【40分钟速成智能风控4】传统风险管理体系

目录

人工审核

纸质材料评估

电话回访

线下走访尽调

专家模型

业务规则库

专家调查权重法

熵权法

随着大数据和机器学习技术的发展与成熟，智能风控已经逐步取代传统风控，成为国内互联网金融机构主流的风险管理模式。一方面，传统风控是智能风控的基础，只有了解了传统风控的方法论，才能帮助大家更好地学习智能风控的相关内容；另一方面，传统的风险管理体系中有许多值得我们借鉴的理念和思想，并且它们在一些特定的风控场景中仍然适用。因此，作为风控领域的从业人员，只有同时掌握了传统风控和智能风控两方面的知识，才能够因地制宜，面对不同的问题制定最合适的解决方案。

人工审核

信贷业务刚刚开展的早期，由于金融机构信息化建设较为落后，人工审核几平是核验借款人资质和意图的唯一方式，信审团队的人员质量直接决定了机构的放款额以及逾期率。对于信审专员来说，他们的职责主要包括检查借款人提供的材料是否齐全，通过电话或者线下的方式核验借款人提供材料的真实性和完整性，实施审批策略并且给出相应的风险定价。从职责可以看出，信审专员主要也是从信用风险和欺诈风险两方面来评估借款人的申请，其中提供的纸质材料可以帮助信审专员衡量客户的信用情况，而利用电话回访或者线下走访调研的方式，则可以进一步搜集信息来确定客户是否有欺诈的可能性。智能风控时代的系统和模型，也正是借鉴了信审专员这两方面的思考路径。

纸质材料评估

早期贷款申请的第一个步骤便是由客户提供一系列的纸质材料，包括个人信息表、身份证、户口本、银行流水、收入证明、征信报告等，部分类型贷款还需要营业执照、房产证明或其他担保证明。这些材料的核心用途是帮助信审专员了解客户，并且评估出客户的信用状况。

个人信息表、身份证、户口本可以证明借款人的客户属性，银行流水和收人证明主要衡量了借款人的消费能力和还款能力，征信报告则直接反映了借款人的征信历史，这些都是信用风险管理中的重要评估指标。而对于大额的贷款产品，例如经营贷和房贷，则需要借款人提供更多的财产证明或者担保材料，这样信审专员才能进一步把控风险，必要时通过收取借款人的抵押物和担保物来降低损失。

电话回访

对于早期的大多数贷款申请，搜集纸质材料之后一个必不可少的环节就是信审专员的电话回访。电话回访的主要目的是核实借款人提供的材料的真实性，有时会通过联系借款人身边的朋友或者公司的同事来搜集更多关于借款人的信息，以此判断是否有信用风险和欺诈风险。对于电话回访，信审专员通常会有一套标准的问题清单和评价体系，根据借款人在电话中的表现来判断是否继续放款流程。

通常这些评价体系会围绕如下几个方面：及时接听情况，电话中的语气，回答的流畅程度和准确性，是否有其他负向信息等。一旦借款人在接听电话过程中出现异常行为，信审专员便有理由怀疑这笔贷款的申请目的，给出一个较低的额度甚至拒绝审批。对于贷款额度较大或者信用评估较低的客户，信审专员还会回访借款人身边的人，通过交叉比对的方式来证明材料的真实性和完整性。

线下走访尽调

线下走访尽调是在经营类贷款和小微企业贷款中比较常见的风险管理方式，目的是实地了解借款人名下企业的经营状况和信用资质，避免材料造假的行为。相对于个人信用，企业信用的评估维度更多，且实际经营状况和行业情况都是纸质材料和电话回访无法看到的，这就需要信审专员对企业进行实地走访，通过暗访或者图片、影像的方式搜集更多真实的企业信息，从而规避材料造假和不完整所带来的欺诈风险。在智能风控时代，由于企业类的数据仍然存在着难以获取和验证的问题，因此线下方式仍是目前企业贷款风险管理中不可或缺的一个环节。

专家模型

在传统的风险管理体系中，除了依靠一线信审专员的人工审核外，还离不开制定审批策略的业务专家，他们是整个信审团队的大脑。业务专家的主要工作是制定贷款审核初期的政策规则和风控规则，并且通过分析逾期案件和行业动态，进一步调整审批策略。这些业务专家大多是基于多年的信审和行业经验来制定规则，也有少部分人将这些经验抽象成了数学公式，这也成为了最早的风控模型。

业务规则库

形成规则库是专家模型中最简单也是最直观的方式，业务专家将多年的行业经验总结成一条条规则，提供给信审专员，用来比对借款人的资质和审核贷款流程。业务规则库通常包括政策规则和风控规则两方面。政策规则通常根据机构或者监管部门的硬性要求来制定，借款人的年龄和贷款的最高利率都属于这一范畴。政策规则通常较少，一旦制定很少会变动。风控规则则更加多样和复杂，业务专家会从客户属性、还款能力、资产状况、信用历史、黑名单等多个维度来衡量和制定规则，大型的金融机构的风控规则甚至多达上千条，力求面面俱到，涵盖各类客群和贷款产品的信用风险以及欺诈风险。

由于业务规则存在较高的误拒率，在智能风控的体系中，除去白名单准入和反欺诈黑名单这两个硬性环节，其他风险管理环节都更建议利用模型的方式对借款人做出更精准的识别。

专家调查权重法

随着规则库的不断增加，部分业务专家也开始考虑将多个弱指标融合成一个指标，这样可以解决单个弱指标制定的规则区分度不强的问题。在具体实施过程中，专家团队被要求独立地填写调查问卷，选取自己认为重要的指标并赋上对应权重，最后由大家讨论确定权重模型。当专家团队的意见出现较大分歧时，可以加入一个组织者的角色，负责汇总每轮专家团队的意见并且总结出重要问题，制成下一轮的调查问卷并发放，通过多轮调查的方式使团队逐步达成统一的意见。专家调查权重法（Delphi Method）通过一种比较合理的方式集合了团队内多位专家的行业经验，给借款人提供了一个定性的指标。

在某城商行POS贷项目中，由于行内没有POS贷业务的历史数据，项目组采用专家调查权重法，邀请行内4位业务专家对白名单模型涉及的6个指标进行赋权，平均4位专家的调查结果得到最终各个指标的权重。

熵权法

专家调查权重法还是更多依赖于专家团队的主观意见，这就可能造成给出的定性指标有可能脱离于当前业务的实际情况而存在的问题。为了杜绝这种经验主义，更为量化的熵权法（Entropy WeightMethod）被引人风险管理的场景中来。

在介绍嫡权法之前，我们需要先了解下熵（Entropy）的概念。熵最早来自于热力学，是衡量一个体系中混乱程度的指标，嫡越大则说明这个体系越混乱。信息熵（Information Entropy）则借鉴了这个概念，用来描述一个事件所包含信息量的期望。如果一个事件中的某种可能情况发生概率过大，则这个事件的整体离散程度较小。即平均信息量较小。

根据信息熵的定义，可以利用嫡值来确定某个指标的权重，嫡值越小则说明这个指标的信息量越大，对于综合评价的影响也越大。如果某个指标的所有值相同，则对于综合评价没有任何影响。

print('要天天开心呀')