伴隨著全球金融一體化進程的加快，金融機構的經營環境日益復雜，面臨的風險進一步加大，對風險管理能力提出了更高的要求。大數據、人工智能、云計算等新一代信息科技的高速發展，驅動著包括金融業在內的經濟社會各領域加速向數字化、智能化的更高階段發展。在此背景下，各金融機構都在努力謀求轉型升級，以金融科技作為提升效率、控制風險的有效手段。

傳統的風險管理體系以專家經驗評估為主，存在數據獲取維度窄、量化分析能力偏弱、精細化程度低等缺點。在數字化轉型的背景下，傳統的風險管理模式已無法滿足全面風險管理的需求。以大數據、人工智能為代表的新技術的發展為現有風控領域相關問題的解決提供了很好的契機。一方面，大數據技術通過整合大量數據，包括金融機構內部的數據和外部第三方機構的數據，從多維度對客戶進行全面評估，極大地提升了對客戶評估的精準度，促使傳統模式下難以度量的風險顯性化，提升風控能力；另一方面，憑借強大的計算能力和先進的人工智能算法，對弱變量數據進行整合以及信息提取，提升風控模型的精準度和人群覆蓋度，建立主動、實時響應機制，提高風險管理的效率?？梢哉f，利用大數據、人工智能等技術建立智能風控體系，已成為互聯網金融時代下金融機構塑造核心競爭力的重要舉措。

智能風控的基本認知

（一）智能風控的定義和內涵。目前業界對于智能風控內涵的理解比較多樣，缺乏清晰標準的定義。隨著人工智能發展進入落地階段，對于“智能”的定義已不局限于大數據或者人工智能等單一技術的應用。下表整理了業內較為知名的智能風控企業對于智能風控的理解和表述：

我們可以將智能風控定義為：綜合運用大數據、人工智能、云計算等先進的技術手段，以數據驅動風險管理，達到風險管理流程的智能化轉型，提升風控自動化程度，在有效降低風險事件發生概率和損失的前提下，降低風控成本，擴展金融服務的覆蓋人群。

智能風控注重對多種技術的綜合應用。通過廣泛應用多元化的技術，最大程度規避單一技術的缺陷，同時打通各個業務環節，實現風險管理的自動化閉環，有效提升風控水平和風控效率。目前，大數據、人工智能、云計算是智能風控的代表性技術，這些技術優化甚至顛覆了傳統風控的管理流程，加速了智能風控的應用落地。這些技術互為融合，又各有側重。比如，云計算提供了充足的基礎算力和靈活的算力分配；大數據技術打破數據孤島，整合多維數據，并提供大規模數據分布式計算以及高效實時的流式計算能力；人工智能則在大數據技術的基礎上，通過生物特征識別、機器學習、自然語言處理、計算機視覺和知識圖譜等手段，實現風控決策的模型化和自動化。

（二）智能風控在金融業的發展格局。作為典型的數據密集型行業，金融業與大數據的關聯極為密切，每一輪信息技術發展也對金融業起到了極大的變革作用?；诖髷祿?、人工智能的智能風控，也天然地在金融業中找到了極佳的落地場景。目前，大型商業銀行、股份制商業銀行、城商行、農商行以及互聯網金融機構等，均在智能風控領域有所動作，但涉足的深度和研發的力度參差不齊，呈現梯隊式發展格局。其中，以微眾銀行、網商銀行、新網銀行為代表的互聯網金融機構，脫胎于互聯網科技公司，對技術的推崇以及強勁的創新動力使其成為大數據時代金融機構風控智能化的先鋒隊。通過先進的技術平臺、巨大的場景流量來源、靈活的組織架構，互聯網金融機構率先完成智能風控在某一業務場景下的閉環應用，并進行了能力和模式的輸出。大型商業銀行與頭部的股份制商業銀行由于資金實力雄厚、品牌認知度高、人才儲備較充分，通常采取自主研發的技術模式，并與金融科技巨頭強強聯合，將自身在網點、客戶資源、金融數據、資金等方面的優勢，與后者在流量、場景等優勢結合，維持自身領頭羊的角色。其他中小金融機構受制于人才、資金、技術、機制、客戶數量、管理層認知等因素，智能化轉型步伐快慢不一，但大多在智能風控體系自主建設方面困難重重。不少金融機構采取了被動跟隨策略，依賴外部金融科技公司產品化的解決方案，實現對智能風控的應用。從短期看，這對于業務數據的快速積累和智能風控新模式的熟悉有所幫助，但也容易讓金融機構產生“惰性”和“依賴性”，如果未能及時、積極、主動地進行智能化風控能力的自主建設，則必然會限制金融機構自身的可持續發展。

