互联网金融风控模型设计

1. 互联网金融风控要搞清7个问题：常用的模型有哪些

风险识别、风险估测、风险评价、风险控制和风险管理效果评价等环节。回
目前最常用的风控模型答是哪些？
风控模型 常用于担保公司测算最高能够承受的风险并且根据市场与资本建立最有效的风控模型进行风险手段
风控模型 是在良好的建立风控体系风控评定方式评分机制等基础上进行有效的数据分析及评分体系就是建立常用的风控模型方式

2. 银行风控发展趋势是怎样的

趋势一：监管拓宽加深

监管范围正在持续扩大。麦肯锡预计未来十年内，加大消费者保护和“行为”监管的趋势仍将延续，甚至加快。那些信息不对称、高转换成本、不当和晦涩的建议、不透明或过于复杂的产品功能或定价结构都可能受到更为严密的审查。产品捆绑和交叉补贴也将更为困难，可以促使一些市场更公平地进行产品定价。

在某些情况下，如果客户可以改用更符合自身利益的其他产品，银行甚至有义务告知这一情况。或必须定期告知消费者更廉价的选择。这些趋势将会显著影响银行风险管理的方方面面。

一是，在监管框架内进行优化。

资本、流动性、融资、杠杆率以及恢复处置机制的建立可能会敦促银行构建符合所有监管限制的资产负债表和业务，在满足相关要求比率的前提下充分利用资金。这可能会限制银行的战略自由度，要求银行建立全新且具备高度分析能力的业务优化和战略制定流程。风险职能在这些领域作用重大，可扮演关键角色。

二是，银行能否光明磊落地披露自己的业务做法？

仅仅符合现有规则是不够的，如果银行要免受未来法规的回溯判决影响，就必需遵循一系列广泛原则。例如，银行要站在客户的角度检视自己的做法是否“公平”，是否能光明磊落地向客户、监管部门和公众完整披露自己的业务做法？如果不能，那么这就是一个明确的警告信号。银行可能需要评估整个销售和服务方法，审核端对端流程、定价结构及水平。

三是，消除人工干预，自动合规。

如今法律法规逐渐复杂，不合规问题愈加突出，银行只能在处理客户业务风险过程中尽量消除人工干预，把正确的行为固化到产品、服务和流程中。在无法实现自动化干预的领域，强有力的监督监控将会愈发重要，因为这是确保第一道防线错误率极低和第二道防线有效监督的唯一方法。

四是，与业务部门协作。

风险职能只有和业务部门加紧合作，才能沉着应对监管要求。银行要做到零风险全面合规，就要从一开始思考流程构成，而不是业务部门设计完战略或新产品后再追加马后炮。

趋势二：客户期望改变

未来十年内，客户期望改变和技术发展料将引发银行业巨变，使行业改头换面。届时，技术普及对客户而言可能就如家常便饭。

创新影响着价值链的每个环节，但最重要的颠覆可能发生在银行的业务承接和销售流程上。

回顾一下银行的基本业务模式就可以了解其中的盈利情况，将近六成的银行利润来自于业务承接、销售、分销和其他面向客户的活动。这些活动的净资本收益率达到了22%的诱人水平。

银行若要赢得这场客户关系战就要付出大量努力，要实现这一目标，风险职能就必须成为核心贡献者，在整个过程中与业务部门紧密协作，并强调两个重点：

一是自动化即时决策。

银行必须建立高度定制化的流程，快速实时响应客户要求（如开户、贷款申请等）。风险职能要帮助银行在无人工干预的环境下进行风险评估和决策制定。这通常要求银行出台大规模的零基础流程再设计，采纳更多非传统数据。专门为美英小企业提供贷款解决方案的公司Kabbage就是一个很好的例子。

申请者无需提交复杂冗长的文件便可通过在线途径快速便捷地申请贷款。Kabbage会评估各种数据来源（如PayPal交易、亚马逊交易、eBay交易信息和UPS发货量信息）。

目前，部分银行正着手设计更便捷的开户流程，大部分所需数据可通过公共来源预先填好，使客户受理体验尽量简单、做到衔接无缝和简短。在这种情况下，风险职能的挑战在于建立起一种安全友好的识别验证方法。

二是“一人细分客群”。

随着银行在客户细分和产品服务上更加成熟复杂，最终可能会建立“一人细分客群”，提供单人量身定制的价格和产品。不过此举也复杂化了相应流程，对银行来说代价不菲。为了保护消费者免受不当定价和审批决策的影响，监管部门也可能对银行设置诸多限制。

风险职能需要与运营和其他职能共同寻找对策，在提供高度定制化解决方案的同时妥善处理新问题。

趋势三：让技术和分析助力风险职能

科技不仅改变了客户行为，高级分析能力的发展也孕育了全新风险管理技术。层出不穷的新技术带来了成本更低、速度更快的计算能力和数据存储，推动了更有效的风险决策支持和流程整合。虽然未来十年还将出现大量未知的创新，并显著影响风险管理进程。这些创新因素包括大数据、机器学习、众包。

