智能风控实践指南

内 容 提 要
随着人工智能技术的进步和消费金融行业的快速发展，智能风控已经成为金融行业的刚性需求。本书围绕智能风控的关键环节一一展开，同时结合具体的智能风控实例进行解析。
本书共6章，主要内容包括智能风控的发展，搭建智能风控模型体系，搭建风控特征画像体系，搭建智能风控策略体系，智能风控与人工的结合，以及智能风控管理。
本书适合银行、消费金融与保险等领域信贷风控模型开发人员、特征挖掘人员和策略分析人员，以及金融科技领域从业者、咨询行业从业者和其他对智能风控感兴趣的人阅读。

蒋宏，资深模型算法工程师，超过10年风控和模型算法经验，对信贷风控领域包括欺诈风险、信用风险、*优化决策有深入研究，对数据挖掘、机器学习有深入洞察和实践经验，拥有多项模型算法相关专利，具备丰富的风控模型团队管理经验，曾任职德勤信息技术咨询顾问、百融风控模型团队副总监。

经验丰富的专家写作，融360大公司真实案例写作基础，基于Python，模型、特征、决策 3维度讲解智能风控实践，多种算法、可落地的案例代码以及解决方案，16位专家推荐

囊括了信贷风控的模型、特征和策略三大主要内容，相较于单一介绍某个部分的书籍更能揭示全流程风控中智能算法应用面貌；

以方法论紧密结合智能算法，再配合金融科技一线业务实践案例实现，相较于单独的算法介绍或者理论分析，更具有实操性；

以金融科技领域领先的智能风控算法应用作为标准，相较于传统信贷风控方法，更具有先进性；

以人工智能流行的Python语言实现书中的各类案例，更符合智能算法语言发展的趋势；

作者是业界深耕金融风控多年的融360团队写作，内容更专业和具有实战意义。

序四

风险管理是金融机构运营管理中的重要环节。传统金融风控主要依靠人工审核，以主观经验分析央行征信资料和客户提交的资料，存在效率低下、精度不够的痛点。面对不断提高的监管标准，利用金融科技提升智能风控能力是金融机构的必然选择。
智能风控涉及大数据、人工智能、云计算等多项技术。智能风控需要将数据和算法作为技术核心应用于风险管理。随着多元化的消费需求不断涌现，以及消费金融行业的快速发展，智能风控缺口巨大，优秀人才更难寻。
这是一本手把手教你成为优秀的智能风控全栈专业人才的书 !
本书结合智能风控一线从业人员的经验，解读了智能风控领域的三大核心组件—特征、模型和策略。对于每一部分，本书又从整体理论框架、智能方法和应用体系搭建 3个方面进行了详细阐述。本书结构清晰、完整，内容翔实，具有理论与实践相结合特点。
本书包含大量实用的示例代码，读者可以参考并使用。作者对智能风控团队管理的思考值得读者借鉴。无论是智能风控方向的算法工程师、分析师，还是具备管理职责的经理人，都能从本书中获益。
—肖勇波
清华大学经济管理学院教授





序五

风控是金融的核心，而智能风控是前沿热点。智能风控的内涵是什么？本书鲜明地指出，智能风控不仅仅是一种技术，更是贯穿产品设计、数据、模型和决策，甚至制度的风险管理体系。
本书内容翔实，结构清晰，从业务全貌到技术落地，再延伸到业务决策，最终升华到文化制度。
1）在业务层面，本书对业务场景、风控流程体系的介绍相当完整，可拓宽模型人员的知识边界。

2）在技术层面，本书不仅介绍了标准规范的建模流程，还剖析了机器学习、图网络等算法。同时，本书兼顾理论和实践，配备代码，适合读者实操。本书是融 360模型团队多年实践经验的系统总结，是一本相当不错的书，值得大家细读。


—冯海杰（知乎 ID：求是汪在路上）360数科高级模型算法工程师


序六

现代社会的每一个市场主体都有可能存在资金需求，需要向金融机构借款，如个人消费、企业经营等场景。金融机构在授信放款之后将面临借款人违约带来的信用风险损失。如何量化评估信用风险成为每个金融机构需要解决的核心问题。信息不对称问题导致金融机构无法轻易了解借款人的全部实际情况，因而通过多个维度的数据，应用先进的机器学习算法，对借款人的违约概率进行量化评估就显得尤为重要。
随着移动互联网的成熟，用于评估违约风险的数据已经从传统的征信报告扩展到了各类征信替代数据，个人金融服务场景也从线下转移到线上，这些都促进了金融风险管理的快速发展。在这个背景下，融 360模型团队基于其在消费信贷领域的经验，介绍了智能风控在业务落地过程中各个环节的方方面面，并结合实际案例进行了说明，编写了一本高质量的智能风控参考书。
我与本书作者之一蒋宏相识于 2017年，当时他已经在国内头部风控咨询公司管理风控团队，从事信用评分和风险管理相关的咨询工作，拥有丰富的实践经验，相信读者能够通过本书了解智能风控在消费信贷领域的应用，从而在未来为风险管理的发展做出贡献。
—谢士晨
名古屋大学博士
R包scorecard（Python版本scorecardpy）作者

