模型对抗时代，金融行业智能化风险经营怎么做？ | 产业安全专家谈 - 新鲜讯息

在精细化运营趋势和AGI技术迅猛发展的情况下，传统基于过去行为预测未来行为的风控策略将局部失效，金融行业业务风控正在由“规则对抗”进入“模型对抗”阶段。如何利用大模型技术打造金融行业数字风控新模式？零售信贷场景当下最为关注的风险经营问题有哪些？

腾讯安全携手未来金融研究所举办“安全先行者”主题研讨，厦门银行零售风险管理部副总经理邹书予、腾讯云金融风控首席科学家李超，围绕数智化时代风控变化趋势，分别基于自身实践经验，分享金融行业风险经营的有效手段及解决方案，助力金融机构探寻风险经营的决胜法则，做好智能化风险经营。

以下为本期安全先行者文字实录：

对话厦门银行零售风险管理部

副总经理邹书予

Q1：厦门银行是如何进行中小微线上信贷风控的？

邹书予：厦门银行通过信贷工厂模式不断推动普惠信贷业务的数字化风控管理。信贷工厂初代模式先解决了标准化进件、审批和贷后管理，但以人工为主，那这种模式在大数据时代难免跟不上客户对效率的要求，以及行内对风控管理的更高要求。因此经过充分讨论后，启动了信贷工厂2.0模式，往智能化风控模式方向进行升级，形成一套覆盖贷前、贷中、贷后全流程的智能化风控体系。

贷前有模型和规则等自动化风控策略，并由人工适当辅助审批；贷中有额度和支用的管理，会适当做额度的调整，同时持续进行模型监控；贷后在资金用途的管理、预警和催收清收等方面，会分别部署相关的智能风控规则或模型。这样一套组合拳下来，覆盖了普惠信贷风控管理的全生命周期。

Q2：可否具体说明信贷工厂2.0模式带来了哪些不同？

邹书予：以普惠金融经营抵押贷为例，信贷工厂2.0模式下在前端进件时客户的尽调信息均实现了数据化，大幅改善了之前主要依赖人工收集信息的繁琐状况；在审批部分，之前人工审批时对申贷资料、审批金额、授信期限和还款方式等授信方案，完全依赖人工经验，那么在信贷工厂2.0模式下，我们运用大数据进开发了申请评分模型，先把客群划分为不同层级，为各级客户提供更适配的授信方案，包括授信额度、期限、增信措施等均匹配各类组合方案，尽可能分层量化风险管理，推动精细化的风险运营。

在贷后管理时，我们也开发了相应的信贷资金用途管理监测策略体系、预警风控策略体系、催清收风控策略体系，同样实现全流程的线上化和智能化运行，初步实现了全流程的智能化风控。

Q3：您认为信贷工厂2.0模式除了实现智能化风控，还有哪些收获？

邹书予：在我看来，我们行在信贷工厂2.0模式的过程中，还实现了三大收获：

梳理了风控数据，包括申贷信息、押品信息、征信信息等内外部风控数据和衍生加工数据，运用我行建立的大数据平台，实现风控数据的分类分级，完善入库及数据清洗加工，并在此基础上开展大数据建模。也正是有效综合了征信、税务、工商、司法等多维度风控数据，最后建模的效果是令人满意的。

沉淀了专家经验，集合了我行总分行各信贷专家在审查审批、市场判断、催收清收的经验开发评分卡，并利用专家经验进行建模，沉淀了有效的风控策略，有效缓解了新产品、新场景下缺少历史样本或者回溯数据的困境，这对小型商业银行而言也是一个可行的从无到有的冷启动方式。

完善了系统交互。“业务即系统”，银行很早就进入到了电子化作业模式，引入各种各样的系统，系统有迭代，系统之间的交互也需要根据业务变化进行升级改造。信贷工厂2.0项目几乎覆盖了与信贷相关的所有系统，包括审批系统、部署风控策略的决策引擎系统、额度系统、大数据平台等等，智能化风控升级改造的过程，其实也是业务流程重新梳理优化的过程，我们不仅打通了多个系统之间大量/实时的数据交互，也缩短了系统使用者与管理者之间的反馈时间，真真切切地提高了风险管理效率。

Q4：具体而言，信贷工厂2.0模式带来了哪些可量化的成果？

邹书予：风控效率方面，信贷工厂2.0模式运行以来，我们大致统计了一下，已经帮助分行的审批岗节约30%以上的工作量，未来有希望能节约甚至超50%工作量，让分行的审批岗同事腾出精力去关注更复杂的“疑难杂症”（信贷业务）或者非标准化的授信方案上；放款岗实现了全流程的线上化放款，也节约了40%以上工作量，现在效率仍在不断提升。