智能風控對金融機構轉型的影響

（一）促進金融機構業務高質量發展。智能風控的應用能夠改善金融機構風險被動管理的局面，在貸前客戶準入、貸中風險評級、貸后風險預警和逾期催收等全信貸周期風險管理流程中進行科技賦能，能夠幫助金融機構主動發現高風險客戶，為不同的客戶匹配與其風險級別相對應的額度和利率，實時發現客戶的異常行為，及時預警，提高風控系統評估準確率，有效降低不良率，改善金融機構資產質量。智能風控還能夠降低人工的不穩定性因素。比如，有研究顯示，信貸審批員的情緒與審批員的審批決策行為之間存在一定的相關性，而智能風控系統的運用，可有效降低風控流程中對人工的依賴，減少人為審批評估失誤而導致的不良。

（二）促進金融機構業務普惠化發展。智能風控模型可完成對無征信記錄人群的信用評級，擴大金融服務范圍，促進金融機構業務普惠化發展。近幾年來，國家大力推行普惠金融事業，頒布了一系列政策來促進普惠金融發展。一直以來，金融機構零售業務的主要目標客戶是央行有征信記錄的客群，但目前征信信息覆蓋面還比較低，這部分客群基本上被排除在金融機構信貸服務范圍之外。另外，由于普惠金融客群較為下沉，單筆信貸金額小，分散程度高，在傳統的風控體系下信貸成本很高，也導致金融機構難以為這些長尾客群提供有效服務。而智能風控體系可以充分利用各類第三方數據，利用人工智能算法對各種弱變量進行有效整合，提取高維信息，從而有效識別風險，并實現授信的自動化，將風險和成本控制在可承受范圍內，加快金融機構普惠金融發展。

（三）促進金融機構集約化發展。智能風控可以提升金融機構審批效率，短時間完成大規模的信貸業務審批，給客戶提供良好的貸款體驗，實現人性化、集約化業務管理。傳統金融機構的信貸審批具有多層級流程化的特征，從申請到放貸需要多個工作日。相比之下，運用智能風控的信貸審批，一般可以實現分鐘級甚至秒級的放款。利用人工智能技術和大數據技術，可以高并發同時處理大規模的信貸業務申請，在實現信貸集約化管理的同時也為客戶提供了良好的信貸體驗。

由于人工智能對原來風控領域的人力決策產生了替代，所以風控領域人力崗位會被削減，人力數量也相應減少。根據波士頓報告，到2027年，中國金融業就業人口可達到993萬人，其中23%的工作崗位會受到人工智能帶來的顛覆性影響，削減或轉變為新型工種。在風險管控和審核領域，風險審批將會減少22萬個服務崗位，貸款催收和風險審核分別減少2萬個工作崗位。風險管控和審核環節有62%的工作時間縮減。除此之外，模型自動定價等過程具有無紙化、自動化和電子化特征，為金融機構節約了紙張、掃描儀器、憑證庫房、監控設施等成本。

構建智能風控體系存在的困難

智能風控體系建設是一個長期的過程，各家金融機構唯有認清自身的不足，才能有的放矢。目前中小金融機構在構建智能化風險管理體系方面的源頭性障礙或不足主要有以下幾點：

（一）風險管理理念仍以經驗驅動為主。許多金融機構多年來遵循固有的風險管理體系，不論是事前風險評估、事中監測還是事后催收，主要還是憑借各級風險條線人員的個人經驗進行決策和審批，并且主要是以合規性、滿足監管要求為導向，而缺乏對風險發生概率、風險收益對價測算等量化指標的主動評估和監測。應該說，經驗驅動的風險管理方式在客戶數較少、單筆授信金額較大的情況下，表現出較高的優越性，比如處理靈活、方向調整迅速、對風險對象了解透徹等。但隨著金融機構資產規模上升、客戶數量增加，疊加數字化、移動化、智能化時代背景，金融機構想要更好地持續發展，原有經驗驅動的風險管理理念已經開始顯得捉襟見肘。一是科技快速發展導致各類新型風險層出不窮，企業經營模式、商業模式發生了巨大變化，舊有的經驗不一定能夠準確判斷風險。二是經驗驅動的方式效率較低，人力成本高。隨著資產規模擴大、客戶數增多，會出現人手緊張、風險評審和處置速度慢的狀況，無法為業務的可持續快速發展提供有力支撐。三是經驗驅動的方式精細化不足，導致差異化定價能力較弱，只能在一些低風險領域開展業務，造成利差較小，利潤率不高。四是經驗驅動的風險管理模式無法支撐零售業務的快速拓展，在金融服務競爭日益加劇的當下，不進則退，零售市場的優質客群有限，先發者優勢明顯，緩慢的增長其實就意味著將市場拱手讓人。

