金融风控入门

金融风控发展

风控是金融机构以及互联网金额的核心价值
- 传统的风控，尤其是信贷风控，多由各机构自己的风控团队，以人工的方式进行经验控制。但随着互联网技术不断发展，整个社会人力成本不断攀升，再加上大数据的快速发展，传统的风控方式已逐渐不能支撑机构的业务扩展
未来金融风控的发展方向
- 是基于大数据风控为主的风控的手段，通过运用大数据构建模型的方法对借款人进行风险预测和风险管理，以数据驱动的风控手段在今后的风险管理中发挥的作用越来越大

大数据风控优势
- 通过采集大量借款人或借款企业的各项指标进行数据建模的大数据风控更为科学有效，随着大数据、云计算、人工智能等技术日趋成熟，这些科技正以惊人的能量改变着传统金融业。大数据风控帮助金融机构降低人工成本、交易处理成本、提升工作效率与风控安全能力
目前数据科学在金融风控领域，主要用于以下三个方向
- 贷前审核
- 贷后管理
- 反欺诈

金融风控流程

金融风控要求技能

技术层面
- 统计学和数学知识：不要求精通，但要熟练基本概念，一般大学所学就够用
- 较强的数据处理能力，数据库Oracle或Mysql熟练运用
- 熟练运用Python或者R其中之一，最好两个都熟练
- 熟练运用机器学习相关算法，除了LR外，还有决策树、随机森林、XGBoost等主流算法
业务层面
- 熟悉金融风控相关知识
- 熟悉主流金融产品
- 对相关场景有一定的了解
- 了解相关监管政策和行业动态

金融风控的核心

金融风控模型介绍

金融风控模型就是评分卡模型，通过将模型预测的违约概率转换为分数，最终利用分数再结合相关策略来决定是否给客户放款

模型开发流程

模型开发原理：
- 信用评分技术是基于数理统计和数据挖掘技术，通过对客户相关历史数据进行挖掘、分析和提炼，找到蕴含在复杂数据中反映消费者风险特征和逾期信贷表现的规律，发展出预测模型，用模型来预测贷款申请人或者现有借款人未来的信贷账户表现，并以评分的形式来综合表现客户未来的风险大小。分数越大，表示客户未来发生违约的可能性越小

传统评分卡

传统评分卡一般指逻辑回归：

p_i = \frac{e^{wx^T}}{1+e^{wx^T}}
其中，w 代表模型变量参数，即系数，x 代表的是自变量的取值
优势：

不足：

机器学习评分卡

传统统计分析模型的应用受到限制。由于机器学习拥有可以不断重新组织自身结构以改善自身性能的特点，解决了传统风控技术的短板，所以成为了大数据风控的必备手段
大量实验结果证明机器学习模型有着良好的鲁棒性和泛化性，比较适合互联网金融中数据分析应用的相关场景
大数据风控已成为互联网金融的核心环节，也成为一个平台的核心竞争力之一
传统模型受限严重：由于互联网数据稀疏性强和单变量风险区分能力弱的特点，使得传统统计分析模型也受到严重限制。此时需要使用新的技术来适应这种新的业务场景。这时，机器学习开始进入互联网金融的历史舞台

解决了传统风控的不足：

优势：

不足：

转行金融风控的建议

技术层面
- 熟悉统计学和数学相关知识
- 熟练掌握和运用python
- 对机器学习常用算法有一定的了解
业务层面
- 了解金融行业，尤其是风险管理相关专业知识
- 对风险管理，尤其消费金融行业的相关背景和产品有一定的了解
- 对具体应用场景，如现金贷和消费分期有一定了解

目前消费金融行业常见产品：

除了现金贷，其余四种都是有具体消费场景的