许多行业都已采用机器学习技术，比如天气预报、亚马逊产品推荐、谷歌垃圾邮件识别和奈飞（Netflix）建议都是很好的例子。某些银行已经开始在催收或信用卡欺诈侦测等领域开展试验，成效显著。

衡量模型预测能力的基尼系数也大幅改善。麦肯锡预计，银行的风险职能将在多个领域采用机器学习，如金融犯罪侦查、信贷审核、早期预警系统、零售和中小企业（SME）客群催收。

互联网的普及推动了商业设想众包，许多企业正通过这种方式提高部分领域的工作效率。美国Allstate的保险公司举办了一场汽车意外保险理赔算法众包挑战赛，参赛者均为数据科学家。该公司仅用了三个月的时间便成功将模型预测能力提高了2.7倍。

许多此类技术创新都能降低风险成本和罚款。银行越早采用这些技术便能越早建立竞争优势。不过，保护客户数据隐私必须是一个重要前提。

趋势四：非金融风险类型正在出现

金融风险管理在过去20年取得了长足进步，但其他风险管理却更似原地踏步。

过去五年来，运营合规风险相关的罚款、损失、法律成本飙升，迫使银行不得不开始关注这些风险。比如传染风险、模型风险、网络攻击等，银行还需要建立风险职能新能力和新流程，管理跟踪上述新兴风险。

趋势五：通过消除偏见更科学制定风险决策

另一种风险来源于偏见导致的错误决策。银行风险职能需要加强偏见识别和除偏技巧。

偏见识别。第一步要评估银行的哪些风险决策可能受到偏见影响。一旦有了这方面的理解，就能更容易识别偏见、降低影响。这个步骤其实相当重要，因为制定风险决策的过程中始终会存在偏见。那大型企业用于贷款审核的模型也会存在同样的问题吗？相比于人脑制定信贷决策，使用模型的问题相对较少。

然而，在建模过程中仍然会多少存在偏见。传统的回归模型一般始于建模人员的假设，如哪些因素具备预测能力，并应该被纳入模型。机器学习借助算法自行找出风险动因，成为能有效解决偏见问题的新方案。

除偏技巧。银行可采用三种技巧减少或避免决策偏见：通过分析为决策制定者提供更多事实；善用辩论技巧消除对话和决策中的偏见；通过组织在企业中建立新的决策方式。

一个比较典型的案例是定性信贷评估（QCA）。全球多家银行已在新兴市场中小企业贷款审核环节用上了QCA，这些市场的财务数据往往缺失、不全或不可靠。在这种情况下，银行往往需要依靠来自专家的人工判断。

虽然此举会导致一些主观偏见的出现，但银行可以采取众多措施提高决策质量。通常银行会用研讨会的形式进行QCA，汇集一批最优秀的信贷主管共同识别一系列潜在的预测因素，然后根据历史亏损情况逆向测试进行筛选。

趋势六：大规模降本需求

银行系统在大部分地区和产品类别上都出现了缓慢但持续的盈利水平下滑。银行努力通过改善运营成本弥补利润率下滑，导致净资产收益率持续保持在长期平均值的低位。

资本要求提高及合规成本增加等一系列监管的进一步收紧、以及低成本数字化竞争者的出现都为银行带来了不少压力，麦肯锡同时预计，这种压力还会进一步加剧。某些产品更易受到影响，银行如果仍旧无所作为，到2025年，某些产品类别高达40%的收入将会面临风险。

既然颠覆性如此强大，银行必须重新思考运营成本构成，以更低成本创造更高价值。银行如果已经采用了零基础预算、增值分析（即需求管理）、外包等传统的渐进降本方法，简化、标准化、数字化将是剩下为数不多的大幅降本途径。

银行风险需要对加大投入节省风险成本，应对前文提到的多种结构性趋势。在现有行业和监管环境，克服挑战无捷径可走，银行需要在未来十年内重新思考部署这些决策。

值得关注的是，到2025年，银行的风险职能将对银行的成功发挥更加关键的作用。2025年，银行的风险职能可能会担任无缝、无偏见风险决策和全面组织监控的设计工作，通过降低风险和运营成本、提供直观的客户体验和引导银行合规等方式创造更大价值。业务承接、销售、分销和其他面向客户的活动。这些活动的净资本收益率达到了22%的诱人水平。

