10月28日FMI-2018人工智慧與大資料高峰論壇深圳場圓滿落幕,微眾稅銀首席風險官許衛以AI在金融風控領域的實踐應用為主題進行了精彩的分享。

微眾稅銀首席風險官許衛

以下是許衛演講內容，飛馬網根據現場速記進行了不改變原意的編輯（有刪減）：

許衛：很高興來到這個論壇，我今天的主要目的是和大家分享自己在工作中的心得和經驗，希望給大家在今後的職業發展道路上提供一點幫助。如果有些人覺得有點收穫，我覺得就不虛此行。

我主要是做金融的，所以我今天給大家分享的主要是模型在金融領域的細分。

我的工作生態

工作十幾年，在這期間我接觸了很多機器學習的方法和工作，我也做了很多這方面的事情。實際上，在金融風控領域，一個很重要的主題是怎麼樣在人群裡面挑選出優質的金融服務人群，挑選出風險最高的要避免的人群，通過控制風險，極大化收益，做這樣的事情。

以前金融裡面有一個文章叫“Too Big to Fail”，不知道有多少人看過這個電影？金融是關乎國際民生的領域，2008年金融危機的時候，美國有些銀行因為過於激進的策略和方法導致風險集中暴露，美國政府當時花很多錢救援這些金融機構和銀行，後來被很多人詬病說是納稅人的錢買單。這個文章講的這件事情，系統重要性的金融機構影響很大，實際上金融危機後變得比較保守。在新技術的採用上相對科技公司比較保守。這其實對我們在座的各位也是機會。不管是谷歌還是Face book，是國內的支付寶或者是騰訊這邊，先銳的科技公司出來，如果應用到金融領域實際上是有很多空間可以做這件事情的。

我們都知道，美國四大銀行有上百年的以上的歷史，但是美國第一資本銀行30年內就做到第五、第六的位置，靠的是所謂的“量化分析”的技術。它做的這件事情，我覺得對於各位或者對於國內其實有一定的啟發。我還在公司的時候CEO曾經在全公司大會上講過最近幾年招了8000多個軟體工程師，多麼大的市場和投入。

統計模型vs機器學習

傳統的統計方法，最經典的是線性迴歸，比如人群的身高、體重，不同時間點的分佈，在傳統理論裡面是非常簡單的，線性迴歸就可以了，這是非常簡單的傳統方法。

量化分析在金融的應用就比較複雜。選擇麥肯錫當年做的案例，比如說AB是兩個不同的風險區分的指標，現在不同的圈裡有不同的風險人群分析，我們如果簡單做統計分析的模型，如圖所示很難區分出來好壞人群。但是我們的模型裡面如果用機器學習的方法，可以很精準的把好的人群和壞的人群區分出來。這只是舉例兩個維度的結果，現實過程中完全不止兩個，可能有幾百個變數。在金融裡面要花很大力氣研究這些變數到底怎麼相互影響、怎麼相互關聯，怎麼影響到我們的結果。當然機器學習也有些不足的地方，比如可解釋性。給一個新客戶放款100萬，機器學習說這是好的，但不能告訴為什麼是好的，這樣風險部門會認為存在很大的風險。如果這種風險累積，就是很大的風險了。美國的監管部門在這塊也有要求，對所謂的因果關係的理解。

行業應用的梳理

機器學習或者人工智慧在金融行業應用非常廣，去年年底我參加一個論壇，當時請了很多谷歌、亞馬遜等人工智慧實驗室的人來做論壇。為什麼金融公司請這樣的人來？因為人工智慧在金融領域的應用還在方興未艾的階段。

欺詐的識別：如果刷支付寶或者是騰訊的產品，怎麼確認是本人，而不是盜了帳號。有幾種型別：一是開帳號的時候，怎麼識別這個人是不是本人？這種欺詐是對人群的區分。其次，在信用卡或者消費金融的領域，每筆都要識別，如各位有手機，你拿手機還，你上一秒在這裡，幾分鐘之後出現在千里之外，這是不是認為有欺詐？你也要考慮錯誤距離的概念，有可能這個人坐飛機的，可能要考慮時間問題。

欺詐的模型已經用到了機器學習的技術。裡面有個很重要的速率的變數。這個客戶最近這段時間有多少次申請貸款、多少次尋求金融服務，如果非常頻繁尋求，說明對資金的渴求，那麼這個事情你的欺詐就會高。另外客戶填一個表，用多長時間填地址，如果連自己家庭地址都是猶豫不決，寫來寫去，這個時間上也是一個欺詐指標。

營銷的優化：比如第一資本廣告投放一年的預算是10億美金以上，怎麼做到最好的優化，最大的效果。做一個AB test，不同的流程設計，差別都很大。

風險的Credit scoring：對人群的風險進行分類。

運營的優化：在銀行裡面的客服團隊，客戶打電話進來，現在都是語音識別，自動的做回答。在上市公司裡面，很多後臺的服務人員有上萬的團隊，上萬人是巨大的開支。按照演算法進行優化分發，大大節省人力開支，提高客戶滿意度。

