下载掌阅APP，畅读海量书库
立即打开
机器学习在现代金融体系中发挥着重要的作用，以互联网金融为例，机器学习存在于金融风控流程的各个环节中。金融风控流程和金融业务密切相关。按照借款人的借款目的来划分，金融业务可以分为消费贷款、供应链贷款、融资租赁等。按照借款人的担保情况来划分，金融业务可以分为一般信用贷款、车辆抵押贷款、房产抵押贷款等。按照金融业务的互联网属性来划分，金融业务可以分为线上业务、线下业务，或者两者相结合的业务，线上业务指的是借款人的所有申请步骤都可以在互联网平台上完成；线下业务指的是业务的开展主要依靠线下实体门店的业务员。
金融风控流程一般分为贷前审批和贷后管理。贷前审批主要关注客户是否满足借贷的要求，而贷后管理则关注贷后催收等工作。
以典型的线上信用贷款涉及的金融风控流程为例，风控流程的几个主要模块如图1.1所示。
图1.1 典型金融风控流程示意图
图1.1中，几个核心模块的主要功能如下。
（1）客户申请：客户通过网页或App填写申请资料后，将客户的相关信息传至后台评估。这个阶段采集资料，一方面是为了获得客户的基本信息，如姓名、身份证号、手机号、家庭住址、工作地址、职业、教育程度和收入等，为后面的风控审核做好准备；另一方面，可以把一些简单的反欺诈环节前置，如通过人脸识别，判断照片和身份证的匹配程度，判断照片和公安部数据的匹配程度，以及判断申请人是否是真实的申请人本人而不是照片或预先录制的视频等。
（2）业务准入：为了简化申请步骤和减少风控成本，可以在录入客户信息的同时，根据App前端实时获取的信息，提前判断客户是否满足贷款业务的基本要求。例如，年龄是否低于或高于阈值，是否为在校学生，是否有稳定工作等。如果客户不满足贷款业务的基本要求，可以提前中断客户的申请。
（3）反欺诈：将收集的客户数据传入后台后，首先需要判断客户是否有欺诈的嫌疑。例如，客户的姓名、身份证号、手机号是否匹配，家庭地址或工作地址是否核验成功，过往在其他平台的借贷次数是否过多，是否和黑产中介或高危客户的社交关系过于紧密等。
（4）信用评估：通过反欺诈审核的客户，会再次进入信用评估阶段。信用评估涉及客户属性（如性别、收入、教育程度等）、社交数据、电话通话行为数据、网络浏览行为数据、多平台借贷历史数据、历史逾期记录和消费数据等。
（5）客户审批：根据信用评分或规则结果做出审批决策，批准或拒绝客户贷款。
（6）信用政策（客户定价）：对于批准的客户，针对不同的业务类型，批准贷款金额。具体的贷款金额可以对所有客户保持一致，也可以根据客户的信用评分批准不同的贷款金额。
下面章节的讨论中，主要阐述机器学习在风控建模运用中的几个重点方向。