(2)互联网金融风控模型设计扩展阅读

银行风险管理的实施

银行风险管理的目标能否实现，不仅取决于银行风险管理人员的知识水平和管理技能，而且还取决于银行的组织设置和管理方式等。银行风险管理的实施必须注重以下四方面的内容：

一是在经营上，必须采取稳健的原则，银行各部门的管理人员从经营决策到具体业务的操作，都必须考虑各种风险因素，在确保安全的前提下来寻求盈利的极大化。

二是在业务上，采取一系列风险分散或风险转嫁的自我保护措施，通过将风险管理数量化、具体化和制度化，确保风险在自身能够承受的范围之内。

三是在组织安排和部门设置上，要求银行设置专门的风险管理部门，并且强调与其他部门密切配合，定期对各业务部门制订的具体风险管理对策和目标进行检查和监督；并且将市场销售部和操作系统部分开设置，健全内部的制约机制。总之，银行在组织安排和部门设置上均必须体现防范风险的思想。

四是在财务上，采取稳健的会计原则，银行应在执行权责发生制的同时，按照稳健的会计原则，争取有关部门的支持，对呆账准备、应收未收款、盈余分配等方面作出适当的处理，以确保银行的资产质量，增强银行抵御风险的能力。

3. 互联网金融风控模型一般是如何搭建的

风控模型是在良好的建立风控体系、风控评定方式、评分机制等基础上，进行有效内的数据分析及评分体系容，就是建立常用的风控模型方式。目前来看，国内的互联网金融平台搭建风控模型主要有两种方式：一是自己搭建，二是直接使用三方供应商。比如目前互联网金融公司广泛使用的杭州同盾的风控产品和服务。当然，更多的互联网金融公司都会选择将两者结合起来，优化模型，提升效果。

4. p2p是什么意思通俗讲

p2p有两个意思，分别指的是：

1、p2p指的是对等网络：内

对等网络，容即对等计算机网络，是一种在对等者之间分配任务和工作负载的分布式应用架构，是对等计算模型在应用层形成的一种组网或网络形式。“Peer”在英语里有“对等者、伙伴、对端”的意义。因此，从字面上，P2P可以理解为对等计算或对等网络。

2、p2p指的是互联网金融点对点借贷平台：

P2P是英文peer to peer lending的缩写，意即个人对个人。又称点对点网络借款，是一种将小额资金聚集起来借贷给有资金需求人群的一种民间小额借贷模式。

(4)互联网金融风控模型设计扩展阅读：

在P2P网络环境中，彼此连接的多台计算机之间都处于对等的地位，各台计算机有相同的功能，无主从之分，一台计算机既可作为服务器，设定共享资源供网络中其他计算机所使用，又可以作为工作站，整个网络一般来说不依赖专用的集中服务器，也没有专用的工作站。

网络中的每一台计算机既能充当网络服务的请求者，又对其它计算机的请求做出响应，提供资源、服务和内容。通常这些资源和服务包括：信息的共享和交换、计算资源、存储共享、网络共享、打印机共享等。

5. 大数据征信的数据来源和方法是什么

大数据抄征信的数据的来源是信息的挖掘和数据集合。
大数据与传统征信的区别从本质上来看，大数据征信就是将大数据技术应用到征信活动中，大数据征信，简单地说就是运用这些海量数据集合，经挖掘分析后用于证明一个人或企业的信用状况。
1、在数据原料方面，越来越多的互联网在线动态大数据被添加进来。例如一个虚假的借款申请人信息就可以通过分析网络行为痕迹被识别出来，一个真实的互联网用户总会在网络上留下蛛丝马迹。对征信有用的数据的时效性也非常关键，通常被征信行业公认的有效的动态数据通常是从现在开始倒推24个月的数据。
2、传统得征信公司采用的是同业信息分享模式，即客户查询一条信息需要先共享一条相应的信息；而互联网公司则是利用自身的海量数据优势和用户信息，从财富、安全、守约、消费、社交等几个纬度来评判，为用户建立信用报告，形成以大数据为基础的海量数据库。
3、数据库系统形成以后，单个主体的征信信息采集将非常容易，征信服务的边际成本低，速度快，直接带来的好处就是征信服务的费用降低，且服务量很大。而且，数据库形成后，征信机构的运行成本更多的是来自知识产权和硬件的投入，相比大规模的人员需求，低成本优势显而易见。

6. 互联网金融风控模型，需要多大的数据

互联网金融各大资产端都是都是需要大数据支撑的，不同的资产端对应的风控可能会不太一样。特别是做个人消费贷，风控是最难的，更需要有专业的大数据来做金融风控。

7. 互联网金融风控模型一般是如何搭建的

风控模型是复在良好的制建立风控体系、风控评定方式、评分机制等基础上，进行有效的数据分析及评分体系，就是建立常用的风控模型方式。目前来看，国内的互联网金融平台搭建风控模型主要有两种方式：一是自己搭建，二是直接使用三方供应商。比如目前互联网金融公司广泛使用的杭州同盾的风控产品和服务。当然，更多的互联网金融公司都会选择将两者结合起来，优化模型，提升效果。