雖然中小金融機構已經在逐步嘗試建立風險管理量化體系，但實際進展緩慢。這既有數據積累不足等客觀原因，也有經驗驅動的風險管理理念根深蒂固的主觀原因。因此，應該勇于打破原有理念、積極接納新觀念，并融入風險管理的實踐當中。

（二）數據基礎較為薄弱，數據治理相對滯后。智能化風險管理體系是以先進的信息技術驅動的風險管理體系。智能化技術的基礎是數據。大數據時代，數據是寶貴的資產，對于信息密集型的金融機構業來說更是如此。如果說石油是工業時代的血液，那么數據就是智能時代的養料。數據是構建智慧型質量管理體系的基礎和源泉，數據的規模和質量也最終決定了這一體系的“智商”所能達到的高度。

從目前的情況來看，中小金融機構的數據基礎仍較為薄弱。具體表現為幾個方面：一是數據積累的時間長度不夠。中小金融機構建立較為完整的信息化系統時間并不長，存儲的數據時間甚至都還沒經歷過一個較大的經濟周期，這對于建立風險計量模型來說是相對欠缺的。二是客戶基礎相對薄弱，有效客戶數總量較少，導致進行客群細分之后，某些類別的客戶樣本數很少，無法進行有效分析。三是數據治理仍差距較大。比如，缺乏數據資產目錄，金融機構內部有哪些數據，數據歸屬部門是誰等等沒有一個全局性的統一目錄管理，不利于跨部門溝通和知識的傳遞；數據的定義和統計口徑不規范，數據人為調整的主觀性較強，容易出現前后不一致的情況，不利于準確判斷和決策。

（三）知識體系相對落后，人才隊伍建設有待完善。不論是經驗驅動也好，智能驅動也罷，其關鍵還在于人才。金融機構不乏實戰經驗豐富的風險管理人員，對于金融機構內外的規章、政策、法律等了然于胸。但由于長期以來，風險管理以經驗驅動為主，以監管合規為導向，缺乏風險計量的實踐，因此熟悉并能應用數理模型、統計學等方法的人員十分匱乏，對于新興人工智能技術熟悉和了解的更是少之又少。大多風險管理人員數據分析能力不足，對于數據的分析和理解能力主要還是限于簡單的描述性統計分析，分析的深度不足，無法處理多維度、高復雜性的數據關聯性問題，對數據隱含的內在信息價值挖掘不夠，而且容易犯統計分析中常見的幸存者偏差、偽相關等問題，導致得出的結論不準確甚至相反。

另外，風險管理人員對于科技的理解不到位。就如同比爾·蓋茨說的，對于科技所能引發的變革，人們總是“高估了未來一到兩年的變化”，而“低估了十年所能帶來的變化”。許多風險管理人員對于科技的期望存在一定的偏差，誤以為某項新科技一旦應用即能發生翻天覆地的變化，而一旦受挫或短期成效不佳則對于科技的預期又落入谷底，從而缺乏對于科技戰略性、持續性的關注和投入。同時，對于新信息科技工具的不了解或了解不足，使許多風險管理人員無法在實際的業務處理過程中自覺、主動地發現科技嵌入的方式，從而影響其引領部門進行持續的轉型升級，實現從量變到質變的過程。

構建智能風控體系的幾點建議

（一）注重風控數據積累，強化風控數據治理。數據是智能化風控體系的基礎“養料”。目前中小金融機構的數據基礎普遍較為薄弱。因此做好數據治理工作、提高數據質量對于充分發揮數據要素的生產力顯得尤為重要。

數據治理應該堅持數據標準先行。目前金融機構內部數據來源多頭，定義不一致，格式不統一，導致部門間的“數據孤島”，造成數據應用困難，所以數據治理要堅持標準先行原則。同時，數據治理應該建立數據質量檢驗核查、落實數據質量考核評價和問責機制。數據治理的最終價值，將從數據應用體現出來。數據治理需要以提升數據資產價值、增強數據應用價值為導向，明確數據治理的目標，了解數據在哪里、為什么用、怎么用，才能真正實現基于數據驅動的智能風險管控。

