 每次打开操作系统是否都相同
- 来申请的人是否os都相同
- os的版本是否太旧
中文错别字可以考虑转换成拼音做相似度匹配
address
- 地址要标准化
- 模糊匹配
- 相似度计算(cos距离,词向量)
company
- 正则
- 字节拆分
- 关键字提取
- 相似度计算
- 错别字/同音字识别
第三方数据
人行征信
- 公司信息是否一致
- 学历是否一致
- 居住地址是否一致
- 手机号码是否一致
- 逾期数据
运营商
- 是否有相同的联系人
- 是否有黑名单客户在通讯录中
- 通话最频繁的几个人(所在地是否和他相同)
社保公积金
- 工资
- 社保
- 公积金
金融风控与反欺诈业务解释相关推荐
- 金融风控实战——反欺诈评分卡的大致构建流程
# 导入包 import numpy as np import pandas as pdimport warnings warnings.filterwarnings('ignore')import ...
- 风控红宝书重磅上市!技术和业务双维度揭秘风控与反欺诈
互联网金融是中国金融行业数字化升级的产物.2020年监管部门出台了一系列举措,标志着这个行业从成长期正式步入成熟期.互联网金融机构的快速发展离不开依托于大数据和机器学习的风控及反欺诈能力,这些风险管理 ...
- 互联网金融学习总结(6)——2019年现金贷风控和反欺诈看这篇文章如何规划建设?
分享一个大神的人工智能教程.零基础!通俗易懂!风趣幽默!还带黄段子!希望你也加入到人工智能的队伍中来!点击浏览教程 前言 互联网金融的爆发特别这几年互联网信贷的快速增长及多元信贷业务的开展,信贷业务特 ...
- 深度学习核心技术精讲100篇(七十九)-深度学习应用实战案例:携程金融自动化迭代反欺诈模型体系
前言 支付欺诈风险是携程金融风控团队的主要防控对象,它一般是指用户卡片信息或账号信息泄露后,欺诈分子利用这些信息在携程平台进行销赃,侵害用户资金安全,给用户和携程平台带来损失. 1. 高对抗性 欺诈分 ...
- 大数据风控---身份反欺诈信贷全流程常用指标及策略
前言 反欺诈的本质更多的是校验借款人的身份,也就是证明你就是你,我就是我.反欺诈也有很多金融术语(参见:https://zhuanlan.zhihu.com/p/26197949),也便于我们更清楚欺 ...
- 【采用】大数据风控---身份反欺诈信贷全流程常用指标及策略
原文地址:https://blog.csdn.net/qq_32123787/article/details/97933493 前言 反欺诈的本质更多的是校验借款人的身份,也就是证明你就是你,我就是我 ...
- 大数据风控实践 - 反欺诈之设备指纹
很多人看见指纹两个字,认为是有特定的设备仪器来采集,类似人的指纹. 设备指纹里的指纹换成ID(唯一标识)更合适. 强ID-手机出厂/使用自带的唯一标识 设备指纹-弱特征生成唯一标识 设备指纹生成 在g ...
- 利用大数据风控教你全栈式实时反欺诈
"很久没有碰到这么大的漏洞了,你们继续,我睡了." 2019年1月20日凌晨1点半,在某"羊毛党"聚集的电报(Telegram,一款社交APP)群里,一位圈内& ...
- 如何借助大数据构建完善的金融风控体系?
传统金融风控主要利用了信用属性强大的金融数据,一般采用20个维度左右的数据,利用评分来识别客户借贷风险,其中包含还款能力和还款意愿.而随着互联网科技的发展,借助更多维数据来识别借款人风险变得关键. 不 ...
最新文章
- P2B: Point-to-Box Network 点云目标跟踪(CVPR 2020)
- 实际工程里的长宽设定
- java 线上运维_一次java应用线上运维实战
- 小程序 array.map_Array.map解释了4个复杂级别:从5岁到功能程序员。
- ImportError: No module named urllib2
- 手写一个动态代理实现,手写Proxy,手写ClassLoader,手写InvocationHandler
- XMLHTTP使用详解
- PHP + ORACLE 远程连接数据库环境配置
- 数电实验三:组合逻辑电路分析与设计
- 为戴尔服务器下载ESXi
- 如何把EXCEL 中的表格复制到WORD 中后不显示网格线?
- android使用线程计时器,计时器的Android线程
- c程序怎样往mysql里面添加字符串指针指向的字符串
- “Stream has already been operated upon or closed” Exception in Java
- 多可文档管理系统_您的框架有多可扩展性?
- 读ElasticSketch笔记
- 解决方案:惠普15-bc012tx笔记本电脑电池掉电快的检测及解决
- 28、Qt 之图形(渐变填充)
- Java Class类文件的结构
- python3爬虫伪装代理IP