8. 互联网金融风控模型，需要多大的数据

1、基于某类特定目标人群、特定行业、商圈等做风控

由于针对特定人员、行业、商圈等垂直目标做深耕，较为容易建立对应的风险点及风控策略。
例如：
针对大学生的消费贷，主要针对大学生人群的特征
针对农业机具行业的融资担保。
针对批发市场商圈的信贷。

2、基于自有平台身份数据、历史交易数据、支付数据、信用数据、行为数据、黑名单/白名单等数据做风控

身份数据：实名认证信息（姓名、身份证号、手机号、银行卡、单位、职位）、行业、家庭住址、单位地址、关系圈等等。
交易数据/支付数据：例如B2C/B2B/C2C电商平台的交易数据，P2P平台的借款、投资的交易数据等。
信用数据：例如P2P平台借款、还款等行为累积形成的信用数据，电商平台根据交易行为形成的信用数据及信用分（京东白条、支付宝花呗），SNS平台的信用数据。
行为数据：例如电商的购买行为、互动行为、实名认证行为（例如类似新浪微博单位认证及好友认证）、修改资料（例如修改家庭及单位住址，通过更换频率来确认职业稳定性）。
黑名单/白名单：信用卡黑名单、账户白名单等。

3、基于第三方平台服务及数据做风控

互联网征信平台（非人行征信）、行业联盟共享数据（例如小贷联盟、P2P联盟） FICO服务
Retail Decisions(ReD)、Maxmind服务
IP地址库、代理服务器、盗卡/伪卡数据库、恶意网址库等
舆情监控及趋势、口碑服务。诸如宏观政策、行业趋势及个体案例的分析等等

4、基于传统行业数据做风控

人行征信、工商、税务、房管、法院、公安、金融机构、车管所、电信、公共事业（水电煤）等传统行业数据。

5、线下实地尽职调查数据

包括自建风控团队做线下尽职调查模式以及与小贷公司、典当、第三方信用管理公司等传统线下企业合作做风控的模式。
虽然貌似与大数据无关，但线下风控数据也是大数据风控的重要数据来源和手段。

9. 互联网金融风控模型都有哪些

以P2P网贷为例

一、销售环节

了解客户申请意愿和申请信息的真实性，适用于信专贷员模式，风控关键属点。

风控关键点：不同类型的借款申请调用不同的信用评分规则引擎。

二、贷后存量客户管理环节

存量客户授信调整是存量客户管理中的重要一环

风控关键点：

1、违约情况观察，比如是否发生早期逾期，连续多期不还欠款、联系方式失效等

2、信息关联排查，比如存量客户中是否有与新增的黑名单、灰名单数据匹配

三、贷后逾期客户管理环节

还款意愿差和还款能力不足是客户逾期的主要原因，这个环节主要涉及逾期客户管理与失联客户管理

风控关键点：

1、催收模型、策略优化。

2、失联客户识别与修复失联客户信息。

四、资金流动性管理环节

流动性风险是P2P网贷平台的主要风险，跑路P2P网贷平台的一个重要原因就是发生了挤兑。大数据下的流动性管理其实是实时BI的一个应用。传统BI数据T+1，大数据是实时BI。

风控关键点:

1、资金维度

2、业务维度

10. 京东白条安全吗可以放心使用么

京东作为一个大平台，京东白条还是挺安全的，如遇到不法分子盗取、欺诈信息，应该提高警惕，保管好相关信息，定期更换密码并设置复杂一些的密码，从而更好地保护账户安全。

京东白条是京东推出的业内第一款互联网消费金融产品，提供“先消费，后付款”的全新支付方式，用户在京东网站使用白条进行付款，可以享受账期内延后付款或者最长24期的分期付款方式。白条不支持转账功能，部分用户支持白条取现服务。

京东白条打通了京东体系内的O2O、全球购、产品众筹，之后又逐步覆盖了租房、旅游、装修、教育、婚庆等领域，从赊购服务延伸到提供信用消费贷款，覆盖更多消费场景，为更多消费者提供信用消费服务。

(10)互联网金融风控模型设计扩展阅读

申请条件

京东金融消费金融事业部风控相关负责人透露，消费金融业务没有一笔授信需要人工审批，都是通过风控大数据模型来识别用户。后台风控系统会根据购物习惯、信用状况、收货地址稳定程度等等，结合多种因素和数据去“识别”用户，然后迅速给出“白条”是否可激活的评定结果。

大数据模型的评估基础是用户数据的累积，并且数据需要实时动态更新。所以，随着大数据建模更加精准，用户“白条”激活概率也会提升。目前，京东消费金融已经对接近2亿用户完成了信用评分。

关于白条提额问题，可以定期领取提额包，还有不定期的白条提额活动。保持良好的消费还款记录，也可以获得提额奖励。