（二）加強外部合作，提升自身“內功”。第一，與行業領頭羊合作，以業務發展帶動風控變革。由于中小金融機構數據基礎較為薄弱，且人員缺乏智能風控的經驗，單憑內部探索以及自我改革不僅見效緩慢，而且阻力重重。目前，市場上已經有一些在智能風控領域運作較為成熟、技術較為先進、經驗較為豐富、數據較為多樣的金融科技公司，可以通過與之合作，借他山之石，為我所用。與金融科技公司的合作一方面可以拓展業務，帶來直接的利潤收入、看到實際的成效；另一方面，可以在合作中進行理念的碰撞，學習金融科技公司的創新意識、建模方法、運營方法等，對風險管理變革起到“鯰魚效應”，最終實現獨立自主的智能風控能力。應該注意的是，與金融科技公司的合作應該秉持一個生態共建、互利共贏的原則，從產品設計、渠道建設、聯合建模、運營管理等方面進行合作，最終實現知識的轉移和理念的重塑，而不是走捷徑，從一開始就僅僅為了流量以及短期的業務上量而去，這樣是無法實現可持續的發展，自身的“內功”也得不到提升。第二，與科研機構共同探索，實現從跟隨到領先的跨越。業界更注重應用以及實踐，而高校等科研機構則具有較強的探索能力，并對于前沿的技術以及方法保持較高的關注度。業界目前使用的大多數方法都是由學術界率先提出并加以完善的。由于數據分析、風控建模是一門實用性較強的學科，從前沿探索到實際的落地應用所經歷的時間和鏈條短，因此，保持與學術界的聯系，共同探索前沿領域的方法應用，有助于自主風控能力的快速提升，實現從跟隨到領先的跨越。

（三）完善模型管理機制，提升模型開發效率。智能風控模型是建立智能風控體系的關鍵。因此，應當將模型視為金融機構重要的資產之一，完善模型管理機制，有效控制模型風險、提升模型研發效率。第一，建立一整套覆蓋模型開發、驗證全流程的規范體系，包括外部數據評估驗證規范、數據質量探索規范、模型開發報告規范、投產前驗證規范、投產后驗證規范等，為規范化、標準化的智能風控模型開發流程奠定基礎。第二，風控模型開發涉及金融機構大量敏感的生產數據，可以建立人工智能實驗室。通過受控物理環境在準入控制、權限管理、行為監控、數據安全等方面進行統一規范化管理，不僅為模型開發人員提供便捷、高效的模型研發工作環境，同時又能夠保障生產數據安全、規范、可控的被使用，防范信息泄露風險。

第三，在組織架構上，要保證模型開發和驗證團隊相互獨立，可以成立模型評審委員會對模型進行評審，以最大限度保證模型的穩定性和安全性。

（四）加強人才隊伍建設，提升風險條線人員的科技素養。人才隊伍是建設智能風控體系的核心力量，同時也是金融機構風控的核心競爭力。風險建模技術，尤其是要融合新興的人工智能技術，是一個高度綜合化的領域，需要一支專業化水平較高的隊伍。從職責分工角度，可以大致分為數據采集和清洗人員、模型設計/開發/驗證人員、業務專家人員、技術平臺人員。在團隊設置方面，至少應該包括兩個團隊，模型研發團隊和模型驗證/監控團隊。模型研發團隊主要負責模型的設計、開發、內部驗證和應用對接工作。模型驗證/監控團隊主要負責第三方驗證，應具備一定的獨立性，同時負責模型日常監控工作，定期出具監測報告，向研發團隊反饋問題，控制模型風險。風控模型研發核心人員，屬于復合型人才，在精通相關理論知識的同時，還要具備相當的行業經驗，同時還需要有一定的編程能力，專業門檻很高，因此可以考慮引入該類中高端人才，作為團隊的核心引領人員。

（五）以場景應用推動智能風控體系迭代優化。以場景應用推動智能風控體系迭代優化，將智能風控深入應用于風險管理的各個環節，探索“智能評估、智能決策、智能監控”三位一體的智能風控體系，全面整合內部、外部數據，捕捉和發現客戶行為背后的相關性，把控客戶信用風險的變化，提升應急處置能力，有效降低資金風險。同時，要在場景應用的過程中逐步優化風險管理模式。智能風控體系與傳統風控體系的管理模式差別較大，在傳統風控體系下建立的業務制度、業務流程勢必無法完全適應智能風控體系。因此，應及時調整優化業務流程，使之與智能風控體系銜接更加緊密。

（作者單位：中國農業再保險公司；廈門國際銀行）

責任編輯：王煊