前面四個是現在用的非常成熟的或者已經廣泛應用的領域。

統計模型和機器學習的優劣勢

從業務角度講，不管是機器學習還是深度學習還是傳統的方法，都是一個工具，都是為了完成最優的結果，都是為了推動業務的發展。

從工具角度進行比較，統計學習模型，需要很多的假設，不管是服從正態分佈還是貝葉斯理論，這種假設是不是合適，要打問號。另外如果樣本量很小，怎麼從幾十個樣本里推算出規律，傳統模型處理這種問題很多。相應的，機器學習對大資料處理很強。對變數關係，統計學習更多是處理線性關係和一些非線性關係，機器學習處理更復雜的關係能力更強一些。金融裡面處理幾百個變數的非線性關係很好，準確度機器學習很好。我們之前做過一個專案，兩個組同時做模型，同樣的事情，一個組做傳統方法，一個組做機器學習，最後進行比較，機器學習的方法精確度更高一些。如果是非常經驗豐富的人做統計模型，也能夠逼近。

機器學習也有一些缺點，我之前負責過一個專案，小微企業貸款風險建模。最開始的模型用了很多變數，實際上是data driven。發現雖然精度提高了，但是穩定性不夠，實際使用上需要做很多優化。

金融領域需要可解釋性，可解釋性是非常重要的。不能是完全的黑盒子。比如現在做欺詐，道高一尺、魔高一丈，很多欺詐公司是想方設法去找漏洞。所以對這塊的反應速度要求很高，精度要求很高，可解釋性要求就降低了。還有模型的穩定度，穩定度之前解釋過，就不再贅述。還有計算的成本，現在這塊對大家不是特別大的限制，但是後來發現也有限制，因為有些公司資料量也是很大。當模型封裝之後，效率什麼樣，很多時候要求毫秒級別的響應，是不是做到實時毫秒級別的響應，要求非常高。

不同方式的比較（金融建模）

金融建模裡面最傳統的方法是識別人的好壞，最直接的方法是邏輯迴歸。現在流行的是決策樹GBDT。從最傳統的方法講起，當時我們是拿著傳統的SAS做分析，現在Python做分析，發現區別存在，同樣的事情同樣的方法去選，最後選出來的結果不一樣。這很可能導致我對客戶的識別偏差。就需要解釋、搞清楚差別的原因，比如變數選擇，我們拿GBDT做變數選擇，我們選出的變數也不一樣，可能有很大的差別。

當時有一個團隊讓他做各種不同的軟體比較、做分析，把這些東西做歸納。

比如傳統方法，對缺失值處理很嚴謹，每個怎麼做，傳統的SAS R直接略掉這個，這個不好，因為對樣本是一個損失。對現在的方法可能直接給了一個錯誤出來，這是對邏輯負責，對決策樹直接過了，不會給任何錯誤。對分類變數，比如是好是壞，是哪個地方來的，變數之間的關係不是資料存在，或者不存在數值線性的意義。整個變數的impution，怎麼做變數的差值等等，它是不是能自動識別這種變數等等。

二是演算法，是用迴歸、染色迴歸這種傳統的統計方法，還是用彈性網路，可能有很多選擇。

不同模型優化的比較。用的比較多的兩個指標是AUC和KS，這兩個指標大家可能非常熟悉，拿SAS比，發現SAS的結果和其他軟體是比較一致的。這是一個開源的東西，需要對結果做一下檢測。比如我用SAS，我是每年付SAS很多錢，SAS確保這個軟體的結果可驗證，沒有任何問題。但是Python不能給我保證，我必須自己驗證。有的公司沒有這方面要求，因為這個東西風險低，對金融機構，尤其比較大的金融機構是由開源軟體的驗證要求的。

總結

一、現在建模不是簡單跑軟體程式碼，同時也是為了解這個事情之後再做選擇。可能投機取巧的是，我們非常快速找到這種程式碼，不管是幹嘛，很快出結果，所謂調包俠。我們要深入瞭解後面的東西，尤其要理解，只有這樣，才能真正做出有價值的東西。

二、我們現在做了很多開源軟體的評估，對不同軟體進行比較，這也是一個很有意義的事情，一個控制風險，二是幫助深刻理解這些後面的演算法和限制。我們很多時候拿這個軟體，可能都不會去細看，但是實際上這個事情也是十分重要的。

三、最後想從我慢慢走向業務端的經驗來講，我最開始做技術，不斷進行技術方面的學習。我逐漸意識到技術是一個核心的東西，但是真正要做好，也需要加入對資料和整個業務的理解。如果有了這些，加上技術，未來在職業發展道路上就會有更廣闊的天地。

這是我的簡單分享。

關注公眾賬號

【飛馬會】

▼

往期福利

關注飛馬會公眾號，回覆對應關鍵詞打包下載學習資料；回覆“入群”，加入飛馬網AI、大資料、專案經理學習群，和優秀的人一起成長！

回覆 數字“22”吳恩達新書，教你構建機器學習專案：《Machine Learning Yearning》

回覆 數字“24”限時下載 | 132G程式設計資料：Python、JAVA、C，C++、機器人程式設計、PLC，入門到精通~