第 1章　智能风控的发展／ 1
1．1　早期的风控技术／ 1
1．1．1　基于人工经验的风控／ 1
1．1．2　传统统计量化的风控／ 2
1．2　初识智能风控／ 2
1．2．1　智能风控的定义／ 3
1．2．2　智能风控的发展／ 3
1．2．3　与传统风控对比／ 4
1．3　智能风控主要应用／ 5
1．3．1　应用于营销环节／ 6
1．3．2　应用于贷前环节／ 6
1．3．3　应用于贷中环节／ 7
1．3．4　应用于贷后环节／ 8
1．4　本章小结／ 9
第 2章　搭建智能风控模型体系／ 10
2．1　模型概述／ 11
2．2　模型开发方法论——构建好样本／ 13
2．2．1　问题定义／ 14
2．2．2　样本的选择和划分／ 18
2．2．3　模型架构设计／ 20
2．2．4　数据准备和数据描述／ 21
2．2．5　数据预处理／ 24
2．3　模型开发方法论——构建好模型／ 33
2．3．1　特征选择／ 33
2．3．2　特征提取／ 44
2．3．3　模型训练、概率转化和效果评估／ 46
2．3．4　模型部署及上线验证／ 54
2．4　常用风控建模智能算法／ 56
2．4．1　基础学习算法／ 56
2．4．2　集成学习算法／ 65
2．4．3　深度学习算法／ 74
2．5　模型迭代优化／ 81
2．5．1　模型融合角度／ 82
2．5．2　建模时效角度／ 85
2．5．3　拒绝推断角度／ 86
2．6　风控模型体系搭建／ 92
2．6．1　营销阶段的模型／ 92
2．6．2　贷前阶段的模型／ 93
2．6．3　贷中阶段的模型／ 94
2．6．4　贷后阶段的模型／ 95
2．7　模型监控和异常处理／ 96
2．7．1　模型监控和预警／ 96
2．7．2　模型异常处理／ 100
2．8　本章小结／ 100
第 3章　搭建风控特征画像体系／ 102
3．1　特征挖掘概述／ 102
3．2　特征挖掘方法论／ 103
3．2．1　原始数据分析／ 103
3．2．2　数据清洗／ 104
3．2．3　中间数据集构建／ 109
3．2．4　特征的设计和生成／ 115
3．2．5　特征评估／ 124
3．2．6　特征上下线／ 126
3．3　 特征挖掘智能算法／ 127
3．3．1　特征衍生／ 127
3．3．2　文本特征挖掘／ 132
3．3．3　图特征挖掘／ 142
3．4　风控特征画像体系的搭建／ 148
3．4．1　营销特征画像／ 148
3．4．2　贷前特征画像／ 149
3．4．3　贷中特征画像／ 153
3．4．4　贷后特征画像／ 155
3．5　 特征监控和特征异常处理／ 155
3．5．1　特征监控／ 155
3．5．2　特征异常处理／ 156
3．6　本章小结／ 157
第 4章　搭建智能风控策略体系／ 158
4．1　风控策略概述／ 158
4．2　风控策略方法论／ 159
4．2．1　规则分析方法／ 159
4．2．2　模型策略分析方法／ 169
4．2．3　额度策略分析方法／ 178
4．2．4　A/B测试／ 183
4．3　风控策略智能算法／ 185
4．3．1　规则挖掘智能算法／ 185
4．3．2　决策优化智能算法／ 189
4．4　风控策略体系的搭建／ 195
4．4．1　营销策略／ 195
4．4．2　贷前策略／ 196
4．4．3　贷中策略／ 201
4．4．4　贷后策略／ 202
4．5　风控策略的监控、预警和异常处置／ 203
4．5．1　风控策略的监控与预警／ 203
4．5．2　风控策略异常处置／ 207
4．6　本章小结／ 208
第 5章　智能风控与人工的结合／ 209
5．1　机器学习的局限性／ 209
5．1．1　数据不足／ 209
5．1．2　可解释性低／ 210
5．1．3　因果难区分／ 210
5．1．4　模型自身的风险／ 212
5．2　发挥人的价值／ 212
5．2．1　异常识别／ 212
5．2．2　案例研究／ 213
5．2．3　黑产对抗／ 213
5．3　决策方案的选择／ 214
5．3．1　完全智能决策／ 214
5．3．2　部分智能决策／ 215
5．4　本章小结／ 216
第 6章　智能风控管理／ 217
6．1　建立持续复盘机制／ 217
6．2　制订风险预防和应对措施／ 218
6．3　制订存档管理措施／ 218
6．4　建立透明的沟通渠道／ 219
6．5　建立工作体系标准／ 220
6．6　应用团队协作工具／ 220
6．7　本章小结／ 222
参考文献／ 223