金融科技助力风控的误区，尤其是这4个，早知早受益

本网讯：金融科技助力风控的误区，尤其是这4个，早知早受益，对于金融机构来说，风控模型和风控体系需要非常有经验的金融从业人士进行把控。比如，银行风控模型的出发点主要是衡量借款方的还款能力，一般来讲，风控模型包含客观性和主观性两部分。

客观性的评判主要依据公司的财务报告、银行流水等可以量化的数据。但只靠客观数据还不够，还要关注公司所在行业是否为落后或将被淘汰的行业，同时公司管理者的经验也会成为影响公司的风险，需要人工进行调查审核。

因此，人在传统风控体系中的作用很大，但靠人审查的风控手段毕竟单一，且人的计算能力有限，对复杂的征信环境缺乏整体的把控能力，无法为长尾客户提供风险定价。

这种的困境对小型企业、个体工商户的影响尤为明显。由于小微企业在财务人员、专业技术人员、管理规范等方面都相对较弱，加之自身资产规模较小、融资难、竞争力缺乏等问题，严重制约小微企业的发展。

以智能风控为代表的金融科技为这些问题的解决提供了方案。随着互联网科技与金融高度融合，金融科技这种轻资产、重服务的网络模式正慢慢渗透到金融模型中，推动金融机构产生变革。

以人工智能、云计算、大数据等技术为基础的科技公司进入金融风控领域，科技与金融的结合日益紧密。传统风控采用评分卡模型和规则引擎等进行风险评分，而智能风控会根据履约记录、社交行为、行为偏好、身份信息和设备安全等特征进行用户风险评估。两种风控方式从操作到场景都存在明显区别，进入移动互联网时代后，智能风控的优势更为全面和完善。

但是，要厘清当前金融科技助力风控的几个误区：

误区一：过度相信科技，认为金融科技可以改变风控的本质

这种想法在前几年非常流行，认为科技会颠覆金融，无所不能。但从实践来看，金融的核心是风控。金融科技时代在金融和科技的关系中金融是主体。无论科技怎么日新月异，金融的本质不会改变，贷款需要还款，投资需要回报。

在2008年美国金融危机之前银行及各金融机构犯的一个巨大错误就是过分相信大数据分析借款人的还款意愿，而忽略了借款人的还款能力。在要求一个月收入8000元的群体每月还款12000元时，无论这群人过去还款记录多么完美、收入多么稳定，所有的数据分析都很难改变高逾期率的现实。杠杆过高、现金流不稳定永远是非欺诈情况下还款的最大障碍

科技可以让银行获得更准确的数据，更好地预测借款人还款意愿的高低，更准确地预估借款人的收入和现金流，更好地设计交易结构让借款客户的收入、现金流流入银行还款账户以达到风险闭环，帮助反欺诈，很大程度降低风险，更准确地实现风险定价。

同时也可以简化银行的决策审批流程，改善客户体验，并实现正向客群选择。但是这些不消除风险的存在，也不会减低实际风险，风险管理的原则包括风险定价不改变。

误区二：金融科技可以帮助金融机构满足所有的融资风控需求

金融科技很大程度上可以帮助社会实现普惠金融，帮助更多的长尾群体尤其是中小企业得到相对低成本的融资。但是不是风控做好了，只要不是欺诈，只要是真实、有场景的消费、经营性融资需求，金融机构就可以满足呢?

显然并非如此。虽然理论上讲风险定价，只要收费大于成本——这里的成本包括资金成本、运营成本和信用损失，融资模式就可以持续进行下去。

但现实中由于监管和金融机构自身的限制，金融机构不可能无限高地收费，如银行收费不能超过基本利率的4倍或24%，其他非银机构不能超过36%。

因此一些高风险客群，即便是有真实场景的融资需求，但由于过度消费或经营没有可持续性，很难通过正规渠道满足融资需求。高风险客群的波动性相对高很多，在设计产品、定价阶段必须进行必要的压力测试。

误区三：风险管理就是风控模型和风控政策，最多加上贷后催收

这是非常大的一个误区。风险管理是一个渗透于业务全流程的管理，从目标人群的锁定、获客渠道、获客方式、产品定价到审批、风控模型直至贷后预警、贷后政策、贷后催收、重组都会直接影响到贷款损失率。

很多时候获客渠道和获客方式已经决定了产品目标人群的风险水平，如果不能进行合理的风险定价，就可能导致产品因缺少合适的目标客群支撑而难以持续运行并最终失败。

优秀的风控人员不但必须熟悉数据，善于运用大数据工具，而且需要了解市场、客群，依靠常识做出正确的判断。风控人员应该参与到业务的每一个环节，把控、预判、管理可能的风险。

同时风控应该是一种文化，需要前中后台的通力合作，每一个人都应具备对风险的敬畏和防范意识。如果仅靠风控模型、风控政策的围追堵截，只会让市场越走越窄。

误区四：模型过度拟合，起不到区分好坏客户的作用

谈到利用大数据、AI技术就很难绕开模型。一直困扰很多机构的是：模型在训练数据上表现非常好，但一进入实战就失去了区分能力。

有的机构明明数据样本充足，数据源有效，并不断地“维护”模型，不断地训练模型，有的甚至每个月拿到新数据都会调整模型变量，这么“努力”，但贷款质量在实战中仍然表现很差，这是为什么呢?很可能是过度拟合了。过度拟合是模型训练太多，用于训练的数据中掺杂了太多噪音。

那么过度拟合是怎么造成的呢?主要原因有两个：一是样本点太少;二是模型太复杂。国内常见的问题是模型太复杂。

完全避免过度拟合是不可能的，但在建模过程中，我们要努力保证模型的稳定性，好坏排序正常且保持分离。需要降低模型复杂度，而且模型中的变量保持较低的相关性。这样的模型在实战、在市场中才会发挥积极作用。

（责任编辑：张旻）