客群优化方面，从资产质量来看，低风险客群增加了20%，高风险客群有效降低了30%，有效提升了客群质量。

对话腾讯云金融风控

首席科学家李超

Q1：IDC近期发布了《中国零售信贷智能风控解决方案市场份额，2023》报告，有哪些观察结论您认为需要金融机构特别关注的？

李超：IDC的报告显示，受零售信贷市场整体复苏影响，零售信贷智能风控解决方案市场总规模有所上升，同比增速15.5%。其中，腾讯云依托天御风控解决方案以14%的市场份额排名第一。

报告提出了几个关键点：

第一，小微信贷的智能解决方案越来越丰富。

第二，受“断直联”影响，部分辅助决策类产品厂商收入规模出现了下降，但金融机构对决策工具类产品的服务需求大幅上升。

第三，金融风控市场明显呈现从策略对抗向模型对抗转变的趋势。

第四，决策工具类产品的国产替代及自主创新升级。

Q2：什么是“规则对抗”，什么是“模型对抗”？为什么说业务风控正在由“规则对抗”进入“模型对抗”时代？

李超： 策略对抗是静态的通用模型配合动态的规则，模型对抗则采用动态定制化模型，是持续迭代、动态变化的过程。具体来讲，在策略对抗时代，互联网厂商通常将数据产品以标准评分的形式提供给金融机构接入到风控体系中，形成联防联控的系统。风控体系迭代时，金融机构需要通过修改自身的规则，来针对不同的黑产和市场情况调整对抗。

在模型对抗时代，以腾讯云天御为代表，将黑产知识库和算法打造成灵活建模的工具平台，金融机构客户不仅可以调整风控策略，也可以通过建模平台快速敏捷地定制适合自身业务需求的反欺诈模型。显而易见，在模型对抗时代最关键的特征就是速度快。

业务风控之所以从策略对抗向模型对抗转变，主要是由于三大变化趋势：

立体防御。银行做互联网展业时，希望有秒批秒贷的零员工参与体验，一旦风控出现纰漏，将面临大规模黑灰产或撸口子贷款用户的攻击，导致重大业务损失。过去零员工的判断单纯靠行内过往历史数据及人行征信数据，很难对用户风险有一个全面刻画，因此，市场普遍开始跟三方数据结合，跟其他科技厂商、互联网平台厂商形成联防联控，构建立体的防御体系。

定制模型。过往机构跟互联网厂商采用通用模型的方式，由于个人贷款已经进入存量竞争的时代，因此，金融机构的重点向优化自身的风控体系转变，逐渐开始针对自身的业务构建定制化的风控模型，并对风控模型进行精细化运营。

持续迭代。过去通过历史数据、历史样本进行建模，预测未来，但近期发现基于历史数据建模的模型，效果衰减速度越来越快，金融机构必须持续地、更快地更新模型，对风控体系进行持续迭代。

Q3：“模型对抗”时代对风控建模的迭代速度提出更高的要求，腾讯安全对此有什么解决方案？

李超：正如IDC中国金融行业研究总监高飞所说，零售信贷场景是大模型时代以 MaaS扩展并构建企业级智能风控能力的重要抓手。

去年7月，腾讯云升级MaaS平台并首次发布金融风控大模型，融合了腾讯安全大量风控建模专家经验，以及过去20多年沉淀的海量欺诈知识与多场景风控模型能力，金融机构借助垂直场景的小量样本提示，就可以自动生成自身业务专属的反欺诈模型。根据测算，基于腾讯云金融风控大模型生产的定制风控模型，相比传统方案反欺诈效果（模型区分度，KS）提升了20%。

Q4：腾讯云金融风控大模型具备哪些优势特征？

李超：腾讯云金融风控大模型具备以下四大特点：

自动化特征回溯。在MaaS里，金融机构可以随时提交回溯任务，T+1拿到回溯结果，整个过程没有人工参与。没有人工参与，就减少了人工带来的delay及人工出错的可能。

一键专家级建模。腾讯云金融风控大模型将腾讯20多年的风控经验集成到自动化机器学习建模的流程中，金融机构可以简单地一键发起不同算法的风控模型，并结合自身金融机构的风险偏好选择适合自己的最优模型，且自动化建模可以实现专家级精度风控。

360度模型评估。提供超越自身样本的模型评估体系，包含所有的风控模型评估指标，覆盖全金融风控细分场景。

全流程自动化。只需要少量提示样本就能自动构建适配自身业务特点的风控模型，从样本收集、模型训练到部署上线的过程不仅全流程零人工参与，建模时间从以往2周缩短至2天。

此外，针对样本积累有限、新业务上线“零样本”的企业，金融风控大模型可以依靠自己的“知识积累”，高效解决AI训练难题，快速构建泛化能力好、契合业务需求的风控模型体系。例如某汽车金融公司，在只有较少样本的情况下，通过腾讯云金融风控大模型完成了定制化风控建模，建模时间节省了70%，建模效果提升了20%。

- END -